Энтузиаст применил Claude и Gemini для анализа данных Московской биржи в исследовательском проекте
Разработчик в личном эксперименте использовал современные языковые модели для сбора и анализа исторических данных Московской биржи, подчеркнув исследовательский, а не коммерческий характер работы.
Энтузиаст машинного обучения провел личный эксперимент по анализу исторических данных Московской биржи с помощью языковых моделей. Проект некоммерческий, чисто исследовательский.
Были собраны и обработаны данные за 186 дней. Это потребовало работы с 13743 файлами со сделками и 68909 файлами со стаканами.
Для работы использовались модели Claude Sonnet и Gemini Flash. Они выступали в роли консультантов в чате: помогали писать код для обработки данных, анализировать результаты и искать закономерности. Автор отказался от автономных агентов - все ключевые решения, включая выбор исходных данных, принимал сам.
Проект еще не завершен, итоги не подведены. Вся использованная информация общедоступна. Цель публикации - честно поделиться опытом работы с ML в финансах и получить обратную связь.
Этот пример показывает, как языковые модели становятся активными участниками исследовательского процесса, а не просто генераторами текста. Они работают с кодом и структурированными данными, предлагают интерпретации. Это дает возможность индивидуальным исследователям и небольшим командам ускорить работу в сложных областях, таких как анализ рынков, без огромных ресурсов.
Практические выводы для разработчиков и предпринимателей: - Мультимодальные модели, понимающие код, имеют практическую ценность в тандеме с человеком. - Человеческий контроль и экспертиза остаются критически важными. - Общедоступные технологии позволяют проводить глубокий анализ в профессиональных нишах, демократизируя сложные исследования.
Ключевой момент - это синергия человека и инструмента. Модели обрабатывают большие объемы данных и предлагают варианты, но стратегию и финальные выводы определяет исследователь. Такой подход снижает порог входа в области, требующие обработки тысяч файлов, и позволяет сосредоточиться на анализе, а не на рутинной подготовке данных. Это меняет подход к индивидуальным исследованиям, делая их более структурированными и менее ресурсозатратными на этапе первичного анализа.
