Почему «предсказание» — метафора, а не механизм
ChatGPT не смотрит в хрустальный шар. Каждый токен — это условная вероятность следующего слова, обученная на прошлых текстах. Когда вы просите «предсказать курс биткоина», модель не анализирует рынок — она генерирует текст, который статистически похож на экспертный прогноз в обучающей выборке.
Поэтому naive-промт «Что будет с акциями Яндекса через год?» даёт плавный, уверенный, но часто бесполезный текст. Модель не знает новостей за вчера, не видит отчёты, не считает DCF. Она имитирует форму рассуждения.
Рабочий подход: не просить предсказание, а заставить модель структурировать неопределённость — разложить драйверы, сценарии, вероятности, условия отмены. Это превращает генерацию в аналитический инструмент.
Фреймворк PREDICT — скелет любого прогнозного промта
P — Purpose (Цель)
Чётко сформулируйте, что именно нужно: точечная оценка, диапазон, рейтинг сценариев, ранжирование рисков. «Оценить вероятность рецессии в США к Q4» лучше «Что с экономикой?».
R — Reference Frame (Опорная система)
Задайте горизонт, единицы измерения, базовый сценарий. «Горизонт 12 месяцев, базовый — текущие ставки ФРС, метрика — YoY % изменения ВВП». Без рамок модель плёт общие фразы.
E — Evidence Base (Доказательная база)
Перечислите, что модель должна «учесть»: исторические аналогии, корреляции, мнения экспертов, конкретные данные, если они в контексте. «Используй аналоги 2008 и 2020 годов, вес 0.3 и 0.7».
D — Drivers (Драйверы)
Явно попросите выделить 3–7 ключевых переменных, двигающих исход. «Назови 5 драйверов валютного курса: ставка ЦБ, торговая служба, цены на сырьё, геополитика, спекулятивный спрос».
I — Intervals (Интервалы)
Требуйте вероятностные оценки, а не точечные. «Дай 80% доверительный интервал для инфляции, медиану и 10/90 перцентили». Точечные числа — признак галлюцинации уверенности.
C — Counterfactuals (Контрфактуалы)
Просите сценарии «что, если». «Что если ЦБ поднимет ставку на 200 бп? Что если цена нефти упадёт под $60?». Это выявляет нелинейности и точки бифуркации.
T — Triggers & Timebox (Триггеры и сроки пересмотра)
Зафиксируйте, при каких новостях прогноз перестаёт быть актуальным. «Пересмотреть при изменении ключевой ставки ±100 бп или выходе CPI вне консенсуса ±0.3%». Прогноз без даты смерти — зомби.
Четыре типа прогнозов — четыре шаблона промтов
Трендовый прогноз
Направление и сила движения метрики во времени. Рост/падение трафика, اعتماد технологий, доля рынка.
Событийный прогноз
Вероятность дискретного события: запуск конкурента, регуляторное решение, прорыв в R&D, выход на IPO.
Сценарный прогноз
Набор взаимоисключающих будущих состояний мира с вероятностями. Стратегическое планирование, stress-testing, war-gaming.
Числовой прогноз
Конкретное число с интервалом: выручка, DAU, CAC, время до релиза, стоимость сделки. Требует максимальной жёсткости.
Naive vs Structured: разбор на живом примере
Naive-промт
Типичный ответ модели:
«По моему анализу, биткоин через 6 месяцев будет стоить $87,420. Это основано на цикле халвинга, институциональном спросе и макроклимате…»
- Точечное число — маркер галлюцинации уверенности
- Нет интервалов, нет вероятностей
- Драйверы перечислены постфакту для обоснования
- Нет условий отмены, нет даты пересмотра
- Игнорирует base rate (историческую волатильность)
Structured-промт (PREDICT)
Структурированный ответ:
Медиана $78k (10-й перцентиль $42k, 90-й $135k). Базовый сценарий 45%: боковик $65-85k при стабильных ставках. Бычий 30%: $110-150k при пивоте ФРС + ETF flows. Медвежий 25%: $38-55k при рецессии + MtGox. Драйвер №1 — ликвидность (чувствительность 1.8x). Пересмотр 15 числа следующего месяца после FOMC.
Пошаговая сборка прогнозного промта
Окно в реальность: примеры промт-ответ
Где модель лжёт (и как это поймать)
Иллюзия точности
Модель выдаёт $87,420 вместо «~$85-90k». Лишние значащие цифры — маркер галлюцинации. Всегда просите интервалы и округляйте до разумных разрядов.
Игнорирование base rate
Модель любит уникальные истории («этот раз иначе») и забывает историческую частоту. Явно требуйте: «Начни с base rate из прецедентов, потом корректируй».
Корреляция ≠ причинность
Модель находит паттерны в обучающих текстах, а не причинно-следственные механизмы. Проверяйте: «Почему именно этот драйвер двигает метрику? Какой эксперимент это опровергнет?».
Отсутствие зоны невалидности
Хороший прогноз говорит, при каких условиях он перестаёт работать. Требуйте kill criteria: «При каких данных этот сценарий рухнет до <5%?».
Знание срезается об дату обучения
Модель не знает новостей вчерашнего дня. Для актуальных прогнозов: (а) дайте свежий контекст в промте, (б) используйте инструменты поиска/браузинга, (в) ставьте горизонт «до следующего крупного релиза/события».
Антропоморфная уверенность
Фразы «я уверен», «безусловно», «определённо» в ответе модели — не калиброванная вероятность, а стилистика обучающих текстов. Запрещайте их в инструкции: «Никаких оценочных суждений, только числа и логика».
