ИСКУССТВЕННЫМ

ИНТЕЛЛЕКТ

-------и--------

МАШИННОЕ ОБУЧЕНИЕ

МАСН1МЕ

1_ЕАРЫ1ЫС

□АТА
А1ЧА1.УТ1С5

Р15К*

’ МАМАСЕМГ ,-

В ТРЕЙДИНГЕ

КАК СОЗДАВАТЬ УМНЫЕ ТОРГОВЫЕ СИСТЕМЫ,
КОТОРЫЕ ПРИНОСЯТ ПРИБЫЛЬ

1

Ярослав Суков

ЮГН03ИР0ВДНИЕ

ДВИЖЕНИЯ ЦЕН

' /У

ТОРГОВЫЕ РОБОТЫ
И А1-АГЕНТЫ

АЛГОРИТМИЧЕСКИЕ

СТРАТЕГИИ

УПРАВЛЕНИЕ
РИСКАМИ

А1.СОЯ1ТНМ

ТАЛОНЕ

РРЕ01СТ10К

ПРАКТИКА • СТРАТЕГИИ • ИНСТРУМЕНТЫ • БУДУЩЕЕ ТРЕЙДИНГА
Содержание

Предисловие	13

Почему искусственный интеллект меняет финансовые рынки , . 13

От интуитивного трейдинга к алгоритмическому принятию
решений..........................................14

Для кого написана эта книга......................15

Какие навыки вы получите после прочтения ........16

ЧАСТЬ I. РЕВОЛЮЦИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

НА ФИНАНСОВЫХ РЫНКАХ	17

Глава 1. Эволюция трейдинга; от биржевых ям до
автономных алгоритмов	17

История развития финансовых рынков: Визуальные крики и
бумажные записи .  ..............................17

Появление электронных торговых платформ: Великое Отключение

Крика.....................................      .18

Зарождение количественного трейдинга: Как физики взломали
казино ......................................... 19

Роль больших данных в современной торговле: Золото вместо
нефти............................................20

Как ИИ изменил структуру финансового рынка: от хаоса к
кластерной войне.................................21

Практикум: Техническая практика	к Главе 1	22

Навык 1. Убейте в себе «интуитивного трейдера» на
бумаге	23

Навык 2, Скачайте свой первый «не-человеческий»
датасет	23

Навык 3. Поймите свою	скорость	23
Резюме Главы 1 ...................................  24

Глава 2. Что такое искусственный интеллект в
трейдинге	25

Искусственный интеллект, машинное обучение и глубокое
обучение: Матрёшка смыслов..........................25

Отличия А1 от классического программирования: Когда кофе сам
находит сахар  .....................................26

Основные направления применения ИИ на бирже: Поле битвы . 27

Возможности и ограничения современных моделей: Дыхание бога
и проклятие дрейфа .............................. . 28

Мифы об искусственном интеллекте в инвестициях: Разрушаем
идолов................,..........................	. 30

Практикум: Техническая практика к Главе 2	31

Навык 1. Увидеть разницу между классическим
правилом и М1_	31

Навык 2, Диагностика переобучения	31

Домашнее задание	32

Глава 3. Архитектура интеллектуальной торговой
системы	32

1.	Источники данных: Корм для монстра...............33

2.	Обработка рыночной информации: От мусора к золоту ... 34

3.	Модуль прогнозирования: Сердце, которое бьётся нерегулярное

4.	Система управления рисками: Намордник и аварийный тормоз34

5.	Торговый движок: Руки, которые берут деньги......35

6.	Мониторинг и контроль решений ИИ: Око Саурона над
алгоритмом........................................ . 35

Практикум: Архитектура и реализация к Главе 3	36

Минимальный код гипотетической системы	36
Итог Части I (Главы 1-3)	37

ЧАСТЬ II. ДАННЫЕ - ТОПЛИВО ДЛЯ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА	37

Глава 4. Финансовые данные как основа машинного
обучения	38

Рыночные данные и их виды .........................38

Исторические котировки: Летопись рыночных баталий.. 39

Биржевой стакан и поток ордеров: Микроскоп для НИ*.39

Макроэкономическая статистика: Голос божества.. . . 40

Альтернативные данные: Новый нефтяной Клондайк.....41

Практикум: Работа с данными к Главе 4	41

Скачивание и визуализация данных	41

Распознавание спуфинга (концептуально)	42

Глава 5. Сбор и хранение рыночной информации 42

АР1 бирж и брокеров: Водопровод к рынку............42

Подключение к ЦУеЬЗоске! В1папсе	43

Финансовые дата-провайдеры: Когда нужно много и сразу ... 43

Потоковые данные в реальном времени: Водопад, который нужно
пить ... ......................................... 44

Организация хранилищ данных: Где лежит ваше золото.44

Построение Оа1:а 1_аке для трейдинга ..............45

Практикум: Сбор и хранение данных к	Главе 5	45

Скрипт для сбора исторических данных	45

Простой пайплайн очистки	46

Задание читателю	46
Глава 6. Очистка и подготовка данных: От мусорного
ведра к золотому слитку	46

Проблема шумов на финансовых рынках: Когда крик перекрывает
голос.............................................47

Работа с пропусками и выбросами: Хирургия набора данных , , 48
Нормализация данных: Приводим все к общему знаменателю . . 51

Геариге Епд1пеег1пд: Где рождается альфа..........52

Создание обучающих выборок: Как научить модель смотреть на
прошлое и думать о будущем........................54

Практикум: Полный пайплайн подготовки данных 55

Задание читателю	56

Глава 7. Альтернативные источники данных: Глаза за
пределами рынка	56

Новости и СМИ; Когда слова стоят денег ...........57

Социальные сети: Пульс истерии ...................58

Спутниковые данные: Бог с высоты ................59

Геолокационная аналитика: Где толпа, там и деньги.59

Корпоративные отчёты: Текст важнее цифр...........60

Е5С-данные: Новая религия или новая альфа? .......60

Практикум: Сбор альтернативных данных на практике.

Навык 1. Парсинг новостей и сентимент-анализ 61

Навык 2. Интеграция альтернативных признаков в
основную модель	62

Задание читателю	62

Итог Части II (Главы 4-7)	62

ЧАСТЬ III. ОСНОВЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ
ТРЕЙДЕРОВ	63
Глава 8. Введение в машинное обучение: Как машины
учатся видеть паттерны	63

Типы обучения: Три пути к знанию.....................64

Задачи классификации и регрессии: Две стороны одной медали 66

Обучение с учителем и без учителя: Когда что применять .... 68

Переобучение моделей: Проклятие трейдера-кванта......68

В1аа-\/аг1апсе ТгайеоГГ: Фундаментальный компромисс..70

ГИБРИДНЫЙ БЛОК: Код для проверки переобучения........71

Глава 9. Статистика и вероятность для
алгоритмического трейдинга: Искусство
неопределённости	72

Основы математической статистики: Язык неопределённости . . 72

Распределения доходностей: Почему Гаусс не друг трейдера . . 73

Корреляции и зависимости: Когда вместе падать выгоднее, но
опаснее ............................................ 74

Проверка гипотез: Отличается ли ваша стратегия от случайности?™
Байесовский подход: Как обновлять убеждения на основе данных?^
ГИБРИДНЫЙ БЛОК: Статистика в действии ...............78

Итог Части III (Главы 8-9)	79

ЧАСТЬ IV. АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ
ТРЕЙДИНГА	80

Глава 10. Классические алгоритмы машинного
обучения: от молотка до лазера	80

Линейная регрессия: прямая линия сквозь хаос.........81

Логистическая регрессия: вероятность вместо числа....82

Метод ближайших соседей (к-МГ1): окружение определяет судьбувЗ

Наивный Байес: наивно, но иногда эффективно'.........83

Деревья решений: серия вопросов и ответов............84

Случайный лес (Напс!от Гогез!): мудрость толпы деревьев ... 84
Градиентный бустинг (ХСВоо5(, ЬдНЮВМ, СаКВооз!:): король
классических М1_..................................  85

ГИБРИДНЫЙ БЛОК: Реальный пример сравнения алгоритмов , . 86

Глава 11. Метрики качества прогнозов: от наивных до
профитных	87

Ассигасу (доля правильных ответов)..................87

Ргес&ол (Точность) и КесаН (Полнота)................88

КОС-АКС: Как хорошо модель разделяет классы ........88

Почему высокая точность не гарантирует прибыль: Великий обман

Финансовые метрики эффективности моделей............89

ГИБРИДНЫЙ БЛОК: Функция оценки	стратегии............91

Итог Части IV (Главы 10-11)	91

ЧАСТЬ V. ГЛУБОКОЕ ОБУЧЕНИЕ НА ФИНАНСОВЫХ

РЫНКАХ	92

От таблиц к нейронам, от признаков к представлениям . .... 92

Глава 12. Нейронные сети для прогнозирования цен:
искусственный мозг на службе арбитража	93

Устройство нейронной сети: от биологического нейрона к
матричному умножению..............................  93

Функции активации: дверь для нелинейности . ........94

Оптимизация обучения: как сеть учится на своих ошибках ... 95

Регуляризация: борьба с переобучением ..............96

Практические примеры прогнозирования.................97

Глава 13. Рекуррентные сети и временные ряды:
когда последовательность имеет значение	99

Особенности финансовых временных рядов: вызов для ИМИ ... 99

КЫЫ (Ресиггеп! 1\1еига1 МеШогк): наивная память....100

Ь5ТМ (1_опд 511011-Тегт Метогу): умная память с ячейками . . . 100

СЯ11 (Са1ей Весиггеп! 11пИ): легковесный конкурент 1_5ТМ .... 101
Предсказание трендов и волатильности: реальные кейсы . . ,102
ГИБРИДНЫЙ БЛОК: Практические советы по глубокому обучению в
трейдинге............................................104

Полный пример 1_5ТМ-стратегии с оценкой..............104

Итог Части V (Главы 12-13)	106

ЧАСТЬ VI. НОВЕЙШИЕ АРХИТЕКТУРЫ И

ГЕНЕРАТИВНЫЙ ИИ	106

От внимания к синтезу, от предсказаний	к творчеству..106

Глава 14. Трансформеры и новые архитектуры: от
внимания к предвидению	107

Эволюция моделей внимания: почему 15ТМ оказалась не вечной 107

Тгап^огтег: «АПепйоп 15 АН Той К1еес1»...............107

"Пте Белее ТгапвГогплег: адаптация к временным рядам.109

Тетрога! Ризюп ТгапзГогтег (ТЕТ); король вероятностного
прогнозирования .................................... 110

ГИБРИДНЫЙ БЛОК: Практический чеклист — когда использовать
ТгапзГогтег .......................................  111

Глава 15. Генеративный искусственный интеллект в
финансах	112

Большие языковые модели (1_1_М):	от текста к смыслу..112

СРТ и финансовая аналитика: от текста к предиктивным факторам

Автоматическая генерация торговых идей...............114

Многоагентные системы для поиска альфы...............114

Анализ корпоративной отчётности; читатель на стероидах . . . 115

Создание интеллектуальных помощников трейдера .......116

Итог Части VI (Главы 14-15)	117

ЧАСТЬ VII. АНАЛИЗ РЫНКА С ПОМОЩЬЮ ИИ 117

От предсказания цены до чтения коллективного бессознательного
Глава 16. Прогнозирование движения цен: от
миллисекунд до десятилетий

118

Краткосрочные прогнозы (Н1дЬ Егедиепсу, от миллисекунд до
минут)...........................................  119

Среднесрочные модели (от минут до дней) ...........120

Долгосрочное инвестирование (от месяцев до лет)....121

Вероятностные сценарии рынка: искусство возможного . . . .122

Гибридный блок: код для вероятностного прогноза с 1_8ТМ . . . 123

Глава 17. Анализ настроений рынка (БепНтеп!:

Апа1у515)	124

Обработка естественного языка (М1_Р): как машина учится читатыгз

Анализ новостей: быстрее рынка на один заголовок ..126

Анализ социальных сетей: голос толпы...............127

Оценка эмоционального фона рынка: Ееаг & Сгееб 1пс1ех на
стероидах ........................................ 127

Интеграция сентимента в торговую модель............129

Итог Части VII (Главы 16-17)	129

ЧАСТЬ VIII. УГЛУБЛЁННЫЙ АНАЛИЗ РЫНКА С

ПОМОЩЬЮ ИИ	130

Когда рынок меняет кожу, а змеи остаются теми же...130

Глава 18. Распознавание рыночных режимов:
хамелеон в мире алгоритмов	131

Трендовые рынки: время трендовых стратегий.......  131

Флатовые рынки (боковик): царство контртрендовых стратегий 132

Высокая волатильность: шторм, в котором тонут слабые . . . .132

Низкая ликвидность: пустыня, где ложный шаг — смерть . . .133

Кластеризация рыночных состояний; ИИ сам находит режимы . 134

Стратегия ротации режимов .........................136
Глава 19. Обнаружение аномалий: детектор лжи и
манипуляций	136

Рыночные манипуляции: старые трюки в цифровую эпоху . . . 137

Необычные объёмы: след крупного игрока.............137

Алгоритмы поиска аномалий: от простого к сложному..138

Интеграция с торговой системой.....................139

Итог Части VIII (Главы 18-19)	140

ЧАСТЬ IX. СОЗДАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТОРГОВЫХ

СТРАТЕГИЙ	140

От разрозненных моделей к живому торговому организму , , , 140

Глава 20. Алгоритмический трейдинг нового
поколения	141

Правила построения стратегии: от гипотезы к пайплайну . . . 141

Бэктест с реалистичными допущениями .....142

Автоматизация торговых решений: когда человек не нужен . . 142

Управление сигналами: от вероятности к действию....144

Реализация торговой логики: от сигнала до ордера ..144

Глава 21. Обучение с подкреплением в трейдинге 145

Основы Пе1пГогсетеп1 Геагпгпд .....................145

Функция вознаграждения: главный рычаг управления..146

0'1_еагп1пд и Сеер О МеЪлгогкз. (ЭОИ)..............146

РРО и современные методы: политика лучше ценности.148

Практические вызовы КЬ в трейдинге ................149

Гибридный пайплайн: МЬ + К1_.......................149

Итог Части IX (Главы 20-21)	150

ЧАСТЬ X. РИСК-МЕНЕДЖМЕНТ С ИСПОЛЬЗОВАНИЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА	151

Почему управление рисками — это единственная игра, в которой
стоит участвовать  ................................151
Глава 24. Интеллектуальное управление капиталом:
от интуиции к математике	151

Оптимизация размера позиции: критерий Келли и ИИ..151

Расчёт риска сделки: больше, чем стоп-лосс........152

Адаптивный риск-менеджмент: когда рынок меняет кожу . . , 153

Глава 25. ИИ для контроля портфельных рисков 154

Уа1ие а1К15к (УаН): классика, которую переосмыслил ИИ . . . , 154

ЕхресЕеб 5КогТГа11 (Е5): когда УаН недостаточен...155

Стресс-тестирование: когда рынок сходит с ума.....155

Мониторинг системных рисков; когда падает лес , ..156

Глава 26. Предсказание кризисов и экстремальных
событий	156

Ранние предупреждающие сигналы через машинное обучение 157

Финансовые пузыри: когда рынок теряет связь с реальностью , 157

Крахи рынков: предсказание неизбежного...............157

Ранние предупреждающие сигналы панель приборов трейдера 158

Итог Части X (Главы 24-26)	159

ЧАСТЬ XI. ПРАКТИЧЕСКАЯ РАЗРАБОТКА А1-ТРЕЙДЕРА , ,

Глава 27. Инструменты современного
к вант-разработчика	160

РуНчоп для финансового анализа; почему именно он .160

ЫинпРу: кирпичики численных вычислений............161

Рапбаз: работа с временными рядами ...............162

БакгИ-еагп: классический МЬ для трейдеров.........164

Теп50гЕ1ою и РуТогсК: глубокое обучение для финансов.165

Дополнительные библиотеки, которые спасут жизнь...166

Проверка окружения: готовность к работе...........167

Глава 28. Построение первой МЬ-стратегии

168
Постановка задачи: формулируем гипотезу..............168

Подготовка данных: от сырых цен к признакам..........169

Обучение модели: йапбот ЕогезГ на практике...........170

Тестирование сигналов: от прогнозов к стратегии . ...172

Анализ результатов: почему первая стратегия не работает . . 173

Финальный чек-лист перед запуском реального робота.174

Итог Части XI (Главы 27-28)	175

ЧАСТЬ XII. БЭКТЕСТИРОВАНИЕ, ВАЛИДАЦИЯ И
РАЗВЁРТЫВАНИЕ	176

Глава 29. Бэктестинг и валидация: искусство проверки
перед битвой	176

Историческое тестирование: первый рубеж..............176

тл/а1к-Еопл/агб Апа1уз15: золотой стандарт валидации.178

Трёхступенчатый протокол А1доХрегГ...................180

Монте-Карло моделирование: когда одного бэктеста недостаточно

Борьба с переобучением...............................184

Пост-бэктест фильтры , . ............................185

Полный пайплайн валидации стратегии..................186

Глава 30. Развертывание торгового робота: от кода на
ноутбуке до системы 24/7	188

Инфраструктура: сердце робота .....................	188

Облачные сервисы: где живёт бот .....................190

Контейнеризация: воспроизводимость и изоляция .......191

Мониторинг системы...................................193

Чеклист развёртывания................................195

Итог Части XII (Главы 29-30)	196

ЧАСТЬ XIII. БУДУЩЕЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В ФИНАНСАХ	197
Глава 31. Автономные инвестиционные системы	198

Полностью автоматизированные фонды: конец эпохи
человека-трейдера  .................................198

Самообучающиеся алгоритмы: эволюция вместо обучения . . ,199

Эволюция квантовых стратегий: от статики к непрерывной
адаптации...........................................201

Собираем автономного агента из готовых компонентов . . . . 202

Глава 32. Агентный ИИ и финансовые рынки	203

А1 Адеп(з: от эксперта к автономному участнику......203

Ми1Н-Адеп1 Ргатеууогкз; симфония агентов............204

Самостоятельное принятие инвестиционных решений:
совещательный разум.................................206

Будущее цифровых трейдеров: что всё это значит для людей . 206

Архитектура многоагентного трейдера будущего........208

Что изменится к 2030 году?..........................208

Итог Части XIII (Главы 31-32)	209
Предисловие

Почему искусственный интеллект меняет
финансовые рынки

Представьте себе океан. Тысячи лет капитаны водили корабли по
звёздам. Они чувствовали ветер кожей, нюхали соль и плевали за борт,
чтобы проверить волну. Это была интуиция — древнейший инструмент
человечества для навигации в неопределённости. Каждый опытный
мореплаватель опирался на многолетний опыт, внутреннее чутьё и
способность считывать десятки сигналов от окружающей среды
одновременно. Именно так на протяжении столетий работали и трейдеры на
финансовых рынках.

Сегодня супертанкер ведёт СР5, автопилот и спутниковый интернет.
Капитан спит в каюте. Он выходит на мостик только когда машина издаёт
сигнал тревоги. Трансформация мореплавания произошла не за одну ночь —
она была постепенной, но неотвратимой. Сначала появились компасы, затем
радиосвязь, радары, и, наконец, полностью автоматизированные системы
навигации, способные обойти любую подводную скалу с точностью до метра.
Рынки переживают ровно ту же революцию, но в сто раз быстрее.

С 2010 по 2025 год доля алгоритмических сделок в акциях США выросла с
15% до 75-85%. На рынке Форекс алгоритмы контролируют почти 90%
оборота. Фьючерсные рынки практически тотально автоматизированы. Эти
цифры не просто статистика — это свидетельство фундаментального сдвига
парадигмы в том, как принимаются финансовые решения. За каждым
процентом роста стоят миллиарды долларов капитала, перетекающего от
интуитивных стратегий к алгоритмическим.

Рост алгоритмического трейдинга на рынке акций США

Рис. 1. Динамика роста доли алгоритмического трейдинга на рынке акций США
(2010 2025)
Но главное не в цифрах. Главное — скорость мышления. Человек торгует
эмоциями, паттернами и байесовским выводом «на пальцах». Искусственный
интеллект перерабатывает терабайты ленты ордеров, новостей, твитов,
погоды, движения танкеров и даже спутниковых снимков парковок УУа1таП
— за наносекунды. Это качественно иной уровень обработки информации:
там, где человек видит одну закономерность, машина видит тысячи, и
каждая из них статистически значима.

Это не просто инструмент. Это новый вид агента на рынке. У
него нет страха. У него нет жадности. У него есть только
функция потерь и градиентный спуск к прибыли.

От интуитивного трейдинга к
алгоритмическому принятию решений

В XX веке ты был трейдером, если умел читать «японские свечи»,
чувствовать толпу в яме и держать удар при просадке. Знаменитые
кричащие трейдеры в цветных куртках на полу Чикагской биржи были
символом эпохи — их интуиция, харизма и способность «читать» рынок по
выражению лиц конкурентов определяли цену активов. Трейдинг был
искусством, а трейдеры — ремесленниками, чьё мастерство измерялось не
дипломами, а размером Р&Ь.;

В XXI веке ты трейдер, если умеешь отличить переобучение модели
(оуегТФйпд) от обобщающей способности. Если можешь построить пайплайн
данных из сырого тика до признака. Если способен объяснить, почему 1.5ТМ
не всегда лучше трансформера на волатильных активах. Этот переход —
тектонический сдвиг, сравнимый с промышленной революцией:
ремесленников заменяют заводы, а интуитивных трейдеров — алгоритмы.

Эпоха	Инструменты	Скорость решений	Источники данных
XX век: Интуитивный трейдинг	Японские свечи, К51, МАСП, линии тренда	0.5 -1 секунда	Графики, новости, слухи
2000-е: Количес таенный анализ	Статистические модели, арбитраж, парный трейдинг	10 - 100 мс	Цены, объёмы, стаканы
2010-е: НЕТ и
алготрейдинг

2020-е: ИИ И
машинное
обучение

В ы сокоч а сгот н ы е
стратегии,
маркет-мейкинг

Нейросети, [чьр, вц
альт-данные

1 - 100 мкс

Наносекунды -
миллисекунды

Тики, 1ече1 2,
сделки

Спутники, соцсети,
кредитные данные

Таблица 1. Эволюция подходов к принятию торговых решений

Мы идём от эвристик (правило «если К51 больше 70, продавай») к
обучению (нейросеть сама нашла 1400 нелинейных корреляций, о которых
ты не догадывался). Этот переход фундаментален: вместо того чтобы
вручную кодировать правила, мы позволяем машине извлекать их из данных.
И чем больше данных — тем точнее становятся модели, тем сложнее
обнаруживаемые закономерности, тем дальше человеческая интуиция от
реальности рынка.

Но вот парадокс. Чем умнее становятся машины, тем дороже обходится
человеческая ошибка. В 2010 году «флэш-крэш* (НазК СгавЬ) случился из-за
того, что один алгоритм НЕТ начал охотиться за стоп-лоссами другого. За 36
минут рынок потерял триллион долларов. Человек просто стоял и смотрел,
как его портфель тает на глазах, не понимая, что происходит. Это был
момент, когда мир осознал: алгоритмы не просто помогают торговать — они
формируют саму структуру рынка, и потеря контроля над ними может иметь
катастрофические последствия.

Для кого написана эта книга

я написал её для трёх архетипов, каждый из которых представляет
значительную часть аудитории, заинтересованной в понимании новых
реалий финансовых рынков. Независимо от того, на каком уровне вы
находитесь, книга предложит инструменты и инсайты, соответствующие
вашему опыту.

Архетип	Описание  1	Что найдёт в книге
Пытливый дилетант	Читал Харари и думает; *А что, если алгоритмы станут новым божеством финансов?» Не программист,, но хочет понять суть,	История, драматургия, философия ИИ в финансах
Практикующи й аналитик / трейдер	Уже торгуешь, но чувствуешь, что МАСО устарел. Ищешь преимущество перед алгоритмами.	Технические блоки, метрики качества, примеры кода, архитектуры моделей
Учёный / студент в МЬ	Знаешь, что такое ЬаскргорадаЬоп, но никогда не применял к биржевому стакану.	Реальные кейсы, подводные камни поп-5Саиопагйу, то. про что молчат в учебниках

Таблица 2- три архетипа читателей книги

Какие навыки вы получите после прочтения

Книга построена как гибрид теоретического руководства и
практического пособия. После каждой философской главы вы будете
получать конкретный инструмент — фрагмент кода, архитектуру модели или
аналитическую методику, которую можно применить уже сегодня. Это не
книга, которую читают и забывают — это тренажёр для формирования
нового типа мышления.

1.	Будете понимать эволюцию рынков как естественный отбор
алгоритмов — где выживают не самые сильные стратегии, а самые
адаптивные.

2.	Перестанете бояться терминов: «случайный лес», «градиентный
бустинг», «сверточная сеть на временных рядах» — каждый из них
станет для вас таким же привычным, как НБ1 или МАСС.

3.	Сможете отличить НЕТ-стратегию от свинговой МЬ-модели и понимать,
когда каждая из них применима, а когда — нет.

4.	Построите (даже на коленке, в Ру11юп) простого бота, который видит
паттерн, незаметный глазу, и научитесь оценивать его результаты без
самообмана.

5.	Получите ментальную модель «трейдинга в эпоху ИИ» — когда вы не
игрок, а тренер команды нейросетей, каждая из которых
специализируется на своей задаче.
ЧАСТЬ I. РЕВОЛЮЦИЯ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
НА ФИНАНСОВЫХ РЫНКАХ

Глава 1. Эволюция трейдинга: от
биржевых ям до автономных
алгоритмов

История развития финансовых рынков:
Визуальные крики и бумажные записи

Начнём с археологии капитала. В XVII веке голландцы изобрели акцию —
Ост-Индская компания стала первым в истории эмитентом ценных бумаг,
которые свободно обращались на рынке, Трейдеры собирались на мосту
через канал Херенграхт в Амстердаме. Они кричали, толкались и рисовали
мелом на досках. Информация распространялась со скоростью лошади и
слуха — и это было достаточно, потому что конкуренция двигалась с той же
скоростью. Тот, кто быстрее узнал о прибытии корабля с пряностями,
получал преимущество, и это преимущество измерялось днями, а не
миллисекундами,

эволюция финансовых рынков; от мела до нейросетей

-•-----------------------------------------

Бнржй Последняя
№04*1 М1К 1-Ч1ЫТ*

Рис. 2. Ключевые вехи эволюции финансовых рынков

В 1980-е в Чикаго и Нью-Йорке царили «ямы» (рИз). Представьте себе
гладиаторскую арену, где вместо мечей — жесты пальцами. Открытый крик
(ореп оиЬсгу). Трейдеры смотрели в глаза друг другу. Они чувствовали страх.
Они видели пот. Они знали, кто блефует, Это было искусство, но у него были
фундаментальные пределы, заложенные самой человеческой природой:

Ограничен ие	Параметр	Последствие
Когнитивное	Человек обрабатывает 5-7 сигналов одновременно	Пропуск критических сигналов при высокой волатильности
Скоростное	Решение за 0.5-1 секунду	Упущенные возможности в быстрых рынках
Г еографиче ское	Невозможно быть в Лондоне, Токио и Нью-Йорке одновременно	Арбитражные разницы между биржами
Эмоциональ ное	Страх, жадность, усталость	Систематические ошибки в принятии решений

Таблица 3. Фундаментальные ограничения интуитивного трейдинга

Появление электронных торговых платформ:
Великое Отключение Крика

Перелом наступил в начале 1990-х. 61оЬех (Чикагская товарная биржа)
запустила первую полноценную электронную систему. Сначала все смеялись;
«Где душа? Где драйв?». Старые трейдеры не могли представить, что
машина заменит интуицию, выработанную десятилетиями. Но анонимность и
скорость победили — как всегда побеждает технология, которая предлагает
объективное преимущество. Электронные торги были честнее, быстрее,
дешевле и доступнее, Это был лишь вопрос времени.

Хронология перемен выглядит как обратный отсчёт: в 2000 году МА5ОАС?
стал полностью электронным, покончив с эпохой маркетмейкеров уровня 1, В
2005 году биржа Нью-Йорка (МУЗЕ) сдалась — гибридная система сочетала
электронное исполнение с человеческим надзором. В 2015 году крик умер
окончательно — последняя яма закрылась, и вместе с ней исчез целый мир со
своим языком жестов, своими традициями и своей уникальной культурой.

Что это дало рынку? Во-первых, время сделки упало с секунд до
миллисекунд — это значит, что сегодняшний рынок за одну секунду
переживает больше транзакций, чем рынок 1980-х за целый торговый день.
Во-вторых, появилась возможность арбитража между биржами — крошечные
разницы в ценах на разных площадках, неуловимые для человека, стали
источником миллиардных прибылей для алгоритмов. И главное — родилась
цифровая тень рынка. Каждое действие, каждый отказ, каждый стакан
ордеров стал записываться в базу данных. Рынок превратился в
информационную вселенную, И в этой вселенной не было Бога. Был только
шум и сигнал.

Зарождение количественного трейдинга: Как
физики взломали казино

Пока старые трейдеры осваивали мышь, сумасшедшие гении с РКП из М1Т
думали иначе. Они посмотрели на рынок и сказали: «Это не экономика. Это
физика стохастических процессов». Подобно тому, как физики предыдущих
поколений находили порядок в хаосе квантовых систем, эти исследователи
увидели в хаосе цен паттерны, скрытые от глаз традиционных аналитиков.

Эдвард Торп (кстати, обыгравший казино в блек-джек) первым применил
компьютеры для трейдинга в 1960-х. Его подход был революционным: вместо
интуиции — математика, вместо догадок — вероятности. Но настоящий
взрыв случился в 1980-х с появлением Пепа15эапсеТес1тпо1од1е5 под
руководством Джеймса Саймонса — математика, дешифровщика кодов АНБ.
Он нанял не экономистов, а астрофизиков, лингвистов и криптографов, Их
посыл радикален: «Рынок случаен? Отлично. Случайность — это
распределение. А распределение можно предсказать статистически».

Ряс. 3. Кумулятивная доходность МейаШоп Репе! (Непа1Б5влсе Тес11по1од1е8) уй 5&Р; 500

Они не гадали, куда пойдёт цена. Они искали неэффективности:
повторяющиеся аномалии закрытия позиций хедж-фондами в последний час
пятницы; корреляцию между формой облаков в Атлантике (влияет на
танкеры с нефтью) и ценой фьючерса через 3 дня; микро-паттерны в ленте
ордеров, которые повторяются миллисекундные доли секунды. Их секретная
формула (Мес1а11|оп Рипе!) принесла среднегодовую доходность 66% до
вычета комиссий с 1988 по 2018 год. Это лучше, чем у Баффета, Сороса и
даже чем у наркокартелей. Ни один инвестор в истории не показал такого
устойчивого превосходства на протяжении тридцати лет.

