Можно ли заработать на торговом боте? Я проверял полгода — публикую всё, включая провалы

Можно ли заработать на торговом боте? Я решил проверить сам. Я не программист. Тем не менее с помощью AI-ассистента я построил полноценного торгового бота для биржи Bybit: шесть слоёв, технический анализ по восьми инструментам, нейросеть-фильтр, риск-менеджмент, мониторинг, база данных каждой сделки. Бот работал безупречно. Оставался один вопрос — приносит ли всё это деньги. На него я потратил ещё несколько месяцев и 150+ статистических тестов. Короткий ответ: нет. Длинный ответ — в исследовании ниже, и именно он сэкономит вам деньги.

Можно ли заработать на торговом боте: что именно проверялось

Проверка шла по правилам, которые обычно игнорируют авторы «прибыльных ботов с YouTube»: выборка делилась пополам по времени (эффект обязан жить на обеих половинах), применялась поправка Бонферрони на множественные сравнения, комиссии считались по реальным тейкер-ставкам, а при любой неоднозначности система выбирала «не торговать».

— 8 инструментов Bybit: BTC, ETH, SOL, BNB, XRP, LINK + золото и серебро (XAU, XAG)

— горизонты от 5 минут до полугода, данные по дневкам — с 2020 года

— 9 семейств гипотез: классические индикаторы, реверсия, пробой волатильности, funding, открытый интерес, торговые сессии, выходные, лидирование BTC, моментум

— отдельный тест: улучшает ли решения LLM-нейросеть (Claude) поверх тех же данных

Четыре главных результата

1. Классические индикаторы (EMA, RSI, MACD, Боллинджер) на 3604 сигналах дали винрейт на уровне безубыточности. Оптимизировать веса бессмысленно — оптимизировать нечего.

2. Нейросеть не спасает. LLM-фильтр статистически неотличим от простого порога: модель не создаёт информацию, которой нет во входных данных. Расходы на API не окупаются.

3. Каждая «находка» умирала одним из двух способов: либо не воспроизводилась на второй половине данных, либо съедалась комиссиями. Оба сценария — классические признаки подгонки под историю.

4. То, что «работает», работает хуже вклада. Дельта-нейтральный funding-carry механически исправен, но в текущем режиме приносит +0,31% годовых. Единственная выжившая нить — месячный портфельный моментум — не прошла поправку на множественные сравнения и затухает во времени.

Кому это сэкономит деньги

Тем, кто собирается купить «прибыльного бота»; тем, кто хочет построить своего и верит одному красивому бэктесту; тем, кто думает, что ChatGPT или Claude «напишут стратегию». Инженерно бот — решаемая задача, я прошёл её с нуля. Но наличие извлекаемого сигнала в общедоступных данных — свойство рынка, а не кода, и проверяется оно только честной статистикой. Моя проверка дала «нет» — и это согласуется с академическими данными: в крупнейшем исследовании упорных дневных трейдеров 97% потеряли деньги.

Полный отчёт

13 страниц: архитектура системы, методология, все цифры по каждому семейству гипотез, найденный и исправленный баг собственного симулятора, ограничения исследования, список литературы. Скачивайте, проверяйте, критикуйте — код и данные доступны по запросу.

Открыть исследование (PDF) →

Полный текст исследования

Ниже — полный разбор того, можно ли заработать на торговом боте: методология, все девять семейств гипотез, таблицы с цифрами, ограничения и список литературы. PDF-версия — по кнопке выше.

Содержание

• 1. Введение и мотивация
• 2. Исследуемая система и данные
• 3. Методология
• 4. Результат 1. Базовая сигнальная логика не имеет предсказательной силы
• 5. Результат 2. LLM-слой не добавляет ценности
• 6. Результат 3. Девять семейств гипотез
• 7. Структурно иные стратегии: carry и моментум
• 8. Ограничения исследования
• 9. Согласованность с академической литературой
• 10. Выводы
• Литература
• Приложение А. Скрипты и данные
• Отказ от ответственности

1. Введение и мотивация

Идея «торгового бота, пассивно приносящего деньги», — одна из самых живучих в розничных финансах. Технически собрать такого бота сегодня проще, чем когда-либо: биржевые API открыты, вычислительные ресурсы дёшевы, а современные AI-ассистенты позволяют непрограммисту построить работающую многослойную систему. Однако инженерная реализуемость бота и наличие в рыночных данных извлекаемого сигнала — два независимых вопроса. Первый решается трудом; второй является эмпирическим свойством рынка и не поддаётся «дописыванию кодом».

