TL;DR
Контекстная оценка трендов — техника, где LLM оценивает вероятность продолжения существующего тренда на основе свежей информации. Суть: вы явно говорите модели о текущей ситуации (что работает сейчас), даёте новые данные (свежие новости, сигналы, события), и просите оценить вероятность продолжения тренда по шкале 0-1. Модель анализирует, поддерживают ли новые данные продолжение существующего паттерна или сигнализируют о развороте.
Исследователи обнаружили, что LLM плохо работают, когда оценивают новости "в вакууме" — без контекста текущей ситуации. Модель не понимает, относительно чего оценивать информацию. Это как спросить "хорошая ли эта новость?" без объяснения "для чего именно". Результат — размытые оценки, которые не помогают принять решение. Причина: модель генерирует текст на основе паттернов, но без явного якоря (что уже работает, куда движемся) она не может выделить релевантные сигналы из шума.
Метод решает проблему через двухслойную структуру промпта: (1) явно описываете текущий тренд/ситуацию ("компания показала рост", "продукт набирает обороты", "карьера идёт в гору"), (2) загружаете свежую информацию (новости, данные, события за последние дни/недели), (3) просите количественную оценку вероятности продолжения тренда. Модель не просто анализирует данные, а оценивает их в контексте заданного направления.
Схема метода
ШАГ 1: Определить текущий тренд/паттерн
→ Что работает сейчас? Какое направление?
ШАГ 2: Собрать свежую информацию
→ Новости, данные, события за последние N дней
ШАГ 3: Промпт с контекстом
→ "Ситуация: [тренд]. Новые данные: [информация].
Оцени вероятность продолжения тренда от 0 до 1"
ШАГ 4: Получить количественную оценку
→ Модель выдаёт число (например, 0.73 = 73% вероятность)
Все шаги выполняются в одном промпте.Пример применения
Задача: Вы запустили онлайн-школу по таргетированной рекламе. Первый поток из 30 человек прошёл успешно — средний чек 25,000₽, NPS 8.5, окупаемость рекламы 1:3. Сейчас готовите второй набор, но за последние 2 недели появилась новая информация: (1) ВКонтакте запустили бесплатные курсы по рекламе, (2) два крупных конкурента снизили цены на 40%, (3) в чатах образовательных маркетологов активно обсуждают перенасыщение рынка курсов по таргету, (4) но ваши выпускники первого потока публикуют кейсы с реальными результатами клиентов — охваты растут. Нужно решить — масштабировать набор или притормозить.
Промпт:
Контекст: Онлайн-школа по таргетированной рекламе. Первый поток (30 человек)
показал сильные результаты:
- Средний чек: 25,000₽
- NPS: 8.5/10
- Окупаемость рекламы: 1:3
- Завершаемость курса: 87%
Свежая информация за последние 2 недели:
1. ВКонтакте запустили бесплатные курсы по таргету
2. Два крупных конкурента (SkillFactory, Нетология) снизили цены на курсы
по таргету на 40%
3. В образовательных чатах маркетологов активно обсуждают перенасыщение
рынка курсов по рекламе
4. Выпускники первого потока публикуют кейсы с реальными результатами —
посты собирают 200-500 реакций, идут органические заявки
Задача: Оцени вероятность того, что положительный тренд (успех первого потока)
продолжится во втором наборе. Учитывай:
- Поддерживают ли новые данные продолжение роста?
- Какие сигналы усиливают тренд, какие ослабляют?
- Насколько критичны негативные факторы?