Вывод для нас: Количественный анализ доказал, что интуиция
— это всего лишь медленный байесовский вывод. А
компьютерный вывод — быстрый и на полных данных.

Роль больших данных в современной
торговле: Золото вместо нефти

К 2010 году стало очевидно: даже самая крутая нейросеть сдохнет без
корма. Рынок генерирует данные быстрее, чем любая цивилизация до нас.
Каждую секунду биржи мира производят миллионы тиков, каждый из
которых содержит информацию о цене, объёме, балансе спроса и
предложения. Но традиционные ценовые данные —лишь верхушка
айсберга. Настоящая ценность скрыта в альтернативных источниках,
которые позволяют заглянуть за горизонт отчётности компаний.

Д,ЧММЬ.1<3,	С<рвремг»м Н к-1 ММ И-ПГррИТМ<1МИ

Рис. 4. Распределение типов данных, используемых современными торговыми
алгоритмами

Какие данные «жрут» современные алгоритмы? Традиционные данные
включают цены, объёмы, стаканы ордеров, фьючерсы и опционы трёх
уровней детализации (Ьеуе1 1, Ьеуе1 2, Ьеуе1 3). Однако по-настоящему
революционными стали альтернативные данные: геолокация смартфонов в
магазинах позволяет предсказать квартальную выручку раньше
официального отчёта; спутниковые снимки парковок Атагоп показывают
загруженность логистики; количество упоминаний бренда в Нейсй! (тут вам и
6ате$1ор привет) раскрывает настроения толпы: данные о погоде
прогнозируют урожайность и цены на сырьё; и даже настроение в твитах
(5еп11теп1 апа1уы5 Ы1_Р) стало полноценным торговым сигналом.

В 2018 году хедж-фонды начали покупать данные о транзакциях по
кредитным картам. Они знают, что упал спрос на авиабилеты, за две недели
до того, как авиакомпания опубликует отчёт. Это асимметрия божественного
уровня. Как будто ты играешь в покер, видя карты соперника через рентген.
Обладание такими данными — это не просто преимущество, это качественно
иная лига конкуренции, в которой традиционные аналитики даже не
участники, а зрители.

Как ИИ изменил структуру финансового
рынка: от хаоса к кластерной войне

Итак, подведём итог эволюции. Раньше рынок был джунглями: люди с
ножами. Потом стал городом: люди за компьютерами. Сейчас это
киберпанк-арена, где алгоритмы сражаются с алгоритмами за
миллисекундные преимущества. ИИ изменил три фундаментальные вещи в
структуре рынка, и каждая из них имеет прямые последствия для любого
участника торгов.

Рис 5. Изменение источников ликвидности на рынке акций США

1.	Ликвидность стала искусственной.

Раньше ликвидность давали люди, готовые купить или продать. Теперь
50% ликвидности на 05 ЕцшНеь обеспечивают НЕТ-алгоритмы, которые
«живут» 5 микросекунд. Они создают иллюзию глубины рынка, выставляя
тысячи ордеров и тут же отменяя их. Но в момент кризиса (как в 2010 или
2020) эти «поставщики ликвидности» вырубаются за 1 миллисекунду. И вы,
как человек, стоите с вопросом: «А куда делся спред?». Иллюзия
ликвидности — одно из самых опасных последствий алгоритмизации рынка,
потому что в моменты, когда ликвидность нужнее всего, она исчезает
быстрее всего.

2.	Ценовые паттерны стали сверхкраткими.

Паттерн «голова и плечи» по дневкам для ИИ — моветон. Реальные
сигналы живут в миллисекундах и на микро-уровне: например, аномально
частое выставление лимитных ордеров на определённом уровне с
последующим мгновенным отзывом (арооТ|пд), Человек этого не видит.
Нейросеть, обученная на тиковых данных, — видит, Традиционный
технический анализ теряет свою предсказательную силу, потому что
закономерности, на которых он основан, уже «съедены» алгоритмами и
больше не работают на временных горизонтах, доступных человеку.

3.	Фрагментация рынка.

Рынок больше не единая биржа. Это сеть из 30+ тёмных пулов (дагк
роо15), 15 бирж и ЕСК1. ИИ стал «маршрутизатором» (агпаг!: огбег гоиГег). Его
задача — разбить ваш большой ордер на кусочки и разослать по площадкам
так, чтобы вы не подняли цену. Это многорукое бандитское расписание,
решаемое методами обучения с подкреплением (К1_). Фрагментация создаёт
новые возможности для арбитража, но одновременно усложняет задачу
получения единой картины рынка — Ье5( ехесибоп становится всё более
сложной оптимизационной задачей.

Сравнение скорости реакции: человек уб алгоритм

Время	(ЛОГЯрифмНЧ»СК*Я

Рис. 6. Сравнение скорости реакции человека и торговых алгоритмов

Практикум: Техническая
практика к Главе 1

Философия понятна. А что делать конкретно? Как инвестору, трейдеру
или аналитику перестать быть мамонтом и стать киборгом? Вот три
немедленных действия, основанных на содержании Главы 1. Каждое из них
можно выполнить сегодня, без специальных знаний программирования.

Навык 1. Убейте в себе «интуитивного трейдера» на
бумаге

Возьмите свои 10 последних сделок. Рядом с каждой напишите: «Какие
данные я использовал?». Если ответ «чувство», «новость», «график выглядит
бычьим» — это ненадёжно. Переформулируйте в гипотезу; «Если цена
закрытия выше 5МА(200) на часовках и объём растёт 3 свечи подряд, то
через 12 часов цена идёт вверх с вероятностью 60%». Это не торговая
стратегия. Это начало количественного мышления — самый важный первый
шаг от интуитивного трейдинга к системному. Записывая гипотезы, вы
превращаете неформализованные ощущения в проверяемые утверждения,
которые можно тестировать, оптимизировать и улучшать.

Навык 2. Скачайте свой первый «не-человеческий»
датасет

Пойдите на Кадд1е или Оиапф. Найдите набор данных: «]РМогдап Т<ск
Эа^а» (10 дней тиковых сделок) или «115 Тгеавигу у1еШ5 весоий-Ьу-весопс!».
Загрузите в Ру1Ьоп и почувствуйте масштаб данных, с которым работают
алгоритмы каждую секунду:

1траг1 рапс1а5 аз рс1

й Проста посмотрите на объём данных за 1 минуту

Ыск_йа1а = рй.геай.с&уС’Иск&.сйу’1)

рг1н1(11ск_с1зЪа.Г|&ас1()3

рг1иЬ(1!||За 1 час торгов: {1еп(11ск_с1аи)} строк-1)

й Человек сходит с ума от такого потока. А нейросеть — нет.

Этот простой шаг — ваше первое знакомство с тем, что видит алгоритм.
Десятки тысяч строк за один час торгов — это реальность, в которой машина
чувствует себя как дома, а человек теряется уже на сотой строке. Осознание
этого разрыва — первый шаг к пониманию, почему алгоритмы неизбежно
вытесняют интуитивных трейдеров.

Навык 3. Поймите свою скорость

Загуглите «Нигпап геасбол Ьте Пройдите тест. Ваша средняя
реакция — 250-300 мс (если вы крутой). Теперь загуглите «ЕРбА ГгаФпд
1аГепсу». Современные алгоритмы на ПЛИС реагируют за 300 наносекунд.
Осознайте разрыв: 300 мс против 300 нс — это в 1 000 000 раз медленнее.
Вывод: вы никогда не переиграете НЕТ в скорости. Ваша игра — на более
долгосрочных закономерностях (минуты, часы, дни], где ИИ ищет скрытые
корреляции с помощью Каидот Гогее»:, Ь5ТМ и других моделей машинного
обучения. Скорость — не ваше преимущество, но глубина анализа и
понимание контекста — ещё могут быть.

Участник	Время реакции	Сравнение
Человек (среднее)	250 - 300 мс	Базовая линия
Человек (лучший)	150 мс	™2х быстрее среднего
НРТ(РРСА)	300 нс	~1 000 000х быстрее человека
НЕТ (оптоволокно)	80 нс	—3 000 000х быстрее человека

Таблица 4. Сравнение времени реакции: человек НЕТ-алгоритмы

Задание на подумать

Если завтра все трейдеры исчезнут, а останутся только
алгоритмы, перестанут ли цены отражать «ценность» активов?
Или рынок превратится в замкнутую игру, где деньги
перетекают от одного байта к другому?

Резюме Главы 1

Рынок прошёл путь от мела на доске до матрицы из терабайтов. Ваша
интуиция противна статистике. Количественный трейдинг (и особенно
машинное обучение) — это не хайп и не временный тренд. Это единственный
способ выжить в мире, где ваш соперник не спит, не боится и считает
быстрее вас в миллион раз. Каждый год промедления с освоением этих
технологий увеличивает разрыв между вами и алгоритмическими
конкурентами. Но есть и хорошая новость: вам не нужно бить алгоритмы на
их поле. Вам нужно понять их логику и найти те ниши, где человеческий
контроль и стратегическое мышление всё ещё незаменимы.

Дальше -- больше. В Главе 2 мы разберём, почему нейросети не магия, а
просто «многослойная линейная алгебра на стероидах», и построим самую
первую модель предсказания цены — которая не заработает. И это будет
лучший урок в вашей жизни, потому что неудача — это самый быстрый путь к
пониманию того, как реально работают рынки и модели машинного
обучения.

Глава 2. Что такое искусственный
интеллект в трейдинге

Искусственный интеллект, машинное
обучение и глубокое обучение: Матрёшка
смыслов

Прежде чем мы нырнём в глубину, расставим термины. В массовой
культуре «А1» — это магический эликсир, решающий любую проблему. 8
реальности — это жёсткая иерархия, где каждый уровень вложен в
предыдущий, как куклы в русской матрёшке. Понимание этой иерархии —
ключ к тому, чтобы не питать иллюзий относительно возможностей каждой
конкретной технологии и не разочаровываться, когда «ИИ» не оправдывает
завышенных ожиданий.

Мп|р«шкп к^нм лом ± А1 2- МЬ 1-	кеш н1и

Рис. 7. Иерархия А1/М1УОеер Ьеагптд: матрёшка смыслов

Самая большая кукла — Искусственный интеллект (А1). Любая
программа, которая ведёт себя "умно". Даже шахматный Оеер В1ие 1997 года
— это А1, хотя он не обучался, а просто перебирал миллионы позиций. Внутри
— Машинное обучение (МЬ). А1, который не программируется явно, а
учится на данных. Вместо «если цена выше 100, то продай» мы даём миллион
примеров и говорим: “Найди сам закономерность". В самой глубине —
Глубокое обучение (Оеер 1еагп!пд) Нейросети с множеством слоёв. Это
те самые монстры, которые обыгрывают чемпионов в Со и генерируют лица
несуществующих людей.
Для трейдинга разница критична. Классический А1 в 1990-х представлял
собой экспертные системы; "Если Д51 меньше 30 и МАСЦ даёт пересечение,
то купить". Эти правила создавались аналитиками и работали, пока рынок
был послушным. Машинное обучение (2000-2010) принесло линейную
регрессию, деревья решений, случайный лес — вы даёте признаки (объём,
волатильность, день недели), а алгоритм подбирает веса. Глубокое обучение
(2015 — сейчас) — это сверточные сети (СЫМ), ищущие паттерны в матрицах
цен; рекуррентные сети (1_8ТМ, трансформеры), помнящие
последовательности; они видят то, что не видят ни человек, ни простая
регрессия.

Аналогия Харари: Если рынок — это Библия, то классический А1
— это буквальный закон Моисея. Машинное обучение — это
талмудический анализ каждого стиха. А глубокое обучение —
это чтение не слов, а молекул чернил на пергаменте, чтобы
предсказать следующую букву до того, как её написал писец.

Отличия А1 от классического
программирования: Когда кофе сам находит
сахар

Привычный нам код — это диктатура. Вы, как диктатор, говорите
компьютеру: "Делай так. Потому что я так сказал". Если рынок изменится,
ваши правила сломаются. Машинное обучение — это демократия с
переобучением: вместо правил вы даёте примеры, и алгоритм сам выводит
закономерности. Но если вы даёте 10 000 примеров, он может найти
удивительное: "Если вторник, луна в скорпионе, а объём меньше 1000, то
лучше не торговать".

ч Классическое программирование

И со г гоп ирг! се > тоутпд.ауегаде:
геЪигп "ШЛ"
е!зе:

ге1игп ,ГЗЕ1Л"

й М1_-подход (логистическая регрессия)

Г™ зк1еэгп.1!пеаг_п10(1е1 1трог1 кодтЕисЙедгеезтоп
гос1е1 = 1од1в1!с1?едге581оп()

ойеТ.НЦХЛгай!, у„кга1п)

ргоЬ.ор = тойе1.ргей1с1^ргоЬа([[1.5]))[0][1 ] # = 0.70

И Модель говорит "70Й",. а не жёсткое "купло/лродам"
Ключевое отличие: классический код предсказуем — ошибка это баг.
МЬ-модель вероятностна — ошибка это встроенное свойство. И это пугает
трейдеров с опытом. Но как отмечает Нассим Талеб: МЬмодель, которая даёт
точность 55%, может сделать состояние, если ошибки симметричны, а
хвосты распределения контролируемы. Трейдер, который требует 99%
точности — никогда не заработает, потому что таких правил на рынке не
существует.

Основные направления применения ИИ на
бирже: Поле битвы

Куда именно направлены эти цифровые псы? Существует пять ключевых
направлений, каждое из которых имеет свою зрелость, надёжность и
потенциал прибыли. Важно понимать, что гламурные направления не всегда
самые надёжные, а скучные — часто самые прибыльные.

Направления применении ИИ на биржей прибыль надёжность

Рис. 8. Направления применения ИИ на бирже: потенциал прибыли надёжность

1.	Предсказание направления цены (наиболее
гламурное» наименее надёжное)

Модель смотрит на прошлое и говорит: "Через час цена будет выше на
0.05%", Проблема: рынок любит менять правила, Вы можете переобучить
сеть под идеальный бэктест, а в реальности она сольётся за две недели. Это
самое популярное, но и самое опасное направление — именно здесь
начинающие теряют деньги, обманутые красивыми результатами на
исторических данных.

2.	Анализ настроений (5еп11теп1 Апа1уя1з) — "Читаем
мысли толпы"
М1_Р-модели (ВЕНТ, ОРТ) сканируют Тмйег, Кес1с1Н:г заголовки В1оотЬегд за
миллисекунды. Хедж-фонд т^о Эд та в 2017 году запустил фонд, читающий
новости ФРС быстрее, чем любой человек. Он искал расхождения между
"голубиными" словами и ястребиными действиями. Это направление
сочетает скорость обработки текста с количественным анализом
тональности, превращая неструктурированную информацию в торговые
сигналы.

3.	Оптимальное исполнение ордеров (Ехесийоп) —
"Спрятать слона в посудной лавке"

Если вам нужно купить 1 млн акций Арр1е, вы не можете просто нажать
"купить" — цена улетит в космос. Р1_ (обучение с подкреплением} учится
разбивать ордер на тысячи кусочков и отправлять их в тёмные пулы, на
биржи и ЕСЫ так, чтобы минимизировать проскальзывание (зНрраде). Это как
если бы вы попросили муравьёв перенести сахар по одной крупинке, пока
хозяин кухни спит.

4.	Управление рисками и стресс-тестирование (самое
полезное)

Генеративные модели (САМ) создают синтетические, но реалистичные
кризисы, которых ещё не было в истории. "Что, если ЫА5ОАО упадёт на 30%
за час? Как поведёт себя наш портфель?" ИИ моделирует 10 000 сценариев
"чёрного лебедя", пока человек пьёт кофе, Это направление — самое зрелое
и наиболее надёжное с точки зрения практической ценности.

5.	Арбитраж и высокочастотная торговля (НЕТ)

Здесь ИИ минимален — обычно используют жёсткую логику на РРОА. Но
некоторые фонды применяют обучение с подкреплением для "охоты за
ликвидностью" — алгоритм учится предугадывать, куда другой алгоритм
выставит свои ордера. Это эволюционная гонка вооружений, где каждая
миллисекунда преимущества стоит миллионы.

Возможности и ограничения современных
моделей: Дыхание бога и проклятие дрейфа

Возможности (реальные, не маркетинговые):

Обнаружение нелинейностей. Человек мыслит прямыми линиями. А
рынок — это спирали, фракталы, аттракторы. Нейросеть с функцией
активации КеШ может аппроксимировать любую кривую. Там, где человек
видит случайный шум, модель обнаруживает закономерность с
статистической значимостью.

Многомерный анализ. Человек может следить за 3-4 индикаторами.
Нейросеть может съесть 2000 признаков и найти корреляцию между погодой
в Бразилии и волатильностью бразильского реала. Это преимущество
масштаба, недоступное человеческому мозгу ни при каких условиях.

Автоматический фич-инжиниринг (Геариге кеагтпд). Раньше вы сами
придумывали ''среднюю свечу'1 или "импульс". Глубокое обучение само
создаёт иерархические признаки из сырых данных: первый слой сети учится
видеть "локальные тренды", второй — "голову и плечи", третий — "сложные
кластеры". Это значит, что вам не нужно быть экспертом в техническом
анализе — сеть сама извлечёт паттерны, если они есть.

Переобучение: главный враг М1_-трейдера

Рис. 9, Переобучение (оиегбнидГ модель запоминает прошлое, но не понимает будущего

Ограничения (больно, но честно):

Нестационарность (Ыоп-агаНопагНу} — главный враг, в классическом
М'1_ мы верим, что данные взяты из одного распределения. На рынке
распределение меняется каждую секунду. Модель, обученная на спокойном
2022, сдохнет в волатильном 2024, Решение — постоянное дообучение (опНпе
1еагп1пд), но это риск: модель может быстро адаптироваться к шуму вместо
сигнала.

Переобучение (ОуегТ|1Т1пд) — когда модель знает историю наизусть, но
не понимает будущего, признаки: на обучающей выборке точность 99%, на
тестовой — 45%. Это значит, модель запомнила случайности прошлого, а не
реальные закономерности. "Я создал модель, которая идеально
предсказывает закрытие 5РТ в 2023 году. Проблема — сегодня 2025-й".

Катастрофическое забывание. Если вы доучиваете модель на новых
данных, она может забыть старые важные паттерны, Это как учить новый
язык и забыть родной. Баланс между сохранением знаний и адаптацией к
новым условиям — одна из главных открытых проблем М1_ а финансах.

Отсутствие причинности. Нейросеть может найти, что рост продаж
мороженого коррелирует с падением рынка (потому что летом все в отпуске
и торгуют меньше). Но она не знает причин, и однажды корреляция
сломается. Понимание разницы между корреляцией и причинностью — то,
что отличает профессионального риап1-аналитика от любителя.

Мифы об искусственном интеллекте в
инвестициях: Разрушаем идолов

Рис. 10. Мифы Реальность: ожидания об ИИ в инвестициях

Миф 1. "ИИ предсказывает будущее". Нет. ИИ экстраполирует
статистические закономерности из прошлого. Если будущее будет
принципиально иным (новая пандемия, война), модель ослепнет. Как
ослепли все модели перед СОУЮ-19. Надёжность ИИ ограничена
историческим горизонтом обучающих данных.

Миф 2. "Роботы заменят трейдеров через год". Заменят, но не всех.
Исчезнут "нажиматели кнопок". Останутся: тренеры данных (строят
признаки), инженеры рисков (контролируют дрейф модели), торговые
психологи (объясняют алгоритмам иррациональность людей), и те, кто
отключает алгоритмы во время флэш-крэшей. Человеческий контроль не
исчезает — он меняет форму.

Миф 3. "ИИ всегда объективен". ИИ — зто зеркало ваших данных. А
данные содержат ваши Ь)а5. Если история показывает, что "женщины-СЕО
хуже управляют” (статистическое искажение), ИИ это выучит и начнёт
штрафовать акции таких компаний. Вы получите сексистский алгоритм. Это
реальная проблема этики в циап1-финансах, которая уже приводит к
судебным искам и регуляторным проверкам.

Миф 4. "Модель с низким ЗЬагре гаНо бесполезна". 51эагре 0.5 - это
50% годовых при волатильности 100% (крипто-трейдинг). Но если добавить
кредитное плечо и корреляцию с другими моделями, можно получить золото.
Миф основан на непонимании композиции портфеля стратегий.

Практикум: Техническая
практика к Главе 2

Навык 1. Увидеть разницу между классическим
правилом и МЬ

й Классическое правило (бедный трейдер)

сЫ с1а551с_51гаЬеду(рг1се, та):

ге1игп "811?11 Н рг!се > та е1ае !15ЕЫМ

й Простая МЬ-модель (логистическая регрессия)

1Тот 5к1еагп.11пеаг_тас1е1 1трог1 1од15^1сйедге&Е1оа

1трегЪ пиару аз пр

X = пр.аггау([2г 1, -1, -2, 8.5Т -0Л])- гезНаре(-1,1)

у = пр.аггау([1, 1, 0г 0, 1, 0])

трс1е1 = 1од1?исКедге$з1(]п()
у)

ргоЬ-Цр  та«1е1фгвс11с1_ргоЬа([[1-5]])[0][1]

ргхп и вероятность роста; {ргоЬ.ир; >2Н*’) * 0-70

Вывод: модель говорит "70%”, а не жёсткое "куплю/продам". В этом сила
— вы можете управлять риском, устанавливая порог вероятности для входа в
сделку, и размер позиции пропорционально уверенности модели-

Навык 2. Диагностика переобучения

Ггот 5к1еагп.епзеаЫе 1трог1 РапйотЕогезШаЕзШег

Угот 8к1еагп.пюйе1.8е1ес11оп жтрогЪ €гэ1л.1е81.8рИ1;

Ггот зкТеагп.теШсй 1трогЬ ассигасу^всоге

пр., гапйот. 5еег1( 42)

X = пр.гапйот.гапйп(1000, 20) й 1ЙЙ0 наблюдений, 20 признаков

у = (лр.галс101ПигагиЦ1000) > 0.5).аз1уре(1лЪ) й случайные метки

Х_1га1пр Х_1ез1р у_1га1п, у_Ьез1 = 1га1п_1е51_&рШ(Хр у, 1е51_512е=0.3)

яос1е1 = Рапс1отГогез1;С1а551Нег(п_е5ииа1ог5=100, тах_йерУ1=10)

пойе 1. Н Ц Х_ 1га 1п, у_ I га 1 л)
ргтЦР'Тгагп: {ассигасу_зсоге(у_1га1ля тос1е1.ргеб1с1(ХДга1п)): .ЗГ}11) #1.0
рг1п1(€||Те81;: {ассигасу_йсоге(у_1е51р дойе1.ргесИс1(Х_1е51)): .30") # 0.48
й Классическое переобучение! На рынке вы бы потеряли осе деньги.

Домашнее задание

1.	Возьмите любой временной ряд (ЕЦК/1150, Биткоин, акции),

2.	Постройте две модели: линейную регрессию и случайный лес.

3.	Оцените ассьгасу на отложенной выборке.

4.	Если ассигасу больше 55% — вы либо гений, либо переобучились.
Проверьте ещё раз.

ИИ в трейдинге — это не замена ума, а костыль для внимания.
Он позволяет видеть больше, но не гарантирует правильность.
Ваша задача как трейдера — не доверять модели, а строить
систему, где модель — лишь один из голосующих советников.

Глава 3. Архитектура
интеллектуальной торговой
системы

Теперь, когда мы знаем, что А1 — это капризный математический зверь,
настало время построить для него клетку, поводок и намордник.
Архитектура торговой системы — это не просто "код, который покупает и
продаёт1'. Это конвейер, который превращает сырой хаос биржевых тиков в
дисциплинированный поток сделок. Представьте себе современный завод:
сырьё течёт по ленте (данные), роботы (модули) делают свою работу, не зная
о других, система безопасности (риск-менеджмент) может в любой момент
нажать "стоп'', и есть пульт управления (мониторинг), где горит красная
лампа, если что-то пошло не так.
Рис. 11. Архитектура интеллектуальной торговой системы;: шесть слоёв

1.	Источники данных: Корм для монстра

Модель настолько умна, насколько умны её данные. Плохие данные —
гениальная модель сольётся в ноль. Категории данных включают рыночные
(1_еуе1 1: последняя цена, лучший бид/аск, объём; 1_еуе1 2: весь стакан
ордеров; Ьеуе1 3: потоки отмен и модификаций ордеров — гигабайты в
секунду), фундаментальные (отчёты компаний, макроэкономические
индикаторы), альтернативные (спутниковые снимки, геолокация, 6оод1е
Тгепдз, настроения в соцсетях) и справочные (календарь событий,
дивиденды, сплиты).

К Л ТС 1-0 г» И и ДПНМЫХ для торговой 1Л«^-Г«75ГЛ

Рыночные

Рис. 12. Категории данных для торговой системы

Главная ловушка — асинхронность Цена акции приходит каждую
миллисекунду, а отчёт по безработице — раз в месяц. Нейросеть запутается,
если просто склеить ряды. Решение: нарезка (гезатрПпд) с единой
временной сеткой (например, 1 секунда) с проставленными тегами
"новость_вышла". Без этого шага даже лучшая модель будет получать
противоречивые сигналы и принимать ошибочные решения.
2.	Обработка рыночной информации: От
мусора к золоту

Это самый грязный и самый важный этап. 80% времени
профессионального диап1-аналитика уходит сюда. Шаги обработки включают
очистку (удаление выбросов, например цена -999$, пропусков, дубликатов),
нормализацию (цена акции может быть $10 или $1000 — нейросеть любит
масштаб [0,1] или [-1,1], используют М1пМах5са1ег или 2-&соге) и РеаШге
Епд1пееппд — создание признаков.

ЕеаШге Епд1пееппд включает технические индикаторы (В51, МАСО,
Боллинджер), лаги (цена 1 шаг назад, 2 шага назад), разности (геГигп =
(рпсе(1] - рпсе(1-1 ))/рпсе[1-1]), скользящие статистики (волатильность за
последние 20 периодов) и категориальные признаки (день недели, час, был
ли сегодня “крупный ордер"). Инсайт: признак "время до закрытия опционов"
часто несёт больше информации, чем сама цена.

3.	Модуль прогнозирования: Сердце, которое
бьётся нерегулярно

Здесь живёт обученная модель (или ансамбль моделей). Она получает на
вход вектор признаков и выдаёт прогноз: классификация ("С1р'7"Ооууп" через
5 минут), регрессию ("Ожидаемая доходность = 4-0.03%"), вероятность
("Вероятность роста >2% = 15%") или множественный вывод (одни модели
предсказывают направление, другие — волатильность).

Архитектура ансамбля рекомендована для реальной торговли: не
доверять одной модели. Иметь ХбБоозЬ (градиентный бустинг) для
табличных признаков, 1_5ТМ для последовательности последних 100 свечей,
линейную регрессию как базовую линию. Комбинировать их через стекинг —
вторая модель, которая учится весам первых. Модель должна переобучаться
в реальном времени (онлайн-обучение), но осторожно, чтобы не схватывать
шум.

4.	Система управления рисками: Намордник и
аварийный тормоз

Самый умный алгоритм в мире станет самоубийцей без правил риска.
Система риска стоит над модулем прогнозирования и может: отклонить
сигнал модели, закрыть все позиции, уменьшить размер сделки. Ключевые
компоненты: УаК (Уа1ие а! Я|5к) — максимальные ожидаемые потери за день
с вероятностью 95%; ограничения на концентрацию (не более 5% капитала в
одной акции); 51ор-1оз5 динамический (закрыть позицию, если просадка > 2 *
АТК); риск корреляции (если модели одновременно сигналят на покупку
акций нефтянки и автопрома — стоп, вы ставите на один макро-фактор).

Рис. 13. Управление рисками: УаН и максимальная просадка

Философия Талеба: Хороший риск-менеджмент не делает
прибыль гладкой. Он делает так, чтобы вы остались в игре
после "чёрного лебедя". Модель может ошибаться 100 раз
подряд, но капитал не должен уйти в ноль.

5.	Торговый движок: Руки, которые берут
деньги

Этот модуль транслирует решение "купить 100 акций" в реальный приказ
на биржу. Преобразование сигнала в ордер: спрогнозирована доходность
+0.5% — отправить 1_1М1Т ордер чуть ниже текущего аска; спрогнозирована
высокая волатильность — отправить МАЙКЕТ ордер (немедленно).
Управление очередью: не выставлять все 1000 акций одной заявкой,
использовать НАГАР или \ЛЛ/АР. Маршрутизация (Зтаг! Огс1ег Ноийпд): делить
ордер между биржами, выбирая лучший доступный спред. Каждая отправка,
отмена, исполнение пишется а базу для анализа проскальзывания.

6.	Мониторинг и контроль решений ИИ: Око
Саурона над алгоритмом

Вы запустили систему. Она торгует месяц. Прибыль есть. Но вы спите
тревожно — вдруг модель сошла с ума? Что контролировать: дрейф данных
(изменилось ли распределение входных признаков), дрейф концепции (упала
ли точность модели на реальных новых данных), метрики
производительности (ЗКагре гайо, максимальная просадка, нллп гаГе по
скользящему окну), аномалии (модель вдруг начала выдавать 100 "ВКУ"
сигналов подряд — аларм!).

Аварийные отключатели (К! II 5ил1с1те5): автоматический — если просадка
капитала за час > 2%, закрыть всё; ручной — большая красная кнопка на
телефоне. В 2013 году алгоритм КпндЫ: Сарка! из-за бага за 45 минут
наторговал убытков на $460 млн — у них не было аварийного отключателя. У
вас он будет.

Практикум: Архитектура и
реализация к Главе 3

Минимальный код гипотетической системы

с1аза 1п1е114депН

ЛеГ __1пК_(&еН, тоЛе!р г15к_таладег, Ьгокег_ар1):

5еИ.пос1е1 = яос1е1

веИ.гйк = йЕк_иападег
зеРГ.Ьгокег = Ьгокег_ар1

ЙВ17 оп_пе^_тагке1;_с1а1э(Ее1Г11 Иск):

^&э1игй$ = ей И. ЬиИс1_ Геариге й (Нек)

ргасНсИйп = 8еН.тос1&1 .ргвсЯс1(^еа1игез)

ро$Шйп_$1ге = $б11!.г1$к.са1си1аи_рО&Н1ОЛ_812е(
ргесИсШл,. сиггвпЪ_сар1Ш)

И	> 0 $пс1 ргес!1С^1сг|[|,рГйЬ_ир|г] > 0.6:

огЬвг  {

ЧутЬоГ: Нск^увЬо!, М^11: 'Ж,
"ЧиагШу"; ро5Шоп_51гер

Чуре"; "11М1Т% "ргке"; Шк.азк * 0.999

}

зеИ-Ьгокег,р1асе_огс1ег(оп1ег)

И ее И.п зк.сЬес к_ет егдепсу_ з Ъор О:
5 е1 Ь гоке г, с эпсе 1 „а 11 „о гс(е гз О

Реальное задание для читателя

1.	Возьмите любую брокерскую песочницу (А1раса, Оапба, В1папсе
^ез1пе1).

