Перейти к содержимому
The Algotrading Book

Глава 66: Chain-of-Thought Trading — Объяснимые торговые решения на основе LLM

В этой главе рассматривается применение Chain-of-Thought (CoT) промптинга для торговых приложений. Мы изучим, как пошаговое рассуждение больших языковых моделей может генерировать объяснимые, прозрачные торговые сигналы с полным аудиторским следом процесса принятия решений.

Содержание

  1. Введение в Chain-of-Thought Trading
  2. Основы Chain-of-Thought
  3. Торговые приложения
  4. Практические примеры
  5. Реализация на Rust
  6. Реализация на Python
  7. Лучшие практики
  8. Ресурсы

Введение в Chain-of-Thought Trading

Chain-of-Thought промптинг революционизирует использование LLM для трейдинга, делая процесс рассуждений явным и проверяемым. Вместо простого сигнала “покупать” или “продавать” мы получаем полную разбивку учтённых факторов и того, как они привели к финальному решению.

Почему объяснимость важна в трейдинге

ТРАДИЦИОННЫЕ ML-ТОРГОВЫЕ СИГНАЛЫ:
┌──────────────────────────────────────────────────────────────────┐
│  Вход: Рыночные данные + Новости + Индикаторы                    │
│                           │                                      │
│                           ▼                                      │
│                    ┌──────────────┐                              │
│                    │  ЧЁРНЫЙ ЯЩИК │                              │
│                    │    МОДЕЛЬ    │                              │
│                    └──────────────┘                              │
│                           │                                      │
│                           ▼                                      │
│  Выход: "ПОКУПАТЬ" (уверенность: 0.73)                          │
│                                                                  │
│  Проблема: ПОЧЕМУ покупать? Мы не знаем!                        │
└──────────────────────────────────────────────────────────────────┘


CHAIN-OF-THOUGHT TRADING:
┌──────────────────────────────────────────────────────────────────┐
│  Вход: Рыночные данные + Новости + Индикаторы                    │
│                           │                                      │
│                           ▼                                      │
│  Шаг 1: "RSI на уровне 32, указывает на перепроданность..."     │
│                           │                                      │
│                           ▼                                      │
│  Шаг 2: "Последняя прибыль превысила ожидания на 15%..."        │
│                           │                                      │
│                           ▼                                      │
│  Шаг 3: "Секторный моментум положительный, аналоги +3%..."      │
│                           │                                      │
│                           ▼                                      │
│  Шаг 4: "Соотношение риск/доходность благоприятно для лонга..." │
│                           │                                      │
│                           ▼                                      │
│  Выход: "ПОКУПАТЬ" с полной цепочкой рассуждений                │
│                                                                  │
│  Преимущество: Полный аудиторский след для каждого решения!     │
└──────────────────────────────────────────────────────────────────┘

CoT vs традиционные ML-сигналы

АспектТрадиционный MLChain-of-Thought
ОбъяснимостьНизкая (чёрный ящик)Высокая (полное рассуждение)
Регуляторное соответствиеСложноПросто
ОтладкаТрудноЛегко (проверка каждого шага)
Человеческий контрольОграниченЕстественная интеграция
АдаптивностьТребует переобученияМодификация промпта
Вычислительная стоимостьНиже (один инференс)Выше (длинная генерация)
КонсистентностьВысокаяТребует техник (self-consistency)

Ключевые преимущества

  1. Регуляторное соответствие

    • Полный аудиторский след для каждого торгового решения
    • Объяснимое обоснование для регуляторов
    • Документация рисковых соображений

  2. Управление рисками

    • Явное рассуждение о негативных сценариях
    • Чёткая артикуляция логики размера позиции
    • Прозрачное обоснование стоп-лоссов и тейк-профитов

  3. Человеко-машинное взаимодействие

    • Трейдеры могут проверять рассуждения LLM
    • Легко выявить ошибочную логику
    • Естественная интеграция с принятием решений человеком

  4. Непрерывное улучшение

    • Анализ цепочек рассуждений на паттерны
    • Выявление систематических предубеждений
    • Улучшение промптов на основе результатов

Основы Chain-of-Thought

Техника CoT-промптинга

Chain-of-Thought промптинг, представленный Wei et al. (2022), позволяет LLM декомпозировать сложные задачи на промежуточные шаги рассуждения:

# Стандартный промптинг
prompt_standard = """
Проанализируй акции AAPL и дай торговый сигнал.
"""
# Выход: "Покупать" (без объяснения)


