TL;DR
Модели, которые лучше всех решают тесты (GPT-5, Claude Sonnet 4.5), торгуют на бирже хуже, чем модели с более низким баллом на бенчмарках (DeepSeek-V3). Причина — при генерации текста модель тянется к статистическому консенсусу обучающих данных, то есть повторяет то, что уже заложено в цену рынком, вместо того, чтобы искать независимый, контрарный взгляд, который и даёт прибыль.
Боль конкретна: в живом 7-недельном эксперименте GPT-5 закрылся в минус 1%, Claude Sonnet 4.5 — почти в нуле, оба хуже пассивного индекса S&P 500 (+4.3%). При этом у обоих моделей был доступ к тем же новостям, что и у человека-эксперта (Кэти Вуд, Билл Миллер), которые заработали +8-10% за тот же период на тех же событиях. Вторая находка — Reasoning Fragmentation: когда модели заваливают большим объёмом разнородных новостей, они скатываются в узкое, негибкое мышление и упускают переломные моменты рынка, вместо того чтобы связать события в цельную картину наперёд.
Решение авторов — не промпт-техника, а диагностический фреймворк P→E→R→D→O (Профиль инвестора → Событие → Рассуждение → Решение → Результат), который заставляет модель явно проходить все этапы принятия решения, а не просто выдавать вывод. Из этого можно вытащить практический принцип: если хочешь от LLM нетривиальный анализ — нужно явно просить её не соглашаться с общим мнением, а искать contrarian-взгляд.
Схема метода (фреймворк P→E→R→D→O)
ШАГ 1: Person → задай профиль (кто принимает решение, какие ограничения, риск-профиль)
ШАГ 2: Events → дай модели сырые, необработанные события (новости, данные)
ШАГ 3: Reasoning → попроси связать события в единую логическую нить, отделяя шум от сигнала
ШАГ 4: Decision → конкретное действие, вытекающее из Reasoning
ШАГ 5: Outcome → прогноз результата и условие, при котором тезис будет неверным
Все 5 шагов — в одном промпте, последовательно.
Пример применения
Задача: Ты ведёшь Telegram-канал про инвестиции и хочешь получить от Claude не "консенсусный" разбор новости, а острый, contrarian-взгляд — как делают частные аналитики типа Финансиста или ФинЖени.
Промпт:
Ты — независимый инвестиционный аналитик с профилем: агрессивный риск-аппетит,
горизонт 1-3 месяца, специализация — российский рынок акций.
Вот событие: Центробанк неожиданно снизил ключевую ставку на 200 б.п.
Рынок отреагировал ростом индекса Мосбиржи на 3%.
Пройди по цепочке:
1. EVENTS — перечисли 3-5 фактов из новости, включая менее заметные детали,
не только заголовок.
2. REASONING — свяжи эти факты в тезис. ВАЖНО: не повторяй очевидный консенсус
"рынок вырастет". Найди, где консенсус может ошибаться — что рынок
недооценил или переоценил.
3. DECISION — конкретное действие: какие сектора/акции, лонг или шорт.
4. Условие провала — при каком развитии событий твой тезис окажется неверным.
Отвечай по пунктам, без общих фраз типа "требуется дальнейший анализ".
Результат: Модель выдаст структурированный разбор из 4 блоков. В блоке REASONING явное требование "не повторяй консенсус" заставит модель искать контраргумент, а не просто пересказывать очевидную реакцию рынка. Условие провала в конце — защита от того, что модель выдаст один уверенный сценарий без критики самого себя.
Почему это работает
LLM обучена предсказывать следующее слово так, чтобы текст был правдоподобным, а не чтобы решение было выгодным. Поэтому, если не задать иначе, модель выдаёт самый вероятный (= консенсусный) вывод — то же самое, что уже думают все и что уже заложено в цену. Прибыль же требует ровно противоположного: увидеть то, что рынок ещё не заметил.
Модель хорошо умеет следовать явной структуре рассуждения, если её задать словами. Именно это использует фреймворк P→E→R→D→O — он не даёт модели "просто ответить", а заставляет пройти шаги, включая явный запрос на контрарность и самопроверку через условие провала.
Рычаги управления: - Убери фразу "не повторяй консенсус" → получишь усреднённый, безопасный ответ (полезно для проверки базового мнения рынка) - Добавь "условие провала" в конец → модель честнее оценивает риски своего же тезиса - Задай конкретный профиль риска (агрессивный/консервативный) вместо общего "инвестор" → острее и специфичнее решение
Шаблон промпта
Ты — {роль: инвестор/аналитик/консультант} с профилем: {риск-профиль},
горизонт {срок}, специализация {область}.
Вот событие: {описание события/новости}.
Пройди по цепочке:
1. СОБЫТИЯ — перечисли {число} фактов, включая неочевидные детали.
2. РАССУЖДЕНИЕ — свяжи факты в тезис. Не повторяй общепринятое мнение —
найди, где консенсус может ошибаться.
3. РЕШЕНИЕ — конкретное действие.
4. Условие, при котором тезис окажется неверным.
🚀 Быстрый старт — вставь в чат:
Вот шаблон фреймворка P→E→R→D→O для инвестиционного/аналитического рассуждения.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про твой риск-профиль, горизонт анализа и конкретное событие — потому что без этих деталей модель не сможет построить цепочку рассуждения и скатится в общие фразы.
Ограничения
⚠️ Не гарантирует прибыль: фреймворк структурирует мышление модели, но не даёт ей доступа к реальным рыночным данным в реальном времени — без актуальных новостей "contrarian взгляд" может быть просто неверным.
⚠️ Работает хуже при перегрузке данными: если дать модели слишком много разнородных новостей одновременно, она склонна теряться (авторы называют это Reasoning Fragmentation) — лучше давать события порционно, по одному кластеру за раз.
⚠️ Contrarian-инструкция не панацея: явный запрос "не повторяй консенсус" может заставить модель искать противоречие искусственно, даже когда консенсус верен — используй как один из инструментов, не как правило.
Как исследовали
Исследователи запустили живую 7-недельную торговую арену (19 ноября 2025 — 9 января 2026), где пять LLM (GPT-5, Claude Sonnet 4.5, DeepSeek-V3, Qwen3-Max, Gemini 2.5 Pro) торговали настоящими рыночными данными с капиталом $10,000 каждая, соревнуясь с двумя реальными инвесторами — Биллом Миллером и Кэти Вуд. Модели сами искали новости и данные через инструменты поиска, что убрало эффект "подгонки под прошлое".
Параллельно команда собрала бенчмарк из 201 247 размеченных инвестиционных решений от 151 реального инвестора — каждое решение разложено на цепочку Событие→Рассуждение→Решение→Результат. Модели тестировали на задаче "дай инвестиционный тезис по свежим событиям" и сравнивали с реальными решениями экспертов через LLM-судью.
Удивительный результат: модели с лучшими баллами на общих бенчмарках (GPT-5: 73.5, Claude: 77.2) показали худшую прибыль, а модель с более низким баллом (DeepSeek-V3: 64.6) заработала +14.2% — больше индекса S&P 500. Разбор конкретных решений показал: провальные модели либо фиксировались на самой громкой новости, либо выдавали общие фразы без специфики, тогда как человек-эксперт связывал разные источники (отчёты о прибыли, геополитику, отраслевые данные) в цельную картину.