2.	Реализуйте простую систему: данные - признаки - модель - отправка
лимитного ордера.

3.	Добавьте элементарный риск: не более 2% капитала на сделку.
4.	Запустите на неделю исторических данных (бэктест), Сравните с
"купить и держать".

5,	Вы увидите: система с проигрышами, но контролируемыми рисками,
часто обгоняет интуитивного трейдера.

Итог Части I (Главы 1-3)

Мы прошли путь от кричащих ям до распределённых нейросетей. Мы
разорвали миф об "ИИ-всемогуществе" и заменили его инженерной
реальностью: переобучение, дрейф, нестационарность, риск. И мы построили
архитектуру живого организма, который может торговать, пока мы спим.

Ваша новая ментальная модель:

Рынок — это не казино. Это эволюционная среда, где лучшие алгоритмы
пожирают худшие. Выживают не самые сильные стратегии, а самые
адаптивные.

ИИ — не оракул. Это асимметричный нож: он может дать преимущество
в 51%, но без риска и мониторинга он убьёт вас. Ваша задача — не
максимизировать прибыль, а оставаться в игре.

Вы не заменяете себя машиной. Вы становитесь тренером цифровых
гладиаторов. Ваша ценность — не в скорости реакции, а в способности
строить системы, контролировать риски и понимать, когда модель
ошибается.

В следующей части (Часть II) мы погрузимся в кровавую математику:
градиентный спуск, функцию потерь и то, как нейросеть учится на своих
ошибках. А потом — в реальные кейсы: от нефтяных танкеров до
крипто-арбитража. Готовьте терминал. Мы запустим первого бота.

ЧАСТЬ II. ДАННЫЕ - ТОПЛИВО
ДЛЯ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
Глава 4. Финансовые данные как
основа машинного обучения

Представьте, что вы печёте хлеб. Мука, вода, соль, закваска. Но если
мука гнилая, вода из лужи, а соль — песок, никакая духовка не спасёт. Так и
в М1_: самая гениальная архитектура трансформера сдохнет на мусорных
данных. И наоборот, простая линейная регрессия на качественных,
очищенных данных может приносить прибыль годами. Это фундаментальный
принцип, который многие новички игнорируют, устремляясь к сложным
моделям вместо качественной подготовки данных.

Золотое правило диапС-аналитика: "Проведи 80% времени на
подготовку данных и 20% на игру с моделями. Тогда первые
20% не превратятся в 100% потерь."

Рыночные данные и их виды

Рыночные данные — это сырая нефть финансового мира. Они бывают
разной плотности и качества, и понимание этих уровней — ключ к
правильному выбору данных для вашей стратегии. Три уровня плотности
можно сравнить с атмосферой планеты: от разреженного воздуха до
стратосферы безумия.

Три уровня плотности рыночных данных

1
ГПскег}

Ддмын Щ»

Щ-:рММ-Ч-Т*к*КТ»-. 2ФЧ

ЬМ №«К
^вчкммч’пмиоггь; т[гч

кв^ч1з

(Ги11 Огйвг Цпок)

ил1 иметь »<ь

|ШСМк

Рис. 14, Три урозня плотности рыночных данных

1_еуе1 1 (Тккег) — Разреженный воздух. Это то, что вы видите в обычном
торговом терминале: последняя цена (1а5Г), лучшая цена покупки (Ыс1),
лучшая цена продажи (азк), объём последней сделки. Плюсы: мало места,
легко анализировать. Минусы: вы не видите, что происходит в глубине. Это
как знать только температуру на улице, но не видеть облака.
1_еуе1 2 (МагкеЬ Ьу Огс1ег) — Густая тропосфера. Весь стакан ордеров на
10-20 уровней. Бы видите, сколько акций стоит купить по 100.01, сколько по
100.02 и так далее. Плюсы: можно увидеть накопление крупных лимитных
ордеров (стены), спуфинг (ложные ордера). Минусы: объём данных растёт
экспоненциально — за один час на активной акции может быть 50 млн
изменений стакана.

кеуе! 3 (Еи11 Огйег Воок) — Стратосфера безумия. Каждое действие
каждого участника: выставление, изменение, отмена, исполнение, с тегами
(кто выставил — брокер). Доступен только крупным игрокам (например,
через Ма5с1ад ТоГаМеи)- Плюсы: вы видите игру на микроуровне, можете
ловить паттерны типа "1сеЬегд огдег бе^есбоп". Минусы: терабайты в день,
нужны ЕРСА и С++.

Аналогия Митио Каку: 1_еие1 1 — это видеть звёзды на небе.
1еуе1 2 — видеть траектории комет и астероидов. 1_еуе1 3 —
читать мысли каждого атома в космосе.

Исторические котировки: Летопись рыночных
баталий

Это самый доступный вид данных. Каждая свеча (минутная, часовая,
дневная) — это сжатая битва между быками и медведями. Структура ОН1_СУ
(Орел, Н|дЬ, 1_о*у, С1о5е, Уо1ите) — стандарт де-факто в финансовом анализе.
Однако этого недостаточно для хорошего М1_, поскольку ОНЕСУ теряет
информацию о внутри периодной волатильности и порядке тиков. Две свечи с
одинаковыми ОН1_СУ могут быть полностью разными: первая — цена плавно
выросла от О до С, вторая — скакнула вверх, упала вниз, потом снова вверх.
Разная микроструктура порождает разные торговые последствия.

Решение: использовать тиковые данные (каждая сделка) или свечи
нестандартной агрегации — например, по объёму, а не по времени
("тик-свечи” по 1000 сделок). Такой подход позволяет сохранить
информацию о реальной активности рынка, а не о произвольных временных
интервалах.

Биржевой стакан и поток ордеров: Микроскоп
для НРТ
Если вы хотите торговать на горизонте миллисекунд или минут, вам
нужен Огйег Ноуу. Это не просто стакан, а динамика стакана. Какие признаки
извлекают: дисбаланс лимитных ордеров (1плЬа1апсе) — отношение объёма на
покупку к объёму на продажу на лучших 5 уровнях: скорость съедания
стакана (огйег Ьоок ие1осКу); спуфинг — выставление крупного лимитного
ордера, который отменяется за микросекунды до его исполнения; 1сеЬегд
огс1ег5 — крупные ордера, разбитые на мелкие видимые части.

Как М1_ использует поток ордеров: сверточные нейросети (СМИ)
обучаются на "снимках" стакана как на картинках, находя пространственные
паттерны. 1_5ТМ — временные зависимости в потоке отмен и выставлений.
Предупреждение: рынки Форекс и крипто часто не имеют централизованного
стакана, поэтому для акций и фьючерсов эти методы работают значительно
лучше.

Макроэкономическая статистика: Голос
божества

Это данные, которые двигают рынки раз в месяц, но сила их огромна, ФРС
публикует ставку — мир трясётся. Отчёт по Моп-Рагт РаугоПз ^РР) —
валютный рынок скачет как ужаленный. Типы макро-данных: рыночные
ожидания (РогесаьО — то, что заложено в цену до публикации; факт (АсСиа!)
— реальное значение; шок (5игрпзе) = (Ас1иа1 - ЕогесазГ} / Еогесазк Именно
шок двигает рынок.

Рис. 15. Влияние макроэкономических шоков на рынки

проблема для МЬ: макро-данные выходят нерегулярно, с задержками и
пересмотрами. Их нельзя просто склеить с минутными ценами. Решение:
создать бинарные переменные “был ли шок > 1 сигмы" за последние 24 часа:
использовать фактор времени — за 1 час до публикации МЕР волатильность
падает (все замирают), за 1 секунду после — взрывается. Как отмечает
Талеб: макроэкономика — это псевдонаука, но рынки верят в неё. Поэтому
МЬ, моделирующий веру рынка в макро-цифры, может зарабатывать, даже
если сами цифры бессмысленны,

Альтернативные данные: Новый нефтяной
Клондайк

С 2015 года наступила эра "альтернативных данных". Это всё, что не
цены и не объёмы. Раньше они были доступны только хедж-фондам с
бюджетом как у МА5А. Сейчас — понемногу и для розницы. Спутниковые
снимки позволяют подсчитывать машины на парковке УУа1таг1: за неделю до
отчёта о продажах (корреляция с выручкой — 0.92). Геолокация смартфонов
показывает трафик посетителей ресторанов МсОопа1сГ5. ЗепЬтепС-анализ в
соцсетях предсказал ралли Сате51:ор 2021 года. Данные о кредитных картах
опережают квартальные отчёты на 2-4 недели.

Альтернативные данные: силе из доступность

Рис. 16. Альтернативные данные: предсказательная сила уз доступность

Ограничения, альтернативных данных: они дорогие (тысячи долларов э
месяц), часто зашумлённые и с большими пропусками, могут потерять
предсказательную силу, когда о них узнают все. Стратегия для частного
трейдера: не гонитесь за спутниками — используйте бесплатные
альтернативные данные: 6оод1е Тгелёз, Т^/1йег АР1 (ограниченно), новостные
ленты с бесплатными ключами.

Практикум: Работа с данными к
Главе 4

Скачивание и визуализация данных
1шрйг1 уНпапсе за у!3
1ййрог1 рзпйаз аз рй

й 1_е^1 1: исторические дневные данные

аар! = у?.сЫШ^сЦ "ДАРС11, $гэгЪ«и2024-01-0111, епсН20г4-12-01м)
ргхпи^зрЪНеаЬО)

й Визуализация объёма и цены

Р1дг (а»1, ах2) = р1^.$иЬр1ои(2? Ъ ?1дз1гвя(12,3))

ах1 ,р1оЪ(аэр1[||С1озе11] ± 1аЬе1*||С1о5е11)

з*2.Ьаг(еар1 Лпбеха зар1["Уоктв"])

рИ.зЬоиО

Распознавание спуфинга (концептуально)

(1еГ 15_5рсо^1пд(огйег_еуеп1а, И1ге5^оМ_1Л&=1ЙЙя 512е_Шев11о1с1=1000):

111111 Наивный детектор: если крупный ордер
удаляется за <100мс без исполнения141*1

Гсг еуйлЬ 1л огбйг.ечелке:

И ечепС[*|512е11] > Е1ге_*Лгй$Ьс1б:

ШеЫ те = ^еп1[исапсе1_Нте"] - еуеп^’асккШпе11]

И ИГйНяй к йИгезНоЮз апс! пп1 еуел1[|'ехесц^вб11].:

гв1игл Тгов

гйЬцгп Еа1зе

й Реальный алгоритм использует М1 на последовательности событии

Глава 5. Сбор и хранение
рыночной информации

Вы узнали, какие данные бывают. Теперь вопрос: как их добыть и не
утонуть в них? Эта глава сделает из вас Оа1а Епдтеег на минималках —
достаточно, чтобы построить систему для себя или небольшого фонда. Сбор
и хранение данных — не самая гламурная часть работы, но именно она
определяет, будет ли ваша торговая система работать стабильно или рухнет
в первый же день реальной торговли.

АР1 бирж и брокеров: Водопровод к рынку

АР1 (АррНсабоп Ргодгатт1пд 1пГегГасе) — это как кран с водой. Вы
открываете, и данные текут. Типы АР1: НЕ5Т (запрос-ответ) — медленно
(сотни миллисекунд), для исторических данных; УУеЬ$оске1: (потоковый) —
данные толкаются автоматически, задержка миллисекунды; Е1Х —
профессиональный низкоуровневый протокол для хедж-фондов. Выбор
протекала зависит от вашей стратегии: если вы торгуете на минутных свечах
— достаточно НЕ5Т; если на тиках — нужен УУебЪоскеС

Ср«*НенМс АР1 для МЬ-ТройдНнга

пл		1! НьШ к^[Д	
	йРЯТ +	Дл	ЬШМичйИ, ^нцим 11|ДА
Клипсе		Дь	Крыпто 1_г оотох
1пгегы.т1*< Йгйк^г<	7У5 * Г1Х	Платно	Проф стамлн
	+ тдг,	П|Ч!»н»Л,ГГргац!И	Ч*4ГТы+ 1? Лонниг
Ву1нД		Да	КрИПТЪ РЁ-рм1лзТ»1«ы

Рис. 17. Сравнение АР1 для МЦ-трейдинга

Подключение к ШеЬЗоскеЪ Втапсе

1шрог1 иеЬзоскеЪ

>ярог1 азоп

йеЕ оп_гпе55аде(и5г тез зад в):

<Ыа - азопЛоас1з(те55эде)

рг1п1(ГТю1вол: {4а1а[||511]}Цена: {(ЫаС'р11)}")

<1еЕ огмэреп(нз):

5иЬ5сг1Ье_тву = {

"яеШос!11: "511В5СР1ВЕ11 э

"рагаяз11: [П>Ьсиз<1Шга(1ем]> "иГ: 1

}

из. 8ЁПс1^'зоп.с1итрз(8иЬ$сг11]е_1зд))

из = иеЬзоске1.НеЬ5оске1:Арр(

МИ88: //зЪгеат. Ыпапее. сот: 944Э/из” 3

оп_ор&п=оп_ореп , оп_те55аде=оп_те5&аде)

из.. гип_Тогеивг() # Поток сделок е реальной времени

Финансовые дата-провайдеры: Когда нужно
много и сразу

Своими силами через АР1 вы соберёте данные за месяц — и потратите
кучу времени. Профессионалы покупают данные у провайдеров. Топ-3 для
М1_: ОиапФ (теперь Ша5йац Оа1а Ылк) - тысячи бесплатных и платных
датасетов; В1оотЬегд Тегт1па1 ($24к/год) — даёт всё, но АР1 сложный; 1ггёг1п1о
— бюджетная альтернатива В1оогтпЬегд. Совет для старта: начните с
бесплатных источников — Табоо Нпалсе (исторические), Вшапсе/Со1пЬазе
(крипто-тики), ЕКЕО (макроэкономика от ФРС США).

Потоковые данные в реальном времени:
Водопад, который нужно пить

В реальной торговле вы должны обрабатывать поток без задержек.
Архитектура типична: \МеЬ5оске1 -> очередь (буфер) -> обработчик ->
хранилище. Проблемы: отставание (1ад) — если обработка медленнее потока,
данные накапливаются; разрывы (дарз) — УУеЬБоске! может отвалиться;
мусор — ошибочные тики и дубликаты. Паттерн Ргобисег-Сопзитег: Ргобисег
получает тики и кладёт в очередь (Пеё15 или НаЬЫГМО); Соп$итег достаёт из
очереди, очищает, превращает в признаки, подаёт в модель и в базу. Это
разделение позволяет масштабировать систему независимо.

Организация хранилищ данных: Где лежит
ваше золото

Хранить терабайты тиков в СБУ — путь безумца. Нужны
специализированные базы. ВесНз (1п-тетогу) — для быстрого доступа к
последним тикам (наносекунды). СНскНоизе, ОиезЮВ — колоночные базы для
сырых исторических тиков (сжатие 10:1). Ро51дге5О1_ + Т1тезса1еОВ — для
признаков и мета-данных (501, надёжность). Арасбе Рагдие! файлы на 53 —
для обучения моделей (дёшево, работает с Оазк/Рапбаз). Совет для старта:
используйте Т|тезса1еОВ — расширение Роз1дге501_ для временных рядов,
понимающее запросы типа "выбрать все минутные свечи за последний год"
быстро и просто.

Хранилища данных: скорость V® акономичность

Рис. 18. Хранилища данных: скорость доступа «5 экономичность
Построение Оа1а Ьаке для трейдинга

Оа1а 1_аке — это единое хранилище сырых данных любого формата С15О1Ч.

С5У, бинарные). Оттуда их забирают аналитики и модели. Минимальный Эа1:а
каке для трейдера-одиночки включает три зоны: сырая (йатл/) — папка на 550
или 53, куда падают файлы “как есть"; очищенная (С1еапес1) — данные с
удаленными выбросами, пропусками, нормализованные, формат Рагчие1:
признаковая (РеаЬиге 51оге) — готовые таблицы с лагами, индикаторами,
таргетами для обучения моделей.

Архитектура О. 11г а Ьдкй длн трейдинга

ГтвЧ &кя7й чя
010иК

Рис. 19. Архитектура 1_аке для трейдинга

Практикум: Сбор и хранение
данных к Главе 5

Скрипт для сбора исторических данных

шрегЪ г&чиейЪз

1лрогк рапйаБ. ав рй

И Собираем сеечм с В шале е КЕЙТ АР1

зутЬо1 = "ВТСОГ
1л1егуа1 =

иг1 = РЪир5://ар1Л1папсе.соп/зр1/уЗ/к11лей?

5утЬо1={5ушЬо1}&1пиг*а1=( 1п1е гу а! }&11т 1 Ъ=1Й001*

с*а^  гечиези.дек(чг1) ^$ап()

со15 = [ "ореп-Шй11, |чорепи 1 "НдЬ"Р "'1охи,	/мо1у»е",

"сХозеДЫе11 р Г|диои_УоГ р Чгейвз1' р ЧЬ_Ьазем," ЪЪ-яи оке11 р "хдпрге11]

(И о рОаиЕгагпе(|18и, со1итл$"со1$)

с^["орег\итеР|] = р^-ко^с1аий<пе(с1<'[|,ореп_ит^Г|] г шпЪ=||тз")

(И = ЙГ Б [м оре п11 + "ЫдЬ", ''1он1Г р "сХозе"1 Р11 уоХите11]]. азкуреШоак)

(И Ло-рагдиеи11 с^иДаке/ гач/ВТС1)ЭДТ_1 Ь.рагдиек11)
рг1лЪ(("Сохранено {1еп(йО} свечей11)

Простой лайплайн очистки

с1еаГ1_‘иск_сШа((1Р):

4 Удалить выбросы: цена не может быть < 0 или > 18х от средней
гаесИап_рг1св 1 с1 Г[11 рг 1 се11 ].теШап()

= й([((Я["рг1се'‘] > 0) & (<И["рг±се"] < теб1эп_р,г1се * 10)]

4 Удалить дубликаты по времени

(II = й<,бгор_^ир11са1е5(зиЬ5е1-[|Ч1те51ап1р11])

4 Заполнить пропуски в объеме нулями

<И["уо1и1*е“] - ^Я||уо1лте"Ъ Н11па(0)
геНгп с!?

Задание читателю

1.	Выберите одну биржу (Втапсе или А1раса).

2.	Напишите скрипт, который через УУеЬ5оске1 сохраняет 10 000 тиков в
Т1 те5са1еов,

3.	Напишите второй скрипт, который каждую минуту считает дисбаланс
стакана,

4.	Запустите на сутки. Посмотрите, сколько данных накопилось. Оцените
скорость роста.

Собирая данные, вы создаёте цифровой фантом рынка. Он
никогда не будет полным, но чем он полнее, тем ближе вы к
сингулярности. Помните: данные — это не истина, это лишь
отражение истины в кривом зеркале ликвидности. Ваша модель
будет учиться на этом отражении. Ваша задача — не дать ей
принять отражение за реальность.

Глава 6. Очистка и подготовка
данных: От мусорного ведра к
золотому слитку

Представь, что ты шеф-повар в ресторане три звезды Мишлен. Тебе
привезли продукты: картошка в земле, рыба с чешуёй, трюфель в грязи. Ты
не можешь подать это гостю. Ты моешь, чистишь, нарезаешь, приправляешь.
И только тогда получается блюдо за 500 евро. Финансовые данные — точно
такие же. Их нельзя скормить нейросети как есть. Более того: 70% успеха
модели — это подготовка данных, И только 30% — архитектура и настройка.
Это самый недооценённый факт в индустрии: все хотят строить нейросети,
но никто не хочет чистить данные. А между тем, именно здесь рождается
альфа.

Закон чиап1-аналитика; "Модель, обученная на грязных данных
— это самолёт, построенный из гнилых досок. Он может
взлететь. Но сядет один раз."

Проблема шумов на финансовых рынках:
Когда крик перекрывает голос

Финансовые ряды — одни из самых зашумлённых в природе. Отношение
сигнал/шум часто ниже 0.1. Это значит, что 90% вариации — случайность.
Представьте себе попытку услышать шёпот в стадионе, где 80 000 фанатов
орут во всю глотку — именно так чувствует себя МЬ-модель. анализирующая
рыночные данные без предварительной очистки. Каждый ценовой тик — это
смесь информационного сигнала и случайного шума, и ваша задача —
отделить одно от другого.

Рис. 20. Отношение сигнал/шум на финансовых рынках по сравнению с другими областями

Откуда берётся шум?

Микроструктурные эффекты: Ьоипсе между бидом и аском — цена
скачет туда-сюда, даже когда рынок стоит на месте. Это похоже на
дрожание стрелки прибора: формально цена меняется, а реального
движения нет. Для модели это выглядит как настоящий сигнал, и она может
начать торговать этот шум, теряя деньги на каждой сделке из-за комиссий.

Ошибки передачи данных: "рппГ с ценой -1 или объёмом 9999999 —
это не экзотика, а суровая реальность работы с биржевыми АРК Такие
ошибки возникают из-за багов в серверном коде биржи, сбоях в сети
передачи данных или ошибках в протоколе обмена. Одна такая аномалия
может полностью сломать статистику и привести модель к
катастрофическим выводам.

Лаги интернета: вы получили тик с задержкой 500 мс. За это время
рынок уже двинулся, и ваш тик — это исторический артефакт, а не
актуальная информация, в мире НЕТ это целая эпоха, но даже для моделей
на часовых данных устаревшие тики могут создавать ложные паттерны!.

Манипуляции; спуфинг, 1ауеппд — ложные ордера, создающие иллюзию
спроса или предложения. Это целенаправленное загрязнение данных,
созданное для того, чтобы обмануть других участников рынка, включая и
ваши мь-модели. Алгоритмы, не умеющие распознавать манипуляции,
становятся жертвами этих схем, принимая ложные сигналы за настоящие.

Как человеческий мозг обманывается шумом? Ты смотришь на
график и видишь "голову и плечи". А это просто случайное блуждание. Твоя
интуиция — твой враг. Человеческий мозг эволюционно настроен на поиск
паттернов: мы видим лица в облаках и фигуры в случайных точках.
МЬ-модель тоже обманывается, если не очистить данные — она просто
делает это быстрее и в больших масштабах.

Философия Митио Каку: "Шум — это не отсутствие сигнала.

Шум — это сигнал других процессов, которые ты пока не
понимаешь. Квантовый мир полон шума. Но из него рождаются
звёзды."

В трейдинге некоторые шумы содержат информацию: например, резкое
увеличение разброса между бидом и аском (спред) может предвещать
скачок волатильности. Опытный риап^аналитик не просто удаляет шум — он
изучает его, потому что в шуме скрыты сигналы о том, что другие участники
рынка пытаются скрыть. Разница между хорошим и плохим трейдером — не в
том, кто лучше фильтрует шум, а в том, кто лучше понимает его природу.

Работа с пропусками и выбросами: Хирургия
набора данных
В идеальном мире данные приходят каждую миллисекунду, без
пропусков и ошибок. В реальном мире биржа может лечь, сеть отвалиться, а
файл повредиться. Работа с пропущенными и аномальными значениями —
это не просто техническая рутина, а критический этап, от которого напрямую
зависит качество вашей модели. Ошибки на этом этапе не просто ухудшают
результат — они делают его систематически смещённым, что гораздо
опаснее случайного шума.

Типы пропусков:

Тип про пуска	Описание	Опасность
МСАК	Пропуск не зависит от данных (сервер упал на 2 секунды)	Низкая — с ним легко работать
МАЙ	Пропуски зависят от наблюдаемых переменных (чаще в ночные часы)	Средняя — нужно моделировать механизм пропуска
ММАЯ	Пропуски зависят от ненаблюдаемых значений (рынок резко двинулся, запись не успела)	Высокая — вы теряете самые важные данные

Таблица 5. Тилы пропусков в данных и их опасность для МЬмоделей

Рис. 21. Стратегии обработки пропусков: эффективность уз риск

Метод	Когда использовать	Риск

Удаление строк

Пропусков менее 1% и они
случайны (ИСАЮ

Потеря данных, если
пропуски неслучайны
Еога/агб ЛИ (ГНИ)	Временные ряды, цена	Сглаживает скачки, может  медленно меняется	убить сигнал
Интерполяция (линейная)	Плавные ряды (доходность	Не работает при резких  облигаций)	движениях
Модельное  предсказание	Сложные пропуски, ММАй	Вычислительно дорого, может  (Капйот ЕогезГ)	переобучиться

Таблица 6. Методы обработки пропусков в финансовых данных

Практическое правило; для финансовых рядов не используйте
удаление строк, если данные идут по времени. Лучше ТТП1 или интерполяцию,
но с пометкой в признаке "был ли пропуск" ((5_па). Нейросеть может выучить,
что после пропуска часто бывает скачок — и это ценная информация,
которую вы теряете, если просто удаляете строки. Бинарный признак
пропуска — это бесплатный сигнал, который многие игнорируют.

Выбросы (Ои111ег5)

Выброс — это значение, которое сильно отличается от соседей.
Например, цена биткоина 1 000 000 среди $50 000. Выбросы бывают трёх
типов: ошибки (цена -5000, объём 10 в 9-й степени) — это мусор, который
нужно удалить или заменить; реальные аномалии (флэш-крэш 2010 года,
когда цена упала на 10% за 5 минут и вернулась) — это драгоценная
информация о рисках; артефакты торговли (один трейд на багк роо1 по
странной цене из-за алгоритмической ошибки) — это может быть и сигналом,
и шумом одновременно.

Метод обнаружения	Принцип	Проблема
г-зсоге	Значение отклоняется от среднего более чем на 3 сигмы	Финансы не нормальны, у них толстые хвосты
ЮН (межкварти льный размах)	03 + 1.5 * К) И	Более устойчив к выбросам
Адаптивные методы	Скользящее окно (отклонение от медианы последних 100 значений более чем на 5%)	Требует настройки порога

Таблица 7. Методы обнаружения выбросов в финансовых данных

Совет Талеба: Не убивай "чёрных лебедей" выбросами. Они
редки, но именно они приносят либо банкротство, либо
сверхприбыль. Твой МЬ должен их видеть, но не переучиваться
на них. Используй робастные функции потерь (НцЬег 1оз5)
вместо среднеквадратичной.

Нормализация данных: Приводим все к
общему знаменателю

Представь, что ты подаёшь на вход нейросети два признака: цену акции
(от 10 до 1000) и объём в тысячах (от 0.1 до 100). Нейросеть будет считать,
что цена важнее, потому что числа больше. Это не просто неудобство — это
систематическая ошибка, которая искажает веса модели и делает обучение
нестабильным. Градиентный спуск «спотыкается» о разные масштабы, как
бегун на неровной дороге, и вместо плавного движения к минимуму функции
потерь начинает хаотично осциллировать, замедляя сходимость и ухудшая
результат.

Срмшнив нвтодо! нормализации данных

Рис. 22. Сравнение методов нормализации: влияние выброса на каждый метод

Метод	Формула	Когда использовать
Мт-Мах ЗсаКпд	(х - гп1П)/(тах - т1п), результат [0,1]	Нет выбросов, распределение неважно
51апс1агЛ2абоп (2-зсоге)	(х - теап)/5М, среднее 0, дисперсия 1	Есть выбросы, нужно нормальное распределение
Вобиз! ЗсаНпд	(х - теЦ|эп)/ЮР	Сильные выбросы, финансы любят ЭТО
ОиапШе

ТгапзГогта^сп

Преобразований в

равномерное/нормаль ное
распределение

Неоуссовы признаки,
нейросети

Таблица 8. Методы нормализации данных для финансо-вых признаков

Важное предупреждение: Параметры нормализации (теапР б1±р тц
тах) вычисляются только на обучающей выборке, а затем применяются к
тестовой. Иначе будет утечка данных (ба^а 1еакаде) — модель увидит
будущее. Это самая частая ошибка новичков, и она приводит к красивым, но
абсолютно бесполезным результатам на бэктестах, которые мгновенно
разваливаются в реальной торговле.

И НЕПРАВИЛЬНО: используем весь ОаТ-аЕгате целиком

5са1ег « $Ъапйагс15са1ег()

зса1еОа1а = 5са1еггШЛгалзГоги(сЮ # Утечка!

и ПРАВИЛЬНО: учимся на прошлом, применяем к будущему

зса1ег = 51алг1агс15са1ег()

зса1ег ,Ш(Х_Ьга1п) # учимся на прошлом

Огэ1п_5са1е(1 = &са1егЛгап5^огт(Х_1га1л)

Х_йез1_5са1ес1 = 5са1егЛгап5^огт(Х_1ез1) # применяем те не параметры

Геариге Епдтееппд: Где рождается альфа

Это самая творческая часть, Сырая цена — плохой признак. Но если ты
вычислишь из неё "относительную силу", "импульс", "волатильность", ты
создашь признаки, которые модель сможет использовать. Аналогия: сырая
глина — это цена. Реа1кге Епд1пеелпд — это лепка из глины вазы, чашки,
плитки. Одна и та же глина, разные применения. Именно здесь опытный
риап1-аналитик добавляет значение, которого не может дать ни одна
нейросеть — понимание финансовой логики и экономики рынка.

Классы финансовых признаков для МЬ моделей

О	20	лр	М]	30	МН

Доля пркпидкоа <-,-14

—•	— СЧ’НЯНЪИ 115Н1	— Длъ'-дмньн'[кОШ

ВоЛатижюсгь СНЧр “ Пр(™«и111Ч|	— СПммяиШНН

Рис, 23. Классы финансовых признаков для МЬ-моделей
Лаги цена 1 шаг назад, 2 шага назад. Для |_$тм обычно не нужны,
для ХСВоозС — очень полезны. Каждый лаг — это окно в прошлое, и чем
дальше лаг, тем слабее его связь с будущим, но тем ценнее он для
обнаружения долгосрочных паттернов.

Разности (КеТигпз): (рпсе[П - рпсе[(-1])/рпсе[1-1]. Стационарный ряд,
который модели любят больше, чем сырые цены, Доходность — это то, что
реально интересует трейдера, и то, что статистически более предсказуемо,
чем абсолютные цены,

Скользящие средние (5МД, ЕМД): сглаживают шум и показывают
тренд, Но главное — не сами средние, а их отношения к текущей цене:
насколько цена отклонилась от ''нормы". Именно в отклонении скрыт сигнал,
а не в абсолютном значении.