# Chain-of-Thought промптинг
prompt_cot = """
Проанализируй акции AAPL и дай торговый сигнал.
Рассуждай пошагово:


1. Сначала проанализируй текущее ценовое движение и технические индикаторы
2. Затем рассмотри недавние фундаментальные события
3. Далее оцени рыночный сентимент и секторные тренды
4. Оцени соотношение риск/доходность
5. Наконец, дай торговую рекомендацию с обоснованием
"""
# Выход: Детальный пошаговый анализ с финальной рекомендацией

Zero-Shot vs Few-Shot CoT

Zero-Shot CoT: Просто добавьте “Давай рассуждать пошагово” к промпту

zero_shot_cot = """
Даны следующие рыночные данные для BTCUSDT:
- Текущая цена: $43,250
- Изменение за 24ч: +2.3%
- RSI(14): 58
- Объём: 1.2x от среднего


Стоит ли открывать длинную позицию?


Давай рассуждать пошагово.
"""

Few-Shot CoT: Предоставьте примеры цепочек рассуждений

few_shot_cot = """
Пример 1:
Рынок: ETHUSDT по $2,150, RSI: 28, Объём: 2x от среднего
Анализ:
Шаг 1: RSI на 28 указывает на зону перепроданности (ниже 30)
Шаг 2: Высокий объём говорит о сильном интересе на этих уровнях
Шаг 3: Такая комбинация часто предшествует отскоку
Решение: ЛОНГ с плотным стопом на $2,050


Пример 2:
Рынок: BTCUSDT по $45,000, RSI: 72, Объём: 0.8x от среднего
Анализ:
Шаг 1: RSI на 72 указывает на перекупленность
Шаг 2: Объём ниже среднего говорит о слабом моментуме
Шаг 3: Риск отката повышен
Решение: СОКРАТИТЬ позицию или остаться в КЭШЕ


Теперь проанализируй:
Рынок: SOLUSDT по $98, RSI: 45, Объём: 1.5x от среднего
"""

Self-Consistency декодирование

Для более надёжных торговых сигналов можно использовать self-consistency:

SELF-CONSISTENCY ДЛЯ ТОРГОВЫХ РЕШЕНИЙ
═══════════════════════════════════════════════════════════════════


Вход: Запрос на анализ рынка


                    ┌─────────────────────┐
                    │   Один промпт       │
                    │   несколько раз     │
                    └─────────────────────┘
                              │
              ┌───────────────┼───────────────┐
              ▼               ▼               ▼
        ┌──────────┐   ┌──────────┐   ┌──────────┐
        │ Путь 1   │   │ Путь 2   │   │ Путь 3   │
        │Рассужд-е │   │Рассужд-е │   │Рассужд-е │
        └──────────┘   └──────────┘   └──────────┘
              │               │               │
              ▼               ▼               ▼
          ПОКУПАТЬ        ПОКУПАТЬ        ДЕРЖАТЬ
           0.8             0.6            0.4


                    ┌─────────────────────┐
                    │Мажоритарный голос:  │
                    │ПОКУПАТЬ (2/3 путей) │
                    │Средн. уверенн.: 0.6 │
                    └─────────────────────┘


Преимущество: Более надёжные решения за счёт выборки нескольких путей рассуждения

Торговые приложения

Анализ рынка с CoT

MARKET_ANALYSIS_PROMPT = """
Вы - эксперт-количественный аналитик. Проанализируйте следующие рыночные данные
и предоставьте комплексную оценку.


=== РЫНОЧНЫЕ ДАННЫЕ ===
Актив: {symbol}
Текущая цена: ${price}
Изменение за 24ч: {change_24h}%
Изменение за 7д: {change_7d}%


Технические индикаторы:
- RSI(14): {rsi}
- MACD: {macd} (Сигнал: {macd_signal})
- Полосы Боллинджера: Нижняя={bb_lower}, Средняя={bb_middle}, Верхняя={bb_upper}
- ATR(14): {atr}


Анализ объёма:
- Текущий объём: {volume}
- Средний объём за 20 дней: {avg_volume}
- Отношение объёма: {volume_ratio}x


=== СТРУКТУРА АНАЛИЗА ===
Продумайте каждый шаг тщательно:


ШАГ 1 - АНАЛИЗ ТРЕНДА:
Проанализируйте текущее направление и силу тренда на основе ценового движения
и скользящих средних.


ШАГ 2 - ОЦЕНКА МОМЕНТУМА:
Оцените моментум используя RSI и MACD. Выявите дивергенции.


