🧪 Как я использую Perplexity Computer для проверки гипотез
Была идея, агент её проверил и забраковал — а потом из этой же работы вырос инструмент, который предсказывает решения ЦБ. Рассказываю, как это устроено.
⠀
🎯 Идея
У одного из коллег появилась идея прогнозировать ключевую ставку ЦБ по ставке денежного рынка RUSFAR. Предположение простое: между ними держится устойчивый коэффициент, и через него можно пересчитать одно в другое.
⠀
🤖 Этап 1. Проверка гипотезы
1. Агент сам собрал данные. Скачал историю RUSFAR с Московской биржи и историю ключевой ставки с сайта ЦБ — больше 1700 наблюдений и десятки заседаний с 2019 года. Никаких ручных выгрузок и копипаста.
2. Проверил мою идею против других подходов. Построил мой коэффициент и ещё с десяток разных моделей, а потом сравнил: какая чаще попадает в реальную ставку и точнее угадывает, куда ЦБ двинет — вверх или вниз.
3. Забраковал второе предположение. Была гипотеза, что модель станет точнее, если подсказать ей, в каком режиме находится ЦБ — ужесточает политику или смягчает. Агент добавил подсказку, прогнал — и модель стала хуже. Идея не подтвердилась на данных.
И главный вывод этого этапа: поправочный коэффициент проиграл самому простому подходу — взять RUSFAR как есть, без всякой математики. Вручную я бы до этого не дошёл — не хватило бы терпения перебрать больше десятка моделей.
⠀
🤖 Этап 2. Из проверки выросла рабочая модель
Раз простой подход оказался сильным, я задал следующий вопрос: а можно ли на этом фундаменте собрать не просто «угадайку направления», а вероятностный прогноз? В отдельной работе агент построил модель из двух частей:
— Сначала она оценивает вероятности самого решения: насколько вероятно снижение, удержание или повышение ставки.
— Затем — распределение по размеру шага: на сколько именно ЦБ изменит ставку.
И что важно — агент сам же её и проверил на истории, сравнив с простыми правилами. Вердикт получился без прикрас: за пару дней до заседания модель почти не выигрывает у простого правила «смотри на спред» — а вот за 2–3 недели до заседания она реально полезнее.
⠀
⚙️ Как это выглядело в работе
Я не писал ни строчки кода. Дал стартовое задание с идеей — дальше просто направлял словами: «добавь вот это», «сравни модели», «сверь с прогнозами аналитиков». Агент сам находил данные, писал программу, запускал её и возвращал результат.
⠀
🔍 Чем это отличается от обычного чат-бота
— Настоящие расчёты, а не правдоподобный текст. Агент реально пишет и запускает программу — цифры живые, а не придуманные.
— Спор по делу. Не «ну попробуйте», а «вот результаты, ваша идея не работает, вот почему, вот что работает лучше».
— Всё со ссылками. Каждый внешний прогноз и факт — с указанием первоисточника.
⠀
💡 Главный вывод
Обычный чат отвечает на вопросы. Агент с инструментами проверяет идеи на данных — и из самой проверки иногда рождается готовый инструмент. Разница примерно как между «погуглить» и «поставить эксперимент, из которого вырос рабочий прибор».
Исходная идея с коэффициентом не подтвердилась — и это оказалось полезным знанием: усложнять смысла нет. Но именно отрицательный результат подсказал, на чём строить дальше. Так проверка гипотезы за один-два разговора превратилась в модель, которая теперь считает вероятности решений ЦБ.
Была идея, агент её проверил и забраковал — а потом из этой же работы вырос инструмент, который предсказывает решения ЦБ. Рассказываю, как это устроено.
⠀
🎯 Идея
У одного из коллег появилась идея прогнозировать ключевую ставку ЦБ по ставке денежного рынка RUSFAR. Предположение простое: между ними держится устойчивый коэффициент, и через него можно пересчитать одно в другое.
⠀
🤖 Этап 1. Проверка гипотезы
1. Агент сам собрал данные. Скачал историю RUSFAR с Московской биржи и историю ключевой ставки с сайта ЦБ — больше 1700 наблюдений и десятки заседаний с 2019 года. Никаких ручных выгрузок и копипаста.
2. Проверил мою идею против других подходов. Построил мой коэффициент и ещё с десяток разных моделей, а потом сравнил: какая чаще попадает в реальную ставку и точнее угадывает, куда ЦБ двинет — вверх или вниз.
3. Забраковал второе предположение. Была гипотеза, что модель станет точнее, если подсказать ей, в каком режиме находится ЦБ — ужесточает политику или смягчает. Агент добавил подсказку, прогнал — и модель стала хуже. Идея не подтвердилась на данных.
И главный вывод этого этапа: поправочный коэффициент проиграл самому простому подходу — взять RUSFAR как есть, без всякой математики. Вручную я бы до этого не дошёл — не хватило бы терпения перебрать больше десятка моделей.
⠀
🤖 Этап 2. Из проверки выросла рабочая модель
Раз простой подход оказался сильным, я задал следующий вопрос: а можно ли на этом фундаменте собрать не просто «угадайку направления», а вероятностный прогноз? В отдельной работе агент построил модель из двух частей:
— Сначала она оценивает вероятности самого решения: насколько вероятно снижение, удержание или повышение ставки.
— Затем — распределение по размеру шага: на сколько именно ЦБ изменит ставку.
И что важно — агент сам же её и проверил на истории, сравнив с простыми правилами. Вердикт получился без прикрас: за пару дней до заседания модель почти не выигрывает у простого правила «смотри на спред» — а вот за 2–3 недели до заседания она реально полезнее.
⠀
⚙️ Как это выглядело в работе
Я не писал ни строчки кода. Дал стартовое задание с идеей — дальше просто направлял словами: «добавь вот это», «сравни модели», «сверь с прогнозами аналитиков». Агент сам находил данные, писал программу, запускал её и возвращал результат.
⠀
🔍 Чем это отличается от обычного чат-бота
— Настоящие расчёты, а не правдоподобный текст. Агент реально пишет и запускает программу — цифры живые, а не придуманные.
— Спор по делу. Не «ну попробуйте», а «вот результаты, ваша идея не работает, вот почему, вот что работает лучше».
— Всё со ссылками. Каждый внешний прогноз и факт — с указанием первоисточника.
⠀
💡 Главный вывод
Обычный чат отвечает на вопросы. Агент с инструментами проверяет идеи на данных — и из самой проверки иногда рождается готовый инструмент. Разница примерно как между «погуглить» и «поставить эксперимент, из которого вырос рабочий прибор».
Исходная идея с коэффициентом не подтвердилась — и это оказалось полезным знанием: усложнять смысла нет. Но именно отрицательный результат подсказал, на чём строить дальше. Так проверка гипотезы за один-два разговора превратилась в модель, которая теперь считает вероятности решений ЦБ.