Настоящее исследование выросло из практического проекта: автором (не имеющим профессионального опыта в программировании и количественных финансах) при помощи AI-ассистента был построен гибридный торговый бот — шестислойная система, в которой Python-код круглосуточно рассчитывает технические индикаторы, а большая языковая модель подключается только при сильном сигнале в роли финального фильтра. Бот стабильно работал в демо-режиме, вёл полную базу сигналов и сделок. Именно эта база и стала материалом для главного вопроса работы: есть ли в этих данных то, что можно устойчиво превращать в прибыль?

Работа сознательно публикуется как отчёт об отрицательном результате. В розничном трейдинге систематическая ошибка выжившего огромна: публикуются истории успеха, тогда как статистически типичный исход — убыток — остаётся недокументированным. Дисциплинированно полученное «нет» имеет практическую ценность: оно предостерегает от перевода на реальные деньги стратегий, чья кажущаяся прибыльность является артефактом подгонки под исторические данные.

2. Исследуемая система и данные

2.1. Архитектура торговой системы

Исследуемая система — гибридный бот из шести последовательных слоёв: (1) слой данных — котировки и свечи Bybit по WebSocket/REST; (2) технический анализ — EMA 20/50/200, MACD, RSI, полосы Боллинджера, ATR, OBV, VWAP на таймфреймах 5 и 15 минут; (3) агрегатор сигналов (confirmation-score 0–1); (4) LLM-модуль (Claude Haiku 4.5 через OpenAI-совместимый API), вызываемый только при score выше порога; (5) риск-менеджмент с правом вето; (6) исполнение ордеров. Все сигналы, решения LLM и сделки протоколировались в PostgreSQL, что обеспечило полноту данных для последующего анализа.

2.2. Данные

• 8 бессрочных контрактов Bybit: BTCUSDT, ETHUSDT, SOLUSDT, BNBUSDT, XRPUSDT, LINKUSDT, XAUUSDT, XAGUSDT (6 криптоактивов и 2 металла).
• Внутридневные данные: свечи 5m/15m/1h/4h за ~6 месяцев; 3604 сигнала базовой логики; 1100 сигналов, поданных на вход LLM-слоя.
• Дневные свечи с момента листинга каждого инструмента (BTC — с марта 2020 г., 2312 дней; альткоины — с 2021 г.) для долгосрочных гипотез.
• Ставки финансирования (funding, шаг ~8 ч для крипты и ~4 ч для металлов) и открытый интерес (OI, 1h) за весь 6-месячный период по всем 8 парам.

Комиссии в экономических расчётах — реальные тейкер-ставки Bybit; для carry-стратегии дополнительно учтены спотовая комиссия и полная стоимость цикла обеих ног (0,31%).

3. Методология

Ключевая угроза достоверности любого бэктеста — переобучение на исторические данные: при достаточном числе попыток случайный шум неизбежно проходит любой порог значимости. Для защиты применялась единая дисциплина ко всем гипотезам:

• Разбиение по времени (split-half). Выборка делится на две последовательные половины; эффект признаётся кандидатом только при согласованности знака и величины на обеих половинах. Это грубая, но честная имитация проверки вне выборки.
• Поправка Бонферрони. Пороги значимости ужесточаются пропорционально числу тестов в семействе (например, при 21 тесте требуется p < 0,0024 вместо номинальных 0,05), что подавляет ложные открытия при массовом переборе.
• Запрет заглядывания в будущее (no-lookahead). Сигналы строятся только на информации, доступной на момент принятия решения; исполнение моделируется на последующих барах.
• Экономическая проверка кандидатов. Статистическая значимость сама по себе не признаётся результатом: каждый формальный кандидат прогонялся через симуляцию с реальными комиссиями, стоп-лоссами и тейк-профитами. Критерий — положительное математическое ожидание на сделку после издержек (avg_net_r > 0).
• Fail-safe по умолчанию. При любой неопределённости (ошибка данных, неполный ответ модели) система выбирает бездействие, а не сделку.

