The post has been translated automatically. Original language: Russian
The market punishes overconfidence. Any one model, even an excellent one, sooner or later encounters a mode for which it was not created. The solution is not to find the perfect model. The solution is to teach several good models to work together under the guidance of someone who understands the context.
Imagine a trader who only looks at the price chart and ignores the news. Or, on the contrary, an analyst who reads headlines perfectly, but does not know how to count. Both will lose in their own way. It is this dilemma that has divided the world of quantitative forecasting for decades: specialized mathematical models are brilliant at catching patterns in numbers, but are blind to the real world, whereas language models understand news and events, but stumble on the exact arithmetic of time series.
A trading bot that we built so that we would not choose between these two worlds, but rather combine them. It is based on an agent-based architecture inspired by the Nexus framework, which considers forecasting not as a simple extrapolation of numbers, but as a reasoning task. Instead of forcing one giant model to do everything at once, we have built a team of specialized agents where everyone is responsible for their area, and the conductor brings their voices into a single solution.
The problem of the lone Genius
In algotrading, it's easy to fall in love with one model. She has shown a fantastic result based on historical data, and I would like to entrust her with all the capital. But the market is not a static picture. It changes character: today there is a smooth trend, tomorrow there is a panic sale on unexpected news, the day after tomorrow there is a sideways trend with deceptive seasonality.
Specialized time series forecasting models such as PatchTST and ITransformer are the pinnacle of engineering in their field. They are trained on huge arrays of numerical sequences and masterfully recognize complex seasonality, trends and long-term dependencies. But they have an Achilles heel, they work in a vacuum. When the central bank's decision comes out, when a company publishes a disappointing report, when a geopolitical shock reverses the market in an hour, these models do not see the reason. They only see that the numbers have suddenly stopped obeying the usual logic, and they get lost in the structural gaps.
Language models are the opposite extreme. They instantly comprehend the flow of news, reports, and macroeconomic summaries, and are able to reason about causes and effects. But as soon as they are asked to accurately predict the number step by step, they succumb to specialized models: their architecture simply does not have a built-in mathematical mechanism for fine-tuning time dependencies.
The point is in one phrase
Numerical models skip shock events. Language models stumble on a multi-seasonal periodicity. Any approach that relies only on one side is bound to make mistakes where the other would be strong.
Until recently, the trader had to compromise: either abandon the qualitative context for the sake of statistical accuracy, or rely on the reasoning of the language model, sacrificing the understanding of numerical dynamics. Our architecture removes this compromise. We don't choose, we orchestrate.
Architecture: a team instead of a loner
The key idea borrowed from Nexus is deceptively simple: divide and orchestrate. We divide the complex task of forecasting into specialized stages, and each stage has its own agent with its own area of responsibility. This is similar to how a good investment committee works, where a strategist, tactician, and risk manager look at the same situation from different angles before making a decision.
STAGE 1 · CONTEXTUALIZATION
Context Agent
Before anyone starts predicting, this agent brings order to the chaos of input data. It takes a raw stream of prices, volumes, news, and reports and turns it into a clean chronological feed, where a reason is associated with each price movement. It filters out the noise and leaves only the signal so that the rest of the agents do not drown in garbage and lose what is important in a long context.
STAGE 2A · MACRO VIEW
Macro Reasoning Agent + ITransformer
This agent looks down from above and draws a broad trajectory over the entire forecast horizon: what mode the market is in, where the fundamental trend is leading. ITransformer is particularly strong here - its architecture, which treats each time series as an independent entity, perfectly captures inter-market connections and major structural shifts. The macro agent ensures that the final forecast does not detach from the big picture.
STAGE 2B · MICRO-VIEW
Micro Reasoning Agent + PatchTST
This agent goes step by step along the forecast horizon, analyzing each individual moment: the nearest catalysts, short-term fluctuations, local volatility. This is where PatchTST comes in with its technique of splitting a series into patches - it captures subtle local structure and rapid changes that are easy to miss when viewed from above. The micro-agent keeps the system alert to sudden events.
STAGE 3A · SYNTHESIS
Synthesizer Agent
Orchestra conductor. It receives the macro trajectory, micro details, and numerical predictions from PatchTST, ITransformer, and other ensemble models and dynamically weights these votes. When the signals contradict each other, it is the synthesizer that decides who to trust in a given situation, and issues a final forecast along with a clear explanation of why it made that decision.
