Savdo AI-modelining testlar tarixi chiroyli bo'lishi mumkin — yangi ma'lumotlarda ishlay boshlaganda esa natija butunlay boshqacha bo'ladi. Lekin hatto bu tafovutni ham noto'g'ri tushunish oson.
2026-yil sentabr oxirida Can AI Make Money in Crypto? Measuring the Gap from Backtests to Real Markets nomli ish e'lon qilindi. Uning qimmati algoritmlarning navbatdagi reytingida emas. Mualliflar AI savdo metodlari uch bosqichda qanday ishlashini taqqosladi: tarixiy backtest, birja infratuzilmasida virtual savdo va real pul bilan savdo.
Uch tekshiruv — uch xil savol
Backtest algoritm o'tgan ma'lumotlarda o'zini qanday tutgan bo'lishini ko'rsatadi. U g'oyani dastlabki baholash uchun foydali, ammo qayta o'qitishdan (overfitting) himoya qilmaydi: agar modelni tekshiruv davriga qarab qayta-qayta o'zgartirsangiz, siz uni o'tmishga moslashtirib qo'yasiz.
Paper trading (virtual savdo) kelajak hali noma'lum bo'lganda qonuniyat saqlanib qoladimi-yo'qligini tekshiradi. Bu realroq tekshiruv, ammo kapital virtualligicha qoladi va real ijro shartlari to'liq takrorlanmaydi.
Real bitimlar ijroning haqiqiy narxi, likvidlik va proskalzingni (slippage) qo'shadi. Algoritm o'zgarmagan bo'lsa ham, natija o'zgarishi mumkin.
Har bir keyingi bosqich yangi farazlar guruhini tekshiradi. Oldingi bosqichdagi muvaffaqiyat keyingisida muvaffaqiyatni kafolatlamaydi.
Tadqiqotchilar nimani aniqladi
Mualliflar 32 ta metodni ko'rib chiqdi: klassik mashinaviy o'qitish (ML), reinforcement learning, katta til modellari (LLM) va savdo agentlari.
2025-yilgi tarixiy ma'lumotlarda 24 ta ML-metoddan 23 tasi ijobiy daromadlilik ko'rsatdi. Boshqa oilalar esa bunday natija bermadi.
So'ng metodlar 2026-yil 4-iyundan 21-sentabrgacha bo'lgan virtual savdo uchun saralandi. Manzara teskarisiga o'zgardi: sakkizta ML-metoddan faqat ikkitasi foydani saqlab qoldi. Boshqa oilalarning oltita metodi esa davrni plyusda yakunladi.
Bu yerda baland ovozli xulosa chiqarish oson: «Klassik ML LLMga yutqazadi». Ammo bu shoshilinch xulosa bo'lardi. Backtest va virtual savdo davrlari turlicha, ikkinchi bosqichga esa avval yaxshi natija ko'rsatganlar saralangan. Bunday jadvalda uch omil aralashib ketgan: bozorning o'zgarishi, saralash effekti va ijro shartlari.
Eng muhimi: bitta davrdagi taqqoslash
Hech bo'lmaganda «turli bozorlar» omilini chiqarib tashlash uchun mualliflar 14 ta metod bo'yicha backtest va virtual savdoni aynan bir xil oraliqda — 2026-yil 4-iyundan 21-sentabrgacha taqqosladi.
| Metod | Backtest | Paper trading |
|---|---|---|
| XGBoost | +33,95% | +27,53% |
| QWEN | +11,35% | +37,77% |
XGBoost'da virtual savdo simulyatsiyadan yomonroq chiqdi. QWEN'da esa aksincha — 26,42 foiz punktiga yaxshiroq. Bundan tashqari, 14 ta metoddan 10 tasi paper tradingda backtestdagidan yuqoriroq natija ko'rsatdi.
Bu muhim tafsilot: muammo backtest doim natijani oshirib ko'rsatishida emas. U ikki tomonga ham xato qilishi mumkin — daromadlilikda ham, riskda ham.
Nega paper trading hali real bozor emas
Real pulgacha to'rtta metod yetib keldi. Ular 2026-yil 24-avgustdan 21-sentabrgacha sinovdan o'tkazildi.
To'rttadan faqat bittasi foyda ko'rsatdi. Va hech biri xuddi shu davrda Bitcoin'ni oddiy ushlab turishdan o'zib keta olmadi.
Ayniqsa ijro ko'p narsani anglatadi: narxning o'rtacha og'ishi virtual savdodagi 0,31‰ dan real savdoda 1,86‰ gacha oshdi. Bu deyarli olti barobar ko'p.
Ammo xulosalar ko'lamini saqlash kerak. To'rtta metod va to'rt hafta butun bir algoritmlar oilasini yaroqsiz deb e'lon qilish uchun juda kam. Bitcoin'dan ustunlik esa universal mezon emas: strategiyalarning risklari va vazifalari turlicha.