ШАГ 3 - КОНТЕКСТ ВОЛАТИЛЬНОСТИ:
Рассмотрите текущую волатильность (ATR, Полосы Боллинджера) и её влияние
на размер позиции и установку стопов.


ШАГ 4 - ПОДТВЕРЖДЕНИЕ ОБЪЁМОМ:
Оцените, поддерживает ли объём текущее ценовое движение.


ШАГ 5 - РАСЧЁТ РИСК/ДОХОДНОСТЬ:
Рассчитайте потенциальные уровни входа, стоп-лосса и тейк-профита.
Определите соотношение риск/доходность.


ШАГ 6 - ФИНАЛЬНАЯ РЕКОМЕНДАЦИЯ:
Дайте чёткий торговый сигнал (СИЛЬНО ПОКУПАТЬ, ПОКУПАТЬ, ДЕРЖАТЬ, ПРОДАВАТЬ, СИЛЬНО ПРОДАВАТЬ)
с уровнем уверенности и конкретными действиями.


Начните анализ:
"""

Цепочки оценки риска

RISK_ASSESSMENT_PROMPT = """
Вы - риск-менеджер в квантовой торговой фирме. Оцените
следующую предлагаемую сделку используя структурированную оценку рисков.


=== ПРЕДЛАГАЕМАЯ СДЕЛКА ===
Актив: {symbol}
Направление: {direction}
Цена входа: ${entry}
Размер позиции: ${size}
Стоимость счёта: ${account_value}
Текущие позиции: {current_positions}


=== ЦЕПОЧКА ОЦЕНКИ РИСКОВ ===


ШАГ 1 - РИСК РАЗМЕРА ПОЗИЦИИ:
Какой процент портфеля представляет эта сделка?
Находится ли это в допустимых пределах концентрации?


ШАГ 2 - КОРРЕЛЯЦИОННЫЙ РИСК:
Как эта позиция коррелирует с существующими активами?
Увеличивает или уменьшает диверсификацию портфеля?


ШАГ 3 - РИСК ЛИКВИДНОСТИ:
Можно ли быстро выйти из этой позиции при необходимости?
Каково ожидаемое проскальзывание при экстренном выходе?


ШАГ 4 - ХВОСТОВОЙ РИСК:
Каков худший сценарий для этой сделки?
Как движение в 3 сигмы повлияет на портфель?


ШАГ 5 - АЛЬТЕРНАТИВНЫЕ ИЗДЕРЖКИ:
Какой капитал выделяется на эту сделку?
Есть ли лучшие возможности с учётом риска?


ШАГ 6 - РЕШЕНИЕ ПО РИСКУ:
ОДОБРИТЬ, ОДОБРИТЬ С ИЗМЕНЕНИЯМИ, или ОТКЛОНИТЬ
Если нужны изменения, укажите:
- Скорректированный размер позиции
- Необходимые хеджи
- Требования к стоп-лоссу


Предоставьте оценку рисков:
"""

Практические примеры

01: Базовый CoT-анализ

python/01_cot_analysis.py
import os
from typing import Dict, List, Optional
from dataclasses import dataclass
from datetime import datetime
import json
import re




@dataclass
class ReasoningStep:
    """Один шаг в цепочке рассуждений."""
    step_number: int
    title: str
    reasoning: str
    conclusion: str




@dataclass
class CoTAnalysis:
    """Полный результат chain-of-thought анализа."""
    symbol: str
    timestamp: datetime
    steps: List[ReasoningStep]
    final_signal: str
    confidence: float
    reasoning_summary: str
    raw_response: str




class ChainOfThoughtAnalyzer:
    """
    Chain-of-Thought торговый анализатор на основе LLM.


    Демонстрирует использование CoT-промптинга для
    объяснимых торговых решений.
    """


    def __init__(
        self,
        model: str = "gpt-4",
        temperature: float = 0.3,
        api_key: Optional[str] = None
    ):
        self.model = model
        self.temperature = temperature
        self.api_key = api_key or os.getenv("OPENAI_API_KEY")
        self._client = None


    def analyze(
        self,
        symbol: str,
        market_data: Dict,
        news: Optional[List[str]] = None
    ) -> CoTAnalysis:
        """
        Выполнить chain-of-thought анализ рыночных данных.