STAGE 3B · CALIBRATION
Calibration Agent
The memory and conscience of the system. He runs the strategy through a variety of historical periods, compares forecasts with what actually happened, and deduces specific rules: where the system overestimates risk, where it underestimates volatility, which model should be trusted in which mode. These rules apply only if they actually improve the result during the test period.
The most important thing is that this ensemble is not static. The weight of each model is not fixed once and for all. PatchTST can dominate a calm, volatile market, ITransformer can set the tone for a major reversal, and a language agent can take over when unexpected news comes out that the numbers haven't had time to reflect yet. The conductor redistributes attention in real time.
Why does an ensemble under the control of an agent beat a single model
This is not a theory. In the research on which the Nexus approach is based, the agent architecture was tested on data strictly beyond what the models saw during training in order to eliminate "peeping." Based on volatile stocks and real estate market data, it consistently outperformed or at least matched both flagship specialized models and strong language solutions.
What does this mean for capital
When the market behaves predictably, the ensemble makes the most of the mathematical accuracy of its numerical models. When the unexpected happens, the language agent catches the reason before it is reflected in the price, and the conductor manages to outweigh the solution. You don't lose money in a class of situations where your only model would be blind.
Scenario: one day in the life of a bot
A LIVING EXAMPLE OF THE ORCHESTRA'S WORK
Morning. The minutes of the Fed meeting are coming out.
The context agent instantly extracts a key signal from the news stream: the tone of the regulator turned out to be tougher than expected. It links this event to the current point on the price band and transmits the clean summary further.
PatchTST and ITransformer, looking only at the numbers, continue to draw a smooth continuation of yesterday's upward movement by inertia, because the reversal has not yet appeared in the numbers.
"Numerical models predict growth of 1.2%. But the context points to a tightening of the Fed's rhetoric, which has historically caused a short-term correction in this sector. The micro-agent captures the risk of a sharp downward movement in the coming sessions."
The synthesizer agent sees a conflict: mathematics says "up," context says "careful." Based on the rules deduced by the calibration agent from previous similar episodes, it reduces the weight of a purely numerical forecast and shifts the final estimate towards a conservative scenario in advance, rather than retroactively.
The result: the bot does not enter into a position on a false continuation of the trend and avoids a loss that a single numerical model would almost certainly fall for. And most importantly, each of these decisions is documented in clear text, and not hidden in opaque scales.
Transparency that the "black box" does not have
Most trading bots give you a single number and tell you to just believe it. When the system is wrong, and everyone is wrong., you're left with no explanation and no way to figure out what went wrong. Our architecture works differently.
In addition to the forecast itself, the system traces the reasoning of a coherent text that shows the fundamental drivers behind each decision. You can see not only "the bot expects a downward movement," but also why: which event it considered significant, how it weighed the voices of different models, which signal it trusted, and based on what historical experience.
→ Audit and trust. Every decision can be tested and challenged. The system explains the logic in human language.
→ Risk control. You can see in advance what the forecast is based on, and you can step in if the logic is at odds with your understanding of the market.
Open architecture, ready for growth
The strength of the orchestral approach also lies in its extensibility. PatchTST and ITransformer are our current soloists, but the conductor is not tied to a specific line-up. Is there a new, more powerful forecasting model? She can be added to the ensemble as another voice, and the synthesizer agent will learn by itself in which situations to trust her, and the calibration agent will check whether she really improves the result.
This transforms the trading bot from a frozen product into a living system that gets smarter with each new tool at its disposal and with each passing market day. You are investing not in a single model that will one day become obsolete, but in an architecture that absorbs the progress of the entire industry.
What do you get in practice
→ Continuous improvement. Tracing and calibration turn each error into a specific rule for the future, rather than random noise.
A good forecast answers the question "how much". The great forecast also answers the question "why."
→ Multi-model reliability. Capital does not depend on the success of a single model. The risk of error is distributed among specialists of different profiles.
→ Reaction to the real world. The bot sees not only the chart, but also news, reports, and macroeconomics and integrates them into the forecast before they are reflected in the price.
→ Adapt to any mode. From calm seasonality to panic reversals, the orchestra redistributes attention to the nature of the current market.
→ Clear solutions. Each forecast is accompanied by an explanation that can be read, checked, and discussed.
→ A system that learns. Calibration based on historical data turns past errors into rules that improve future accuracy.