Волатильность: стандартное отклонение доходностей за окно (часто
используется ДТП). Волатильность волатильности — ещё более мощный
признак, предсказывающий кластеры турбулентности на рынке. Модели,
учитывающие режимы волатильности, значительно превосходят тех, что
этого не делают.

Категориальные признаки: час, день недели, месяц, праздник ли
сегодня (на крипте выходные — пониженная ликвидность). Эти признаки
работают не потому, что рынок “помнит" день недели, а потому что
структура ликвидности систематически различается в разные периоды.

Осторожно с 1оок'аНеас1 Ыаз: Не используй для построения
признака на момент С значения, которые будут известны только
в будущем (например, ТиШге с1о5е). Это частая ошибка
новичков, которая приводит к красивым бэктестам и
катастрофическим результатам в реальной торговле.

1«прогЪ ратй$_1а и

4 Ис х ОДный сН с к опон к амм [11 ореп11 / Ь 1д.Ь’1,м 1 он11311 с 1озе 11,11 уО1 игле11 ]
сН [11	гп$ и ] =	ьрс^_сЬапде(1) # доходи ость за 1 период

(ИГ'УоХаШИ/1]  сН[>е1игпз,1Ъго1Ипд(20).5^()

^['гэх11] = 1э*г51((Н[>|с1озд"]| 1епд^-1А)

сИ [ "ета _ 12" ] = Ьа.еп1а(сИ["с1о5е"], 1епдЪН=12)

<Н["ета_26"] = ^а?ета(с1^["с1о5е||]( 1епдЕЬ-?б)

^Оаса11] = «["ета.1211] - сНГеиа.гй"]

(НСЧтоиг11] = сИлпйех.Ьоиг

<Н[ "Оэуо^еек11 ] = (Я лпс1ех«йауоЪгеек

в Удаляем МаК: появившиеся из-за гоШпд

(И*с1 горпэ( 1 пр 1 асе=Т те)
Создание обучающих выборок: Как научить
модель смотреть на прошлое и думать о
будущем

Самая тонкая часть. Ты должен решить: какой именно паттерн мы учим
модель распознавать? Признаки {X) — это вектор значений на момент 1: (лаги,
индикаторы). Целевая переменная (у) — то, что будет в будущем. Например,
доходность через 5 минут (у = рпс@[1+5]/рпсе[1]  1} или направление (1, если
доходность больше 0, иначе 0). Выбор горизонта прогноза — это
стратегическое решение, которое определяет всю архитектуру вашей
системы.

Горизонт	Характер сигнала	Применимость
1 тик вперёд	Почти случайность, крайне низкий з!9па14о-п<же	НЕТ, требуют РРСА
5-20 минут	Часто оптимален для криптоаалют	Внутридневной трейдинг
1 день	Требует фундаментальных данных	Акции, среднесрочный горизонт
Неделя/месяц	Макро-прогнозы, тренды	Позиционный трейдинг

Таблица 9. Выбор горизонта прогноза и его влияние на торговую стратегию

Как разбивать временные ряды на (гатЛ/аНйа'НапДезЪ: Это
критически важно — нельзя просто перемешать все данные. Будущее не
должно попадать в обучение. Правильная схема: Тга1п — 1 января 2020 по 31
декабря 2022; УаНбайоп — 1 января 2023 по 30 июня 2023 (для ранней
остановки, подбора гиперпараметров); ТезС — 1 июля 2023 по 31 декабря
2023 (финальная оценка). Важно использовать Т1те5епе55рН1 из 5к1еагп, а не
обычный КЕо1с1 — это фундаментальное отличие финансового М1_от
стандартного машинного обучения.

Г™ зк1еагп.то(1е1_5е1ес1;1оп йпрогЪ Т1ше5ег1еа5рШ

= Т1иае5ег1еЕ*»р11Т(п_5р11Тз=!5}

Ьга1п_1п<1ех, Ье5Ь_1П(1ех ю 1$сулр111(Х):

Х_1га1п, Х_1оеЛ = Х[Ьга1п_1п(1ех], Х[Ье51_1пйех]
уЛга!п, у_1еь1 = у[1ха1п_1п(1е>с], у[1е81_1пйех]
Й модель обучается на ароилом, тестится на будущем
Практикум: Полный пайплайн
подготовки данных

рзпйа* аз рг1
йпрог^, пиару а$ гр
I1™ Шеагп.ргергосеШпд ЬпрогЬ йоЬи$15са1ег
^гап Шеагл.яюс1е1_Ее1ес11оп 1трог11 Наа^йПейКрШ

й Шаг 1: Загрузка сырых данных
сК = рг1 ь геас1_рагд|М(!,с1аи_1аке/гаы/Ыпапсе_ВТС1150Т_111 - рзг^иё V)

й Шаг 2; Очистка — удаляем откровенный мусор (цена 0)

(Н = сИЕМ'^озеН] > 0]

4^,Ш1па(теЪЬос1=||Ш1Г\ 1пр1асе-Тгие) й зэполняеы редкие пропуски

й Шаг 3: Обнаружение выбросов по методу Цк

(}1 = Ц€[||с1озе||].чиапШе(0„25)

(?3 - ^[||с1озе||]гчиапШе(0+75)

ЮИ = 03-01

1онег = (?1 - 3*1рВ # расширенный диапазон для финансов

иррег = 03 + 3*П)&

с1Г[||15_оиШег11] = ((^["сХоЕе11] < 1оиег) I №[|(с10Ёен] > цррег)).аз^уреСхпЪ)
й Не удаляем, а создаём признак!

И Шаг 4: Реа1иге Епд1пеег1пд

бГ[!1ге1ит5°] - йГриове"],рс1_сЬапде(1}

йГ[!1уо1аШ1!'у11] = сНГ'геЪигпв11] .го1Ипд(20) .$1с1()

й^[||уо1иае_шаи] = ^"уоТшие"]. го111пд(2Й).теап()

бГ[,|уо11Лве_га11й11] = <Н[ "уоЗ.иве’1 ] / с1Г["\о1ите_ма11]

дРрЪоиг11] = сИ. 1 пйех. Пои г

сНС'Чауо^Уеек11] = ^лпбех.йауо^&ек

й Скользящие средние

Рйг Ипйои 1п [5, 10, 20]:

г!^[ГЧта_{н1пс1ои}!!] = й<:[нс1о5^|].гоШпд(^1пс1рн}.йеап()

а^[Т|,с1о$й_5иа_гвШ_Ыпаоы]м] и О^Сс^зе'1] / ^^[Рзиа-^п^ом}11] - 1

с!ЛЗгррпз(1пр1асе=Тгие) й удаляем МзМ (пер&ыв 20 строк)

И Шаг 5; Целевая переыенная (прогноз доходности через 5 периодов)
с!Г["ЪагдеЪ"] = с1Я11с1о5е||]+5МН(-&) / ^["сХо&е”] - 1
鈄(1горпа(1лр1асе=Тгие) 4 последние 5 строкгде 1эгде1 Май

й Шаг 6: Нормализация (КоЬи513са1ег из-за выбросов)
(еа(оге_со15 = ["ге^игпз11, "’уо^ШНу11, "уо1иве.гаНо", "Ьоиг", ’МауоГнеек11,.
|,с!о5е_5П1а_гаио_5||р "иозе^зта-гэЪтоЛУ1,
|1с1озе_5та_гаНо_20" 3 п15_оиШег11 ]

X = (И[{еакиге_со18] ла1ие5

у = (К[||1агдеЪ,|).уа1ие5

аса1ег = йоЬиз15са1ег()
й Важно: Г11 только на 1га1п для временных рядовI
арИМ-йх = 1п1(1еп(Х) * 0.8)

Бса1ег.Ш(Х[:5рШ_н1х])

Х_зсэ1ес1 = еса1ег. 1гап5?огт(Х)

ХЛгэ1п, = Х^са1е^[:5рИк1с1х]а Х^5са1ей[врШ_1с1х:]

у_1га!п, у_1ез1 = у[:вр11Ъ_1йх]т ДзрШ.Ик:]

рг1п1(^||Тга1п йваре: {Х_1га1п.аваре}, Тез1 аваре: {Х_1&а1.аваре}")

Задание читателю

1.	Возьмите часовые данные любой криптовалюты за 6 месяцев.

2.	Реализуйте описанный пайплайн.

3.	Обучите простой КапбогпЕогезЖедгеззог предсказывать доходность
через 5 часов.

4.	Оцените М5Е. Оно будет близко к случайному. Не расстраивайтесь —
это норма. Сейчас главное — процесс, а не прибыль.

Глава 7. Альтернативные
источники данных: Глаза за
пределами рынка

Представьте, что вы играете в шахматы. Ваш соперник видит только
доску. А вы видите доску, лица игроков, их пульс, их историю партий, погоду
в зале и даже то, какое кафе они посетили утром. Кто выиграет?
Альтернативные данные — это ваши дополнительные глаза. Они дают фору,
которая часто превращает трейдинг из игры в казино в игру в покер со
считанными картами. Если традиционные рыночные данные — это доска, то
альтернативные — это всё остальное: эмоции, контекст, скрытые движущие
силы, которые определяют ход игры задолго до того, как они отразятся в
ценах.

Кай-Фу Ли: "Данные — это новая нефть. Но альтернативные
данные — это сланцевая нефть: трудно добывать, но именно
она сделает тебя миллиардером, пока другие качают из старых

скважин.
Рис 24, Альтернативные источники данных: стоимость доступа уб ценность сигнала

Новости и СМИ: Когда слова стоят денег

Старая школа: трейдер читает УУа11 51гее1]оигла1 за завтраком и
принимает решение к обеду. Новая школа: М1_Р-модель сканирует 100 000
новостных заголовков в секунду, выделяет ключевые слова (ФРС, ставка,
инфляция, санкции) и выдаёт сентимент-оценку, Разница не только в
скорости — она в полноте охвата. Человек может прочитать 20 статей за
утро. Алгоритм обрабатывает 100 000 заголовков за секунду, причём на 15
языках одновременно, отслеживая паттерны, которые ни один человек не
способен удерживать в голове.

Как это работает: Сбор данных через Н55-ленты (ЕМоотЬегд, НеиГегь,
СМВС) и АР1 новостных агрегаторов (МеигвАР!, ООЕЬТ). Очистка — удаление
рекламы, стоп-слов, капса. Анализ тональности — используют модели,
обученные на финансовых корпусах, например ЯпВЕКТ — версию ВЕРТ,
дообученную на 500 тысячах финансовых предложений. Извлечение
сущностей (МЕР) — найти в тексте "Арр1е 1пс.", "Т1т Соок", "1РЬопе 15м и
привязать к тикеру ААР1.

ПпПплййн анализа т?лни. чьностн поеюстсй

Рис. 25. Пайплайн анализа тональности новостей: от сбора до торгового сигнала
Продвинутая техника: Не только сентимент, но и "новостной шок" —
количество новостей о компании за последние 30 минут, умноженное на
неожиданность (сравнение с темой, обсуждаемой вчера}, В 2018 году
исследователи из Университета Мэриленда показали, что модель,
учитывающая тональность новостей за 2 часа до открытия рынка,
предсказывает открытие МАЗ ОАО лучше, чем фьючерсы. Это доказывает, что
новости содержат предсказательную силу, которая ещё не полностью
отражена в ценах.

Социальные сети: Пульс истерии

2019 год: никто не верил, что Кес1с1П: может двигать акции. 2021 год:
Сате51ор взлетел на 2 000% благодаря гМаНэГгееЬЬеи. Социальные сети —
это котёл эмоций, А эмоции — это иррациональность, а иррациональность —
это возможность для модели, которая остаётся хладнокровной. Эпизод с
Сагпе51ор показал, что толпа, вооружённая НеббФ и РоЬ|пбооё, способна
разрушить планы миллиардных хедж-фондов, и это навсегда изменило
понимание влияния социальных медиа на финансовые рынки.

Платформ а	Ключевые метрики	Торговая ценность
ТилПег (X)	Мгновенные новости от влиятельных лиц; скорость — секунды	Скорость распространения информации, реакция на твиты СЕО
НесШ (г/шаН гсгееТЬесв)	Частота упоминания тикера, агрессивность лексики (УОЬО, М001Ч)	Раннее обнаружение "мем-акций11 и массовых кампаний
Те1едгапг»	Закрытые каналы трейдеров; парсинг публичных каналов	Инсайты из профессиональных сообществ
ЗЮскТкукз	Настроения по каждому тикеру: АР1 доступен	Тематический сентимент по акциям

Таблица 10. Социальные платформы как источники альтернативных данных

Метрики для М1_: Объём упоминаний (уе1ос!1:у) — быстрое ускорение
часто предшествует движению. Соотношение "бычьих" и "медвежьих"
эмодзи — нейросеть может классифицировать эмодзи. Аномальная
активность аккаунтов-ботов — возможно, накрутка настроения. Важно
взвешивать по доверию аккаунта (число подписчиков, возраст), чтобы
отфильтровать манипуляции и накрутку.
Спутниковые данные: Бог с высоты

Это звучит как фантастика, но это реальность. Компании вроде Р1апе1
1_аЬз, Махаг, ОгЬ^а! 1п5»дГ11: делают снимки всей Земли каждый день. С
помощью сверточных нейросетей (О-Мек, Мазк Н-СЫМ) эти изображения
превращаются в количественные показатели; заполненность парковок
розничных сетей, активность заводов по тепловым следам, количество
нефтетанкеров в портах и уровень их загрузки, строительство новых
объектов. Каждый из этих показателей — прокси для финансовой
переменной, которая будет опубликована лишь через недели.

(:]|уЕ11Е1ГСЫ1МС дипцпсе: ОТ С >1114 КО К -шрпнинн <Ч1Т>|Еклу

Рис. 26. Спутниковые данные: ат снимка к торговому сигналу

Доступность: ОгЫ1а11п51дН1 стоит от $10 000 в месяц — дорого для
частного трейдера, но копейки для хедж-фонда с миллиардами под
управлением. Для частников есть лайт-версии или использование
бесплатных снимков 5еп1гпе1 (разрешение 10 м) через Соод1е ЕаПК Епд1пе.
Пример признака: рагк1пд_1о1_оссирапсу_\А/а1таг1_Са1|Тогп(а_ууеек1у —
еженедельная загруженность парковок Ша1таг( в Калифорнии,
коррелирующая с квартальной выручкой.

Геолокационная аналитика: Где толпа, там и
деньги

Ваш смартфон постоянно передаёт геоданные. Агрегаторы (ЬаГебгарб,
Уега^еС) продают обезличенные данные о перемещениях миллионов
устройств. Применения впечатляют: посещаемость ресторанов — если за
месяц трафик МсОопа1с1'5 упал на 15%, а аналитики ждут роста на 5%, можно
шортить. Трафик у дилерских центров позволяет предсказывать продажи
автомобилей. Посещения офисов компаний — возвращение к работе после
ковида, оценка продуктивности.
В 2020 году фонд Тууо 5|дта использовал геолокационные данные, чтобы
предсказать, какие компании пострадают от карантина сильнее, и успешно
отшортил их до того, как они опубликовали отчёты. Этика и законность' в
США и Европе такие данные регулируются (СОРЯ, ССРА). Анонимизированные
агрегаты разрешены, но с каждым годом доступ ограничивают. Крупные
фонды покупают данные через юридические прокладки, и эта практика
продолжает расти.

Корпоративные отчёты: Текст важнее цифр

Это не совсем ''альтернативные11 данные, но многие недооценивают
анализ текста 10-К, 10-0 — годовых и квартальных отчётов 5ЕС.
Стандартный подход: посмотреть ЕР2, Неуепие, зигрпзе. Продвинутый:
прочитать раздел "Факторы риска" (РМзк РасСог^). Если частота слов "5ирр1у
сйа।п Фзгирбоп" резко выросла по сравнению с прошлым отчётом, а рынок
ещё не заметил — это сигнал. Изменение тональности менеджмента с
позитивной на негативную в разделе "МападегпепС 0(5сиз5юп & Апа1у515"
предсказывает будущие падения акций,

Некоторые хедж-фонды анализируют голосовые записи
конференц-коллов — тон голоса, паузы. Пауза перед ответом на вопрос о
прогнозе часто коррелирует с будущим понижением прогноза. Это уже пехК
1еуе1: анализ паралингвистических сигналов в финансах — сравнительно
молодая область, но уже показывающая многообещающие результаты в
предсказании корпоративных событий.

Е5О-данные: Новая религия или новая альфа?

Е5С (Епу|гоптеп1:а1, 5ос1а1, Соиетапсе) — факторы, которые всё больше
влияют на цены. Инвесторы выводят капитал из "грязных" компаний,
вкладываются в "зелёные". Е: выбросы СО2, потребление воды, утилизация
отходов. 5: безопасность труда, соотношение зарплат СЕО/медианная,
инклюзивность. С: независимость совета директоров, политика взяток,
прозрачность. Где брать: М5С1, $и51:а1па1у1:1сз, ЯеГ1п11:1и — дорого, но есть
бесплатные датасеты от СОР (СагЬоп Оьс1о5иге Рго^ес!).
1^П1НкП1е К.чл-фон ГчзрсШ Пл ,1.0 Ко, 111'Л--|1,||- (2П1Н-2Ы2-П

Год

Рис. 27. Влияние ЕБС-факторов на доходность {2010-2024)

Скепсис Талеба: "Е56 — это часто маркетинг. Но если рынок
верит в Е56, то алгоритм, который правильно учитывает эту
веру, заработает. Вам не нужно верить — вам нужно
предсказывать тех, кто верит."

Практикум: Сбор альтернативных
данных на практике

Навык 1. Парсинг новостей и сентимент-анализ

1прог€ ^еейрагзег

Г™ 1ехШоЬ 1трогЪ ТехШоЬ

1нрог1 рапйаз аз рй

й Я55-лента СМВС (пример)

Г55_иг1 = ’ЪНрз: //ни*. спЪс .сот/ 14/10Й01Ш/с1еу1се/ газ/ гзз. Мя1"
^еей = ^еес1раг5ег.рагзе(г&5_11г1)

пеыз.ИзЬ = []

^ог еп1гу 1т Геескеп1г1е5[:20]:

ЫоЬ = Тех1В1оЬ(епкгу.НЫе + 11 11 + еп1гу .ылптагу)
5епЫ(пеп1 = ЫоЬ.&еп11тел1.ро1аг11у й -1 .. 1
пе«5_11Е1.аррепс1({

41 Це": &п1гу-Ш1е,
м &еп И тел V  &ел 11 тел I,
'‘рЫШзМГ: епЬгу. рмЪ11«Ье^

})

(К-пенз  рф0аиЕгате(пе*5_И&и

рг1л1.(с1Т_пвнд. ЬеасК ) )

й Далее можно агрегировать сентимент по часам и добавлять к признакам
Навык 2. Интеграция альтернативных признаков в
основную модель

й Предположим, у вас есть основной! Оа 1аЕ г а те	с цанаии и признаками

й У вас есть	(дата-час^, средний сентммент)

й Сливаем по времени (левов соединенна; заполняем пропуски В)

(Иркойг'1] а а^:Лпйеx.Ноо^(,IН,I)

((Г = Я.иегдв(Ьонг1у,$епитеп1; ап=’Ъопг'*; Ном-’11еП'*)

аП'ЧвпНявпГ]  Я[Чепитепр].Ш1па(0)

йГ^горС'Ьоиг'1, 8x15=1, 1 присеЧгие)

Й Теперь ыоянр обучить модель с дополнительным признаком

Задание читателю

1.	выберите два альтернативных источника (например, Тилйег +
новости).

2.	Настройте сбор данных за одну неделю для одного актива (например,
ТБЬА).

3.	Добавьте агрегированную тональность в свой пайплайн из Главы 6.

4.	Сравните качество модели с и без альтернативных признаков.

Ожидайте небольшого, но иногда значимого улучшения.

Итог Части II (Главы 4-7)

Очистка данных — это не рутина, а критический этап. Шум может убить
сигнал, а выбросы — обмануть модель. Плохо очищенные данные — это
гарантия плохого результата, и никакая архитектура нейросети не спасёт
вас от этого фундаментального дефекта. Именно поэтому лучшие
циаШ-фонды тратят 80% времени на подготовку данных и лишь 20% на
моделирование.

ЕеаШге Епд1пееппд — искусство превращать время в деньги. Хорошие
признаки стоят дороже хорошей модели. Опытный аналитик, который
понимает финансовую логику рынка, всегда создаст более ценные признаки,
чем автоматический алгоритм, потому что он знает, где искать альфу и
какие экономические механизмы стоят за ценовыми движениями.

Альтернативные данные — это новая граница. Спутники, геолокация,
настроения соцсетей дают преимущество, но требуют изобретательности и
иногда — смелости нарушать устоявшиеся, представления. Тот, кто научится
добывать и обрабатывать эти данные быстрее и качественнее конкурентов,
получит асимметричное информационное преимущество, сравнимое с
рентгеном в покере.

Ты теперь знаешь, как добывать, чистить и обогащать данные. Ты как
алхимик: берёшь свинец и получаешь золото. Но золото пока в порошке.
Настоящая магия начнётся в Части III, когда мы заставим нейросети и
градиентный бустинг учиться на этих данных. Готовь СРЦ. Скоро мы зажжём,

ЧАСТЬ III. ОСНОВЫ МАШИННОГО
ОБУЧЕНИЯ ДЛЯ ТРЕЙДЕРОВ

До этого момента мы говорили о данных: как их добывать, чистить и
превращать в признаки. Теперь пришло время самого интересного — научить
машину видеть закономерности там, где человеческий глаз видит только
хаос. Машинное обучение для трейдера — это переход от мира наблюдений к
миру предсказаний, от интуитивных догадок к статистически обоснованным
решениям. Это тот момент, когда данные, которые вы так тщательно
собирали и обрабатывали, наконец-то начинают работать на вас, превращая
информацию в преимущество перед рынком.

Но предупреждаю сразу: машинное обучение — это не магия. Это
статистика, возведённая в степень, и инженерия, доведённая до предела.
Если вы ждёте кнопку «сделай деньги», её не будет. Но если вы готовы
понять, как модели учатся на ошибках, вы получите инструмент мощнее
любого индикатора. Машинное обучение не даёт вам уверенности в будущем
— оно даёт вам статистическое преимущество, которое при достаточном
числе сделок превращается в прибыль. Это не гарантия, это вероятность. И в
мире финансов вероятность — это всё, что у нас есть.

Глава 8. Введение в машинное
обучение: Как машины учатся
видеть паттерны

Представьте, что вы учите ребёнка узнавать кошек. Вы показываете ему
100 фотографий и говорите: «Это кошка. А это не кошка». После 50 примеров
ребёнок начинает догадываться: у кошек есть уши, усы, хвост. После 1000
примеров он ошибается редко. Это и есть обучение с учителем — алгоритм
постепенно формирует внутреннее представление о том, что делает кошку
кошкой, выделяя существенные признаки и отбрасывая несущественные.

А теперь представьте, что вы даёте ребёнку 1000 фотографий животных
без подписей и говорите: «Найди группы похожих». Он сам замечает, что
одни пушистые, другие — полосатые. Это обучение без учителя — алгоритм
самостоятельно обнаруживает скрытую структуру в данных, не имея заранее
заданных меток или правильных ответов. Это похоже на то, как археолог
классифицирует черепки древней посуды: он не знает заранее, к каким
культурам они принадлежат, но по форме, орнаменту и материалу начинает
видеть закономерности.

Машинное обучение на финансовых рынках работает по тем же
принципам, только вместо кошек — паттерны доходности, а вместо ребёнка
— матрицы весов и функции активации. Разница лишь в масштабе: если
ребёнку нужно 1000 картинок, то нейросети нужны миллионы примеров, но
зато она может анализировать тысячи признаков одновременно и находить
неочевидные взаимосвязи, которые человеческий мозг просто не способен
обнаружить.

Типы обучения: Три пути к знанию

Тр« типа иэикннаго обучения в торговле

1 ьм

Рис. 19. Три парадигмы машинного обучения и их применение в трейдинге

1.	Обучение с учителем (Зиреплзес! Ьеагтпд) — главный
инструмент трейдера

У вас есть X (признаки: индикаторы, лаги, настроения) и у (цель:
доходность через час, направление движения). Модель учится
предсказывать у по X. Это самый распространённый тип машинного обучения
в трейдинге, потому что он напрямую решает задачу предсказания: по
известным входным данным определить, что произойдёт дальше. Именно так
работают большинство торговых моделей — от простых линейных регрессий
до сложных нейронных сетей.

В трейдинге это 90% задач. Предсказать, вырастет ли цена через 5 минут
(классификация). Предсказать величину движения (регрессия). Предсказать
волатильность (регрессия). Например, X = [Н51, объём, час дня] и у = 1, если
цена через 1 час больше текущей, или 0, если ниже. Каждый входной
признак несёт определённую информацию о состоянии рынка, а модель
учится комбинировать эти признаки оптимальным образом для предсказания
целевой переменной.

2.	Обучение без учителя (11п5ирегу|5ес1 Ьеагптд) — поиск
скрытых структур

Нет целевой переменной. Модель ищет кластеры, аномалии, скрытые
факторы. Этот подход особенно ценен в финансах, потому что рынки часто
ведут себя принципиально по-разному в разных режимах, и понимание этих
режимов — ключ к адаптивной торговле. Когда вы не знаете заранее, какие
паттерны существуют в данных, обучение без учителя позволяет обнаружить
их автоматически.

В трейдинге применяют для кластеризации режимов рынка: алгоритм
сам находит, что рынок бывает «трендовым», «флэтовым»,
«высоковолатильным». Затем вы обучаете отдельные модели для каждого
режима. Поиск аномалий позволяет обнаруживать необычные паттерны
торговли — возможно, манипуляции — до того, как они повлияют на цену.
Снижение размерности (РСА, 1-5ПЕ) позволяет сжать 500 признаков в 10
главных компонент, сохранив 90% информации, Например, вы берёте 100
активов и с помощью РСА находите, что 3 главные компоненты объясняют
80% их совместной волатильности. Эти компоненты можно
интерпретировать как «рыночный фактор», «фактор процентных ставок»,
«фактор сырья».

3.	Обучение с подкреплением (НетТо гсетеп! 1_еагтпд) —
трейдер-робот, который учится на наградах

Здесь нет явных правильных ответов. Агент (робот) совершает действия
(купить, продать, держать), получает награду (прибыль) или штраф (убыток).
Он учится стратегии, максимизирующей суммарную награду. Это наиболее
естественная формализация торгового процесса: трейдер действует в среде,
получает обратную связь от рынка и корректирует свою стратегию. Обучение
с подкреплением моделирует именно этот цикл, причём агент может
обучаться на тысячах симулированных торговых сессий, набирая опыт,
который человеку потребовались бы десятилетия для накопления.
Идеально для оптимального исполнения ордеров (разбиение большого
ордера, чтобы не двигать цену), построения торговых стратегий с
длительным горизонтом, где каждая сделка влияет на будущие
возможности, и управления портфелем (ребалансировка). Минус: требует
симуляции среды (тагкеТ 51ти1а1ог), Легко переобучиться под симулятор,
особенно если симулятор недостаточно точно воспроизводит рыночную
микроструктуру.

Аналогия Харари: Обучение с учителем — это как изучать
историю по учебникам. Обучение без учителя — как археолог,
который сам классифицирует черепки. Обучение с
подкреплением — как изобретать велосипед, падая 1000 раз.

Задачи классификации и регрессии: Две
стороны одной медали

Классификация и регрессия — это два фундаментальных типа задач
обучения с учителем, и в трейдинге они оба используются постоянно. Выбор
между ними зависит не от предпочтений, а от того, что именно вы хотите
предсказать и как собираетесь использовать результат. Оба подхода имеют
свои преимущества и ограничения, и понимание разницы между ними —
ключ к правильной формулировке торговой задачи.

Классификация (предсказание дискретной метки)

Выход — категория. Бинарная классификация: цена пойдёт вверх (1) или
вниз (0) через И шагов. Многоклассовая: сильное падение (-1), слабое
падение (-0.5), нейтрально (0), слабый рост ( + 0.5), сильный рост (+1).
Классификация интуитивно понятна: вы хотите знать, покупать или
продавать, и модель даёт вам чёткий ответ. Однако за эту простоту
приходится платить потерей информации о величине ожидаемого движения.


ГГЩА1Я
тип)

Г»тЛО
1Мг]

г1р1Гиш*«4 1ЛЖ«

^Ь|
(М1А>

Рис. 20. Метрики классификации: сопкыоп таФх и кривая ргескюп-гесаП



Метрики качества классификации критически важны для оценки
торговой модели. Ассигасу (доля правильных ответов) плохо работает при
дисбалансе классов — например, когда рынок растёт 90% времени, модель,
всегда предсказывающая «рост», покажет ассигасу 90%, хотя не имеет
никакной предсказательной силы. Ргес151оп и Кеса11 гораздо важнее для
трейдинга. Ргеаыоп отвечает на вопрос: из всех сигналов В11Т, сколько были
прибыльными? НесаН: из всех прибыльных движений, сколько мы поймали?
Р1-мера — гармоническое среднее ргесыоп и гесаП, полезна когда нужен
баланс между ними. Соп(и51оп таСНх показывает, где модель ошибается:
ложные вит, ложные 5ЕИ_, давая детальную картину качества модели.

Регрессия (предсказание непрерывного числа)

Выход — число: доходность +0.5%, волатильность 1.2%, объём 5000.
Метрики регрессии включают М5Е (Меап ЗциагеР Еггог), который наказывает
крупные ошибки сильнее, МАЕ (Меап АЬзоФЬе Еггог), более робастный к
выбросам, и н-квадрат — долю дисперсии, объяснённую моделью. На
финансовых рядах К-квадрат часто отрицательный, что абсолютно
нормально и лишь подтверждает, что предсказание доходностей — одна из
сложнейших задач в статистике.

	Критерий	Классификация	Регрессия
Выход модели		Категория (ВЦУ/БЕШНОШ)	Число (+0.5%, -1.2%)
Метрики		Ассигасу, Ргеазюп, НесаП, Е1	М5Е, МАЕ, Р.-квадрат
Простота интерпретации		Высокая: сигнал есть или нет	Средняя: нужен порог для решения
Информативное ть		Только направление	Направление и величина
Чувствительное

Менее чувствительна	Более чувствительна

ть к шуму

Лучший	Быстрые решения, дискретные	Оценка уверенности, размер

вариант для	сигналы	позиции

Таблица 10. Сравнение задач классификации и регрессии в трейдинге

Многие диапС-фонды используют регрессию, а затем превращают прогноз
в сигнал: если предсказанная доходность больше порога (например, 0.2%) —
ЕШУ. Так вы получаете не только направление, но и уверенность. Однако
регрессия сложнее в настройке из-за шума. Практический совет: начните с
классификации, убедитесь, что модель улавливает сигнал, затем переходите
к регрессии для более тонкой настройки стратегии и определения размера
позиции.