        Args:
            symbol: Торговый символ
            market_data: Словарь с ценой, индикаторами и т.д.
            news: Необязательный список последних новостных заголовков


        Returns:
            CoTAnalysis с полной цепочкой рассуждений
        """
        # Реализация анализа...
        pass

02: Многошаговая генерация сигналов

python/02_signal_generation.py
from enum import Enum
from dataclasses import dataclass, field
from typing import Dict, List, Tuple
import numpy as np




class Signal(Enum):
    STRONG_BUY = 2
    BUY = 1
    HOLD = 0
    SELL = -1
    STRONG_SELL = -2




@dataclass
class CoTSignal:
    """Торговый сигнал с chain-of-thought обоснованием."""
    symbol: str
    signal: Signal
    confidence: float
    reasoning_chain: List[str]
    entry_price: Optional[float] = None
    stop_loss: Optional[float] = None
    take_profit: Optional[float] = None
    position_size_pct: float = 0.0




class MultiStepSignalGenerator:
    """
    Генерация торговых сигналов с многошаговым рассуждением.


    Каждый сигнал создаётся через цепочку аналитических шагов,
    обеспечивая полную прозрачность процесса принятия решений.
    """


    def generate_signal(
        self,
        symbol: str,
        price_data: Dict,
        indicators: Dict,
        fundamentals: Optional[Dict] = None,
        sentiment: Optional[Dict] = None
    ) -> CoTSignal:
        """
        Генерация торгового сигнала с полной цепочкой рассуждений.
        """
        # Шаг 1: Анализ тренда
        # Шаг 2: Анализ моментума
        # Шаг 3: Анализ объёма
        # Шаг 4: Анализ сентимента
        # Шаг 5: Расчёт риск/доходность
        # Шаг 6: Агрегация и решение
        pass

03: Размер позиции с учётом риска

python/03_position_sizing.py
@dataclass
class PositionSizeResult:
    """Результат расчёта размера позиции с обоснованием."""
    symbol: str
    recommended_size: float
    size_in_units: int
    risk_amount: float
    reasoning_chain: List[str]
    risk_metrics: Dict[str, float]




class CoTPositionSizer:
    """
    Chain-of-Thought определение размера позиции.


    Использует явные шаги рассуждения для определения оптимальных
    размеров позиций на основе толерантности к риску, размера счёта
    и рыночных условий.
    """


    def calculate_position_size(
        self,
        symbol: str,
        entry_price: float,
        stop_loss: float,
        signal_confidence: float,
        current_positions: Optional[Dict[str, float]] = None,
        correlations: Optional[Dict[str, float]] = None,
        volatility: Optional[float] = None
    ) -> PositionSizeResult:
        """
        Расчёт размера позиции с явной цепочкой рассуждений.


        Шаги:
        1. Расчёт риска на единицу
        2. Базовый размер из толерантности к риску
        3. Корректировка по уверенности
        4. Корректировка по волатильности
        5. Проверка корреляционных ограничений
        6. Применение максимального размера позиции
        7. Финальная рекомендация
        """
        pass

04: Полный конвейер бэктестинга

python/04_backtest.py
@dataclass
class BacktestResult:
    """Результаты бэктестинга с полным аудитом рассуждений."""
    trades: List[Trade]
    equity_curve: pd.Series
    metrics: Dict[str, float]
    reasoning_audit: List[Dict]




class CoTBacktester:
    """
    Бэктестинг Chain-of-Thought торговых стратегий.


    Этот бэктестер сохраняет полные аудиторские следы всех
    цепочек рассуждений, приведших к торговым решениям.
    """


    def run(
        self,
        prices: pd.DataFrame,
        signal_generator,
        start_date: Optional[datetime] = None,
        end_date: Optional[datetime] = None
    ) -> BacktestResult:
        """
        Запуск бэктеста на исторических данных.


        Returns:
            BacktestResult со сделками, кривой капитала и аудитом рассуждений
        """
        pass

Реализация на Rust

Реализация на Rust обеспечивает высокопроизводительный Chain-of-Thought торговый анализ.