Yana bir muammo: ishtirokchilar qanday saralanadi
Agar katta algoritmlar guruhidan keyingi bosqichga faqat tarixiy g'oliblar olinsa, siljish (bias) xavfi paydo bo'ladi. Ulardan ba'zilari barqaror qonuniyat tufayli emas, balki bozor sharoitlarining omadli uyg'unligi tufayli yutgan. Qayta tekshiruvda bu ustunlik yo'qolishi mumkin.
Bu muammo anchadan beri ma'lum. Hali 2010-yilda Gavin Cawley va Nicola Talbot On Over-fitting in Model Selection and Subsequent Selection Bias in Performance Evaluation tadqiqotida qayta o'qitish nafaqat modelni o'qitishda, balki uni metrika bo'yicha tanlashda ham yuz berishini ko'rsatgan. Shuning uchun nafaqat o'qitishni, balki g'oliblarni saralash mexanizmining o'zini ham nazorat qilish kerak.
Bu Tantoryn AI bilan qanday bog'liq
Biz uchun bu amaliy savol. Tantoryn AI loyihasida ML-modellar tadqiqoti, savdo nomzodlarini baholash va virtual konturning ishi bir-biridan ajratilgan.
5–9-oktabr hisobotida biz bozor holatiga asoslangan mustaqil signallarni izlashning ilk natijalarini tasvirlab berdik. Bir nechta nomzod tekshiruvdan o'tmadi, ma'lumotlarni tayyorlashda esa xato topilib, tuzatildi. Biz bu natijalarni model savdoga tayyor ekanining isboti sifatida taqdim etmadik.
Joriy ommaviy savdo konturi virtual bitimlar bilan ishlaydi. Real orderlar o'chirilgan. Shuning uchun uning kuzatuvlarini real kapitaldagi isbotlangan daromadlilik deb hisoblab bo'lmaydi. Va aksincha: alohida tadqiqot nomzodining muvaffaqiyatsizligi o'z-o'zidan butun konturning sifatini belgilamaydi — bular turli baholash obyektlari.
Yangi tashqi tadqiqot Tantoryn AI modellarini na tasdiqlaydi, na rad etadi. U boshqa mualliflar tomonidan, boshqa metodlarda va boshqa muhitda bajarilgan. Biz uchun uning qimmati aniqroq savolda: kuchliroq da'volar qilishdan oldin har bir keyingi tekshiruv darajasi aynan nimani isbotlashi kerak?
Muvaffaqiyatli savdo AI haqidagi da'volarni qanday o'qish kerak
Ishlab chiquvchi model yuqori aniqlik yoki foyda ko'rsatganini aytganda, faqat yakuniy raqamga qarash kamlik qiladi.
Model va parametrlar qachon tanlanganini, test natijalari keyingi o'zgarishlar uchun ishlatilmaganmi va yakuniy tekshiruv qanchalik mustaqil bo'lganini tushunish kerak. Shuningdek, shartlar taqqoslanadimi: bozor davri, xarajatlar, ijro qoidalari.
Eng muhimi — dalilning maqomini farqlash. Backtest, virtual savdo va real bitimlar — bitta testning uchta nomi emas. Har bir bosqich yangi farazlar qo'shadi va o'z cheklovlariga ega.
Kuchli natija — bu faqat yuqori metrika emas. Bu uning aynan nimani isbotlashini, qanday sharoitda olinganini va qaysi savollar ochiq qolayotganini aniq tushuntirib bera olish imkoniyatidir.
Material tadqiqot metodologiyasiga bag'ishlangan. U investitsiya tavsiyasi emas va Tantoryn AI'ning daromadliligi haqida da'volarni o'z ichiga olmaydi.
Manbalar
1. Xingtong Yu va hammualliflar. Can AI Make Money in Crypto? Measuring the Gap from Backtests to Real Markets. 2026-yil 28-sentabr. Ilmiy preprint. Raqamli natijalar va uch tekshiruv bosqichi tavsifining asosiy manbasi.
2. Gavin Cawley, Nicola Talbot. On Over-fitting in Model Selection and Subsequent Selection Bias in Performance Evaluation. Journal of Machine Learning Research, 2010. Modellarni tanlashdagi siljish haqidagi tadqiqot.
3. Tantoryn AI: ML bo'yicha besh kunlik tadqiqot — xatolar, tekshiruvlar va ilk salbiy natijalar. 2026-yil 10-oktabr. Loyihaning tadqiqot ishi haqidagi rasmiy hisoboti.
4. Tantoryn AI rasmiy sayti. Loyiha va virtual savdo konturining ommaviy holati.