В ходе работы был выявлен и задокументирован собственный методический дефект: в первой версии одного из симуляторов стоп-лосс мог вырождаться до цены входа, из-за чего комиссия, отнесённая к исчезающе малому риску, искажала результат на порядок (fee_r до −13R). Дефект устранён введением минимального риска на сделку (MIN_RISK_PCT = 0,15%); все итоговые цифры получены исправленной версией. Этот эпизод приводится сознательно: класс ошибки «раздавленного риска» типичен для любительских бэктестов и способен как маскировать, так и имитировать эдж.

4. Результат 1. Базовая сигнальная логика не имеет предсказательной силы

Базовая логика бота — confirmation-score: взвешенная агрегация согласованности EMA, RSI, MACD и полос Боллинджера на таймфреймах 5 и 15 минут. За 6 месяцев зафиксировано 3604 сигнала. Проверка показала: доля прибыльных сделок статистически неотличима от уровня безубыточности при любом соотношении прибыли к риску (RR), и этот вывод воспроизводится на обеих половинах выборки.

Практическое следствие сформулировано жёстко: перекалибровка весов индикаторов или порогов бессмысленна — оптимизировать нечего, поскольку у агрегата отсутствует предсказательная сила как таковая. Это согласуется с теоретическим ожиданием: перечисленные индикаторы являются общедоступными функциями цены, известными всем участникам рынка, и устойчивое преимущество на их основе противоречило бы даже слабой форме гипотезы эффективного рынка.

5. Результат 2. LLM-слой не добавляет ценности

Отдельно проверялась гипотеза, что большая языковая модель, получая на вход значения индикаторов, последние свечи, открытые позиции и статистику недавних сделок, способна отфильтровывать слабые сигналы лучше механического порога. Финальный прогон: 1100 сигналов на входе, 271 одобрен моделью.

Показатель	Решения LLM-слоя	Эталон (без LLM)
Доля прибыльных сделок (winrate)	35,4%	36,5%
Средний результат на сделку (avg_r)	−0,0056	+0,0229
Статистическая значимость различия	различие незначимо

Таблица 1. Сравнение решений LLM-фильтра с эталонной выборкой. Различия в пределах шума.

Вывод: языковая модель не создаёт информацию — она преобразует ту, что подана на вход. Если во входных данных отсутствует статистически извлекаемый сигнал (что установлено в разделе 4), никакая «умность» модели не способна его породить. Дополнительное следствие — экономическое: расходы на API-вызовы модели не окупаются качеством отбора, и по итогам исследования LLM-слой рекомендован к сокращению или удалению из системы.

6. Результат 3. Девять семейств гипотез

После установления неработоспособности базовой логики поиск был расширен: систематически проверены девять семейств альтернативных гипотез. Сводка приведена в таблице 2, ниже — содержательные детали.

№	Семейство гипотез	Тестов	Формальные кандидаты	Итог после проверки экономики
1	Автокорреляция доходности по горизонтам (lag-1), 8 пар × 5 ТФ	40	4 (реверсия 15m; Бонферрони пройден)	Убыточно после комиссий (avg_net_r = −0,48)
2	Металлы (XAU/XAG) отдельно от крипты	—	нет (p = 0,81)	Классы активов статистически неразличимы
3	Относительная стоимость / парный трейдинг	—	1 (XAU/XAG 15m)	Смена знака между половинами ещё до комиссий
4	Пробой после сжатия волатильности	24	0	Ни одного кандидата даже на мягком пороге
5	Funding и открытый интерес как предикторы цены	16	0	Единственный всплеск (LINK 1h) — смена знака во 2-й половине
6	Торговые сессии суток (4 блока по 6 ч UTC)	—	0	Ни одна половина не значима
7	Будни против выходных	—	0	Половины значимы в противоположные стороны
8	Лидирование BTC → следование альткоинов	15	1 (BNB 15m)	Отклонён: знак противоположен гипотезе; совпадает с реверсией из п. 1
9	Долгосрочный моментум (см. раздел 7)	21	0 формально	Одна согласованная, но незначимая нить

Таблица 2. Сводка проверенных семейств гипотез. Ни одно не дало экономически извлекаемого эффекта.

