🧩 Как подготовить данные для AI-агента: практический JSON-шаблон
В прошлом посте я показал общую структуру данных для анализа фьючерса.
Но если мы хотим перейти от обычного промпта к AI-агенту, простой список показателей уже недостаточен.
Нужны три вещи:
данные → проверка → расчёты.
И только после этого — интерпретация AI.
1. Основная информация
{
"instrument": {
"ticker": "XXXX",
"underlying": "XXXX",
"asset_type": "stock_index",
"timestamp": "2026-09-24T10:35:00+03:00",
"analysis_horizon": "1-5 days"
}
}
2. Специфика фьючерса
{
"futures": {
"expiry_date": "YYYY-MM-DD",
"roll_date": "YYYY-MM-DD",
"contract_size": 100,
"basis": 0.0,
"carry": 0.0,
"term_structure": "contango"
}
}
Здесь особенно важны экспирация, роллирование и базис.
Причём конкретный набор полей должен зависеть от типа фьючерса.
3. Рыночные данные
{
"market": {
"price": 0.0,
"ohlcv": {
"timeframe": "15m",
"open": 0.0,
"high": 0.0,
"low": 0.0,
"close": 0.0,
"volume": 0
},
"open_interest": 0
}
}
Из этих данных уже можно детерминированно рассчитать доходность, ATR, EMA, аномалии объёма и другие показатели.
То есть не обязательно передавать AI каждую готовую производную метрику.
4. Данные базового актива
Здесь важный нюанс.
Для фьючерса на акцию могут быть актуальны:
отчётность;
дивиденды;
корпоративные события;
ожидания рынка.
Для индекса, валюты или сырья набор факторов будет совершенно другим.
Поэтому универсального блока «выручка, прибыль, долг» для любого фьючерса не существует.
5. Новости и события
{
"events": [
{
"datetime": "YYYY-MM-DDTHH:MM:SS",
"type": "earnings",
"source": "SOURCE",
"fact": "описание события",
"consensus": null,
"observed_impact": {
"type": "volume_spike",
"magnitude": 0.0
}
}
]
}
Важно разделять:
что произошло и как это интерпретируется.
AI может объяснять возможные последствия, но не должен превращать собственную интерпретацию в исходный факт.
6. Опционы
Здесь тоже нельзя писать просто:
IV = 30%
Без контекста это число мало что говорит.
Лучше:
{
"options": [
{
"expiry": "YYYY-MM-DD",
"strike": 0.0,
"type": "call",
"iv": 0.0,
"oi": 0,
"volume": 0
}
]
}
А необходимые показатели — например skew или Put/Call ratio — рассчитывать отдельно.
7. Ликвидность и микроструктура
{
"liquidity": {
"spread": 0.0,
"market_depth": 0.0,
"expected_slippage": 0.0
},
"order_flow": {
"timestamp": "YYYY-MM-DDTHH:MM:SS",
"data_latency": "real-time",
"observations": []
}
}
И здесь критически важно поле:
data_latency
Потому что стакан из real-time потока и стакан с задержкой — это принципиально разные данные.
8. Контроль качества
А вот этого в обычных промптах почти всегда не хватает.
{
"data_quality": {
"price": "verified",
"volume": "verified",
"open_interest": "verified",
"news": "verified",
"outlier_flags": [],
"missing_fields": []
}
}
AI должен иметь возможность сказать:
«Анализ ограничен: OI отсутствует, стакан имеет задержку, данные по опционам неполные».
А не заполнять пробелы собственной фантазией.
И вот здесь появляется главное отличие AI-агента
Он не должен делать:
«Вот неполные данные → сейчас я сам что-нибудь придумаю».
Правильный конвейер:
источники → сбор данных → проверка → расчёт показателей → статистическая модель → AI-интерпретация → человек принимает решение.
Именно поэтому хороший AI-агент в трейдинге — это не просто «очень умный промпт».
Это система, в которой каждому этапу заранее определена своя задача.
⚠️ Новичкам: JSON, AI-агент и красивые таблицы сами по себе не создают торгового преимущества. Если исходные данные ошибочны или модель не прошла нормальное тестирование, автоматизация лишь быстрее выдаст неправильный вывод.
AI не заменяет анализ. Он помогает организовать его.
#академия ИИ трейдинга
#обучение