Если ты хоть раз заглядывал на децентрализованные рынки предсказаний вроде Polymarket или следил за ставками на бирже Kalshi, то наверняка обращал внимание на странную динамику котировок. Стоит медийному автору выпустить тревожный пост или крупному игроку («киту») влить пару сотен тысяч долларов в маловероятный исход, как график вероятности взлетает свечой вверх. Толпа поддается эмоциям, панике и страху упущенной выгоды, превращая коллективный разум в хаотичные качели.
Меня в этой теме всегда занимал один вопрос: можно ли противопоставить эмоциональному шуму толпы холодный, непрерывный машинный расчет? Одно дело — спорить в комментариях о решениях центробанков или квартальной прибыли технологических гигантов. Совсем другое — превратить анализ мирового информационного поля в математическую модель, которая находит статистические перекосы в котировках и рискует реальным капиталом.
Именно эту задачу взялась решить команда стартапа Sikt Intelligence из Осло. Они разрабатывают автономный комплекс — «ИИ-суперпрогнозиста» (AI superforecaster). Система круглосуточно мониторит глобальное информационное пространство, сопоставляет разрозненные свидетельства и рассчитывает объективные вероятности событий, напрямую соревнуясь с оценками живых участников рынка. Давай разберем, как устроен этот механизм, где алгоритм находит преимущество и с какими барьерами сталкивается.
Архитектура ИИ-суперпрогнозиста: от новостного шума до байесовского вывода
В основе классических рынков предсказаний лежит механика бинарных контрактов. На Polymarket каждый исход торгуется в виде долей «Да» (YES) или «Нет» (NO) со стоимостью от нуля до одного доллара. Если контракт на рост ВВП выше трех процентов торгуется по 63 цента, это означает, что рыночный консенсус оценивает вероятность события ровно в 63%. В случае победы держатель доли получает один доллар, а проигравшая доля сгорает.
Большинство участников угадывают исходы по интуиции или обрывкам аналитики. Sikt Intelligence работает по принципиально иной логике — как беспристрастный агент калибровки:
- Непрерывный парсинг источников. Система выкачивает сотни разнородных каналов: официальные релизы центральных банков (ФРС США, ЕЦБ, Банк Японии), правительственные статистические отчеты, отраслевые базы данных, таможенные сводки и международные ленты новостей.
- Фактологическая экстракция. Языковые модели извлекают из массива текста проверяемые утверждения. Отсекаются кликбейтные заголовки, эмоциональные оценки колумнистов и скоординированные вбросы в социальных сетях. Если источник транслирует непроверенный слух, алгоритм понижает его вес.
- Байесовское обновление вероятностей. Это математическое сердце системы. У модели есть априорная вероятность события на базе исторических данных. Каждое проверенное свидетельство сдвигает апостериорную вероятность в зависимости от степени своей достоверности.
- Сравнение внутренней оценки с котировками. Система опрашивает API Polymarket и Kalshi, сопоставляя расчетный процент с ценой контракта на бирже.
- Поиск статистического перекоса (edge). Если рынок оценивает вероятность события в 63%, а откалиброванная модель дает лишь 54% с высокой надежностью, алгоритм фиксирует рыночную неэффективность в 9% и формирует сигнал на покупку исхода «Нет».
Главная сила подхода — в обработке длинного хвоста микрофактов. Ни один аналитик физически не в состоянии одновременно отслеживать логистику в Ормузском проливе, сопоставлять таможенные декларации и вчитываться в региональные экономические индексы. Нейросетевой пайплайн делает это параллельно.
Полевые испытания: 14 событий и ставки против консенсуса толпы
В конце октября 2026 года команда запустила первый публичный пилотный тест (Week 1 Pilot Test) на реальном капитале по пулу из 14 разнородных контрактов с горизонтом исполнения от нескольких дней до одной недели — с 26 по 31 октября 2026 года.
Спектр задач подобрали широкий, чтобы проверить адаптивность моделей в разных областях:
- Макроэкономика: оценка темпов роста ВВП США за третий квартал (US GDP Growth Q3), динамика ВВП еврозоны и отчеты по ВВП Германии.
- Решения регуляторов: заседания Европейского центрального банка (ECB) и Банка Японии (BOJ).
- Геополитика и логистика: вероятность инцидентов и закрытия судоходства в Ормузском проливе.
- Корпоративная отчетность: квартальные результаты Amazon и отчет фармацевтического лидера Eli Lilly по препаратам нового поколения.
- Финансовые рынки: цена акций NVIDIA к концу недели, котировки золота на 30 октября, доходность 10-летних казначейских облигаций США (US 10-Year Treasury Yield), индекс VTI и цены на нефть марки Brent.
Самым показательным кейсом стал контракт на темпы роста ВВП США (US GDP Q3). На Polymarket участники скупали доли «Да»: толпа верила в преодоление планки в 3% роста, задирая котировки до 63%. Модель Sikt Intelligence, переварив опережающие индикаторы деловой активности и статистику розничных продаж, оценила вероятность лишь в 54%.
Разрыв в 9 процентных пунктов позволил открыть позицию против эйфории толпы. Аналогично в сделке по Eli Lilly: сопоставление клинических данных и цепочек поставок выявило недооцененный потенциал отчетности, что привело к серии удачных бинарных сделок.
В чем ИИ превосходит человека, а где наступает отрезвление
Преимущества ИИ очевидны: алгоритм избавлен от страха упущенной выгоды (FOMO) и азарта, не симпатизирует отдельным политикам и беспристрастно калибрует шансы. Модель способна анализировать сотни рынков параллельно, находя неэффективности там, куда внимание розничных игроков не доходит. О том, как важно системно работать с цифровым следом и оценками алгоритмов, мы говорили в материале о репутации бизнеса в эпоху нейросетей.
Но у чисто алгоритмического прогнозирования есть жесткие практические ограничения:
- Задержка реакции (latency). При резком выходе важной статистики высокочастотные арбитражные роботы реагируют за миллисекунды. Большой языковой модели требуются секунды на парсинг текста и генерацию рассуждений (chain-of-thought), что нивелирует преимущество на коротких таймфреймах.
- События с нулевым информационным следом («черные лебеди»). Внезапные аварии, стихийные бедствия или кулуарные решения регуляторов невозможно предсказать по открытым источникам.
- Проскальзывание (slippage). На многих нишевых контрактах Polymarket объемы торгов не превышают нескольких тысяч долларов. Попытка войти в позицию даже на 500 долларов заметно сдвигает цену, уничтожая математическое ожидание прибыли.
Экосистема рынков предсказаний и будущее прогнозных агентов
Методологический фундамент суперпрогнозирования заложил проект Good Judgment Project Филипа Тетлока, исследовавший точность вероятностных суждений по шкале Брайера (Brier score). Сегодня эти идеи подхватили ИИ-лаборатории: платформа Metaculus развивает бенчмарки AI Benchmarks for Forecasting, а академические проекты AutoCast и ForecastQA проверяют способности LLM оценивать будущие исходы.
Пока Polymarket масштабирует протокол в сети Polygon с расчетами в USDC, а Kalshi привлекает институционалов под надзором регулятора CFTC, аналитические комплексы вроде Sikt Intelligence выполняют роль балансира. Устраняя перекосы толпы, они превращают рынки предсказаний в объективный измеритель реальности. Но даже самый точный байесовский пайплайн остается лишь калькулятором вероятностей в мире, где будущее никогда не предопределено до конца.