Введение
Каждый, кто торговал криптовалютами, знает это чувство: рынок идёт против тебя, а ты судорожно ищешь точку входа или выхода, руководствуясь эмоциями. Я потерял три депозита, прежде чем понял: проблема не в стратегии, а в отсутствии системы управления рисками. И тогда я задался вопросом: можно ли использовать ChatGPT не как генератор сигналов, а как дисциплинированного риск-менеджера?
Оказалось, да. За полгода я собрал набор промтов, которые превратили хаотичную торговлю в структурированный процесс. В этой статье я делюсь 15 проверенными шаблонами — от базовых расчётов до экспертных сценариев с кодом. Вы узнаете, как заставить нейросеть считать позиции, анализировать волатильность и даже писать скрипты для бэктеста. Важно: я не даю инвестиционных рекомендаций, а показываю, как автоматизировать рутину и снизить эмоциональную нагрузку.
Почему ChatGPT — не грааль, но мощный инструмент
ChatGPT не предскажет цену биткоина. Но он отлично справляется с тем, что трейдеры часто игнорируют: расчёт риска на сделку, проверка корреляций, анализ исторических данных. По данным исследования компании Chainalysis (2025), более 60% розничных трейдеров теряют деньги из-за отсутствия формальных правил риск-менеджмента. ChatGPT помогает эти правила создать и соблюдать.
Я использую модель GPT-4 через API и веб-интерфейс. Все промты написаны на русском, но при необходимости легко адаптируются под английский. Код в примерах — на Python, так как он наиболее удобен для интеграции с криптобиржами.
Базовые промты: фундамент риск-менеджмента
1. Расчёт размера позиции
Задача: определить, сколько монет можно купить, чтобы риск на сделку не превышал заданный процент от депозита.
Промт:
Ты — риск-менеджер криптотрейдера. У меня депозит $10 000. Риск на сделку — 1%. Стоп-лосс для BTCUSDT — 2% от цены входа. Цена входа: $60 000. Рассчитай размер позиции в BTC и в долларах. Выведи формулу и результат.
Пример результата:
Риск в долларах: $10 000 * 0.01 = $100.
Стоп-лосс в долларах: $60 000 * 0.02 = $1 200.
Размер позиции = Риск / Стоп-лосс = $100 / $1 200 ≈ 0.0833 BTC.
Стоимость позиции: 0.0833 * $60 000 = $5 000.
Этот промт экономит время и исключает ошибки в расчётах.
2. Оценка соотношения риск/прибыль
Задача: быстро оценить, стоит ли входить в сделку, исходя из потенциальной прибыли и убытка.
Промт:
У меня есть сигнал на покупку ETHUSDT. Цена входа: $3 000. Тейк-профит: $3 300. Стоп-лосс: $2 900. Рассчитай соотношение риск/прибыль. Если оно меньше 1.5, посоветуй не входить.
Пример результата:
Потенциальная прибыль: $300. Потенциальный убыток: $100.
Соотношение риск/прибыль = 300 / 100 = 3.0.
Рекомендация: входить, так как 3.0 > 1.5.
3. Дневной лимит убытков
Задача: не превысить максимальный дневной убыток.
Промт:
Я установил дневной лимит убытка в 3% от депозита. Депозит $10 000. Сегодня я уже потерял $150. Можно ли открывать новую сделку с риском $100? Ответь да или нет и объясни.
Пример результата:
Дневной лимит: $300. Текущий убыток: $150. Осталось: $150. Новая сделка рискует $100, что не превышает остаток. Ответ: да, можно.
Продвинутые промты: анализ и автоматизация
4. Анализ волатильности
Задача: оценить текущую волатильность актива для корректировки стоп-лосса.
Промт:
Загрузи исторические данные BTCUSDT за последние 30 дней с биржи Binance (можно использовать API). Рассчитай средний истинный диапазон (ATR) за 14 периодов. Предложи уровень стоп-лосса, исходя из 2*ATR.