Обучение с учителем и без учителя: Когда что
применять

Обучение с учителем применяется, когда у вас есть исторические метки.
Например, вы знаете, что в прошлом после такого-то паттерна цена росла.
Это большинство задач. Обучение без учителя применяется, когда у вас нет
меток или вы хотите разведать структуру данных. Например, вы не знаете,
какие дни похожи. Кластеризация по волатильности и объёму может
выделить «спокойные вторники» и «буйные пятницы». Затем для каждого
кластера можно обучить отдельную модель с учителем, что часто
значительно повышает качество предсказаний.

Гибридный подход (5е1Г’5ирегу|5ес1 1еагп1пд) — новое слово в М1_. Модель
сама создаёт метки, например, предсказывая следующую свечу по
предыдущим. Потом дообучается на малом количестве размеченных данных.
Этот подход особенно перспективен в финансах, где разметка данных
(определение, был ли данный момент оптимальным для покупки) часто
субъективна и зависит от горизонта инвестирования. 5е1Т-зирегу|зеб 1еагпIпд
позволяет модели извлечь максимум информации из неразмеченных данных,
используя лишь естественную структуру временного ряда.

Переобучение моделей: Проклятие
трейдера-кванта

Переобучение (оуегШщд) — когда модель выучила шум в обучающих
данных, а не сигнал. На истории она показывает фантастические результаты
(Ббагре 3.0, уу!п г а Ге 80%). На новых данных — сливает. Это самая
распространённая и самая опасная ошибка в применении машинного
обучения к трейдингу. Переобученная модель — это иллюзия прибыльности,
которая рассеивается в момент встречи с реальностью. Каждый начинающий
квант проходит через этот этап; восторг от бэктеста, за которым следует
разочарование на живом рынке.

Рис, 21. Демонстрация переобучения: сложная модель уз простая модель и кривые
обучения

Как распознать переобучение? Первый признак — огромный разрыв
между точностью на 1га 1п (99%) ина 1е5С (45%). Второй — модель с 5000
параметров, а данных всего 1000 сделок. Третий — идеальные результаты,
но стратегия использует 200 правил. В финансах переобучение практически
неизбежно, если не бороться с ним активно, потому что финансовые ряды
короткие и зашумлённые. Отношение сигнал/шум — как шёпот на
рок-концерте. Модель быстро запоминает случайности, принимая их за
закономерности, и воспроизводит их на обучающей выборке с высокой
ТОЧНОСТЬЮ.

Как бороться с переобучением? Регуляризация (1_1, 1_2, ёгороЩ) —* штраф
за большие веса, заставляющий модель быть более консервативной. Ранняя
остановка — прекращаем обучение, когда валидационная ошибка перестаёт
падать. Упрощение модели — меньше слоёв, меньше деревьев.
Кросс-валидация с временным разбиением — никогда не перемешивать
будущее с прошлым. Оценка на вневыборочных периодах — например,
обучаем на 2018-2022, проверяем на 2023-2024.

Золотое правило; Если модель выглядит слишком хорошо,
чтобы быть правдой — она переобучена.
В>а5-\/апапсе ТгайеоТТ: Фундаментальный
компромисс

Это ключевая концепция всего М1_. Она объясняет, почему простая
модель часто побеждает сложную, В1Э5 (смещение) — ошибка из-за того, что
модель слишком проста. Например, линейная регрессия не может уловить
нелинейные паттерны. Она будет ошибаться систематически, всегда
предсказывая нечто среднее, упуская важные детали. Уалапсе (дисперсия)
— ошибка из-за чувствительности к малым колебаниям данных. Сложная
модель (глубокое дерево решений) может изменить прогноз при замене
одного примера, что делает её предсказания нестабильными и
ненадёжными.

Рис. 22. Компромисс Ь1а5-уаг1апсе: зависимость ошибки от сложности модели

Тгас1еоТГ заключается в следующем: простая модель даёт высокий Ь|Э5 и
низкий иапапсе, а сложная — низкий Ь1аь и высокий иапапсе. Оптимум —
посередине, где суммарная ошибка минимальна. Для трейдера это означает,
что линейная модель (логистическая регрессия, $УМ с линейным ядром) не
поймёт сложные паттерны, но зато не переобучится. Если она показывает
прибыль — это надёжно. Глубокие сети могут поймать тонкие эффекты, но
легко переобучиться. Ансамбли (случайный лес, градиентный бустинг) дают
хороший баланс, усредняя предсказания множества простых моделей.

Тип иоде ли	Й1Э5	\/апапс е	Риск переобучения	Рекомендация
Линейная регрессия	Высокий	Низкий	Низкий	Начните с этого
Случайный лес	Средний	Средний	Средний	Хороший баланс
Г радиентный бустинг	Низкий	Средний- еысокий	Средний-высоки й	Требует тонкой настройки
Г лубокая нейросеть	Низкий	Высокий	Высокий	Много данных + регуляризация

Таблица 11. В1Э5-уапапсе для разных типов моделей в трейдинге

Правило большого пальца: начните с простой модели (линейная
регрессия). Если она не работает, усложните немного (случайный лес). Если
и тогда нет профита — вероятно, сигнала нет, а не проблема модели. Это
может показаться контринтуитивным г. эпоху мощных нейросетей, но именно
простота модели является вашей защитой от самообмана. Если простая
модель не находит сигнала, сложная модель, скорее всего, просто
переобучится на шуме.

ГИБРИДНЫЙ БЛОК: Код для проверки
переобучения

Ниже приведён пример кода, демонстрирующий, как простая модель
может превосходить переобученную на вневыборочных данных,. Мы
генерируем синтетические финансовые данные с шумом и слабым сигналом,
затем сравниваем два случайных леса: один с большим числом глубоких
деревьев, другой — с малым числом, неглубоких.. Используем "ПтеЗепезЗрНЕ
для корректной кросс-валидации с учётом временной структуры данных, что
критически важно в финансовом контексте..

Ггогг ШеаггкепзеиЫе дтрог^ Рапс1отГоге$Н1аз51Нег

Ггот ШеагП'ИеШсз 1трог1 ассигзсу^зсоге

Ггот 5к1еэгпвтос1ек8е1есиоп 1«рог1 Пвв8ег1е5$р1И
1гпрог-1 пцтру аз лр

й Генерируем синтетические финансовые данные (шум + слабый сигнал)
пр+гапс!оР1,5еей(42)
п - 5009

X = пр,гапйот.гапйп(л, 16) « 10 признаков-шумов

й Слабый сигнал: зависимость от первого признака и сумяы 2 и 3

У = ( (й[:э0] + Х[:,1] - Х[:,2] * пр.гэпйот,гапйп(л)*0.9 ) > 6 ).аз1уре(1л1)

и Переобученная модель (много деревьев, большая глубина)

оуегШ.войе! = ГэпйойЕоге51С1а551Г1ег(п_ез1;ша^огз=560, тах_(1ер111=20р гал(1оп1_Б1а1;е=42)
й Простая модель

Б1тр1е_то|1е1 = йалйот1:оге&1С1.аз51Г1ег(п_езита.1ог5=50| тах_г1ер 111=3, гапс!оп1_51а1;е=42)

и ТшеЗепевЗрШ

исч =₽ Т1яе5ег1е55рШ(п_&р11и=5)

оуегШ_5согез = []
Е1тр1е_5соге5 = []

^ог 1га1л_1с1хя Ёв21_й1х й 15СУ.5р1И()0:

ХЛгвш, = Х[ 1га1п_1й:<] 3 Х[Ъе8ЩДх]

у_1га!п, у_1ез1 = у[Ъга!пЛс1х]я у[1е51_1с1х]

оуегГ11_яюс1е1. Н1(Х_Ьга1г , у_Ъга1п)

з 1 тр 1 е_тос1е1. Г1 Ц га1п , у_ Ьга1 л)

о^е г П 1_йсо ге а. ар репс! (асси гас у _ес аге ( у _1е , оуё г I111_люйе 1. р ге с11с: Х_ Ьез1)))
а 1 тр 1 е_5с а газ. арр еяй (ассл гасу _ зсоге (у _ I я 51 тр 1 е _ тсс! &1. р гей 1сЦ X _ Ъ))}

ргйЦ?"Переобученная модель: средняя точность {пр.теап(ауегТН_асогеа): .ЗИ”)
рг}пЪ(Г"Простая ыоделы средняя точность {ар.яеал(51тр1е_$соге$)*-ЗП1’)
й Результат: простая модель часто работает лучше на тесте, котя на тройне уступает.

Вывод: не гонитесь за сложностью. Начните с простого. Сложная модель
— это не самоцель, а инструмент, который оправдан только тогда, когда
простые подходы не дают результата и когда у вас достаточно данных для
обоснования дополнительной сложности.

Глава 9. Статистика и

вероятность для
алгоритмического трейдинга:
Искусство неопределённости

Машинное обучение без статистики — как корабль без компаса. Вы
можете плыть, но не знаете, куда. Статистика даёт вам язык для описания
риска, меру уверенности в прогнозе и способ проверять, не обманывает ли
вас удача. В трейдинге мы всегда оперируем в условиях неопределённости, и
именно статистика позволяет количественно оценивать эту
неопределённость, отличать закономерности от случайности и принимать
решения, основанные на вероятностях, а не на интуиции.

Основы математической статистики: Язык
неопределённости

в трейдинге ничто не определена. Мы оперируем вероятностями.
Поэтому вам нужно подружиться с несколькими ключевыми понятиями.
Случайная величина — доходность актива завтра. Мы не знаем её значение,
но знаем возможные значения и их вероятности. Распределение — закон,
описывающий, какие значения чаще встречаются. Например, нормальное
распределение (колокол) — для многих природных явлений, но для
доходностей — плохая модель, как мы скоро увидим.

Моменты распределения — это числовые характеристики, описывающие
форму распределения. Среднее (ти) — ожидаемая доходность, в финансах
часто близко к нулю. Дисперсия и стандартное отклонение (сигма) — риск,
волатильность. Асимметрия (гке’лпезз) — отрицательная асимметрия
означает, что хвост слева длиннее, то есть риск резких падений выше риска
резких ростов. Большинство активов имеют отрицательную асимметрию, что
критически важно для управления рисками. Эксцесс (кигГоы^) — «толщина
хвостов». У финансовых активов эксцесс значительно больше 3, что означает
больше экстремальных событий, чем предсказывает нормальное
распределение. Это те самые «толстые хвосты» Нассима Талеба, которые
делают нормальное распределение опасным инструментом в финансах.

Распределения доходностей: Почему Гаусс не
друг трейдера

Классическая финансовая теория предполагает, что доходности
распределены нормально. Это удобно, но ложно. Эмпирические факты
неумолимы: распределение доходностей имеет тяжелые хвосты —
экстремальные движения (10 сигм) случаются в тысячи раз чаще, чем
предсказывает нормальное распределение. Кластеризация волатильности:
большие изменения следуют за большими, малые — за малыми. Лёгкая
асимметрия: для акций левый хвост тяжелее правого (падения резче, чем
подъёмы). Каждый из этих фактов систематически нарушает предположения
нормальности, и игнорирование их ведёт к катастрофической недооценке
рисков.

Рис. 23. Сравнение нормального распределения и Ь-ра с пределения: толстые хвосты е
финансах
Какие распределения используют в МЬ-трейдинге? Распределение
Стьюдента (I) имеет параметр степеней свободы, регулирующий толщину
хвостов. Обобщённое распределение ошибок (ОЕЭ) предоставляет ещё
больше гибкости в моделировании формы хвостов. Эмпирическое
распределение — просто берём исторические данные как есть (бутстрап),
что позволяет избежать любых параметрических предположений. Для
практика правило простое: никогда не предполагайте нормальность.
Используйте робастные статистики (медиана. ЮН вместо среднего и 5(й), При
оценке УаН (Уа1ие а( К1зк) используйте историческую симуляцию, не
п а ра метрическую.

Момент	Обозначен ие	Смысл в трейдинге	Типичное значение
Среднее	ГПЦ	Ожидаемая доходность	*-0 для дневных доходностей
Дисперсия	51дгпа-квадр ат	Риск, волатильность	Зависит от актива
Асимметрия	ЗкетспеББ	Соотношение рисков роста/падения	Отрицательная для акций
Эксцесс		Вероятность экстремальных событий	»3 (толстые хвосты)

Таблица 12. Моменты распределения доходностей и их значение для трейдинга

Корреляции и зависимости: Когда вместе
падать выгоднее, но опаснее

Корреляция — мера линейной связи между двумя переменными.
Коэффициент Пирсона (г) принимает значения от -1 до 1. в трейдинше
положительная корреляция наблюдается между золотом и серебром, нефтью
и канадским долларом. Отрицательная — между акциями и облигациями
(часто, но не всегда). Нулевая — между ценой биткоина и ценой молока.
Однако проблема в том, что корреляция не означает причинность. Акции
мороженого коррелируют с лесными пожарами (летом оба растут), но
причина не прямая — за обеими переменными стоит третий фактор,
температура.

Нестационарность корреляций — ещё одна критическая проблема.
Корреляция между акциями и облигациями меняет знак в кризисы. Модель,
заучившая корреляцию за 2022 год, в 2023 году будет ошибаться. Поэтому
для практического применения стоит использовать альтернативные меры
зависимости? корреляцию Спирмена (ранговую), более робастную к
выбросам; информацию взаимную (ти1иа1 (пТогтайоп), улавливающую
нелинейные связи; копулы (сорЫаз), моделирующие совместное
распределение с учётом хвостовой зависимости — в кризис все падает
вместе сильнее, чем в обычное время. При построении
диверсифицированного портфеля по методу Марковица используйте
робастные оценки ковариационной матрицы, например ЬедоЛ-ТУоИ,

Типы КОРР4ЛЯЦМИ1  ТСРГО1ИК ДАННЫМ

Рис. 24. Типы корреляций в финансовых данных: Пирсон У5 Спирмен

Проверка гипотез: Отличается ли ваша
стратегия от случайности?

Вы обучили модель, получили прибыль в бэктесте. Но может быть, вам
просто повезло? Проверка гипотез помогает ответить на вопрос: насколько
вероятен такой результат, если на самом деле модель не работает (нулевая
гипотеза НО)? Основная идея: НО — истинная доходность стратегии равна О,
Н1 — доходность больше 0. Вычисляем 1-статистику, затем р-уа!ие —
вероятность получить такие или более экстремальные результаты при но.
Если р-уа1ие меньше 0.05, отвергаем НО.
Проверь* гнп&т*з: сиенк* торгелвй стр*тегин

Рис. 25. Проверка гипотез: нулевая и альтернативная гипотезы, ошибки I и П рода

Проблема в финансах: множественные тестирования — вы перебираете
100 моделей, одна даст р-уа1ие 0.01 случайно. Поправка Бонферрони строже.
Бэктест даёт завышенные р-иа1ие$ из-за утечки данных. Распределение
доходностей не нормально, поэтому Стест не точен. Лучший подход:
использовать бутстрап (перемешивание сделок с сохранением временной
структуры, например Ыоск Ьоо^гар), и проверять стратегию на
внееыборочном периоде, а не полагаться только на р-уа1ие.

Код для бутстрап-теста доходности:

1трог11 пиару Э5 пр

Йа11у_ге1игп§ = [0.01, -0.005, 0.02, -0.01, 0.005] й пример доходностей

п_с!зу$ = 1$п((1а11у_ге^игг1$}

п_Ьао1$Ьгэр = 10000
51ти1а1ё(1_геи1ГП5  []

Гр г _ 1п гапдеСп_Ьоои1гяр)1

Шгсез я пр'Галскя^шНлЦв; п_<*аузр п_йауз)

51т_гв111гп = пр>теэп((1э11у„ге1игп5[1п(Исе5])

з 1 ти 1 а1е(1_ ге гл з, арр епд ( б! т_ ге1и гп)

р_уа!ие = пр.цеап(пргэггау(81ви1аЪес1.ге1игп8) <= 6)

рг1п1(РЪутстрап р-уа1ие: {р_уа!ие: ЛГ}11}

Байесовский подход: Как обновлять
убеждения на основе данных

Классическая статистика говорит: «Параметр фиксирован, и мы его
оцениваем». Байесовский подход: «Параметр — это случайная величина, у
нас есть априорное убеждение, и данные его обновляют». Формула Байеса:
Р(тета | с1а1а) пропорционально Р(с1а1:а | тета) умножить на Р(тета), где
Р(тета) — априорное распределение {ваша вера до данных), Р{ба1:а | тета) —
правдоподобие, Р(тета | с!а1а) — апостериорное распределение (обновлённая
вера). Это фундаментальный сдвиг в мышлении: вместо одной точечной
оценки вы получаете полное распределение вероятностей, что позволяет
количественно оценивать неопределённость.

Рис, 26. Байесовское обновление: от априорного распределения к апостериорному

Для трейдера байесовский подход — это золото. Вместо одной оценки
«доходность стратегии = 0,2%» вы получаете распределение. Вы можете
сказать: «С вероятностью 95% истинный Збагре лежит между 0.8 и 1.5». Вы
можете ввести информативный априор: например, в крипте априорная
волатильность выше, чем в акциях. Применение в МЬ-трейдинге включает
байесовскую оптимизацию гиперпараметров — умнее, чем дпс! ЕеагсГ»;
байесовские нейронные сети, дающие не только прогноз, но и
неопределённость прогноза — модель скажет: «Я на 70% уверена в росте, но
моя неопределённость высока — не рискуй большим капиталом»; и
онлайн-обновление убеждений — после каждой сделки обновляем
апостериорное распределение параметров стратегии.

Простой пример: Байесовское обновление вероятности
успеха

Ггот астру.51а15 1трог1 Ье1а

й Априор: Ве1а(1,1) — равномерное, верим, что всё возможно
рг!ог_а, рг!ог_Ь = 1р 1

й Наблюдения: 10 сделок> 6 прибыльных
= 6

Ш1игез * 4
й Апрствриор: Ве1а(1*6, 1*4)  В«и(7,5)
роз^.а = рг!ог_а * зоссезз
розЪ.Ь я рг!ог_Ь *

И О»|щаеиая вероятность успеха - а/(э*Ю - 7/1? - 9 ..533

4 Интервал! 95$ сгеЛЫе 1гйвт1 (от 0+33 до 0<82)
Почему байесовский подход — будущее трейдинга? Рынки постоянно
меняются. Статическая модель, обученная однажды, устаревает.
Байесовский подход позволяет постоянно обновлять параметры, взвешивая
старые убеждения и новые данные. Это естественная защита от
переобучения и дрейфа концепции, потому что априорное распределение
действует как регуляризатор, не позволяя модели слишком резко менять
свои параметры в ответ на шум в новых данных.

ГИБРИДНЫЙ БЛОК: Статистика в действии

Навык 1. Проверка распределения доходностей

шрогЪ пиару а$ пр
1<прог1	аз и

1л1рогЪ уНпалсе аз уГ

4 Загружаем доходности 5РУ
эру = уЛ(1онп1оа(К||8РГг зЪаг1="2026-01-01 \ епс!="2024-01-01")
геЪигпз = зру[||С1озе||],рс1_с^апде() ,бгорпа()

4 График ОЦ-р1о^ (сравнение с нормальном распределением)
1лрог1 та1р1оШЬ.рур1о1 аз р!1

зЪа15.рго1эр1оЪ(геЪигпБа 4151;-'погв11, р!о1=р11;)

рН.Ш1еС^0-р1оЪ доходностей 8₽У уз нормальное распределение"}
р11.з1юм()
4 Если точки не лежат на прямой — распределение не нормальное.

4 Тест Шапиро-Уилка (на нормальность)

5Нар1го_й1а1р зйар1го_р = з1аи.з^ар1го(ге1мгпз.заар1е(5000)}

рг1п1(Г!1р-уа1аа теста на нормальность: {збархго.р:.1е}")

4 Обычно р-уа1ие < 0.001, отвергаем нормальность.

Навык 2. Байесовская оценка волатильности

1н1рогЪ рупсЗ аз рн

4 Модель: доходности * 1-распределение (робастное) со случайной волатильностью
рт.НобеК):

4 Априорное распределение волатильности

51дюБ = рв,НаЖаисЬу("з1дта", Ье1а=0.02)

4 Априорное для среднего (очень слабое)

та = рт.Нагта1("»и", ви=0, з!дта=0.01)

4 ^-распределение с низкими степенями свободы (толстые хвосты)
ла = рт.Ехролепиа1("пи|Ь, 1ат=1/10)

ге1иглз_оЬз = рт.5Ъис1елН(||гей1ГП5м, пи^ли, ти=ти, з1д«1а=з1дта, 0ЬЁегуе11=ге1игл5.уа1ие5)
Ъгасе = рв.залр1е(10ей3 1опе=100Й)

рт.зиттагу(1гасе) 4 выводит апостериорные интервалы для ни, зтдта
Вывод: статистика и байесовский подход дают вам не только
прогноз, но и меру уверенности, А уверенность — это и есть
управление риском.

Итог Части III {Главы 8-9)

Машинное обучение для трейдера — это не магия, а набор инструментов:
классификация, регрессия, кластеризация. Каждый из этих инструментов
имеет свою область применения, свои преимущества и свои ограничения.
Классификация проста в интерпретации и идеальна для генерации торговых
сигналов. Регрессия даёт больше информации, но требует аккуратной
настройки. Кластеризация помогает обнаруживать скрытые режимы рынка,
которые можно эксплуатировать отдельными моделями. Начинайте с
простого — это не слабость, а мудрость.

Переобучение — ваш главный враг. Оно неизбежно, если не
контролировать сложность модели и не использовать временную
кросс-валидацию. Финансовые данные уникальны в своей коварности;
короткие ряды, высокий уровень шума, нестационарность — всё это создает
идеальные условия для переобучения. Защита от переобучения — это не
одноразовая процедура, а постоянный процесс, включающий регуляризацию,
раннюю остановку, упрощение моделей и, самое главное, честную оценку на
данных, которые модель никогда не видела.

Статистика даёт язык для описания неопределенности. Финансовые
доходности не нормальны, имеют толстые хвосты и кластеризованную
волатильность. Игнорирование этих фактов — прямой путь к
катастрофической недооценке рисков. Тест Шапиро-Уилка, ОС)-р1оС, бутстрап
— ваши инструменты для проверки предположений. Никогда не стройте
модели на основе нормальности, пока не доказали, что она имеет место — а
в финансах она почти никогда не имеет места.

Байесовский подход — лучший друг онлайн-трейдинга. Он позволяет
обновлять убеждения и количественно оценивать неопределённость
прогноза. Вместо одного числа вы получаете распределение, и это
распределение говорит вам не только о том, что ожидать, но и о том,
насколько можно быть уверенным в своих ожиданиях. В мире, где рынки
постоянно меняются, способность адаптивно обновлять свои убеждения —
это не просто преимущество, это необходимость выживания.
Ты теперь вооружён теорией. В следующей части (Часть IV} мы
наконец-то возьмём в руки молот и начнём строить реальные модели;
линейная регрессия, случайный лес, ХСВоозК, 1.5ТМ и трансформеры. 14,
конечно, разберём, почему самая крутая нейросеть может сливать деньги,
если забыть про риск-менеджмент. Готовь терминал и кофе. Скоро будем
кодить.

ЧАСТЬ IV. АЛГОРИТМЫ
МАШИННОГО ОБУЧЕНИЯ ДЛЯ
ТРЕЙДИНГА

Мы подошли к сердцу книги. До сих пор мы говорили о данных,
статистике, переобучении. Теперь возьмём в руки реальные инструменты.
Эти алгоритмы — от примитивных, как молоток, до сложных, как лазерный
скальпель — составляют арсенал современного риати-трейдера. Каждый из
них имеет свою нишу, свои преимущества и свои ограничения, и понимание
того, когда какой инструмент применять, отличает профессионала от
дилетанта.

Но предупреждаю: не все они одинаково полезны. Некоторые созданы
для других вселенных. Я покажу, какие работают на финансовых рядах, а
какие лучше не трогать. И главное — научу вас оценивать модели не по
игрушечным метрикам, а по деньгам. Потому что в конечном счёте
единственная метрика, которая имеет значение для трейдера — это и
всё остальное — лишь средство для его максимизации.

Глава 10. Классические
алгоритмы машинного обучения:
от молотка до лазера

Классические алгоритмы — это фундамент. Прежде чем бежать за
нейросетями, вы должны освоить их. Почему? Потому что они
интерпретируемы, быстры, и часто дают 90% возможного профита. Глубокое
обучение добавит последние 10%, но с риском переобучения. Это как в
строительстве: прежде чем покупать лазерный резак, научитесь работать
молотком. Молоток не такой эффектный, но им можно забить 90% гвоздей, а
оставшиеся 10% требуют специнструмента, который стоит в сто раз дороже
и требует месяцев обучения.

Рис. 27. Сравнение классических алгоритмов МЬ но ключевым метрикам для трейдинга

Линейная регрессия: прямая линия сквозь
хаос

Самый старый, самый понятный, но и самый недооценённый алгоритм.
Линейная регрессия ищет линейную зависимость: у = у«1*х1 + 1а/2*х2 + ... + Ь.
Интуиция проста: представьте, что вы хотите предсказать доходность акции
Арр1е по доходности индекса 8&Р; 500. Линейная регрессия проведёт прямую
линию через облако точек и скажет: «Когда 8&Р; 500 растёт на 1%, Арр1е в
среднем растёт на 1.2% (Ье1а = 1.2)». Это простейшая модель, но её сила — в
прозрачности: вы точно знаете, какой вклад вносит каждый фактор, и
можете объяснить это любому.

г

5

41

П[>4ДГ^Н"Н1н*	44)

Рис. 28. Линейная регрессия: доходность 5РУ уб ААРЕ с доверительным интервалом

8 трейдинге линейная регрессия применяется для предсказания
доходности актива на основе факторов (Рагла-Ргепсб: рынок, размер,
стоимость), оценки беты актива (чувствительности к рынку) и как базовый
бенчмарк: если линейная модель не может извлечь прибыль, сложная,
скорее всего, переобучится. Ограничения также существенны: предполагает
линейную связь (на рынке нелинейностей больше, чем линий), чувствительна
к выбросам и предполагает гомоскедастичность (постоянную дисперсию
ошибок), что на рынке почти никогда не выполняется.

Ггош 5к1еагп.11пеаг_пц>с1в1 1тро<4 Ипезгйедгезйоп

Ргскп зк1еаггыпв^г1сз 1трог1 теапт5чиагес1,еггаг

1трог1 уИпапсе а5 у?

1трог1 рапйаз аз рс!

Д Загружаем данные

зру = уЛаоип1оаС5РГ’, &йагЪ="2022-01-0111, ел^Л2024-01 01|>)["С1озе"]
эар! - уГ.йоип1оай(,"ААР1||п зЬгЬ" 2022-01-01", епй-||202^-01-01")[||С1о5е11]

# Вычисляем дневные доходности

геЪигпз.зру = зру.рсксЬапдеО, йгорпа()

г е1;с1 гпз „аар1 = аар1,рсксПапде() .ЛгорпаО

6Г = рй.0а1аЕгате({|"5РУ11: геЪнгпз.зру, "ААРЬ11: гей>гпз_аар1}) .4горла()

X = (1Г[[||5РГ||]]^а1ие&

у = аГ[||ААР111].. иа1иез

зрШ = 1П1(6.7 * 1еп(Х})

Х_1га1п, Х_1еа1 = Х[:зр1И], Х[зрШ:]

у_1га!п, у_1е&1 = у[:5р1И]н у[зрШ:]

войе1 = ИпйагйедгйЁ51оп()

тайе 1.	Х_ 1га 1п, у_ I га 1п)

у_ргес1 = тос1е1..ргеШ.сЪ(Х_,ЬеЁ1)

рг!пЪ(РКоэффициент	{йй^е!. сй'&Е_[0]; .2Т}")

рг1пЪ(Г’М$Е: {теап.з^уаге^-вггогСу.из^т у.ргесО:ЛП")

Логистическая регрессия: вероятность вместо
числа

Не пугайтесь названия. Это не регрессия (не предсказывает число), а
классификатор. Он предсказывает вероятность принадлежности к классу с
помощью сигмоиды, которая превращает любое число в вероятность от 0 до
1. Классическая задача в трейдинге: вырастет ли цена через час (1) или нет
(0)? Логистическая регрессия выдаст вероятность 0.7, что означает «70%
шанс роста» — и вот это уже полезная информация для принятия решения о
входе в сделку.

Почему логистическая регрессия хороша для трейдинга? Она
интерпретируема: веса показывают вклад каждого признака. Устойчива к
переобучению при правильной регуляризации. Даёт вероятности, а не
жёсткие метки — можно фильтровать сигналы по порогу уверенности.
Минус: тоже линейный разделитель., не может выучить сложные
взаимодействия между признаками. Но как первый шаг и бенчмарк —
идеальна.

Ггап зкХеагп. Ипеаглюйе! 1трог1 кодкНсНедгеззкт

^гап- 5к1еагп.теШс5 1трогЪ ассигасу_зсоге

1(прогТ пиару аз пр

й Создаем признаки: К 51, объем, волатильность

и Цель: 1 если доходность через 1 час > Йя иначе 0

обе! = 1од1а^1сЯедге5Е1ол(С=в.1) ЯС- регуляризация
(1Си1е1.Н1(Х_1гэ4п, у_1га1п)

у_рге(1_ргоЬ = тсс1е1ьргйс11сЬ_ргоЬа(Х_Ье&^)[:, 1] й вероятность класса 1
у_ргес!_с1а$$ = (у_рГ€<1_ргоЬ > е„55),а8^уре(1п1) й порог моина менять

рг 1п 1( ? 11 Ассм г асу: } ессо га су _?с с ге (у _	, у _р г еЦ_с 1 а$ §): Л Н11)

Метод ближайших соседей (к-ММ): окружение
определяет судьбу

к-ММ не учится в классическом смысле. Он просто запоминает все
обучающие примеры. Когда приходит новый объект, он смотрит на к самых
похожих примеров (ближайших соседей} и голосует. Аналогия: если вы
хотите узнать, хороший ли ресторан, спрашиваете 5 людей, которые имеют
схожие с вами вкусы. В трейдинге к-ИМ ищет похожие рыночные ситуации в
прошлом: сегодняшний паттерн свечей (3 красные, объём падает, Н51 около
45) был 10 раз в истории, и в 7 из 10 случаев цена потом росла. Проблемы
к-ЫМ: проклятие размерности (если признаков больше 20, расстояния теряют
смысл), медленный на больших данных и чувствителен к масштабу
признаков.