6.1. Реверсия на 15-минутном горизонте: анатомия «почти находки»

Скан автокорреляций обнаружил единственный устойчивый паттерн: отрицательную lag-1 автокорреляцию 15-минутной доходности — у всех восьми инструментов, с согласованным знаком на обеих половинах выборки; четыре пары прошли поправку Бонферрони. Формально это образцовый кандидат. Однако экономическая проверка показала: при RR = 1,5 доля прибыльных сделок составила 38,6% против 40%, требуемых для безубыточности; средний результат до комиссий ≈ 0 (−0,034R), после комиссий — глубоко отрицательный (−0,48R). Слабая корреляция (−0,02…−0,06) реальна как статистический факт, но не конвертируется в деньги: по-видимому, это универсальный микроструктурный эффект (bid-ask bounce и родственные явления), прибыль от которого достаётся маркет-мейкерам, а не тейкерам.

6.2. Урок о ложных находках

Семейство «будни против выходных» дало наглядный учебный пример: на двух половинах выборки эффект выходных оказался значимым (p < 0,05) в противоположных направлениях (+0,16 и −0,17 avg_r). Исследователь, проверивший лишь одну половину, «открыл» бы несуществующую закономерность. Аналогично, единственный кандидат семейства lead-lag (BNB 15m) был отклонён по трём причинам: его знак противоположен исходной гипотезе; по масштабу и природе он совпадает с уже провалившей экономику 15-минутной реверсией; один кандидат на 15 тестов соответствует ожидаемой частоте ложных срабатываний.

7. Структурно иные стратегии: carry и моментум

7.1. Дельта-нейтральный funding-carry: механика работает, режим мёртв

Стратегия: длинная позиция на споте против короткой на бессрочном контракте; доход — ставка финансирования, рыночный риск взаимно погашен. Учёт максимально консервативный: капитал равен двум номиналам (спот + маржа 1x), комиссии обеих ног, полный цикл 0,31%. Результат удержания за 200 дней:

Пара	Доходность, % годовых	Примечание
LINK	+1,17	Лучшая; устойчива по половинам (+0,84 / +0,94)
BNB	+0,88
ETH	+0,53
BTC	+0,51
XRP	−0,30
SOL	−0,93
Среднее по 6 парам	+0,31	На вложенный капитал, после всех издержек

Таблица 3. Funding-carry, удержание 200 дней. XAG (+3,78% справочно) исключён: спот-рынок на бирже отсутствует.

Ключевое наблюдение о рыночном режиме: максимальная ставка финансирования за все 6 месяцев на всех криптопарах ни разу не превысила базовый уровень +0,010% — премия бессрочного контракта не «разгонялась». В периоды ажиотажа (2021, 2024 гг.) та же механика давала проценты в месяц; в исследуемый период она приносит меньше банковского вклада при большей сложности и рисках. Тактические варианты (вход/выход по уровню ставки) убыточны при любом пороге: ~100 циклов × 0,31% издержек ≈ −25…−35% годовых. Вердикт: механика подтверждена, внедрение в текущем режиме нецелесообразно; стратегия режимозависима, момент «оживления» непредсказуем.

7.2. Многонедельный портфельный моментум: единственная живая нить

На дневных данных с момента листинга проверен time-series momentum: 6 пар × окна 30/90/180 дней + 3 портфельные конфигурации, ребаланс раз в 7 дней, 21 тест. Формально все 21 — шум. Однако портфельная конфигурация с 30-дневным окном заслуживает отдельного описания как самый содержательный «не-результат» исследования:

• Доходность +0,92% в неделю на всей выборке (p = 0,045); знак согласован на обеих половинах (+1,13% и +0,72%).
• Ни одна половина сама по себе не значима (p = 0,14 и 0,18); порог Бонферрони (p < 0,0024) не пройден.
• Эффект локализован ровно там, где его предсказывает академическая литература по моментуму: короткое окно, портфельная агрегация.
• Выражен паттерн затухания: для BTC с окном 30 дней первая половина истории (≈2020–2023) даёт +1,85%/нед при p = 0,015, вторая (≈2023–2026) — +0,10% без значимости. Это согласуется с гипотезой о выцветании крипто-моментума по мере институционализации рынка.