Stop betting on one horse
The market is too complex to entrust to one model, no matter how brilliant it may be. The future of algotrading belongs to teams of specialized models led by an intelligent conductor who understands numbers, context, and his own mistakes.
The trading bot that we unwritten already works on this principle. He doesn't choose between mathematics and meaning. He connects them.
The material is informational in nature and describes the technological architecture of the trading solution. It is not an individual investment recommendation, offer, or guarantee of profitability. Trading in financial markets involves the risk of capital loss; the results obtained on historical data do not guarantee future profitability. The technological framework is inspired by the Nexus agent-based time series forecasting framework (arXiv:2605.14389); the mentioned PatchTST, ITransformer and TimesFM models are the developments of independent research teams. Consult with a qualified financial professional before making investment decisions.
Материал представляет собой обзор и интерпретацию подходов, описанных в открытых научных источниках. Он не раскрывает исходный код, конфигурации, данные, параметры моделей, торговые стратегии или иную конфиденциальную информацию конкретной компании.
Рынок наказывает за самоуверенность. Любая одна модель - даже превосходная рано или поздно встречает режим, для которого она не создавалась. Решение не в том, чтобы найти идеальную модель. Решение в том, чтобы научить несколько хороших моделей работать вместе под управлением того, кто понимает контекст.
Представьте трейдера, который смотрит только на график цены и игнорирует новости. Или, наоборот, аналитика, который прекрасно читает заголовки, но не умеет считать. Оба проиграют каждый по-своему. Именно эта дилемма десятилетиями разделяла мир количественного прогнозирования: специализированные математические модели блестяще ловят закономерности в числах, но слепы к реальному миру, тогда как языковые модели понимают новости и события, но спотыкаются на точной арифметике временных рядов.
Концепция торгового бота строится не на выборе между двумя подходами, а на их объединении в единой системе. В его основе агентная архитектура, вдохновлённая фреймворком Nexus, который рассматривает прогнозирование не как простую экстраполяцию чисел, а как задачу рассуждения. В рассматриваемой концепции задача разделяется между специализированными агентами, где каждый отвечает за свой участок, а дирижёр сводит их голоса в единое решение.
Проблема одинокого гения
В алготрейдинге легко влюбиться в одну модель. Она показала фантастический результат на исторических данных, и хочется доверить ей весь капитал. Но рынок - это не статичная картинка. Он меняет характер: сегодня плавный тренд, завтра паническая распродажа на неожиданной новости, послезавтра боковик с обманчивой сезонностью.
Специализированные модели прогнозирования временных рядов, такие как PatchTST и iTransformer, это вершина инженерной мысли в своей области. Они обучены на огромных массивах числовых последовательностей и виртуозно распознают сложные сезонности, тренды и долгосрочные зависимости. Но у них есть ахиллесова пята, они работают в вакууме. Когда выходит решение центрального банка, когда компания публикует разочаровывающий отчёт, когда геополитический шок переворачивает рынок за час эти модели не видят причину. Они видят только то, что цифры внезапно перестали подчиняться привычной логике, и теряются на структурных разрывах.
Языковые модели - противоположная крайность. Они мгновенно осмысляют поток новостей, отчётов и макроэкономических сводок, способны рассуждать о причинах и следствиях. Но как только их просят точно предсказать число шаг за шагом, они уступают специализированным моделям: у их архитектуры просто нет встроенного математического механизма для тонкой работы с временными зависимостями.
Суть в одной фразе
Числовые модели пропускают шоковые события. Языковые модели спотыкаются на многосезонной периодичности. Любой подход, который опирается только на одну сторону, обречён ошибаться там, где другая была бы сильна.
До недавнего времени трейдеру приходилось идти на компромисс: либо отказаться от качественного контекста ради статистической точности, либо положиться на рассуждения языковой модели, жертвуя пониманием числовой динамики. Наша архитектура снимает этот компромисс. Мы не выбираем, мы оркеструем.
Архитектура: команда вместо одиночки
Ключевая идея, заимствованная у Nexus, обманчиво проста: разделяй и оркеструй. Сложную задачу прогноза мы раскладываем на специализированные стадии, и на каждой работает свой агент со своей зоной ответственности. Это похоже на то, как устроен хороший инвестиционный комитет, где стратег, тактик и риск-менеджер смотрят на одну ситуацию под разными углами, прежде чем принять решение.
