Автономные агенты на базе больших языковых моделей все активнее управляют реальным капиталом в биржевых стаканах, однако их фактическая эффективность в условиях рыночного давления долгое время оставалась без масштабной эмпирической оценки. Исследовательская группа DX Research Group проанализировала непрерывный полугодовой опыт промышленной эксплуатации двух пулов агентов с общей программной архитектурой. Исходный массив данных включает 7,5 миллиона вызовов моделей, около 300 000 ончейн-действий и 231 638 итераций вызова инструментов, результатом которых стали всего 14 596 исполненных сделок на рынках мемкоинов сети Base и бессрочных фьючерсов Hyperliquid.
Реальность промышленной эксплуатации
Протестированные архитектуры охватили две независимые фазы реальной торговли в 2026 году. С февраля по март 2026 года система DX Terminal Pro управляла 3 505 пользовательскими хранилищами, торгуя реальным ETH на рынке мемкоинов Base в течение 21 дня. Затем, с июня по август 2026 года, пул DXAP в составе от 500 до 599 пользовательских агентов торговал бессрочными контрактами на бирже Hyperliquid.
«Ни один из пулов не продемонстрировал направленного преимущества. Пул DXAP убыточен и отстает от контрольной группы обычных розничных трейдеров Hyperliquid»
Как отмечают авторы исследования, агенты DXAP не создали структурной альфы: доля прибыльных сделок составила всего 41%, что заметно хуже показателей сопоставимой выборки розничных трейдеров Hyperliquid с их 50% винрейта. Более того, прямое сопоставление ведущих LLM на базе 416 реальных торговых сценариев показало, что качество принимаемых решений на данном горизонте исполнения статистически неотличимо между различными семействами флагманских моделей.
Структурные ограничения и проблемы с расчетом позиций
Количественный регрессионный анализ обоих пулов показал: операционная среда и детерминированные параметры определяют паттерны исполнения сделок куда сильнее, чем промпт-инжиниринг или текст торговой стратегии. На реальных данных системный ползунок риска масштабировал кредитное плечо с коэффициентом +0,425 за шаг, а отображение агента в топ-3 лидерборда увеличивало приток капитала в 1,75 раза в точке отсечения.
При этом логика расчета размера позиции агентов оказалась нечувствительной к изменению рыночной волатильности. Медианное кредитное плечо держалось на отметке 5.0× во всех секстилях волатильности без динамической подстройки. В итоге экстремальная уязвимость портфеля сконцентрировалась в жестких конфигурациях риска: один сегмент настроек, на который приходилось 11% портфеля, сгенерировал 62% всех зафиксированных ликвидаций.
Исполнение сделок и практические выводы
Автономные контуры принятия решений столкнулись с серьезными проблемами на этапах удержания позиций и выхода из них. Хотя 43,2% открытых агентами позиций демонстрировали прибыль не менее +300 базисных пунктов в течение суток, 49,3% этих потенциально выигрышных сделок в итоге закрылись в убыток. Модели систематически упускали нереализованную прибыль, пока разворот тренда полностью не уничтожал временный доход.
Для корпоративных архитекторов и лидеров финтех-сектора вывод очевиден: запуск автономных LLM в высокочастотные сферы управления капиталом без жестких детерминированных ограничений ведет к прямым финансовым потерям. Неограниченные рассуждения модели не способны заменить строгие правила риск-менеджмента, динамический расчет позиций по волатильности и принудительные стоп-лоссы.