Честная оценка мощности: ~130–160 недельных наблюдений на половину при волатильности ~8% в неделю позволяют обнаруживать только крупные эффекты. Поэтому корректная формулировка итога — «доказательств нет», а не «доказано отсутствие». Отмечено также, что фоновая доходность buy-and-hold (BTC ≈ +43% годовых на выборке) обманчива: точка старта близка к ковидному минимуму, все 6 пар — сегодняшние «выжившие», а максимальные просадки достигали −77…−96%. Зафиксированный до получения новых данных форвард-тест этой конфигурации (с обязательным бенчмарком «всегда в лонге» для отделения тайминга от дрейфа выживших) — единственное методологически чистое продолжение данной нити.

8. Ограничения исследования

Читателю следует учитывать границы применимости выводов; их честная фиксация — часть заявленной дисциплины.

• Один рыночный режим. Внутридневные данные охватывают ~6 месяцев одной биржи. Выводы о carry прямо помечены как режимозависимые; выводы о сигнальных гипотезах формально ограничены исследованным периодом.
• Розничная точка зрения. Экономика считалась с тейкер-комиссиями и без инфраструктурных преимуществ (colocation, мейкер-ребейты, собственные потоки данных). Результаты ничего не утверждают о доступности эджа для институциональных участников — напротив, микроструктурная реверсия из п. 6.1, вероятно, монетизируется именно ими.
• Разведочный характер части гипотез. Хотя поправка Бонферрони применялась внутри каждого семейства, часть семейств формулировалась последовательно, по мере исчерпания предыдущих. Мета-уровень множественности («сколько всего семейств было бы проверено») статистически не закрыт — это принципиальное отличие разведочного исследования от подтверждающего с предрегистрацией.
• Отсутствие независимой репликации. Код писался и проверялся в одном контуре (автор + AI-ассистент). Один методический дефект был найден и исправлен самостоятельно (раздел 3), однако независимого воспроизведения результатов третьей стороной не проводилось. Скрипты и данные перечислены в Приложении А и доступны по запросу.
• Выжившие инструменты. Все 8 инструментов — ликвидные активы, дожившие до конца периода; оценки фоновой доходности buy-and-hold смещены вверх.
• Статистическая мощность. Для долгосрочных гипотез мощность ограничена длиной истории; отрицательный результат означает «эффект не крупнее порога обнаружения», а не «эффект равен нулю».

9. Согласованность с академической литературой

Полученное «нет» не является аномалией — оно воспроизводит устойчивый результат эмпирических финансов. Крупнейшее исследование упорных дневных трейдеров (все физические лица, начавшие торговать фьючерсами на бразильском рынке в 2013–2015 гг. и продержавшиеся не менее 300 торговых дней) показало, что 97% из них потеряли деньги, и лишь 1,1% заработали больше минимальной оплаты труда [1]. Пятнадцатилетний анализ полного массива сделок тайваньского рынка установил, что стабильно положительную доходность после издержек демонстрирует менее 1% дневных трейдеров [2]. Классическая работа по брокерским счетам США показала, что самая активная квинтиль частных инвесторов систематически отстаёт от рынка (11,4% против 17,9% годовых) [3].

Показателен и противоположный полюс. Фонд Medallion (Renaissance Technologies) — самый известный документированный пример устойчивого количественного эджа — демонстрировал порядка 66% валовой годовой доходности на протяжении десятилетий [4], однако: (а) его преимущество построено на закрытых данных, скорости и инфраструктуре, недоступных частному лицу; (б) фонд принудительно ограничен в капитале, поскольку эдж разрушается при масштабировании, и закрыт для внешних инвесторов; (в) даже открытые фонды той же компании, управляемые теми же людьми, показывают несопоставимо более скромные результаты. Иными словами, редкий подтверждённый эдж существует именно в тех формах, которые розничному участнику структурно недоступны, — что согласуется с картиной, полученной в настоящей работе снизу, со стороны розничных данных.

Вклад данной работы скромен, но конкретен: она документирует тот же вывод не через агрегированную статистику чужих счетов, а через прямую систематическую проверку самих торговых гипотез на современном крипторынке, с открытой методологией и полным перечнем проверенного — включая то, что не сработало.