СТАДИЯ 1 · КОНТЕКСТУАЛИЗАЦИЯ
Агент контекста
Прежде чем кто-либо начнёт прогнозировать, этот агент наводит порядок в хаосе входных данных. Он берёт сырой поток - цены, объёмы, новости, отчёты и превращает его в чистую хронологическую ленту, где каждому движению цены сопоставлена причина. Он отфильтровывает шум и оставляет только сигнал, чтобы остальные агенты не утонули в мусоре и не потеряли важное в длинном контексте.
СТАДИЯ 2A · МАКРО-ВЗГЛЯД
Агент макро-рассуждения + iTransformer
Этот агент смотрит сверху вниз и рисует широкую траекторию на весь горизонт прогноза: в каком режиме находится рынок, куда ведёт фундаментальный тренд. Здесь особенно силён iTransformer - его архитектура, рассматривающая каждый временной ряд как самостоятельную сущность, отлично улавливает межрыночные связи и крупные структурные сдвиги. Макро-агент следит, чтобы итоговый прогноз не отрывался от большой картины.
СТАДИЯ 2B · МИКРО-ВЗГЛЯД
Агент микро-рассуждения + PatchTST
Этот агент идёт шаг за шагом по горизонту прогноза, разбирая каждый отдельный момент: ближайшие катализаторы, краткосрочные колебания, локальную волатильность. Здесь в дело вступает PatchTST с его техникой разбиения ряда на патчи - она ловит тонкую локальную структуру и быстрые изменения, которые легко упустить при взгляде сверху. Микро-агент держит систему чуткой к внезапным событиям.
СТАДИЯ 3A · СИНТЕЗ
Агент-синтезатор
Дирижёр оркестра. Он получает макро-траекторию, микро-детали и числовые прогнозы от PatchTST, iTransformer и других моделей ансамбля и динамически взвешивает эти голоса. Когда сигналы противоречат друг другу, именно синтезатор решает, кому доверять в данной ситуации, и выдаёт итоговый прогноз вместе с понятным объяснением, почему он принял именно такое решение.
СТАДИЯ 3B · КАЛИБРОВКА
Агент калибровки
Память и совесть системы. Он прогоняет стратегию по множеству исторических отрезков, сравнивает прогнозы с тем, что произошло на самом деле, и выводит конкретные правила: где система переоценивает риск, где недооценивает волатильность, какой модели стоит верить в каком режиме. Эти правила применяются только если они реально улучшают результат на проверочном периоде.
Самое важное - этот ансамбль не статичен. Вес каждой модели не зашит раз и навсегда. PatchTST может доминировать в спокойном волатильном рынке, iTransformer - задавать тон при крупном развороте, а языковой агент перехватывать управление в момент, когда выходит неожиданная новость, которую числа ещё не успели отразить. Дирижёр перераспределяет внимание в реальном времени.
Почему ансамбль под управлением агента бьёт одиночную модель
Это не теория. В исследованиях, на которых основан подход Nexus, агентная архитектура тестировалась на данных, строго выходящих за пределы того, что модели видели при обучении, чтобы исключить «подглядывание». На волатильных акциях и данных рынка недвижимости она стабильно опережала или как минимум не уступала и флагманским специализированным моделям, и сильным языковым решениям.
Что это значит для капитала
Когда рынок ведёт себя предсказуемо, ансамбль выжимает максимум из математической точности своих числовых моделей. Когда случается неожиданное, языковой агент улавливает причину раньше, чем она отразится в цене, а дирижёр успевает перевесить решение. Такой подход потенциально снижает риск ошибок в ситуациях, когда отдельная модель не учитывает изменение рыночного режима.
Сценарий: один день из жизни бота
ЖИВОЙ ПРИМЕР РАБОТЫ ОРКЕСТРА
Утро. Выходит протокол заседания ФРС.
Агент контекста мгновенно вычленяет из потока новостей ключевой сигнал: тон регулятора оказался жёстче ожиданий. Он привязывает это событие к текущей точке на ценовой ленте и передаёт чистую сводку дальше.
PatchTST и iTransformer, глядя только на числа, по инерции продолжают рисовать плавное продолжение вчерашнего восходящего движения, ведь в цифрах разворот ещё не проявился.