Наивный Байес: наивно, но иногда
эффективно

Основан на теореме Байеса и «наивном» предположении: все признаки
независимы. В финансах это почти всегда ложь — индикаторы коррелируют
друг с другом, и предположение о независимости систематически
нарушается. Тем не менее, наивный Байес работает для классификации
текстов (например, сентимент новостей) и некоторых задач с высокой
размерностью, где точная оценка совместного распределения невозможна.
Для временных рядов цен он почти бесполезен, но если ваш пайплайн
включает анализ тональности новостей или твитов, наивный Байес может
стать полезным компонентом более сложной системы.

Деревья решений: серия вопросов и ответов

Дерево решений — это блок-схема, Каждый узел спрашивает: «Признак X
больше порога?» Да — идём в левую ветку, нет — в правую. В листьях —
решение (купить/продать). Достоинства: интерпретируемость (вы можете
нарисовать дерево и объяснить его трейдеру-человеку), не требует
нормализации, работает с пропусками. Недостатки: склонность к
переобучению (особенно если дерево глубокое), нестабильность (малое
изменение данных может полностью изменить структуру дерева).
Финансовые ряды часто заставляют дерево расти огромным, что ведёт к
переобучению. Как бороться: ограничивать глубину (гпах_с!ер№=3..5)1
минимальное число образцов в листе.

Случайный лес (Напйот Роге 51): мудрость
толпы деревьев

Один трейдер может ошибаться, а 1000 трейдеров, каждый немного
разных, в среднем правы. Случайный лес — это ансамбль из множества
деревьев решений, каждое обучено на случайной подвыборке данных и на
случайном подмножестве признаков. Итоговый прогноз — усреднение или
голосование. Это один из самых популярных алгоритмов в трейдинге: он
сильно снижает переобучение по сравнению с одним деревом, устойчив к
выбросам и шуму, позволяет оценить важность признаков (^еа1иге
1трог1:апсе) — какие индикаторы реально влияют на цену.

Важнскть нрнаййкйв (Влпс/ат К&гы'Н — та рга мы» нйдмкАтары

Рис. 29. Важность признаков в модели случайного леса для прогнозирования направления
цены
Ггогп 5к1еагп.впзеяЫв 1трог1 Яаг^отГогезШаззШег

г€ = Яапс(отЕогезШа551Нег(п_езНта1ог5=100г тах_с!ер 1Ь=5,

м п . 5 аир 1 ез_ 1 еа 1 - 20, г а п с1 от _з Ые=42)

НЛНСХЛгаш, у_1га!п)

рНпЦРВамжють признаков: №сЦг1р(Геа111ге_пате5т гГ.1еа1иге_1т«рог€апсез_)}}")

Практический совет; для финансов, где шума много, используйте много
деревьев (300-500), но ограничьте глубину (тах бер1±=4-6) и увеличьте
т1п_5атр1е5_1еаТ (чтобы лист принимал решение минимум по 10-20 сделкам).
Это предотвратит запоминание шума и заставит модель искать устойчивые
закономерности.

Градиентный бустинг (ХСВооз!, ЫдИТСВМ,
Са1Воо51): король классических М1_

Бустинг строит деревья последовательно: каждое следующее дерево
исправляет ошибки предыдущего. Если случайный лес — это «параллельная
мудрость», то градиентный бустинг — «последовательное исправление
ошибок». ХСВОО&1: — стандарт индустрии, побеждающий в большинстве
соревнований Кадд1е. Многие хедж-фонды используют его для т1с1-Ггед непсу
трейдинга (минуты-часы). Его преимущества: высокая точность, работа с
пропусками, встроенная регуляризация и очень гибкая настройка.

И рог рг с с ня грлдигмтнсго Бустннга

<к.1м*йан1



Рис. 30, Прогрессия градиентного бустинг,а: от слабой модели к оптимальной

йлрогЪ хдйоозЪ аз хдЬ

робе! = хдЬ ^[1ВС1э581Нег(

п„ез11та1аг5=200,

п?ах_йерЫ1=4г

1еагп1пд_га1е=0г053

ЕиЬ5втр1е=0.Ёя # случайная подвыборка строк

со1аатр1е-1Ьу1гее=0и8| # случайная подвыборка признаков
гед_а1р11а=0я11 й И регуляризация

гедЛатЬДа=1.0, й 1_2 регуляризация

гапйот_Ё1а1е=4г

)

яос1е1.НЬ(Х_1га1п, у_Ьга1п, еуа1_ее1=[(Х_уа1, у_ча1)],

еа г 1 у _з 1орр1п д_ гоипбг=20, ие гЬоае=Га 1 г в)

у_рге(1_ргоЬ = тос1е1.ргесйс1_ргоЬа(Х_1е&0[:» 1]

Важно для трейдинга: не переусердствуйте с числом деревьев
(используйте еаг1у_51орр1пд), ограничивайте глубину (тах_бер1±=3-6),
используйте 5иЬзатр1е и со15атр1е, чтобы добавить случайности и
уменьшить уапапсе, и мониторьте метрику на валидации, а не на
тренировке. ЫдЫСВМ — более быстрая версия, лучше работает с большими
данными. Са^Вооз!: — хорош для категориальных признаков (например, тип
новости, день недели).

Алгоритм	Скорость	Интерпрет ация	Профит-потен циал	Риск переобучения
Линейная регрессия	Очень быстрая	Высокая	Низкий	Низкий
Логистическая регрессия	Очень быстрая	Высокая	Средний	Низкий
к-мы	Медленна я	Средняя	Низкий	Средний
Дерево решений	Быстрая	Высокая	Средний	Очень высокий
Случайный лес	Средняя	Средняя	Высокий	Низкий
ХСВооаЕ / идьнзвм	Быстрая	Низкая	Очень высокий	Средний

Таблица 13. Резюме классических алгоритмов М|_ для трейдинга

Мой совет для старта: начните с логистической регрессии как
бенчмарка. Затем переходите к случайному лесу, потом к
ХСВообИ. Глубокое обучение оставьте на потом.

ГИБРИДНЫЙ БЛОК: Реальный пример
сравнения алгоритмов
(гот 5к,1еагп.11пеаг_пкк1е1 1трог1 кодХзЫсЙедгеззхап

Егот аккагп.епяеяЫе 1трог1 РапйотЕогезйСкййШег

йпрогк хдЬооБЬ аз хдЬ

Ггот зЫеэгп.теШсй 1трогЪ ассигасу_5соге3 гос_аис^есоге

П0С1Ё15 = {

’Тодйед11: Ьо0яЫсйедге551оп(С=0.1, тзх_Иег-1000)3

“ВапЛотЕогей^11: Рапс1о1Гог&5К1а55Н1ег(п_е5ияа1с1Г5-1ей, тах_й&р11)=4> гяпб«й_Е^ак=42},
‘ХСВооаЬ1’: эдЬ.,ХЕВС1аь5Шег(п_еШта1:ог$=100г тах_с1ер^=3, 1еагп1пд_гаЪе=0.05,
гагм1от_5Ъа1е=42)
}

Лг пате, тос1&1 1п тй[1$1$.Цва&():

мойе1.Е11(Х_Ла1п? у_1га1п)

у_ргес! = йос!еЪрг₽[ЯсЦХ_изЬ)

у.ргоЬа - по6е1.ргес11скргоЬд(Х_и$1;)[:г 1] №заНг(йЮ(1е1, мрге<11сЬ_ргоЬа’1) е1зе Мапе
асе ж ассигасу_5соге(у^е&^ у.ргер)

аис = гос_аис_$соге(у_.и51я у.ргоЬа) И у.ргоЬа Хз пак Мапе е1зе Копе
ргХпКЕ’Чпате}; Ассигасу = (асс^ЗЕ}, ВОС-АУС = {аис^ЗГ 1Е зис аке Ы/А}11)

Типичный результат: Ьодйед — Ассигасу 0.512, РЮС-АЬС 0.520;
КалаотЕогез* — Ассигасу 0.521, НОС-АОС 0,535; ХСВооз! — Ассигасу 0 528,
РЮС-АКС 0.542. Видите? Все метрики чуть выше 0.5. Это реалистично. Не
ждите 0.9. Финансовые ряды почти не предсказуемы. Прибыль рождается не
из высокой точности, а из управления рисками и соотношения
прибыль/убыток.

Глава 11. Метрики качества
прогнозов: от наивных до
профитных

Вы обучили модель. Она выдаёт какие-то числа. Как понять, хороша она
или нет? Традиционные метрики машинного обучения, увы, не отражают
главного — принесёт ли модель деньги. Мы пройдём путь от ассигасу до
финансовых метрик и поймём, почему 50% точности может быть золотом, а
90% — разорением. Это один из самых важных уроков в книге: метрика,
которую вы оптимизируете, определяет результат, который вы получите.

Ассигасу (доля правильных ответов)

Самая простая метрика: {ТР + ТЫ) / (ТР + ТМ + РР + ЕГ4) — доля верных
прогнозов. Например, 100 сделок, 55 угадала, 45 ошиблась — Ассигасу =
55%. Почему ассигасу обманчива в финансах? Дисбаланс классов: если рынок
90% времени растёт, модель, всегда предсказывающая «рост», получит
ассогасу 90%, но не заработает денег — она будет ошибаться именно в
моменты падений, где потери могут быть велики. Кроме того, ассигасу не
учитывает величину движения: угадать направление +0.01% и +5% — одно и
то же для ассигасу, хотя прибыль совершенно разная.

Ргеазюп (Точность) и Яеса11 (Полнота)

Эти метрики избавляют от проблемы дисбаланса. РгесЫоп = ТР/ (ТР + ЕР)
— из всех сигналов «В11У», сколько реально принесли прибыль? Высокая
ргес1з1оп означает, что модель редко ошибается, когда даёт сигнал, но может
пропускать много возможностей (низкий гесаН). КесаН = ТР/ (ТР + РИ) — из
всех реальных возможностей для покупки, сколько модель поймала?
Высокий гесаН — модель не упускает хорошие движения, но может давать
много ложных сигналов.

В трейдинге выбирайте в зависимости от стратегии. Высокая ргес!51оп
(например, 0.8) важна для высокорисковых стратегий, где каждая ошибка
дорого стоит. Высокий гесаН (0.9) важен для стратегий, где пропустить
движение страшнее, чем ошибиться (например, трендовая стратегия).
Р1-мера — гармоническое среднее ргесЫоп и гесаН, балансирует оба
показателя.

КОС-ДОС: Как хорошо модель разделяет
классы

Рис. 31. ДОС-кривые для трёх моделей: логистическая регрессия, случайный лес. ХСВоозЕ

НОС-АМС измеряет способность модели отличать класс 1 от класса 0 при
разных порогах. А11С = 0.5 — случайное угадывание, 1.0 — идеальное
разделение. Что значит АУС = 0.55? Модель чуть-чуть лучше монетки. На
финансовых рядах получить ДОС больше 0.55 на тестовой выборке уже
неплохо. А11С больше 0.6 — отличный результат. Преимущество АНС: не
зависит от порога классификации и от дисбаланса классов, позволяет
сравнить модели на равных.

Почему высокая точность не гарантирует
прибыль: Великий обман

Тич । н»ггь л я 11 р| |Тз1 л_и.1 нк~гг.

Лкыэмь И

кртшил	1Г| м	их	чйытъа.	к.рпакЖтйап»

Рис. 32. Почему ассигасу обманчива: модель с меньшей точностью может быть
прибыльнее

Представьте две модели, предсказывающие направление 8&Р; 500 на час
вперёд. Модель А: Ассигасу 55%, но её ошибки случаются, когда рынок
падает на 2% (она предсказывает рост). Проигрыш на падениях велик, а
выигрыш на ростах мал. Итог: убыток. Модель В: Ассигасу 52%, но её
прибыльные сделки в среднем дают +0.3%, а убыточные — только -0.4%
(верное соотношение гФк/ге'лагб). Итог; прибыль. Ключевые факторы, кроме
ассигасу: соотношение средней прибыльной сделки к средней убыточной
(Ргоб1 Еас1ог}, распределение ошибок и риск разорения. Стратегия
трендового следования может иметь ассигасу 40%, но прибыльные сделки в
5 раз больше убыточных — и она зарабатывает миллиарды.

Финансовые метрики эффективности моделей

Именно эти метрики определяют, будет ли ваша стратегия зарабатывать
реальные деньги на реальном рынке. Ни одна из них не является
достаточной сама по себе — только их комбинация даёт полную картину.
Рассмотрим каждую подробно, с практическими рекомендациями по
интерпретации.
Метрика	Формула / Смысл	Хорошее значение	Предупрежден ие
ЗЬагре А. а Но  Мах Огашйошп	Доходность на единицу риска  Максимальная потеря  от пика	1.0-2.0 - ОТЛИЧНО  Меньше 20%	Больше 3 — подозрительно  Скрытые хвостовые риски
РгоТН Рассог	Сумма прибылей / Сумма убытков	Больше 1.5	Мало сделок — не статистика
ЗоЖпо НаНо	ЗНагре, но только за просадки	Больше 1.5	Чувствителен к периоду
Са1таг РаЦо	Годовая доходность / Мах ОО	Больше 2.0	□□ может быть редким событием
Мп НаЬе	Доля прибыльных сделок	Зависит от стратегии	Не самодостаточна

Таблица 14. Финансовые метрики оценки торговых стратегий

Рис. 33. Дашборд финансовых метрик: ериИу сигуе, гаШпд ЗЬагре, плопГЫу геШгпзл
йгаигдогоп

Ь.И.Гг. I |.1ВкЛ.| I Й ;СгГМ]'Ы1г|||||Ы<<||Г Е|||1р|и (ЕтИ/ЧЫ •>

сГе! з11а гре_ га Но (ге1игп8, г15Мгее_га1е=0.0, рег1ос15_рег_уеаг=252):

ехсе&5_ге1игп& - ге^гпз - г15к_1:гее_га1е/рег1ос1Е_рег_уеаг

ге1игп пр^г4(рег1ос1&_рег_уеаг) * ехсекй.ге^игпЕ.иеапО / йхсй5ё_гй1игл5.5^с1()
Рис. 34 Карта стратегий: БЬагре НаНо уб Мах Огаодбошп (размер = Са1таг РаМо, цвет =
РгоТИ Гаски)

ГИБРИДНЫЙ БЛОК: Функция оценки стратегии

йе? еуакэ1е.1га41пд_51га1еду(у_1;г11ег у.ргей.ргоЬз, рг!сез,

Ы1ге511о1(|80,55, сэр1Ш=10006, г15к_рег_Ьрэс<е=0.02);

111111

Симуляция стратегии:

-	Если предсказанная вероятность роста > 1ЬгевЬо1с1 - покупаем,

-	Держим 1 период и закрываем.

1111И

розШопЕ = пр,МчегеСудиесЕргоЬа > ИтгеЕЧю1с1 р 1, 9) И 1 = 1опд3 0 = опЬ

ге^оглз = (рг!се5[1:] - рг1сев[:-1]) / рг1сез[:-1]

в1га1еду_ге1игп5 = ро&Шоп5[:-1] * ге1огпз й доходность по сигналу

и Учитываем комиссию и проскальзывание

С0ПШ551ОП = 0.001 # 0.1Й на сделку

з1га1еду_геСигп5_пе1 = 51га1еду_ге1иглз - сопнй881оп * (розШопзЕ :-1] ’= 0).аЕ1уре(Ноа1;)

И Рост капитала

едиИу.сигуе = сарИа! * (1 * 51га1еду_ге1игпв_пе1)-со^ргой(}

Ша1_геЬнгп = (ечпИу_согуел1ос[Ч] - сар11з1) / сар!Ъа1

рН-пЦГ’ТоШ геЪогп: (Ша1_гек1гп:.гЭД'1)

геЪигп еднИу.сигУй

Бэктест на истории не гарантирует прибыль в будущем. Но если
модель показывает стабильный положительный результат на
нескольких годах с разумными настройками риска — это
хороший кандидат для бумажной торговли.

Итог Части IV (Главы 10-11)

Классические алгоритмы — основа ^иап1-трейдинга. Логистическая
регрессия, случайный лес, ХСВооз!: — ваш хлеб. Не гонитесь за сложностью:
Х6Вооз( с правильной настройкой почти всегда побеждает нейросети на
табличных данных, к которым относятся большинство торговых признаков.
Прежде чем строить нейросеть, убедитесь, что вы выжали максимум из
классических подходов — это сэкономит вам месяцы работы и защитит от
самообмана.

Ассигасу — плохая метрика для финансов. Используйте Ргеазюп/ВесаН,
ДОС-АНС, но главное — финансовые метрики: ЗНагре, Мах □га'лро’лт, РгоМ
Расбог. Модель с точностью 52% может быть прибыльной, а с 90% —
убыточной. Всё зависит от соотношения прибыли к убытку и управления
рисками. Это, пожалуй, самый важный урок всей книги: в трейдинге важна
не частота правильных предсказаний, а величина прибыли от правильных
решений по сравнению с величиной потерь от ошибочных.

В следующей части (Часть V) мы поговорим о глубоком обучении и
нейронных сетях — о том, когда они нужны, а когда это просто
переусложнение ради эго. А затем — о самом важном: построении полной
торговой системы от сигнала до исполнения, с учётом комиссий и
проскальзывания. Теперь вы знаете инструменты. Пора собирать их в боевую
систему.

ЧАСТЬ V. ГЛУБОКОЕ ОБУЧЕНИЕ
НА ФИНАНСОВЫХ РЫНКАХ

От таблиц к нейронам, от признаков к
представлениям

До сих пор мы работали с классическими алгоритмами, которые
требовали от нас, людей, придумывать признаки (Геабиге епд1пееппд). Мы
создавали К51, МАСО, скользящие средние, лаги. Но что, если алгоритм сам
сможет найти оптимальные представления? Что, если он обнаружит
паттерны, которые человеческий ум никогда не формулировал в виде
индикаторов? Это обещают нейронные сети. И они действительно находят
нелинейные, иерархические структуры в данных. Но за это приходится
платить: данные нужны в огромных количествах, риск переобучения
взлетает до небес, а интерпретируемость падает до нуля, в этой части я
расскажу, когда игра стоит свеч, а когда лучше остаться при бустинге.
Глава 12. Нейронные сети для
прогнозирования цен:
искусственный мозг на службе
арбитража

Устройство нейронной сети: от
биологического нейрона к матричному
умножению

Нейронная сеть вдохновлена мозгом, но это лишь метафора. На самом
деле это просто последовательность матричных умножений и нелинейных
функций. Базовый элемент — искусственный нейрон (перцептрон) получает
на вход числа х1, х2, хп, умножает каждое на свой вес «1,	.юп,

складывает, добавляет смещение Ь и пропускает через функцию активации
Г На выходе — число. Один нейрон слишком прост, поэтому мы соединяем их
в слои: входной слой принимает наши признаки (например, 50 признаков),
скрытые слои вычисляют промежуточные представления, а выходной слой
даёт прогноз — одно число для регрессии или вероятности для
классификации. Каждый нейрон в слое г соединён с каждым нейроном в слое
1+1. Это называется полносвязная (Репбе) сеть.

ОифиЬ = Г(н1*Х1 + н2*к2 ♦ ... + ип*хп + Ь)

Число параметров растёт взрывообразно: если у нас 100 нейронов во
входном слое, 50 в первом скрытом, то весов между ними = 100*50 = 5000,
плюс 50 смещений. И это только первый слой. С ростом слоёв параметры
исчисляются миллионами. Именно поэтому нейросети требуют столько
данных для обучения: каждый параметр — это степень свободы, которую
нужно ограничить примерами, иначе модель просто запомнит
тренировочные данные вместо того, чтобы выявить закономерности.
Арлигплт^р^ пи,1нЬ1«'нзнии мпироннйй ^чин дли |ргиаингл

Рис. 35. Архитектура полносвязной нейронной сети для прогнозирования направления
цены

Функции активации: дверь для нелинейности

Если бы не было функций активации, вся сеть свелась бы к линейной
регрессии, поскольку произведение матриц линейно. Нелинейность
позволяет аппроксимировать сложные функции. Выбор функции активации
— один из ключевых архитектурных решений, который напрямую влияет на
скорость сходимости обучения и способность модели выявлять сложные
паттерны в финансовых данных. Рассмотрим основные функции,
применяемые в финансовых нейросетях, и разберёмся, когда и почему стоит
предпочесть одну функцию другой.

Функция	Формула	Для чего в финансах
йеШ	гпах(0. х)	Самая популярная в скрытых слоях. Быстрая, избегает исчезающего градиента
Ьеаку НеШ	плах(0.01х, х)	Когда нейроны «умирают» (А,еШ может выдавать 0 всегда)
5(дтб1с1	1/(1 + ех)	Выходной слой для вероятностей (бинарная классификация)
ТапП	(е* - е*) 1 (ех + ех)	Центрирует данные, иногда лучше 51дто1Р в скрытых слоях
БоИтах	е*"/ БаиЯе*’)	Мультиклассовая классификация (3 направления: вниз, нейтрально, вверх)

Таблица 15. Функции активации и их применение в финансовых нейросетях
П.вкЫ: ПЧАВ.СО. ы.5

Ь-влку	пт-н-нч й.О 1>:_ л Н

Рис. 36. Сравнение функций активации: ЙеШ, Геаку НеШ, $|дтоИ, ТапЬ

Важно для финансов: КеШ часто приводит к «мёртвым
нейронам1», если веса уходят в отрицательную область.
Используйте Ьеаку АеШ или ЕШ, особенно в сетях для
трейдинга, где распределения входных признаков часто
смещены.

Оптимизация обучения: как сеть учится на
своих ошибках

Обучение нейросети — это минимизация функции потерь (1о55 (ипс(;1оп) с
помощью градиентного спуска. Алгоритм обратного распространения
ошибки (ЬаскргорадаЦоп) работает в три этапа: прямой проход от входа к
выходу и вычисление ошибки, вычисление градиента ошибки по каждому
весу с помощью цепного правила, и обновление весов по формуле уу = уу -
1еагп1пд_га1:е * дгасИеп(. Этот процесс повторяется тысячи раз, и с каждой
итерацией сеть всё лучше аппроксимирует целевую функцию. Однако в
финансах этот процесс осложняется рядом серьёзных проблем.

Функция потерь	Задача	Особенности в финансах
М5Е	Регрессия(предсказание доходности)	Чувствительна к выбросам, штрафует большие ошибки

В|пагу

с го 55-&гД гору

Бинарная классификация Стандарт для вероятностных
(рост/падение)	прогнозов
НиЬег 1о55

Комбинация М5Е и МАЕ

Устойчива к выбросам — идеально
для зашумлённых финансовых
данных

Таблица 16. Функции потерь для обучения нейросетей в трейдинге

Проблемы оптимизации в финансах:

Локальные минимумы — функция потерь в нейросетях невыпукла, и 560
часто находит лишь локальный, а не глобальный минимум. Однако
эмпирически доказано, что большинство локальных минимумов дают
сопоставимое качество, и важнее выбраться из седловых точек, чем найти
глобальный минимум. Исчезающий градиент — в глубоких сетях градиенты
экспоненциально затухают при обратном распространении, делая первые
слои практически необучаемыми. Решения: ИеШ-активации, ЬаСсЬ
погглаНгайоп, остаточные связи (КеэМей). Взрывающийся градиент —
особенно актуален в кчм, где градиенты могут расти экспоненциально.
Решение: градиентное клиппирование (обрезка), которое ограничивает
максимальную норму градиента.

Гиперпара метр	Рекомендаци  Я	Почему это важно в финансах
1еагп1пд_га1е	0.001 - 0.0001	Слишком высокий — расходится, слишком низкий — учится годами
Ьа1сЬ_51ге	32 - 256	Маленький Батч даёт шумный градиент, помогающий выпрыгивать из локальных минимумов
еросНз	С еаг1у &орр1пд	Без ранней остановки модель переобучится на шум
орб1Т112ег	Ай ат	Адаптивный, работает почти всегда лучше классического 560

Таблица 17. Критичные гиперпараметры обучения нейросетей для трейдинга

Регуляризация: борьба с переобучением

Переобучение — главный враг нейросетей в финансах. Финансовые
данные зашумлены, нестационарны и содержат мало истинных сигналов по
сравнению с шумом. Нейросеть с тысячами параметров легко запоминает
шум вместо выявления закономерностей. Поэтому регуляризация — не
опция, а необходимость. Огорои! случайно отключает нейроны на время
обучения с вероятностью 0.2-0.5, что заставляет сеть не полагаться на
отдельные нейроны и учиться более устойчивым представлениям. И/Ь2
регуляризация добавляет штраф за большие веса в функцию потерь,
предотвращая чрезмерную сложность модели. ВаСсб ЫогтаНгайоп
нормализует выходы слоёв, ускоряет обучение и действует как
дополнительный регуляризатор. Но самый важный инструмент — Еаг1у
8(:орр1пд: мы останавливаем обучение, когда валидационная ошибка
перестаёт падать, даже если тренировочная продолжает уменьшаться.

Рис, 37, Кривые обучения с ранней остановкой: определение момента переобучения

Практические примеры прогнозирования

Пример 1. Простая полносвязная сеть для предсказания
направления цены ВТС/ОБОТ на 1 час вперёд.

Ниже приведён полный пример построения нейросети для бинарной
классификации направления цены криптовалюты. Модель принимает на вход
технические индикаторы (К51, МАСС, гайо объёмов, лаги доходности,
волатильность, циклические признаки времени суток) и предсказывает
вероятность роста цены. Обратите внимание на использование КоЬи5Ь5са1ег
для нормализации (из-за выбросов в финансовых данных), 1_еаку НеШ вместо
классического КеШ, а также ОгорсиА и ВаиЬМогт для регуляризации. Ранняя
остановка предотвращает переобучение.

зтрогЪ пщлру аз пр

хшрсг! рапйзз аз рй

1чоп: зкХеэгп.ргергосеззхпд йпрог! ВоЬиз^сэ1ег

Ггот 1епзог1:1оыгкегаз.1П0(1е18 лпрогЪ ЗедиепИа!

Г™ ЪепзогНон.кегазЛауегз ипрогЪ Оепзе, 0горойЦ ВаЪсННогтаИгаИоп

Ггот Ьеп5огНоы,кега8.ор1дп1ыег8 1трогЪ Абат
Ггов 1епБогТ1оы.кега5.са11Ьаск5 шрогк Ёаг1у51орр1пд

й Признаки и цель

^еа иге о1е = [1 гз!1, 1 гласе!1, 1 ио1игпе_ га II о1 я 1 ге 1и гп з_1ад11 ,

1 ге игпв _ 1 ад2 ’ 3 1 уо1а 1111 1у _261 т 1 Ьои г_51п * 3, 1 Гюи г_со 51 ]

X = <1Г[Теа1игв_со15] .уаГь&к

у = <Н[1 сГ1 гесШп1] .ча1ие&

Й Нормализация (РоЬи518са1ег из-за выбросов)
5ва1ег = ВоЬи&45са1ег()

Х_зса1ес! - 5са1ег.Ш_’Ьгао5<:огт(Х)

й Разделений в сохранением порядка (80% 1га1о, 20%

зрШДбх  Ш(1еп(Х_8са1есО * 6.8)

Х_1га1пц = Х,зса1е4^рШ_1с1хЪ Х_&са1вс1[зрШ_1бх; ]

У-Ьгадп, у_1е&1 = у[;&рШ_й1х], у[йрШ,1с1х:]

й Строим модель

пос1е1 = $едиепНа1([

0епзе(64 ( асЪ1 уа11сп=||1еаку_ге]ц11, хприкзЬаре-С 1еп( Реа1иге_со18) >)),

ВэШ1№п1ка11гаНоп(),

ОгороиКй,3),

Оепз₽( 32, ас 11 уа 11 оп=111 еа к у _ ге! и11) 3

ВаШ1№гва11гаНоп(),

ОгороиКй.З),

Оепзе( 16 р ас Ы уа I! оп=111еа к у_ ге1 и11) 3

ОепзеО, ас11Уа14оп=||з1дто1й11) « вероятность класса 1
])

г‘ос!е 1, сотр11е(ор1111112ег=А<1ап|(1еагп1пдвга1е=0.601),

1055=1 Ыпагу-СгосзепЪгору13 те1г1с5=[1 ассигасу1 ])

й Ранняя остановка

еаг1у_з1ор = Еаг1у51орр1лд{топ11ог='уз1_1обя'3 ра11епсе=1Й,
гвз 1оге .ЬезОей) 1^5=Т гие)

Й Обупение

М$Ьогу = тобй1.Ш(Х_Ъга1гц у_1га!п,
^а1ЫаЫол_Ер111:=0.2 ?

ерасб$=160б _$1зе=64,

са11баск5^[еаг1у_&1ор], уегЬой&=1)

Вывод: Скорее всего, ассигасу будет -0.52-0.54, не лучше
ХСВоозС Полносвязная сеть редко превосходит градиентный
бустинг на табличных признаках. Нейросети требуют в 10-100
раз больше данных, чем случайный лес. Если у вас меньше 50
ООО примеров, глубокое обучение, скорее всего, проиграет.
Пример 2. Использование «сырых» временных окон
вместо признаков.

Вместо того чтобы подавать Н51, можно подавать последние 100
значений цены и объёма. Сеть сама должна выучить, что такое «тренд» или
«перекупленность». Это требует больше данных, но может найти
нетривиальные паттерны, недоступные при ручном конструировании
признаков. Формируем 30-массив: X имеет форму (п_5атр1е5, И1пёо7у_5!ге,
п_Геа!:иге5), где 1ллп<1оуу_512е = 60 минут, а п_ГеаТиге5 = 2 (цена и объём}. Для
обработки таких данных нужна Ю свёртка или 1.5ТМ, но для начала можно
просто ЛаПеп и обучить Оепае сеть. Однако это создаёт огромное число
параметров: 120 весов только на вход, что требует ещё больших объёмов
обучающих данных.