10. Выводы

• На публичных ценовых данных и данных позиционирования (funding, открытый интерес), при розничной инфраструктуре и тейкер-комиссиях, на 8 ликвидных инструментах Bybit извлекаемый торговый эдж не продемонстрирован ни на одном горизонте от 5 минут до полугода: 9 семейств гипотез, 150+ тестов, единая методология.
• Все статистические «находки» распались по одному из двух сценариев: невоспроизводимость на второй половине выборки либо экономическая ничтожность после комиссий. Оба сценария — предсказуемые сигнатуры отсутствия эджа при массовом переборе.
• LLM-надстройка над теми же данными не улучшает отбор сигналов: языковая модель не извлекает сигнал, отсутствующий во входных данных.
• Запуск подобной системы на реальные деньги в исследованной конфигурации означал бы планомерную конвертацию комиссионного трения в убытки; исследование прямо предостерегает от этого шага.
• Инженерная ценность и денежная ценность торгового бота — независимые величины. Построенная система полностью работоспособна как инфраструктура; работоспособной стратегии для неё в исследованных данных не обнаружено.
• Методологически честные продолжения существуют и зафиксированы: предрегистрированный форвард-тест портфельного 30-дневного моментума и сбор принципиально новых данных (поток ликвидаций, снимки стакана L2), недоступных в ретроспективе. Дальнейший перебор вариаций на уже исследованных данных квалифицирован как data dredging и прекращён.

Главный практический вывод адресован широкой аудитории: если дисциплинированная полугодовая проверка с сотней с лишним тестов не находит эджа в общедоступных данных, то типичный розничный бот, построенный на тех же индикаторах без такой проверки, не имеет его тем более — независимо от того, насколько убедительно выглядит его единственный бэктест.

Литература

1. Chague F., De-Losso R., Giovannetti B. Day Trading for a Living? — SSRN Working Paper № 3423101, 2020.
2. Barber B., Lee Y.-T., Liu Y.-J., Odean T. The Cross-Section of Speculator Skill: Evidence from Day Trading // Journal of Financial Markets. — 2014. — Vol. 18.
3. Barber B., Odean T. Trading Is Hazardous to Your Wealth: The Common Stock Investment Performance of Individual Investors // Journal of Finance. — 2000. — Vol. 55, № 2.
4. Zuckerman G. The Man Who Solved the Market: How Jim Simons Launched the Quant Revolution. — Portfolio/Penguin, 2019.

Приложение А. Скрипты и данные

Все расчёты выполнены изолированно от боевого кода системы (каталог backtest/). Перечень аналитических скриптов:

• horizon_scan.py — скан lag-1 автокорреляций доходности, 8 пар × 5 таймфреймов;
• mean_reversion_15m.py (v2, с защитой MIN_RISK_PCT) — экономическая симуляция 15-минутной реверсии;
• asset_class_split.py — тест однородности металлов и криптоактивов;
• relative_value.py — парные спреды ETH/BTC и XAU/XAG;
• volatility_breakout.py — пробой после сжатия волатильности;
• session_weekday_test.py — сессии суток и эффект выходных;
• btc_lead_lag.py — лидирование BTC относительно альткоинов;
• fetch_funding_oi.py, funding_oi_analysis.py — загрузка и анализ funding и открытого интереса;
• funding_capture.py — дельта-нейтральный carry с полным учётом издержек;
• fetch_daily.py, momentum_daily.py — дневные данные с листинга и долгосрочный моментум.

Массивы данных: funding и открытый интерес по 8 парам за 6 месяцев; дневные свечи по 8 парам с момента листинга; журналы сигналов (3604 записи) и решений LLM-слоя (1100 записей); таблицы результатов симуляций. Данные и код доступны по запросу для независимой проверки.

Отказ от ответственности

Настоящий документ является независимым эмпирическим исследованием, выполненным частным лицом, не проходил научного рецензирования и не является финансовой, инвестиционной или иной профессиональной рекомендацией. Все числовые результаты относятся к конкретной описанной конфигурации (инструменты, период, биржа, комиссии) и не переносимы на иные условия автоматически. Торговля производными инструментами сопряжена с риском потери всех вложенных средств. Автор не несёт ответственности за решения, принятые на основании данного документа.