Выдай оценку от 0 до 1, где:
- 0 = тренд точно развернётся, масштабироваться опасно
- 0.5 = неопределённость, нужны дополнительные данные
- 1 = тренд продолжится с высокой вероятностью
Формат ответа:
1. Оценка (число): [0-1]
2. Ключевые факторы "за продолжение": [2-3 пункта]
3. Ключевые факторы "против продолжения": [2-3 пункта]
4. Вывод: [1-2 предложения с рекомендацией]Результат:
Модель выдаст количественную оценку (например, 0.68 — умеренно высокая вероятность продолжения тренда) и структурированный анализ:
- Факторы "за": кейсы выпускников создают органический спрос, высокий NPS говорит о продуктовой сильной стороне, бесплатные курсы ВК скорее прогревают аудиторию чем конкурируют
- Факторы "против": снижение цен конкурентов создаёт ценовое давление, риск перенасыщения рынка требует усиления позиционирования
- Вывод: масштабировать, но с корректировкой — усилить упор на результаты выпускников в рекламе, возможно протестировать небольшое снижение цены или бонусы за раннюю оплату
Вместо интуитивного "вроде бы норм, попробуем" получаете взвешенное решение с аргументацией, где модель явно показывает какие новые данные поддерживают ваш успех, а какие создают риски.
Почему это работает
LLM плохо работают с абстрактной оценкой — "хорошая ли эта новость?" или "что думаешь об этих данных?" Модель не понимает относительно чего оценивать информацию. Это как просить друга оценить резюме кандидата, не сказав на какую позицию вы его рассматриваете — для джуна это переквалификация, для сеньора недостаточно опыта. Без якоря модель даёт размытые ответы.
LLM отлично работают с контекстной классификацией — когда есть чёткий критерий оценки. Модель умеет сопоставлять новую информацию с заданным паттерном и выделять релевантные сигналы. Если вы говорите "компания растёт на 20% в месяц" и даёте новость "конкурент снизил цены на 30%", модель понимает — это сигнал против продолжения тренда, потому что создаёт ценовое давление.
Метод использует сильную сторону через явное якорение: (1) вы описываете текущую ситуацию как baseline ("что работает сейчас"), (2) загружаете свежие данные, (3) просите оценить вероятность продолжения baseline. Модель не теряется в абстракции — она сравнивает новые сигналы с заданным направлением и выдаёт количественную оценку. Ключ в том, что вы не просите совета ("что делать?"), а просите специфическую оценку ("какова вероятность продолжения?") — это снижает неопределённость и повышает точность.
Рычаги управления промптом:
- Временное окно данных (последние 2 недели / месяц / квартал) → сужайте для быстро меняющихся ситуаций (продуктовые метрики, рекламные кампании), расширяйте для медленных трендов (карьера, бизнес-стратегия)
- Шкала оценки (0-1 / 1-10 / Low-Medium-High) → используйте 0-1 для количественных решений (инвестиции, масштабирование), категориальную шкалу для качественных (приоритизация идей)
- Структура вывода ("только число" / "число + аргументы") → если нужна только оценка для дальнейших расчётов — просите число, если нужно понять логику — просите развёрнутый анализ
- Акцент в промпте ("поддерживают ли данные тренд" / "какие риски для тренда") → меняйте фокус в зависимости от задачи: для агрессивного роста акцент на поддержку тренда, для консервативных решений — на риски
Шаблон промпта
Контекст: {описание текущей ситуации/тренда — что работает сейчас, какие результаты,
какое направление}
Свежая информация за последние {N дней/недель}:
{список новых данных, событий, новостей — каждый пункт отдельной строкой}
Задача: Оцени вероятность того, что {тренд} продолжится в {временной горизонт}.
Учитывай:
- Поддерживают ли новые данные продолжение тренда?
- Какие сигналы усиливают тренд, какие ослабляют?
- Насколько критичны негативные факторы?
Выдай оценку от 0 до 1, где:
- 0 = тренд точно развернётся
- 0.5 = неопределённость
- 1 = тренд продолжится с высокой вероятностью
Формат ответа:
1. Оценка (число): [0-1]
2. Ключевые факторы "за продолжение": [2-3 пункта]
3. Ключевые факторы "против продолжения": [2-3 пункта]
4. Вывод: [1-2 предложения с рекомендацией]Как заполнять:
{описание текущей ситуации/тренда}— что работает сейчас: метрики, результаты, динамика за последний период{N дней/недель}— временное окно для свежих данных (обычно 1-4 недели для бизнес-решений){список новых данных}— факты, события, новости, которые появились за этот период{тренд}— краткое описание того, что вы хотите продолжить (рост продаж, набор курсов, карьерный трек){временной горизонт}— когда ожидаете результат (следующий месяц, квартал, год)
Ограничения
⚠️ Качество данных: Метод работает настолько хорошо, насколько релевантна свежая информация. Если новые данные слабо связаны с трендом или слишком абстрактны ("общее настроение рынка ухудшилось") — оценка будет размытой. Модель не может извлечь сигнал из шума, если шума слишком много.