й Создаём окна: X имеет форму (п.затрХез, мхпбон.гтге, п.Теа^игез)
= 6Й й 60 минут
п.^еаЩгеа = 2 Я цена и объём

Я Формируем 30-массив

Х.Н1ЛЙ0НЗ = []
У.Н1ЛЕ10И8 = []
Тог 1 1п гап^е(мгпбон_$12е, 1ел(с1Г)-1):
бона.аррепсК(Н[['с!о&е', *уо1ите']] .11ос[1-н1пск1Х_512е:1].уа1ие5)
у_н1пбом8. аррепс1(бГ[ * сНгесШп' ]. Пос[1 ])

Х_«1пбой5 = пр.аггау(Х_н1пбо»5) Я (л, иТпйои, 2)
о Теперь нужна 10 свёртка или Ь5ТИ

Х.ПаЬ = К_н1лс1ок&.гйзЬаре[Х_и1п(1он8.811аре[0], -1) # (л, *1пйох*2)

Глава 13. Рекуррентные сети и
временные ряды: когда
последовательность имеет
значение

Особенности финансовых временных рядов:
вызов для ЯМЫ

Финансовые ряды — это не мешок независимых примеров. Порядок имеет
значение. Сегодняшняя доходность зависит от вчерашней. Рекуррентные
нейронные сети (НЫЫ) специально созданы для последовательных данных:
они имеют память, позволяющую учитывать контекст предыдущих шагов при
обработке текущего. Однако прежде чем строить КММ, необходимо осознать
фундаментальные вызовы, которые делают финансовые временные ряды
одними из самых сложных объектов для моделирования. Нестационарность
означает, что распределение доходностей меняется со временем, и
закономерности, выученные моделью на исторических данных, могут
исчезнуть завтра. Долгосрочные зависимости (1опд-гапде с1ерепс1епс1е&)
означают, что значимый паттерн может длиться неделями, требуя памяти на
сотни шагов. Шум и иррегулярность создают слишком много случайности, и
модель легко переобучается на шуме вместо сигнала. Многомерность
означает, что цены, объёмы, альтернативные данные и несколько активов
должны обрабатываться одновременно.

КММ (Песиггеп1 Меига! Ме1шогк): наивная
память

в обычной сети выход зависит только от текущего входа, в яки есть
скрытое состояние К, которое передаётся от шага к шагу. На каждом
временном шаге ЯЫЫ видит новый вход и обновляет свою память.
Теоретически она может помнить долго. Практически — страдает от
исчезающего градиента и не может помнить более 10-20 шагов. Это
серьёзное ограничение для финансовых приложений, где значимые
паттерны могут длиться сотни и даже тысячи шагов. Именно поэтому
базовая НЫЫ почти не используется в современных приложениях — её
модификации Ь5ТМ и 6К11 справляются с задачей значительно лучше.

= асШаЫопОСЫ! *	* М_хЬ * х_1 + Ь)

= асШаИопОСЬу * 11.^ + Ь_у)

Ь5ТМ (Ьопд 5Ног1-Тегт Метогу): умная память
с ячейками

(_$ТМ — это ВЫЫ со специальными «вентилями» (даГез), которые решают,
что забыть из прошлого состояния, что записать в память из нового входа, и
что выдать на выход на основе текущей памяти. Эта архитектура позволяет
1-8ТМ сохранять информацию на сотни и тысячи шагов, решая проблему
исчезающего градиента, которая делает обычные КМИ практически
бесполезными для длинных последовательностей. В трейдинге 1_5ТМ
используется для предсказания цен на основе длинных исторических
последовательностей (например, 1000 тиков), моделирования волатильности
как нелинейной альтернативы САВСН-моделям, и обнаружения режимов
рынка (тренд/флэт) на длинных временных окнах.

Срвкгчим* рфкур^фнтинл! л рхыт**ету р; ЯНН V* Ь5ТМ V* <5 ЯП

Рис. 38. Сравнение рекуррентных архитектур; КММ, Ь5ТМН ЗР.1Р

Ггот 1епБогНон/кегэЁ.пю(1е15 йпрсггЪ $ециепиа1

Ггот Ъеп5огНон.кега5.1ауег5 1арог1 1_Я1М, Оеп§еэ. Огород

Ггов 1еп5огЙон.кегаз.ор11ж12ег5 1трог1 Айат

й X имеет форму (&атр1ез, Ше_51ерйр ГеаЪигез)

ос1е1 = &циепЫа1([

15ТМ(50, ггп_5 ециеп сез=Т гие3 1при Ь_&Ьаре=(11те _&1ер&, л _ Гез1и ге 5))р

ОгороиЦ0.2),

1_5ТМ(25, ге1иЛ1_8М|ивпсе5гГа18е),

О]ТрсшЦ0.2),

Пеп$&(1, асНуаЦоп=|"11пеаг*г) й регрессия
])

иойе!. Сс1п1р11е(ор^1т12ег-Ас1ат(1вагп1пд_га1ег0 ^01), 1058= ’ т5в1)

шкЫЩХ-Ъгнп, уЛгахл, дрос^&=50, ЬаиЬ_51не=32г
иа11(1аиоп_$рШЕЭ<1 > 81юШв"Га1&е)

Важные настройки: геШгп_5еяиепсе5=Тгие для стеков 1_5ТМ (когда за
|_5ТМ-слоём следует другой Ь5ТМ)Г Ызе для последнего слоя перед Оепзе.
Количество нейронов (ип 11:5) — 50-200 обычно достаточно для финансовых
задач. аТзиЯ1е=Ра 15-е при обучении обязательно — иначе мы разрушим
временную структуру данныхР что приведёт к утечке информации и ложным
результатам.

6К11 (Слабее! Яесиггеп! легковесный
конкурент Ь5ТМ

СКП — упрощённая версия |_5ТМ. У неё два вентиля (ге&е! и ирсЫе)
вместо трёх (Гогде!:, 1приЁ. ои!ри1). Это означает меньше параметров, быстрее
обучение и часто сопоставимые результаты. Выбирать СНЫ стоит при
ограниченных вычислительных ресурсах, не очень длинных
последовательностях (сотни шагов, а не тысячи), и на экспериментальном
этапе, когда нужно быстро протестировать множество архитектур. На
практике разница между Ь5ТМ и 6НИ на финансовых данных минимальна, и
выбор часто сводится к личным предпочтениям и доступным
вычислительным мощностям.

Геол ЪепгогНон.кега8.1ауег$ мпрог1 СПИ

войе! = Яедиеп11а1( [

Сйи(64, геЩгп_8ециепсе$=Тгие, 1при1_в^аре=(ипе_в1ерй, п.ГеаЬигеа)),
бйи(зг),

Сеп5&(1)

])

Предсказание трендов и волатильности:
реальные кейсы

Кейс 1. Предсказание направления движения на 30
минут вперёд с помощью Ь5ТМ.

Данные: минутные свечи ВТС/Ц150Т за 2 года (более 1 млн свечей).
Признаки: нормализованные цена, объём, несколько технических
индикаторов. Архитектура: вход — 60 минутных шагов, 10 признаков;
1_5ТМ(100) с ОгороиКО.З); затем 1_5ТМ(50); Оеп5е(1, 51дто1с1), Результат на
тесте: Ассигасу —53-54% (едва выше случайности). ЗКагре по стратегии
пороговой вероятности —0.6. Вывод: 15ТМ не даёт чуда, но может быть
полезным компонентом в ансамбле моделей, дополняя сигналы от
градиентного бустинга и классических индикаторов.

15ТМ: Прогноз 45 Рыльные цены ВтС^1Л$ОТ

Трн-иржА'МИ шкчые
--- ЙЫЯшы? (ТН1)
 - Г^мгммьБТН

21М	ЭМ

Рис. 39. ЬЗТМ: Прогноз 75 Реальные цены на тестовой выборке
Кейс 2. Предсказание волатильности (реализованной
через 1 час).

Волатильность легче предсказывать, чем направление — это
эмпирический факт, подтверждённый множеством исследований, 1.5ТМ,
обученная на исторической волатильности, объёме и рыночных
микроструктурах, может достичь Н-квадрат 0.3-0.5, что значительно лучше,
чем при предсказании направления цены. Где это пригождается: управление
размером позиции. Если модель предсказывает высокую волатильность,
уменьшаем плечо, тем самым снижая риск. Если низкую — увеличиваем,
максимизируя прибыль. Это практическое применение, которое не требует
высокой точности предсказания направления, а лишь разумной оценки
будущей волатильности.

й Целевая переменная: будущая волатильность доходности за 60 мин)
гос1е1_уо1 = 5ечиепШ1([
1_5ТМ(32, 1при1_$11аре=(бВ, 5)),
0епзе(1, ас11Уа11оп="ге1о") 9 предсказание положительной волатильности
))

Рис. 40. Прогнозирование волатильности 1.5ТМ и адаптивный размер позиции

Кейс 3. Многомерный Ь5ТМ для кросс-актива.

Вход: одновременные временные ряды 10 активов (например, акции
технологического сектора). Модель учится не только временным, но и
кросс-корреляциям между активами. Когда один актив подаёт сигнал,
модель может использовать это для предсказания движения связанного
актива. Такой подход особенно эффективен для парного трейдинга и
статистического арбитража, где кросс-корреляции между активами
являются основным источником торговых сигналов.
ГИБРИДНЫЙ БЛОК: Практические советы по
глубокому обучению в трейдинге

1.	Всегда начинайте с простой модели, Если ХСВоо51 на ваших признаках
не даёт прибыли, глубокая сеть с вероятностью 90% тоже не даст,

2.	Нормализация критична для 1_$тм, Используйте масштабирование
каждого ряда отдельно (51апёагс15са1ег или М|пМах5са1ег по скользящему
окну, чтобы избежать утечки).

3.	Используйте раннюю остановку и регуляризацию. 15ТМ легко
переобучаются на финансовом шуме.

4.	Остерегайтесь 1оок-аНеаб Ыаз. При создании окон убедитесь, что
будущие данные не попали в X.

5.	Валидация по времени. Не перемешивайте. Тга1п: 2015-2020, УаПОаЧоп:
2021, Тез!: 2022-2023.

6.	Не ждите Ассигасу больше 60%. Направление на час вперёд
предсказать почти невозможно, Фокус на стратегиях с асимметричным
пзк/геу/агск

7.	Рассмотрите вероятностные сети (Вауезгап 1_5ТМ). Они выдают не
только предсказание, но и неопределённость, что критично для
риск-менеджмента.

8.	Используйте модели внимания (ТгапзГогтег) для очень длинных
последовательностей. Они начинают заменять 1.5ТМ, но требуют ещё
больше данных.

9.	Будьте готовы к переобучению. Если модель показывает Збагре 3.0 на
бэктесте, а на Топл-агс) тесте 0.0 — это норма для финансов. Усредняйте
по множеству временных отрезков.

10.	Никогда не полагайтесь только на нейросеть. Комбинируйте с
другими моделями (ансамбль) и обязательно с классическим
риск-менеджментом.

Полный пример 15ТМ-стратегии с оценкой

Ниже приведён полный пример епсИо-епб пайплайна: от загрузки данных
до прогноза с помощью 1_5ТМ. Обратите внимание на правильное
масштабирование, создание временных окон, разделение без
перемешивания и использование ранней остановки. Это минимальный
рабочий пример, который можно адаптировать под конкретный актив и
временной горизонт,

1трог11 ливру 35 пр

тглрогЪ рапс1а5 аг рй

Ргап Ек1йагп.ргергосе551г1д ДпрогЪ М1лНак5са1ег

1тот ипгогНонЛ&гаг.тйс1е1Ё 1глрог1 ЗесрепШ!

Г гот Ъвп$огПон>квга$.1аугг$ 1трогЪ 15-ТМг 0$лз&± Огород

^гот илзагНои. к&газ. саПЬаска шрогЬ Еаг1у5ирр1пд

Й Загрузка ранных (пример; цены закрытия)

да*а - уГ.ЙОнпХоасК'ЕОйи^Х^ виП-12015-01-011Р епсГ=' 2024-61 -01')

ргхсеэ я с1аЕа[ |С1о5е|]^з1ие5.ге?!Ьаре(“11 1)

й Масштабирование

5са1ег = Н1пМах5са1ег()

рг1се8_5са1ес1 = зсаХег^ИЛгапз^огтСргхсез)

й Создание окон (1оок_Ьаск=6&)

<Ы сгеа1е_Еедиеп&е5((Ыа, 1оок_Ьаск):

X» V = [], []

^ог 1 1п гапде(1оок_Ьаскр 1ег|(с1эЪэ)-1):

X.аррепй(йа1;а[1-1оок_Ьаск: 1, в])

у.аррепй(с1а1а[1+1, 0] - йэЬа[1, 0]) « изменение цены

ге^игп пр.аггауОО, пр.аггау(у)

1оок_Ьаск = 60

X, у = сгеаЁе_5едиепсе5(рг1сез_5са1ес1? 1оок_Ьаск)

X = X.гезйар&(Х.гИаре[0]р Х.вЬаре[1 ]Р 1)

й Разделение (80Й 1га1пр 20Й ЪезЪ)

5рШ = 1ггё(0.8 * 1ел(Х))

Х_1га1Пр Х_1еа1 = Х[:5рШ]н Х[5р1И:]

у_1га!п, у_Ей&1 = у[;5рШ]ь у[зр111:]

й Модель 15ТМ

шик! = $едивпНа1([

1_5ТМ(50, гвиггсз^иепс&З’Тгое, 1лриЬ_&1тареяС1оок_Ьаск, 1)),

ОгорыЛ(0.2),

15ТИ(50)Р

ОгороиЕ(0.2)>

0еп5₽(1)

])

иойеЬ согарИе(орЫп1иег=1 айат1, 1о55='яйе1)

еаг1у_з1ор = Еаг1у81орр1пд(тол11ог=|уа1_1о85| р раЫепсе=10)

к11зкогу = гпобе! гШ(Х_1га1пт у_1га!п, еросЬз-503 Ьа1сЬ_51ге-32,

уэ1н!аНоп„зр11Л=9,1, са11Ьэск5=[еэг1у.84ор],

5ЬиШе=Ра15е)

й Прогноз

у.ргес! = войеТ.ргесИсЦХЛей!;)
Итог Части V (Главы 12-13)

Глубокое обучение — не панацея. Оно мощно, когда у вас огромные
объёмы данных {тики, 1_еие1 2, многолетние минутные ряды) и когда
закономерности сложны и нелинейны. Для большинства розничных
трейдеров и даже небольших фондов ХСВооз! на хорошо сконструированных
признаках даст те же результаты с меньшими усилиями. Нейросети требуют
в 10-100 раз больше данных, чем классические алгоритмы, их обучение
занимает значительно больше времени и вычислительных ресурсов, а
интерпретируемость результатов практически нулевая — вы не сможете
объяснить, почему модель приняла конкретное решение.

Но если вы доросли до 15ТМ — используйте их как часть ансамбля,
никогда как единственный источник сигнала. Комбинируйте с градиентным
бустингом, классическими индикаторами и обязательно с продуманным
риск-менеджментом. и помните; лучшая модель не та, которая
предсказываете точностью 60%, а та, которая в сочетании с
риск-менеджментом даёт стабильный ЗЬагре 1.0+ после комиссий. В
следующей части (Часть VI) мы соберём всё воедино: от сбора данных до
исполнения ордеров, и поговорим о самых распространённых ошибках,
которые превращают миллионы в пыль.

ЧАСТЬ VI. НОВЕЙШИЕ
АРХИТЕКТУРЫ И ГЕНЕРАТИВНЫЙ
ИИ

От внимания к синтезу, от предсказаний к
творчеству

До сих пор мы имели дело с моделями, которые смотрели на прошлое и
экстраполировали будущее, 1$ТМ запоминала последовательности, ХСВооз!
выискивала нелинейности в таблицах признаков. Но в 2017 году произошёл
тихий переворот, который сейчас гремит на весь мир. Статья Соод1е
«АбТепМоп 15 АП Уои Ыеес!» представила ТгапзГогтег — архитектуру, которая
не просто запоминает последовательности, а учится, на что обращать
внимание. Восемь лет спустя трансформеры стали основой ОРТ, С1аос1е,
6ет1п! и — что для нас важнее — начинают завоёвывать риапбСайуе Ллапсе.
А вслед за ними пришёл генеративный ИИ, Большие языковые модели (и_М)
не предсказывают следующий тик цены, они понимают контекст — новости,
отчёты, твиты, речи СЕО, Они могут написать код стратегии,
проанализировать 200 страниц 10-К отчёта за минуту или объяснить, почему
рынок сегодня упал. Эта часть — ваш билет в будущее, которое уже
наступило.

Глава 14. Трансформеры и новые
архитектуры: от внимания к
предвидению

Эволюция моделей внимания: почему Ь5ТМ
оказалась не вечной

Вспомните, как работают КИИ и Ь5ТМ. Они читают последовательность
шаг за шагом, как человек, читающий книгу слово за словом, и обновляют
своё «скрытое состояние» — память. Проблема? Чем длиннее
последовательность, тем больше информации теряется. 1.5ТМ держит память
дольше, чем простая но всё равно страдает от затухания. СМИ видят
локальные паттерны (ближайшие 5-10 шагов), но не охватывают далёкие
зависимости иначе как через много слоёв. Что нужно финансам? Цена
биткоина сегодня может зависеть от события, произошедшего 200 дней
назад (половина предыдущего халвинга) и от новости, вышедшей 30 секунд
назад (заявление Илона Маска). Модели нужно уметь связывать далёкие
события и понимать, на что именно смотреть. Внимание (Айепбоп) решает
эту проблему кардинально: вместо того чтобы запоминать
последовательность шаг за шагом, модель сравнивает каждый элемент со
всеми остальными и вычисляет, какие элементы важны для понимания
текущего. Это как если бы вы читали детектив, но могли в любой момент
вернуться к любой странице, даже не перелистывая.

ТгапзТогтег: «АНепНоп 15 АН Той Меес!»

Статья 2017 года от Уа51л/ап1 и соавторов из Соод1е Вга!л изменила все.
Они предложили отказаться от рекуррентности вообще и строить модели
только на самовнимании (5е1Г-аНелбоп) и многоголовом внимании (гпи1б-1теас1
аДегФоп). Энкодер читает входную последовательность (скажем, 100
последних минутных свечей) и для каждой позиции вычисляет векторный
контекст, учитывающий все другие позиции. Декодер затем генерирует
выходную последовательность (прогноз на следующие 5 минут), также с
вниманием к себе и к закодированному входу. Механизм самовнимания
работает так: для каждой позиции мы вычисляем три вектора — Риегу, Кеу,
Уа1ие. Оиегу спрашивает: «Что в этой позиции важно?», Кеу у каждой другой
позиции отвечает: «У меня есть вот такая информация». Совмещая Оиегу с
Кеуз через скалярное произведение (войтах), мы получаем веса внимания —
насколько каждая позиция релевантна текущей. Затем взвешиваем \/аIиез и
получаем контекст. Многоголовое внимание — это несколько таких
механизмов, работающих параллельно с разными проекциями. Одна голова
может выучивать краткосрочные паттерны, другая — долгосрочные, третья
— корреляции между разными признаками.

Рис. 41. Механизм самовнимания (5е1Г-АЦеп11оп): Онегу, Кеу, Уа1ие и матрица весов
внимания

Почему ТгапзТогтег — прорыв для последовательностей:

Прямой доступ к любой позиции — в отличие от КМИ. где информация
проходит через все промежуточные шаги, здесь любой элемент может
напрямую «общаться» с любым другим. Для финансов это означает, что
модель может связать сегодняшнюю аномалию с событием 200 шагов назад,
не «забывая» его на полпути. Параллелизация — в КИЫ шаги должны
обрабатываться последовательно; в Тгапз^огтег все позиции обрабатываются
одновременно, что позволяет обучать модели на гигабайтах тиковых данных
за разумное время. Интерпретируемость (частичная) — матрицы внимания
показывают, какие временные шаги модель считает важными для прогноза.
Вы можете визуализировать, на что «смотрит» модель — на прошлые
ценовые шоки, объёмные аномалии или новостные события.

Но есть и цена: вычислительная сложность квадратична по
длине последовательности — О(п2). Для п=1000 это 1 млн
операций внимания. Для п=10,000 — 100 млн. Поэтому
применение ТгапьГогтег к длинным рядам (тысячи тиков)
дорого.

"Пте Зепез ТгапзГогтег: адаптация к
временным рядам

Прямое применение МЬР-трансформера к временным рядам сталкивается
с проблемами: модель, разработанная для слов, не знает порядка шагов, в
предложениях слова имеют позиции, но их порядок кодируется
специальными позиционными эмбеддингами. Для финансов порядок
критичен — день сегодняшний важен иначе, чем день вчерашний.
Исследования 2025-2026 годов показывают значительный прогресс. В работе
«Оеие1ортепС оТа ТгапэГогтег-Ьазеб Ргатеюогк (ог Оеер Саиза! 1п(:егепсе»
(1ЕЕЕ, 2025) предложен гибрид: 15ТМ для захвата долгосрочных
зависимостей + ТгапзРогтег для причинного вывода через многозадачное
обучение. Модель учится одновременно предсказывать тренд и выявлять
причинно-следственные связи между событиями — что именно вызвало
скачок волатильности, а что было просто шумом.

СМН-ТгапзТогтег гибриды решают задачу разнородных горизонтов: СИ1Ч
выучивает локальные паттерны (минутные пульсации), ТгапзГогтег —
глобальные тренды (часовые и дневные зависимости). Исследование на агХ(у
(апрель 2025) показало, что такая гибридная архитектура превосходит как
чистые СЫЫ, так и чистые ТгапзГогтег на внутридневных данных 5&Р 500.
Проблема нестационарности решается через модель Т1Р5 (Тгап^Гогтег ил1б
1пбисбуе Рпог 5упСЬез15, начало 2026), которая обучает несколько
«учителей», каждый из которых специализируется на определённом аспекте
(причинность, локальность, периодичность), а затем дистиллирует их знания
в единого студента. Результаты: на четырёх крупных рынках Т1Р5 превзошла
сильные ансамблевые бейслайны на 55% по годовой доходности, на 9% по
коэффициенту Шарпа и на 16% по коэффициенту Калмара, используя при
этом лишь 38% вычислительных ресурсов.
Сравнение архитектур: когда что наполировать

Рис. 42. Сравнение архитектур: 1_5ТМ уб ТгапБ^огглег уб ХСВооб! по ключевым параметрам

Тетрога! Еизюп ТгапзГогтег (ТЕТ): король
вероятностного прогнозирования

Если большинство моделей дают точечный прогноз («цена будет 100»), то
ТЕТ — это совершенно иная философия. Разработанный Соод1е в 2019 году,
ТЕТ выдаёт не только предсказание, но и интервал неопределённости — «с
вероятностью 90% цена будет между 95 и 105». И делает это
интерпретируемо. Архитектура ТЕТ включает четыре ключевых компонента:
локальная обработка через 1_5ТМ-подобный слой для улавливания локальных
зависимостей; УапаЫе 5е1есЙоп МеЬлюгк, автоматически выбирающая, какие
признаки важны в данный момент; статические ковариаты, принимающие
три типа входов — прошлые признаки (цены, объёмы), будущие (день
недели, макро-данные) и статические (тикер, сектор); и квантильные
прогнозы, обучающиеся предсказывать несколько квантилей распределения,
что даёт и интервалы, и точечный прогноз за один проход.

Рис. 43. Архитектура Тетрода! Ризюп ТгапаГогтет: от входов к квантильным прогнозам
ТРТ на финансовых рынках: результаты:

В исследовании 2025 года на задаче 10-дневного прогнозирования акций
ТЕТ последовательно превзошла 1Ч-ВЕАТ5, особенно в волатильных условиях.
Исследование прогнозирования серебра (2026) на 2450 ежедневных
наблюдениях сравнило ТЕГ с 1_5ТМ и 6АВСН: для 1-дневного горизонта ТЕГ
достигла КМ5Е = 0.1573 и МАРЕ = 0.5014%, что существенно превосходит
1_8ТМ (КМ5Е = 1.12) и 6АКСН (НМ5Е = 1.85). ТЕГ не просто предсказывала
цену, но и через механизм квантильного прогноза оценивала х/а1ие-а1:-й15к на
уровнях 95% и 99%, успешно проходя бэктестирование Купица. Модель
определила, что курс И5ОЯНВ является самым влиятельным фактором
точности прогноза, отвечая за 42% относительной важности.

4 Концептуальный пример использования ТРТ (библиотека Ваги)

Г™ баги.тойеАз йпраг! Тетрога1Еиз1оаТгапз^огтегНобе1
{гот йаги.с!а1аргосе5&1пдЛгап5^оппег5 1трог1 5са1ег
Ггап Да г и 1трог1 Т1т&3ег1ез

й Загрузка и масштабирование данных
зсаТег - 5са1ег()

а е г 1ез_5с а1ес1 = зса1е г. Г 1г апз {о гт (а е г гез)

И ТЕТ с поддержкой квантильных прогнозов

обе! = Т&трогаИн51опТгап5<:огтЁгНос1е1(
1ЛрьЪ_с11ипк_1епди1=60р И 60 шагав в прошлое
Он1рм<_с1шлк_1епдЦ1=10, й прогноз на 10 шагов вперёд

1&1т_1эуег$=2?

1ТиР1_зШпиоп ?1еэ(к=4 р

^гароц^И.!,

Ьа1сЬ_дке=32 3

п_еросЬз=100>

орНвдзег_Ьнагдз={ '1г-1;

а^_г01зиуе_1пЕ1ех=Т гце
)

й Обучение

обе 1Л к( зе г 1 ез _ зса 1еб г разисоуаг!а 1ез=Копе,

Гн1и ге_соуа г 1 а!ез -Г и Ьи ге _со иа г! а1ез)

й Квантильный прогноз (595, 50Йа 95Ж)

ргеб.циапШез = ос!е1.ргеб1с1;(п=10> пит._Бапр1ез=500)

ГИБРИДНЫЙ БЛОК: Практический чеклист —
когда использовать ТгапзТоггпег

Сценарий

Рекомендация
Прогноз на 1-10 шагов (минуты/часы) с
менее 50,000 примеров

ХбВооз!: или 15ТМ, ТгальТогтег излишен

Долгосрочный прогноз на 100+ шагов с _	, ___ , ,

_____	ТгапзГогтег	1пГогтег>
1000+ шагов истории

Требуются интервалы неопределённости
и управление риском

Вход — мультимодальный: цены +
новости + макро

ТгапеГогтег с кросс-вниманием

Ограничен бюджет вычислений

Начать с Ь5ТМ, ХбВооа! как бейслэйн

Таблица 1В. Практический чеклист выбора архитектуры

Что в итоге: Тгапз^огтег и ТЕТ — это не замена классических методов, а
дополнение для специфических задач; долгосрочные последовательности,
где память критична (многодневные горизонты, мультиактивные
зависимости, макро-факторы). Для внутридневного трейдинга на минутных
данных Ь5ТМ часто даёт сопоставимые результаты с меньшими усилиями,

Глава 15. Генеративный
искусственный интеллект в
финансах

Большие языковые модели (ШМ): от текста к
смыслу

До сих пор мы говорили о моделях, которые предсказывают. Цену,
направление, волатильность. Но предсказание — это только половина
картины. Аналитик, трейдер, инвестор проводят большую часть времени не
за предсказаниями, а за анализом: читают отчёты, слушают
конференц-коллы, мониторят новости, формируют гипотезы. Генеративный
ИИ, особенно большие языковые модели (ИМ), впервые позволяет
автоматизировать эти когнитивные задачи. 6РТ-4, 6епгйп1 С1аис1е и их
специализированные финансовые версии не просто «понимают» язык - - они
могут извлечь тональность из 300 страниц корпоративной отчётности за 30
секунд, сгенерировать код стратегии по текстовому описанию, объяснить,
почему упал портфель, и даже выступить в роли «агента», который сам ищет
торговые идеи, проверяет их и исполняет.
Йринвнрнин  внврвтианс1 □ 1ТИ и и н



Рис. 44. Применения генеративного ИИ в финансах: от сентимент-анализа до агентного
трейдинга

Применение	Описание	Пример
Сенти мент и события	Анализ заголовков, твитов, пресс-релизов с извлечением сущностей и тональности	6РТ-4 анализирует 10,000 твитов о 5Т51А за час
Числовое рассуждение	Интерпретация чисел в контексте: «рост ЕР5 на 15% при падении выручки — это плохо»	Автоматический разбор квартального отчёта
Мультимодаль  |_1 л о	Обработка текста, таблиц,	Спутниковые снимки +
понимание	изображений, аудио	текстовый отчёт
	Поиск по базе данных перед	Анализ 10-К с
НДС	ответом, критично для	верификацией по базе
	актуальности	знаний
Агентные	Координация нескольких	АТ1А5: адаптивная
системы	специализированных агентов	торговая система

Таблица 19. Ключевые применения ы_м в трейдинге

Важное предупреждение: 1_1_М склонны к галлюцинациям —
уверенно генерировать ложную информацию. В финансах, где
цена ошибки измеряется деньгами, это смертельно. Поэтому
архитектуры НАО и инструментов верификации (1оо1-уепЯес1
питепсэ) становятся необходимостью, а не опцией.
ОРТ и финансовая аналитика: от текста к
предиктивным факторам

Традиционный способ генерации предиктивных факторов (альфа)
требует привлечения команды квантов и доменных экспертов. ИМ
предлагает другой путь. В статье «НагпевБтд СМ а ЮРТ Тог ргейкИие Лпапс 1а I
Тас1ог депегаИоп» (ВпИвИ Ассоипйпд Кеу1е«, 2026) исследователи
использовали 6РТ-4 для генерации факторов на основе структуры
финансовой отчётности и ключевых переменных — без ввода числовых
данных. Модель «читала» описание бизнеса, его бизнес-модель и ключевые
риски, а затем генерировала факторы, которые, как показала регрессия, не
могут быть линейно объяснены традиционными факторами Еата-Егепсб.

Кейс; СРТ-4 анализирует 10-К отчёт авиакомпании. Замечает, что в
разделе «Факторы риска» частота упоминания «Гие1» выросла на 500% по
сравнению с прошлым годом, а обсуждения «Нес1д1пд 51га(ед)е5» стало
меньше. Генерирует фактор: «Отношение расходов на топливо к
пасса жирообороту», дополненный текстовой аномалией, Этот фактор
оказывается предиктивным для будущей доходности акций авиакомпаний,
причём независимо от традиционных метрик вроде Р/Е. Однако исследование
Принстонского университета (2026) показало, что ЬЬМ при ранжировании
акций по ожидаемой доходности сильно экстраполируют из прошлой
доходности, и модели в среднем более оптимистичны, чем реальный рынок.
1_1_М не следует использовать как «оракул будущих цен», но как инструмент
для анализа разрозненной текстовой информации они незаменимы.