Структура проекта

rust_cot_trading/
├── Cargo.toml
├── src/
│   ├── lib.rs
│   ├── analysis.rs      # Логика CoT-анализа
│   ├── signals.rs       # Генерация сигналов
│   ├── position.rs      # Размер позиции
│   ├── backtest.rs      # Движок бэктестинга
│   ├── data.rs          # Загрузка данных
│   ├── api.rs           # Клиент LLM API
│   └── bin/
│       ├── analysis_demo.rs
│       ├── signal_demo.rs
│       └── backtest_demo.rs

Быстрый старт (Rust)

Окно терминала
cd rust_cot_trading
cargo build --release
cargo run --bin analysis_demo

Реализация на Python

Структура директорий

python/
├── __init__.py
├── cot_analyzer.py      # Chain-of-Thought анализатор
├── signal_generator.py  # Многошаговая генерация сигналов
├── position_sizer.py    # Размер позиции с рассуждениями
├── backtest.py          # Движок бэктестинга
├── data_loader.py       # Утилиты загрузки данных
├── requirements.txt
└── examples/
    ├── 01_basic_analysis.py
    ├── 02_signal_generation.py
    ├── 03_position_sizing.py
    └── 04_backtest_demo.py

Быстрый старт (Python)

Окно терминала
cd python
pip install -r requirements.txt
python examples/01_basic_analysis.py

Лучшие практики

1. Инжиниринг промптов для трейдинга

# ПРАВИЛЬНО: Будьте конкретны в структуре анализа
prompt = """
Анализируй используя эти конкретные шаги:
1. Проверь RSI на перепроданность/перекупленность
2. Подтверди направление пересечения MACD
3. Убедись, что объём поддерживает движение цены
4. Рассчитай соотношение риск/доходность
5. Дай конкретные вход, стоп и цель
"""


# НЕПРАВИЛЬНО: Используйте размытые промпты
prompt = "Скажи, стоит ли покупать эту акцию"

2. Self-Consistency для надёжности

def get_reliable_signal(analyzer, data, n_samples=5):
    """Используйте self-consistency для более надёжных сигналов."""
    signals = []
    for _ in range(n_samples):
        result = analyzer.analyze(data)
        signals.append(result.final_signal)


    # Мажоритарное голосование
    from collections import Counter
    most_common = Counter(signals).most_common(1)[0]


    return {
        'signal': most_common[0],
        'agreement': most_common[1] / n_samples,
        'all_signals': signals
    }

3. Аудиторский след рассуждений

class AuditableAnalyzer:
    """Ведение полного аудиторского следа для соответствия требованиям."""


    def __init__(self):
        self.audit_log = []


    def analyze(self, symbol, data):
        result = self._perform_analysis(symbol, data)


        # Логирование для аудита
        self.audit_log.append({
            'timestamp': datetime.now(),
            'symbol': symbol,
            'input_data': data,
            'reasoning_chain': result.reasoning_chain,
            'signal': result.signal,
            'confidence': result.confidence
        })


        return result


    def export_audit(self, filepath):
        """Экспорт аудиторского следа для проверки соответствия."""
        with open(filepath, 'w') as f:
            json.dump(self.audit_log, f, indent=2, default=str)

Распространённые ошибки

  1. Чрезмерная зависимость от рассуждений LLM: Всегда валидируйте количественными бэктестами
  2. Непоследовательные рассуждения: Используйте self-consistency и настройку temperature
  3. Лимиты токенов: Разбивайте длинные анализы на фокусированные поданализы
  4. Задержка в живом трейдинге: Предрассчитывайте шаблоны рассуждений, используйте кэширование
  5. Галлюцинированные данные: Всегда проверяйте, что LLM не придумывает рыночные данные

Ресурсы

Научные работы

  1. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

  2. Self-Consistency Improves Chain of Thought Reasoning in Language Models

  3. Large Language Models are Zero-Shot Reasoners

Открытые альтернативы

  • LangChain: Фреймворк для цепочки вызовов LLM
  • Guidance: Ограниченная генерация для структурированных выходов
  • DSPy: Программный фреймворк для конвейеров LLM

Связанные главы

Уровень сложности

Средний до Продвинутого

Предварительные требования

  • Понимание техник промптинга LLM
  • Базовые знания торговых индикаторов
  • Опыт программирования на Python
  • Знакомство с концепциями бэктестинга

Навыки, которые вы освоите

  • Chain-of-Thought промптинг для финансов
  • Объяснимый ИИ в трейдинге
  • Системы многошагового рассуждения
  • Реализация аудиторского следа для соответствия требованиям

Ссылки

  1. Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” NeurIPS 2022.

  2. Wang, X., et al. (2023). “Self-Consistency Improves Chain of Thought Reasoning in Language Models.” ICLR 2023.

  3. Kojima, T., et al. (2022). “Large Language Models are Zero-Shot Reasoners.” NeurIPS 2022.

  4. Brown, T., et al. (2020). “Language Models are Few-Shot Learners.” NeurIPS 2020.

  5. OpenAI. (2023). “GPT-4 Technical Report.” arXiv:2303.08774.