⚠️ Субъективные тренды: Метод лучше работает для измеримых трендов (рост продаж на 20%, NPS 8.5, конверсия 12%) и хуже для субъективных ("команда вовлечена", "бренд укрепляется"). Причина: модель опирается на конкретные факты при сопоставлении, размытые критерии дают размытые оценки.
⚠️ Короткий горизонт прогноза: Метод создавался для краткосрочных прогнозов (дни-недели-месяцы). Для долгосрочных трендов (год+) точность падает — слишком много внешних факторов, которые не учтены в текущих данных. Используйте для оперативных решений, не стратегического планирования.
⚠️ Не заменяет глубокий анализ: Модель даёт быструю оценку, но не заменяет детальное исследование. Для критичных решений (крупные инвестиции, смена бизнес-модели) используйте метод как первый фильтр, не как финальный вердикт.
Как исследовали
Исследователи взяли классическую инвестиционную стратегию — momentum (покупка акций, которые хорошо росли в прошлом) — и проверили, может ли ChatGPT улучшить её через анализ новостей. Логика простая: momentum работает, потому что инвесторы медленно реагируют на новости — цена растёт постепенно после хорошей новости, а не сразу. Это создаёт инерцию (отсюда momentum). Но никто точно не знает, какие именно новости запускают инерцию, а какие — нет.
Команда собрала данные по акциям S&P 500 (крупнейшие компании США) и новости о каждой компании с точностью до минуты публикации. Затем в конце каждого месяца они:
- Отобрали топ-20% акций по росту за прошлый год (базовый momentum)
- Для каждой акции загрузили новости за последние дни
- Спросили ChatGPT: "Эта акция показала рост и попала в momentum-портфель. Оцени вероятность продолжения роста на основе свежих новостей от 0 до 1"
- Модель выдала оценки, на их основе перестроили портфель — выше оценка = больше вес в портфеле
Сравнивали с базовым momentum (без ChatGPT) по Sharpe ratio — мера "сколько прибыли на единицу риска". Базовая стратегия дала 0.57, с ChatGPT — 0.69. Звучит скучно, но в инвестициях это огромная разница — примерно на 20% больше прибыли при том же риске.
Самое интересное: результаты улучшились в период после октября 2023 — когда закончилось обучение ChatGPT 4.0 mini. То есть модель работает не за счёт "запомненных фактов о компаниях", а за счёт понимания как новости влияют на тренды. Это ключевой инсайт — модель не предсказывает будущее, она интерпретирует контекст лучше, чем простая формула "купи то, что росло".
Ещё нашли: метод работает лучше при месячной ребалансировке, а не еженедельной (меньше комиссий, устойчивее сигналы), и лучше на концентрированных портфелях (25-50 акций вместо 100) — потому что модель сильна в выборе высококонвидентных сигналов, а не в широком покрытии. И простой промпт ("оцени вероятность продолжения") работал не хуже сложного (с детальными инструкциями) — модель понимает задачу с минимального контекста.
Ресурсы
ChatGPT in Systematic Investing: Enhancing Risk-Adjusted Returns with LLMs
arXiv препринт (если доступен, иначе поискать по названию)
Nikolas Anic (Finreon AG), Andrea Barbon (University of St. Gallen), Ralf Seiz (Finreon AG, University of St. Gallen), Carlo Zarattini (Concretum Group)
Ключевые отсылки из исследования:
- Jegadeesh & Titman (1993) — оригинальное исследование momentum-стратегий
- Bernard & Thomas (1989) — underreaction к новостям и Post-Earnings Announcement Drift
- Lopez-Lira & Tang (2023) — предшествующее исследование про ChatGPT и предсказание реакции рынка на новости