Пример результата (с кодом):
import pandas as pd
import requests
# Получаем данные с Binance API
def get_klines(symbol, interval, limit=30):
url = f"https://api.binance.com/api/v3/klines?symbol={symbol}&interval={interval}&limit={limit}"
data = requests.get(url).json()
df = pd.DataFrame(data, columns=['time', 'open', 'high', 'low', 'close', 'volume', 'close_time', 'quote_asset_volume', 'trades', 'taker_buy_base', 'taker_buy_quote', 'ignore'])
df['high'] = df['high'].astype(float)
df['low'] = df['low'].astype(float)
df['close'] = df['close'].astype(float)
return df
df = get_klines('BTCUSDT', '1d', 30)
df['tr'] = df[['high', 'low', 'close']].apply(lambda x: max(x['high']-x['low'], abs(x['high']-x['close']), abs(x['low']-x['close'])), axis=1)
atr = df['tr'].rolling(14).mean().iloc[-1]
print(f"ATR: {atr:.2f}")
print(f"Рекомендуемый стоп-лосс: {2*atr:.2f} USDT")
5. Корреляционный анализ портфеля
Задача: избежать концентрации риска в коррелирующих активах.
Промт:
У меня портфель из BTC, ETH и SOL. Загрузи исторические данные за 60 дней и рассчитай матрицу корреляции Пирсона. Если корреляция между любыми двумя активами превышает 0.7, предупреди.
Пример результата:
import pandas as pd
import requests
import seaborn as sns
import matplotlib.pyplot as plt
symbols = ['BTCUSDT', 'ETHUSDT', 'SOLUSDT']
data = {}
for sym in symbols:
df = get_klines(sym, '1d', 60)
data[sym] = df['close'].astype(float)
df_close = pd.DataFrame(data)
corr = df_close.corr()
print(corr)
sns.heatmap(corr, annot=True)
plt.show()
6. Бэктест стратегии на исторических данных
Задача: проверить, как стратегия показала бы себя в прошлом.
Промт:
Напиши Python-скрипт для бэктеста стратегии пересечения скользящих средних (MA20 и MA50) на данных BTCUSDT за последний год. Учти комиссию 0.1% за сделку и проскальзывание 0.05%. Выведи итоговую доходность, максимальную просадку и коэффициент Шарпа.
Пример результата (сокращённо):
# ... загрузка данных ...
df['MA20'] = df['close'].rolling(20).mean()
df['MA50'] = df['close'].rolling(50).mean()
df['signal'] = 0
df.loc[df['MA20'] > df['MA50'], 'signal'] = 1
df.loc[df['MA20'] < df['MA50'], 'signal'] = -1
df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['signal'].shift(1) * df['returns'] - 0.0015 # комиссия+проскальзывание
cumulative = (1 + df['strategy_returns']).cumprod()
print(f"Итоговая доходность: {(cumulative.iloc[-1]-1)*100:.2f}%")
Экспертные промты: сложные сценарии и интеграции
7. Автоматическое оповещение о рисках
Задача: получать уведомления при приближении к лимитам.
Промт:
Напиши Telegram-бота на Python, который каждые 5 минут проверяет мой портфель через API биржи и отправляет сообщение, если дневной убыток превысил 2% или открытая позиция превышает 10% депозита.
Пример результата (ключевой фрагмент):
import telebot
import requests
bot = telebot.TeleBot('YOUR_TOKEN')
@bot.message_handler(commands=['start'])
def start(message):
bot.reply_to(message, 'Бот следит за рисками.')
def check_risk():
# ... получение данных с биржи ...
if daily_loss > 0.02 * deposit:
bot.send_message(chat_id, 'Внимание: дневной убыток превышает 2%!')
8. Анализ настроений в социальных сетях
Задача: оценить сентимент вокруг монеты перед входом.
Промт:
Собери последние 100 твитов с хэштегом #BTC и проанализируй тональность с помощью модели TextBlob. Выведи средний сентимент и распределение.
Пример результата:
from textblob import TextBlob
import tweepy
# ... настройка API Twitter ...
tweets = api.search_tweets(q='#BTC', count=100)
sentiments = [TextBlob(tweet.text).sentiment.polarity for tweet in tweets]
print(f"Средний сентимент: {sum(sentiments)/len(sentiments):.2f}")
9. Оптимизация портфеля по Марковицу
Задача: распределить капитал между активами для минимизации риска.
Промт:
Используй библиотеку PyPortfolioOpt для оптимизации портфеля из BTC, ETH, SOL и ADA на исторических данных за 90 дней. Цель — максимальный коэффициент Шарпа. Выведи оптимальные веса.
Пример результата:
from pypfopt import EfficientFrontier, risk_models, expected_returns
mu = expected_returns.mean_historical_return(df_close)
S = risk_models.sample_cov(df_close)
ef = EfficientFrontier(mu, S)
weights = ef.max_sharpe()
print(ef.clean_weights())
10. Стресс-тестирование портфеля
Задача: оценить потери при экстремальных рыночных событиях.
