К содержимому
Дайджест

Могут ли AI-агенты предсказывать прибыль лучше аналитиков

AI Engineer·9 ноября 2026·15:21
можно прочитать можно повторить промо
Открыть на YouTube
Доклад основателя AI-направления Samaya AI о том, как агенты предсказывают квартальные сюрпризы по прибыли, для тех, кто оценивает применение LLM в финансах.

Что в ролике

Перед предсказанием цен акций автор предлагает более контролируемую задачу — прогноз квартальной прибыли относительно консенсуса аналитиков, где есть количественная и качественная проверяемость. Для этого в Samaya AI построили агентную среду с point-in-time доступом к документам, ценам, новостям и консенсусу, чтобы агент не видел будущие данные. На более чем 450 earnings-кейсах с июля 2026 года сравнили семь frontier-моделей: свежие Opus, Fable и GPT-6 Astra снижают ошибку прогноза, а по выручке GPT-6 Astra значимо лучше bias-corrected консенсуса с ошибкой 1,18 против 1,5 обычного. Модели также улучшают hit rate, особенно на сложных прогнозах «ниже консенсуса», и новый показатель surprise correlation подтверждает, что большие предсказанные сюрпризы чаще совпадают с фактическими. Примеры показывают, что агент выигрывает, когда находит сигнал вроде данных поставщика Macom и смело отклоняется от консенсуса, а проигрывает, когда видит доказательство, как возврат тарифов у Ross Stores, но не решается его учесть. Абляция среды показала, что живой доступ к свежим данным критичен: чисто параметрическая модель бесполезна, а данные 11-недельной давности снижают качество на 12–15 пунктов, что равно разрыву между Sonnet и Fable. Лучшие модели уже могут восстанавливать консенсус без явного доступа к нему, и Samaya переводит это в альфа-тестирование продукта, а дальше планирует изучать рассуждения и continual learning.

Практика

Что получишь
Понимание, какие LLM уже обгоняют консенсус-прогнозы по квартальной прибыли и какие компоненты среды — свежие данные, экспертная инструкция — дают основной прирост.
Первый шаг
Прочитать открытый блог-пост Samaya AI и бенчмарк Frontier Finance по QR-кодам из доклада, затем попробовать оценить свою модель на исторических earnings с point-in-time ограничением.
Цифры
  • —450+ earnings-кейсов с июля 2026 года — размер выборки для сравнения моделей
  • —1,18 против 1,5 — ошибка bias-corrected консенсуса против обычного в единицах исторической волатильности
  • —12–15 пунктов — настолько падает качество прогноза при данных 11-недельной давности вместо свежих
  • —7 frontier-моделей — столько моделей сравнивали между собой
Честно
Автор — AI-лид Samaya AI и продвигает продукт компании: агентная среда доступна только в альфа-тестировании, а подробные примеры и метрики лежат в их блоге. Результаты получены на собственной платформе Samaya и могут быть смещены в её пользу, независимого воспроизведения нет.
Если слова незнакомы — 6 терминов

Связки из этого ролика

5 шт.

Компоненты

2 шт.

Формат: разбор кейса · для продвинутых · уверенность разметки 0.9 · источник