«Числовые модели прогнозируют рост на 1,2%. Но контекст указывает на ужесточение риторики ФРС, которое исторически вызывало краткосрочную коррекцию в этом секторе. Микро-агент фиксирует риск резкого движения вниз в ближайшие сессии».
Агент-синтезатор видит конфликт: математика говорит «вверх», контекст говорит «осторожно». Опираясь на правила, выведенные агентом калибровки из прошлых похожих эпизодов, он снижает вес чисто числового прогноза и сдвигает итоговую оценку в сторону консервативного сценария заранее, а не задним числом.
В условном примере система могла бы отказаться от входа в позицию при расхождении числовых и контекстных сигналов. И главное, каждое это решение задокументировано понятным текстом, а не спрятано в непрозрачных весах.
Прозрачность, которой нет у «чёрного ящика»
Большинство торговых ботов выдают одно число и предлагают вам просто поверить. Когда система ошибается, а ошибаются все, вы остаётесь без объяснения и без возможности понять, что пошло не так. Наша архитектура устроена иначе.
Помимо самого прогноза, система производит трассировку рассуждений связный текст, который показывает фундаментальные драйверы за каждым решением. Вы видите не только «бот ожидает движение вниз», но и почему: какое событие он счёл значимым, как он взвесил голоса разных моделей, какому сигналу доверился и на основании какого исторического опыта.
→ Аудит и доверие. Каждое решение можно проверить и оспорить система объясняет логику на человеческом языке.
→ Контроль рисков. Вы заранее видите, на чём строится прогноз, и можете вмешаться, если логика расходится с вашим пониманием рынка.
Открытая архитектура, готовая к росту
Сила оркестрового подхода ещё и в его расширяемости. PatchTST и iTransformer наши сегодняшние солисты, но дирижёр не привязан к конкретному составу.
Появилась новая, более мощная модель прогнозирования? Её можно добавить в ансамбль как ещё один голос, и агент-синтезатор сам научится, в каких ситуациях ей доверять, а агент калибровки проверит, действительно ли она улучшает результат.
Это превращает торгового бота из застывшего продукта в живую систему, которая становится умнее с каждым новым инструментом в её распоряжении и с каждым прожитым рыночным днём. Вы инвестируете не в одну модель, которая однажды устареет, а в архитектуру, которая впитывает прогресс всей индустрии.
Что вы получаете на практике
→ Постоянное улучшение. Трассировки и калибровка превращают каждую ошибку в конкретное правило на будущее, а не в случайный шум.
Хороший прогноз отвечает на вопрос «сколько». Великий прогноз отвечает ещё и на вопрос «почему».
→ Многомодельную надёжность. Капитал не зависит от удачливости одной-единственной модели риск ошибки распределён между специалистами разного профиля.
→ Реакцию на реальный мир. Бот видит не только график, но и новости, отчёты, макроэкономику и встраивает их в прогноз до того, как они отразятся в цене.
→ Адаптацию к любому режиму. От спокойной сезонности до панических разворотов оркестр перераспределяет внимание под характер текущего рынка.
→ Понятные решения. Каждый прогноз сопровождается объяснением, которое можно прочитать, проверить и обсудить.
→ Систему, которая учится. Калибровка на исторических данных превращает прошлые ошибки в правила, повышающие точность в будущем.
Перестаньте ставить на одну лошадь
Рынок слишком сложен, чтобы доверить его одной модели, какой бы блестящей она ни была. Будущее алготрейдинга за командами специализированных моделей под управлением умного дирижёра, который понимает и числа, и контекст, и собственные ошибки.
В разработанном нами торговом боте этот принцип реализован на практике: система сочетает математический анализ временных рядов с интерпретацией рыночного контекста.
Материал подготовлен в информационно-образовательных целях на основе открытых научных публикаций и общедоступной информации. В нём рассматривается общий подход к объединению моделей временных рядов и языковых моделей.Материал не содержит исходного кода, параметров моделей, конфигураций системы, клиентских данных, правил исполнения сделок или иной закрытой информации конкретного продукта. Приведённые сценарии являются условными и используются исключительно для иллюстрации технологического подхода.Материал не является инвестиционной рекомендацией и не гарантирует какого-либо финансового результата. Описанная концепция опирается на идеи агентного фреймворка прогнозирования временных рядов Nexus (arXiv:2605.14389). PatchTST, iTransformer и TimesFM являются разработками независимых исследовательских коллективов.
Share