Промт:
Проведи стресс-тест портфеля: что будет, если BTC упадёт на 30%, ETH — на 40%, а SOL — на 50%? Рассчитай итоговую просадку портфеля.
Пример результата:
Текущая стоимость портфеля: $10 000.
Доли: BTC 50%, ETH 30%, SOL 20%.
Потери: BTC -$1 500, ETH -$1 200, SOL -$1 000.
Итоговая просадка: -$3 700 (37%).
11. Автоматическое ведение журнала сделок
Задача: фиксировать каждую сделку и анализировать ошибки.
Промт:
Создай Google-таблицу с полями: дата, актив, направление, цена входа, цена выхода, размер позиции, риск, результат. Напиши скрипт на Python, который добавляет запись после каждой сделки через API биржи.
Пример результата:
import gspread
from oauth2client.service_account import ServiceAccountCredentials
scope = ['https://spreadsheets.google.com/feeds']
creds = ServiceAccountCredentials.from_json_keyfile_name('creds.json', scope)
client = gspread.authorize(creds)
sheet = client.open('Trades').sheet1
sheet.append_row([date, symbol, side, entry, exit, size, risk, pnl])
12. Прогнозирование волатильности с GARCH
Задача: предсказать будущую волатильность для корректировки стратегии.
Промт:
Используй модель GARCH(1,1) из библиотеки arch для прогноза волатильности ETHUSDT на 7 дней вперёд. Выведи график.
Пример результата:
from arch import arch_model
returns = df['close'].pct_change().dropna() * 100
model = arch_model(returns, vol='Garch', p=1, q=1)
res = model.fit()
forecast = res.forecast(horizon=7)
print(forecast.variance[-1:])
13. Определение оптимального кредитного плеча
Задача: рассчитать максимальное плечо, чтобы избежать ликвидации.
Промт:
У меня депозит $5 000. Я хочу открыть лонг по BTC с плечом. Стоп-лосс на 5% ниже входа. Какое максимальное плечо я могу использовать, чтобы риск ликвидации был не более 10%? Учти комиссию за финансирование.
Пример результата:
Риск на сделку: $500 (10% от депозита).
Стоп-лосс: 5%.
Максимальный размер позиции: $500 / 0.05 = $10 000.
Плечо: $10 000 / $5 000 = 2x.
14. Анализ ликвидности и стакана
Задача: оценить, насколько легко войти и выйти из позиции.
Промт:
Загрузи стакан ордеров BTCUSDT с биржи Binance. Рассчитай суммарный объём на покупку и продажу в пределах 1% от текущей цены. Если дисбаланс более 30%, предупреди о возможном резком движении.
Пример результата:
import requests
url = 'https://api.binance.com/api/v3/depth?symbol=BTCUSDT&limit=100'
depth = requests.get(url).json()
bids = sum(float(b[1]) for b in depth['bids'] if float(b[0]) > current_price * 0.99)
asks = sum(float(a[1]) for a in depth['asks'] if float(a[0]) < current_price * 1.01)
print(f"Bids: {bids}, Asks: {asks}")
15. Генерация торгового плана на день
Задача: структурировать действия на основе текущей рыночной ситуации.
Промт:
На основе данных за последние 24 часа (цена, объём, волатильность) составь торговый план на день: уровни поддержки/сопротивления, рекомендуемые точки входа, размер позиции и стоп-лосс. Учти, что сегодня выходной день.
Пример результата:
Торговый план на 12.10.2026:
- BTC: поддержка $59 500, сопротивление $61 200. Вход при пробое $60 000, стоп $59 000, тейк $61 500.
- ETH: поддержка $2 950, сопротивление $3 100. Вход при откате к $2 980, стоп $2 920, тейк $3 080.
Размер позиции: 2% депозита на сделку.
Заключение
Эти 15 промтов — не волшебная таблетка, а инструмент для дисциплины. Они помогают принимать решения на основе данных, а не эмоций. За полгода использования я сократил количество импульсивных сделок на 70% и впервые вышел в стабильный плюс. Попробуйте начать с базовых промтов, постепенно добавляя продвинутые. И помните: ответственность за сделки лежит на вас, а ChatGPT — лишь помощник.
Если хотите глубже изучить тему, рекомендую официальную документацию Binance API и книгу «Управление рисками в трейдинге» (автор — Кеннет Грант). Экспериментируйте, автоматизируйте и не забывайте про стоп-лоссы.
Комментарии