Структурированный анализ

Поколения торгового ПО: от MT4 до LLM

Структурированное сравнение четырех поколений торгового ПО: платформы эпохи индикаторов, стратегические фреймворки, системные конвейеры и рабочие процессы LLM prompt-to-code.

Четыре поколения торгового ПО

Ключевой сдвиг заключается не только в языке или UX. Каждое поколение меняло основную абстракцию, которую трейдеры использовали для выражения, тестирования и реализации стратегических идей.

Измерение	Gen 1: Indicator Era~2005-2012	Gen 2: Strategy Era~2012-2018	Gen 3: System Era~2018-2023	Gen 4: LLM Era2023-present
Time period	~2005-2012	~2012-2018	~2018-2023	2023-present
Representative products	MT4 / MQL4	Backtrader, freqtrade, vnpy	QuantConnect, WorldQuant BRAIN	ChatGPT + brokerage API
Core abstraction	Modular indicators	Packaged strategy logic: entry, exit, sizing	Feature engineering pipeline	Natural language to code
Typical workflow	Drag indicators, set conditions, backtest	Write strategy code, optimize parameters, backtest	Build feature pipeline, train, validate, execute	Prompt, generate strategy, backtest
Main progress	Indicators moved from books and forums into reusable components	Complete strategies became packageable, shareable, and reproducible	The pipeline became the product, with standardized validation	Generation is fast and the entry barrier is low
Typical trap	Indicator worship and holy-grail thinking	Parameter overfitting: genetic search finds coincidence, not robustness	Data leakage and survivorship bias	Strategy hallucination and backtest overfitting blindness
Failure root cause	Rules are manual and lack systematic validation	The optimization target is backtest return, not robustness	Model complexity hides data-quality problems	The model skips infrastructure accumulated across the first three generations

Два режима отказа эры LLM

LLM снижают стоимость создания кода стратегий, но не устраняют необходимость в инфраструктуре валидации.

Strategy Hallucination

The model emits plausible trading logic that looks quantitative but has no market rationale, no statistical grounding, or invalid assumptions.

It creates code that passes syntax checks while smuggling in false causality.

Backtest Overfitting Blindness

The model treats a profitable backtest as validation and misses leakage, parameter mining, unstable regimes, or survivorship bias.

It accelerates curve fitting because generation speed multiplies untested variants.

Паттерн Z-score, часто генерируемый LLM

spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)

Модель + инструменты

Модель — это не торговая система

LLM полезны, когда обернуты в инструменты. Серьезный торговый стек включает валидацию данных, ценовые движки, логику исполнения, контроль рисков, мониторинг и дисциплину развертывания.

Системы в стиле Jane Street демонстрируют этот паттерн: модель — это один слой внутри более крупной цепочки инструментов, а не весь продукт.

Позиционирование StratCraft

Инфраструктура для разработчиков Gen 2 и Gen 3

StratCraft — это не заявка на Gen 5. Он дает разработчикам стратегических фреймворков и системных конвейеров локальную производительность бэктестирования уровня C++, изоляцию плагинов и воспроизводимые рабочие процессы валидации.

Стройте на инфраструктурном уровне

Используйте локальный движок бэктестирования и экосистему плагинов для перехода от сгенерированных идей к валидированным системам.

Изучить локальный бэктест Изучить плагины