Автоматическая генерация торговых идей

Одно из самых мощных применений ИМ в трейдинге — перевод
естественно-языковых описаний в исполняемый код. Пример: «Купи, если
скользящая средняя 20 пересекает 50 снизу вверх, а К51 выше 30, и объём за
последние 5 свечей в 1,5 раза выше среднего. Закрой позицию через 30
минут или при просадке 2%». ИМ может сгенерировать полноценный
Руиюп-скрипт с использованием библиотек рапбаэ, пигпру и даже бэктестера
ЬаскГгайег. Это демократизирует создание стратегий: не нужно быть
профессиональным программистом, достаточно уметь чётко формулировать
идеи,

Многоагентные системы для поиска альфы
АТ1_А5 (2026) — адаптивная торговая система с ИМ-агентами. Ключевое
новшество: Айарбуе-ОРКО, метод динамической оптимизации Промпта на
основе реальной стохастической обратной связи от рынка, Если агент
начинает терять деньги, система автоматически обновляет его инструкции.
Результаты показали, что Айарйуе-ОРНО постоянно превосходит
существующие методы, особенно в волатильных режимах. Многоагентная
система для В1ио1п (2025) включает специализированных агентов:
технический анализ, сентимент, принятие решений и рефлексия. Механизм
вербальной обратной связи: агент-рефлектор ежедневно и еженедельно
даёт критические замечания о торговых решениях на естественном языке,
которые затем внедряются в будущие промпты. Бэктест на ВЯСО1П-данных
показал: количественный агент дал на 30% более высокую доходность в
бычьих фазах и 15% общий прирост против Ьиу-апс1-11о1с1. Добавление
еженедельной обратной связи улучшило общую производительность ещё на
31% и снизило потери в медвежьи фазы на 10%.

Мнй|<Ш «н I НЕ я	дЛиЕлгиритниЧЕДН*!-!!

Рис. 45. Многоагентная система для алгоритмического трейдинга с ЫМ-агентами

Анализ корпоративной отчётности: читатель
на стероидах

Квартальные отчёты (10-0), годовые (10-К) и стенограммы
конференц-коллов — золотая жила для фундаментальных аналитиков.
Проблема: отчёт может быть 300 страниц. ы_м проглатывает его за секунды.
РАНЕ: Р!папс1а1 Адепбс Кеа5оп1пд апс! Еуа1иайоп (2026) — одна из самых
продуманных систем на данный момент. ЕАВЕ использует капдбгарб и
включает шесть специализированных агентов; 51аГетепГ ЕхГгасбоп
(извлечение ключевых финансовых утверждений). Топе (анализ
тональности), 1пуез1теп1 (генерация рекомендаций), Сотрапзоп (сравнение
с предыдущими периодами). Топе (измерение сдвига тональности) и
8|ти1д1:1оп (сценарии отЬаНГ). РАНЕ оценивался на наборе из 168 квартальных
стенограмм 21 компании. С№еп2.5-7В-1пз(:гис1: показал самую высокую общую
производительность рассуждений, а БетIт 2.5 ЯазМ-ЬКе — наименьшую
задержку.

Создание интеллектуальных помощников
трейдера

Завершающее применение — «торговый копилот». |_|_М1 становится
интерфейсом между трейдером и рынком, Р0ЕМ56РТ (ноябрь 2025) от
МехЬие^теп!: для РЫ1Нр Зесипйеа — интеллектуальный финансовый
ассистент, использующий генеративный А1 и рассуждения в реальном
времени для преобразования сложных рыночных данных в чёткие,
действенные инсайты. Р1ВI от ТгасЛпд СепГга! (2025) — специализированный
А1-ассистент, встроенный в исследовательские инструменты, который
работает на высококачественных реальновременных данных и даёт ответы в
контексте конкретных инструментов, а не общие рассуждения, Мадп1Г| А1
работает как инвестиционный копилот, интегрируясь с брокерами и отвечая
на вопросы на естественном языке на нескольких языках.

й Концептуальная архитектура ИН-агента для трейдера
и

й 1. Йа1а 1ауег: цены (НеЬ8оске4)3 новости (Д55/АР1)г

й отчёты (10-К/10-Ц)3 твиты

й Предобработка: очистка, нормализация, векторизация

й Векторная база: Р1песоле3 КеаихаЪе, СПготпэ (для ЙДС)
й

й 2. ЙеШеуа1 1_ауег (ЙАС):

й При запросе пользователя система находит

й релевантные чанки из базы векторов
й Контекст + запрос отправляются в ЫН
й

й 3. Веазогйпд 1_зуег (ЫН):

й Выводы, генерация кода, анализ тональности

й Проверка через инструменты (АР1 брокера)
й

й 4. АсШп 1_ауег:

й Сигнал на исполнение или человек в цикле

й Пример: НН-функция анализа тональности отчёта
1прог1 орепат

ёеТ эла1у2е_еагл1лд5_зеп1;1тел1(1гап5спр1-1ех,1;):
ргонрЪ = Г"111

Проанализируй стенограмму конференц-колла.

Выдели:

1.	Общую тональность СЕО (1-5).

2.	Три ключевых позитивных момента.
3.	Три ключевых риска.

4.	Изменение тональности уз прошлый квартал.

Формат: 350И.

Текст: {1гап5сг4р1_1:ех1[: 15009]}
II ЦП

гегролБЁ = орепат.СНаЬСотрТеЫоп.сгеаЬеС
пойеТ^'дрЬ^-^игЬо11,
иезйадез=[{|*го1е1-: %5ег|(, "соМ;еп1": ргомрО],

1етрегаЬоге-0.г

)

г&Ъигп ] зол Л оас!з( гезропзе. с!ю1се&(0] .иеззаде. сопЪ&пЬ)

Итог Части VI (Главы 14-15)

ТгапаГогтег преодолел ограничения КМ1Ч, но требует осторожного
применения в финансах из-за квадратичной сложности и чувствительности к
нестационарное™. Тетрога! Ризюп ТгаизГогтег — наиболее зрелая
архитектура для финансов, дающая интервалы неопределённости,
объяснимость и сопоставимую с 1.5ТМ вычислительную сложность. Большие
языковые модели (1_1_М) открывают эру когнитивной автоматизации: анализ
отчётности, генерация стратегий и даже агентный трейдинг. Ключевые
вызовы — галлюцинации, нестационарность, стоимость вычислений —
решаются через КАО, инструменты верификации и гибридные
нейро-символические подходы.

ИМ не заменяют количественные модели, а дополняют их, обрабатывая
неструктурированную информацию, которую табличные М1_ и ЬБТМ
игнорируют. Практическая рекомендация: интегрируйте 1_1_М не как замену
прогнозных моделей, а как слой контекстуализации перед ними. Пусть ИМ
извлекает сентимент, новостной шок и факторы риска из
неструктурированного текста, а затем подаёт их как признаки в ХЗВоов! или
ТЕТ, Это гибридное будущее — лучшее из двух миров. Финальная часть VIII
будет посвящена практическому построению полной торговой системы: от
идеи до исполнения, с учётом комиссий, проскальзывания и психологии.

ЧАСТЬ VII. АНАЛИЗ РЫНКА С
ПОМОЩЬЮ ИИ
От предсказания цены до чтения
коллективного бессознательного

Мы подошли к самой волнующей части нашего путешествия. До сих пор
мы строили модели, чистили данные, изучали алгоритмы. Теперь настало
время ответить на главный вопрос: как ИИ помогает зарабатывать на рынке?
В этой части мы разберём две взаимодополняющие задачи. Первая —
числовое пророчество: прогнозирование движения цен на разных
горизонтах. Вторая — чтение коллективной души рынка: анализ настроений,
который превращает газетные заголовки и твиты в торговые сигналы, и
сразу предупреждение: ни одна модель не предскажет цену с абсолютной
точностью. Рынок — это не физическая система, а живой организм, который
меняется, когда его измеряют. Но сочетание количественных моделей и
анализа настроений даёт вам асимметричное преимущество — и это
единственное, что нужно для долгосрочного успеха.

гормюмто! прогиб!ира*лмия: точмасгк, даходиасгь, чвстоть

Рис. 46. Сравнение горизонтов прогнозирования: точность, доходность и частота сделок

Глава 16. Прогнозирование
движения цен: от миллисекунд
до десятилетий

Прогнозирование цены — это Святой Грааль трейдинга. Каждый, кто
приходит на рынок, мечтает узнать, куда пойдёт цена. ИИ не даёт
магического кристалла, но он может оценить вероятности и выявить
скрытые закономерности. Разные горизонты прогнозирования требуют
разных данных, моделей и философии. Краткосрочный трейдинг
(миллисекунды — минуты) — это физика и микроструктура. Среднесрочный
(часы — дни) — это психология и технические паттерны. Долгосрочный
(месяцы — годы) — это фундаментальный анализ и макроэкономика.
Аналогия Каку: прогнозирование цены на 1 миллисекунду похоже на
предсказание положения молекулы в газе. На 1 день — на предсказание
погоды. На 1 год — на предсказание климата. Каждый масштаб имеет свои
законы и свои пределы предсказуемости.

Краткосрочные прогнозы (ЖдЬ Ргециепсу, от
миллисекунд до минут)

Это дикий запад количественного трейдинга. Здесь правят бал
НРТ-фирмы, РРОА и алгоритмы, которые реагируют быстрее, чем вы
успеваете моргнуть, На таких масштабах модели предсказывают не
направление цены в привычном смысле, а микро-направление следующего
тика (пойдёт ли цена вверх или вниз на следующей сделке), вероятность
исполнения лимитного ордера на определённом уровне, а также временное
давление — накопится ли дисбаланс заявок и вызовет скачок. Главным
источником сигнала служит Огйег Чою 1тЬа1апсе (ОР1) — разница между
объёмом агрессивных покупок и продаж. Исследования показывают, что ОРI
сильно коррелируете будущей доходностью на масштабе 10-100
миллисекунд. Дополнительные сигналы дают микро-паттерны в стакане
(повторяющиеся последовательности выставления и отмены ордеров) и даже
латентность и сетевая топография — насколько далеко физически находится
ваш сервер от биржи. Это не ИИ, но критически важный фактор.

Какие модели используют на коротких горизонтах? Случайный лес и
ХСВоо5( на признаках, извлечённых из ^еVеI 2 стакана: дисбаланс, ширина
спреда, скорость съедания уровней. ЬБТМ и 6Р.1) на последовательности
тиков (до 1000 шагов), поскольку память важна — паттерны могут
разворачиваться на десятках сделок, СМЫ на изображениях стакана: стакан
ордеров можно представить как картинку, где ось X — уровни цен, ось Г —
время, цвет — объём. Свёрточная сеть учится находить
пространственно-временные паттерны, которые недоступны традиционному
анализу.

Реалистичное ожидание: Ассигасу предсказания направления
следующего тика на спокойном рынке может достигать 55-60%,
На волатильном — падает до 51-52%. Но из-за огромного
количества сделок даже 52% при правильном управлении
капиталом даёт прибыль.
Пример из индустрии: в .2024 году один из европейских НЕТ-фондов
опубликовал результаты своей 1_5ТМ-модели на фьючерсах Е-гтт БЬР 500.
При прогнозе направления через 50 миллисекунд модель достигала ассигасу
57.3% на тестовом периоде. Доходность после транзакционных издержек
составила 0.3 базисных пункта на сделку — что при миллионах сделок
превращается в огромные деньги. Однако ограничения серьёзны:
нестационарность (рыночная микроструктура меняется, биржи обновляют
правила, другие алгоритмы адаптируются — модель нужно переобучать
ежедневно), латентность (преимущество исчезает, если вы на 100
микросекунд медленнее) и капитальные затраты (нужны прямые каналы к
бирже, ЕР6А и команда РИО). Для розничного трейдера совет один: забудьте.
Вы не переиграете НЕТ на их поле. Ваша игра — на более долгих горизонтах.

Среднесрочные модели (от минут до дней)

Вот где реальность встречается с возможностями розничного трейдера.
На горизонтах 15 минут — 24 часа шум немного утихает, появляются слабые,
но статистически значимые закономерности, и здесь ИИ может дать
реальное преимущество. На среднесрочных горизонтах модели
предсказывают направление движения цены через И свечей (бинарная
классификация), величину движения (ожидаемую доходность — регрессия),
волатильность на следующем интервале (для динамического
позиционирования) и вероятность пробоя уровня поддержки/сопротивления.

Классический набор признаков включает технические индикаторы (Й51,
МАСС, стохастик, полосы Боллинджера, АТК). лаги доходностей и объёма (1,
2, 3, 5, 10, 20 шагов назад), агрегированные потоки ордеров (1_еие1 2):
дисбаланс, давление, ширина спреда, альтернативные данные (новостной
сентимент, твиты, геолокация), а также категориальные признаки: час, день
недели и даже фаза луны (да, есть исследования о влиянии полнолуния на
рынок — корреляция слабая, но ненулевая),

На среднесрочных горизонтах ХСВооз1/ид1п1:СВМ часто превосходят
нейросети. Причина: признаки уже достаточно агрегированы, а табличная
структура хорошо работает с бустингом. 1_5ТМ может быть полезна, если вы
подаёте на вход сырые последовательности цен вместо индикаторов, но она
требует значительно больше данных (минимум 50-100 тысяч примеров).
Гибридные подходы показывают лучшие результаты: 1_5ТМ извлекает
представления из сырых временных рядов, а ХОВоов! обучается на этих
представлениях плюс традиционные признаки.

Таблица 20. Результаты прогнозирования ВТС/Ы5ОТ на 1 час (исследование 2025)
5Ьагре

Модель	Ассигасу	НОС-АУС	(после комиссий)
ХСВ005С	54.2%	0.56	0.9
Ь5ТМ	54.8%	0.57	1.0
Ансамбль (ХСВ+15ТМ+1К)	55.5%	0.58	1.2

Данные: 2 года минутных свечей (более 1 млн точек), 100 технических
индикаторов + лаги. Цель; 1 — если цена через час выше текущей, 0 — если
ниже. ЗЬагре гаГ1о стратегии {покупать, если прогнозируемая вероятность >
0.55, продавать, если < 0.45) составил 1.2 после комиссий. Не фонтан, но
прибыльно. Почему ассигасу не растёт выше 60%? Потому что рынок на
часовых интервалах близок к случайному блужданию. Если бы кто-то имел
модель с ассигасу 65%, он бы выкачал все деньги из рынка за год. Закона
арбитража не обманешь.

Философский камень: в среднесрочном трейдинге побеждает
не тот, кто угадывает 60% направлений, а тот, у кого
соотношение средней прибыли к среднему убытку > 2 при
точности 50%. Фокус на управление рисками, а не на точность.

Долгосрочное инвестирование (от месяцев до
лет)

Здесь ИИ играет другую роль. Он не предсказывает будущую цену завтра
— это невозможно на долгих горизонтах из-за накопления шока. Вместо
этого ИИ помогает в факторном инвестировании (отбирать акции с высокими
значениями предиктивных факторов: уа1ие, плютепШт, циаНСу, 1оуу уо1абШ1:у),
оценке справедливой стоимости (строить сложные нелинейные модели
ценообразования активов), макро-прогнозировании (предсказывать
траектории ВВП, инфляции, ставок, которые косвенно влияют на рынок) и
ротации секторов и активов [определять, какой класс активов будет
лидировать в следующем году).

Классические факторы (Еата-ЕгепсЬ, СагбаП:) линейны и не учитывают
взаимодействия. Капбот Еоге$1 и ХбВооз!: находят нелинейные комбинации.
Исследование 2024 года на акциях США: МЬ-модель, обученная на 80
фундаментальных признаках (Р/Е, 8ОЕ, долговая нагрузка, аналитический
консенсус и др.), предсказывала будущую годовую доходность. Результат:
портфель акций из дециля с наивысшими предсказанными доходностями
превзошёл рынок на 6.2% годовых (ЗЬагре 1.4) против 3.1% для
классического уа1ие-фактора. Ь5ТМ и трансформеры, обученные на
многолетних квартальных данных ВВП, инфляции, безработицы, могут
предсказывать их будущие значения точнее, чем традиционные
эконометрические модели (\/АА, ВУАК). Особенно хорошо работают модели,
которые одновременно учитывают глобальные взаимосвязи — например,
китайский ВВП влияет на австралийский доллар, а цены на нефть
коррелируют с курсом рубля.

Однако важно признать ограничения: долгосрочные прогнозы
чрезвычайно неопределённы. Ни одна модель не предсказала СОУЮ-19,
войну в Украине или ближневосточный кризис. Но они могут оценить
уязвимость: какие сектора пострадают сильнее при повышении ставок, какие
компании устойчивы к инфляции. Нассим Талеб в этом моменте усмехается:
"Вы строите модели на прошлом, чтобы предсказать будущее, которое
никогда не будет похоже на прошлое. Пользуйтесь моделями, но не
доверяйте им."

Вероятностные сценарии рынка: искусство
возможного

Вместо одного точечного прогноза ("5&Р 500 будет 6000 через год")
профессиональные фонды используют вероятностные сценарии — набор
возможных траекторий с приписанными вероятностями. 1/11/1 генерирует такие
сценарии с помощью генеративно-состязательных сетей (САМ), которые
обучаются на исторических рыночных рядах и генерируют синтетические, но
правдоподобные будущие траектории; вариационных автоэнкодеров (УАЕ),
которые кодируют рыночное состояние в скрытое пространство и затем
сэмплируют из него различные будущие развёртки; а также байесовских
нейронных сетей, которые выдают не один прогноз, а распределение
прогнозов, учитывающее неопределённость параметров.

Таблица 21. Вероятностные сценарии для цен на нефть (отчёт хедж-фондвь 2026)			
Сц&нари й	Вероятн ость	Ценовой коридор	Драйвер
Базовый	40%	$70-85	Спрос стабильный, ОПЕКч- контролирует добычу
Бычий	25%	$110-130	Эскалация на Ближнем Востоке, нарушение поставок
Мед во ж и й	20%	545-55	Глобальная рецессия, падение спроса
Сюрприз	15%	560-70	Тех. прорыв в аккумуляторах, падение спроса на нефть

Инвестор или трейдер может распределить капитал в соответствии с
этими сценариями: купить страховку (опционы) на случай медвежьего
сценария, увеличить позицию в нефтяных акциях при бычьем.
Вероятностные сценарии не дают сигнал "купить/продать*. Они дают
матрицу решений. Например, если вероятность бычьего сценария 25%, а
медвежьего 20%, то ожидаемая доходность позиции с учётом хвостов может
быть положительной, но с высоким риском. Можно использовать опционные
стратегии (5±гайс11е, 51гапд1е) для заработка на волатильности, не угадывая
направление.

Гибридный блок: код для вероятностного
прогноза с 1-5ТМ

Ниже представлен код вероятностной 1_5ТМ с Моп1е Саг1о Опорой!:. Суть
метода: Агорой! остаётся активным во время инференса, и мы делаем п
предсказаний с различными случайно отключёнными нейронами. Это даёт
нам распределение прогнозов вместо одной точки — среднее, стандартное
отклонение и квантили (например, 5-й и 95-й перцентили для 90%
доверительного интервала). Такой подход позволяет трейдеру видеть не
только прогноз, но и уверенность модели. Если доверительный интервал
широк — модель не уверена, и размер позиции следует уменьшить.

1трог1 ЪепзогНо* аз И

Ггот 1елзогТ1оы.кега5 1траг1 1ауегзТ носЫз
йпрогЬ литру аз пр

Н Вероятностная 1ВТМ с Мопйе Саг1о ОгороиЪ
с1аз« РгоЬаЫИзИсЬЯМ:
йеЕ __1л1иДзеПя 1лрииз11арея НМеп~илиз=50, йгорош^га1-е=Э.1):
5е1Ттос1е1 = йойе1з.ЗедиелНа1([
1ауегз. 1ЯТМ(111бйеп_ип118р геЪигп-зециелсез^ЕаТзе,
1 лри1_5йареЧ11ри1_5|1аре},
1ауегз.0горои1(с1горои1_гаЪе) ,
1ауег$. Пенке(25, ас1гуаЫол=||ге1и1^,
1ауег&.0горйи1С^гйрои1_га1е),
1ауег&. Оепзе(14 асШаН(№-"И№агЬ|)
])
8йИ.[1гороиЬ_га4е = с1гпрои1_га^е

у, вросГ|$=5в> Ь5иН_81гв=32):
звН .яюс1е1 - сотр11е(ориткег=иас15и11 , 1оЕ5=,|тзе,0
зеИ.тойекШСХ, у, ерос^з=ерос11з3 ЬаХс^зхае^аЬсГкзАге,
уегЬо5е=0, уа! 1йаЪ1ог^5рШ=0.1)

сГе^ ргей1сМ15ШЬиМоп(аеИ, X, п_5а<пр1е5=1вЭ):
ргесИсНогк = пр.аггау([

5е1Етое1е1(Х, 4га1п1пд-Тгое) .гмлпруО .НаНелО

Гог _ 1п гапде(п_&амр1е5)

В

йоап = ргей1сЫопа.П1еап(ах18-8)

= ргес!1с11С1П5.51:с1(ах1$=0)

1онег = пр. регсепШе(ргеЛсНопз, 5. ах1$=0)

иррег = пр.рессепШе(ргй{Нсиоп$, 95, ад1$-0)
гаЦиГк те ап,	1о*&г, иррег

Вероятностный прогноз к5ТМ с Мопи СцгТо ОгороьЛ

Цо --	нс-г^-г^к

на т

й	гь	510	100	1?5	150	П5

Время Гт№р^о1ые- дни}

Рис. 47. Вероятностный прогноз ЬБТМ с Мол1е Саг1о Эгороик среднее и доверительные
интервалы

На графике выше видно, что доверительный интервал расширяется по
мере удаления от момента прогноза, что естественно: чем дальше горизонт,
тем больше неопределённость. На спокойных участках интервал сужается,
показывая уверенность модели. На волатильных — расширяется,
сигнализируя о риске. Практическое применение: если 90% доверительный
интервал включает нулевую доходность, сделку лучше не открывать —
модель не видит статистически значимого преимущества.

Глава 17. Анализ настроений
рынка (560111116111 Апа1у515)

Рынок — это не только цифры. Это люди. А люди — это эмоции, страхи,
надежды, стадное поведение и иррациональное изобилие. Классическая
экономика предполагает рациональных агентов. Поведенческие финансы
доказали: это ложь. Анализ настроений (зепбтеШ апа1у315} — это мост между
миром эмоций и миром чисел. ИИ, вооружённый 1\11_Р-мод елями, может читать
коллективное подсознание рынка и превращать газетные заголовки, твиты и
панические посты на ПебиЯ в торговые сигналы. Как пишет Юваль Ной
Харари: "Деньги — это коллективная выдумка, в которую верят 8 миллиардов
человек. Анализ настроений — это попытка измерить силу этой веры."

Обработка естественного языка (Л11-Р): как
машина учится читать

Прежде чем анализировать настроения, нужно, чтобы ИИ “понимал" текст
— не понимал как человек, а извлекал из слов числовые векторы
(эмбеддинги}, на которых можно обучать модели. Этот процесс состоит из
нескольких этапов: токенизация (разбиваем текст на слова или субслова),
очистка (удаляем стоп-слова, знаки препинания, приводим к нижнему
регистру), лемматизация/стемминг (приводим слова к начальной форме) и
векторизация — превращение слов в числа.

Пвйплайн ан влияв настроений: от текста к торговом / сигналу



Ин	Мй



ТГ И» I
/4Е«Г

1ОДР1

Сигнал

Рис. 48. Пайплайн анализа настроений: от сырого текста к торговому сигналу

Методы векторизации прошли долгий путь эволюции. Вад о^УУогсИз (ВоШ)
создаёт вектор частот слов — просто, но теряет порядок. ТЕ-ЮЕ взвешивает
частоту слова в документе против частоты в корпусе — "акция" важнее, чем
союз "и". Шогс12\/ес и 61о\/е создают плотные эмбеддинги, где семантически
близкие слова находятся рядом в векторном пространстве ("король" -
"мужчина" + "женщина" = "королева"). ВЕНТ и ПпВЕКТ дают
контекстуальные эмбеддинги — одно слово может иметь разный вектор в
зависимости от окружения. "Бык" в контексте рынка и "бык" в контексте
животного — разные векторы. Это фундаментальное отличие
контекстуальных моделей от статических эмбеддингов.

Таблица 22. Сравнение 1У1_Р-моделей для финансового анализа
Модель	Тип	Контек ст	Применение в финансах
ВоОУ/ТР-ЮР	Статически й	Нет	Базовый сентимент, классификация документов
У7огй2Уес /  С1оУе	Статически й	Нет	Семантический поиск, кластеризация новостей
НпВЕЙТ	Контекетуа льный	Да	Тональность отчётов 5ЕС, прогнозы аналитиков
В1оотЬегд6РТ	ИМ (50В1	Да	Генерация аналитики, комплексный анализ
ЯпСРТ	Открытый им	Да	Практический сентиментг частые обновления

Анализ новостей: быстрее рынка на один
заголовок

Новости — главный драйвер краткосрочной волатильности. ФРС повысила
ставку — рынок падает. Компания отчиталась лучше ожиданий — акции
растут. Проблема в том, что к тому моменту, как вы прочитали новость,
алгоритмы уже отыграли её за миллисекунды. Поэтому анализ новостей
имеет ценность только в двух случаях; вы быстрее рынка (практически
невозможно для розницы против НЕТ) или вы глубже рынка — не просто
читаете заголовок, а связываете новость с активами, которые рынок ещё не
связал.

Нейросеть может извлечь из новости: сущности (МЕН) — компании,
сектора, страны, персоны; события — "повышение ставки", "смена СЕО'1,
"запуск продукта": тональность от -1 (очень негативно) до +1 (очень
позитивно); а также срочность и значимость — алгоритм оценивает,
насколько новость неожиданная (зигрпге) на основе сравнения с прошлыми
новостями. Затем эти факторы подаются в торговую модель вместе с
техническими признаками. Исследование 2025 года на акциях США: модель
на основе ЕшВЕНТ анализировала все новости по акции за последние 15
минут. Если средняя тональность > +0.5 и объём торгов вырос на 30%
относительно среднего, модель покупала акцию и держала 60 минут.
Результат: средняя доходность на сделку 0.15% (до комиссий), ЗЬагре 1.1.
Просадки во время ложных всплесков (например, фейковые новости).
Анализ социальных сетей: голос толпы

Если новости пишут профессионалы, то соцсети — это крик души
миллионов. 14 иногда именно этот крик двигает рынок. Тил Не г (X)
предоставляет три ключевых сигнала: объём упоминаний тикера за
последний час (резкий рост коррелирует с ростом волатильности),
тональность твитов по конкретной акции (исследование М1Т 2024 года
показало, что агрегированный сентимент по акциям 5&Р 500, измеренный за
2 часа до открытия, предсказывает 0.1-0.2% движения индекса в первые 30
минут торгов), а также твиты "китов" (Е1оп Мизк, Сай1!е УУоос1, СбатаГб) —
отслеживание их упоминаний в реальном времени может дать преимущество
в несколько минут.

Рис. 49. Акции Те51а: цена и сентиментТ^пег (часовые данные}

Вес10|1: (особенно гМаП^гееШеи) стал силой, способной противостоять
хедж-фондам — СагпеЗГор. АМС, вввт тому подтверждение. Ключевые
метрики с КесМК: частота упоминания тикера (уе1ос)1у и ускорение),
"апвоуты" и комментарии (вовлечённость), эмодзи-анализ (ракета =
ожидание резкого роста, алмазные руки = держать вопреки падению),
кластеризация пользователей (появление новых аккаунтов, агитирующих за
определённую акцию, может быть признаком организованного пампа).
Те1едгат и О|5согс1 — закрытые каналы "сигнальщиков" и трейдерских
сообществ. Данные сложно собирать (нужно быть участником), но те, кто это
делает, получают информацию о предстоящих пампах на крипторынке, часто
за 5-10 минут до начала.

Оценка эмоционального фона рынка: Геаг &
бгеес! 1пс1ех на стероидах
Классический индекс страха и жадности СММ использует 7 компонентов:
волатильность, объём, опционы, ширину рынка и т.д. ии-версия добавляет
лингвистический компонент — анализ тональности миллионов новостей и
соцпостов. Конструирование индекса происходит в несколько шагов:
собираем все новости, твиты, посты на Р,ес1с1к и 51оскТил15 за день; прогоняем
через ЧпВЕВТ, получаем среднюю тональность от -1 до +1; нормализуем по
историческому распределению (з-зсоге); комбинируем с рыночными
метриками (\/1Х, ри1/са11 габо, доля растущих акций}. Результат: ИИ-индекс
настроений, который опережает классический Реаг & бгееб на 1-2 дня,

й Псевдо код Для ежедневного МИ-индвкса настроений

5епЫтеп1_1йс1ау = НпЬегЪ_апа1у2в(а11_пеиб + 1ор_Ыееи + гес№Ъ_ро&1$)
йагке1_Тзьиг$ = {

"уХи.сЬапдв'Ч (Нх_Ьх1ау - V^x_ув$1:й^(^ау)/V^x_уе^^е^сIау:I

|,рик_раи_гаНо": рС-гаМО]
''айизпсе-йвсИпв11: ас!у_с1вс_11лв
}

й Комбинируем с весами из регрессии
5впи»впи1г!с1ех = (
2_5СОге(эдп11аеп€.Шау) * 0,0
г.зсогвС-иагкек^ас^огзЕМх.сЬапде"1]) * <КЗ *
г_5соге(-тагкеи^ас4ог5["рикса11_гэио" ]) * 0,2 *
г_5соге(иэгЬе1_ис1ог5[иаЙУапсМесИпе"]) * 0,1
)
й Нормализуем в диапазон 0-100 (100 - экстрем, жадность)

ИИ-индекс нас. «равный рынка (Реет & Сгевс! на стеромдек)

Рис. 50. ИИ-индекс настроений рынка: от экстремального страха до экстремальной
жадности

Контрарианные сигналы — классическое правило; "Когда на улицах
льётся кровь — покупай". Эмпирически: когда 1/1И-индекс настроений падает
ниже 20 (экстремальный страх), последующая 3-месячная доходность 5&Р
500 в среднем на 5-7% выше, чем в среднем. Когда индекс поднимается
выше 80 (экстремальная жадность}, средняя доходность ниже на 3-4%. Это
работает не всегда, но как дополнительный фильтр — мощный инструмент,
особенно в сочетании с техническими моделями и анализом волатильности.
Интеграция сентимента в торговую модель

Сентимент редко бывает единственным сигналом. Лучший подход —
гибридный: сентимент как дополнительный признак в числовой модели
(ХСВооз^ 15ТМ). Исследования показывают, что добавление сентимента
повышает ЯОС-А11С модели на 2-4 процентных пункта — небольшой, но
значимый прирост. Ниже представлен пример полного пайплайна анализа
настроений с использованием НпВЕЙТ — модели, специально дообученной на
финансовых текстах и выдающей три класса: позитивный, нейтральный и
негативный, Преобразование в числовой скор от -1 до +1 позволяет легко
интегрировать результат в любую торговую модель как дополнительный
признак.

й Полным пайплайн анализа настроений С ПпВЕНТ

Егот	1гпрогЪ Д|ДоТокеп12ег, Аи1оМос1&1Ейг5сС|уепсеС1а$$1НсзЪ1йп

1трог1 1огсИ

Ъоксп! го г  А |До Т окей 1ге г. Г го«_р гек га 1 пвс1 (11Р го$изАIД1 пЬе г I” )

шоЬе!  Ац1оМ ой® 1 Ео г5?ииелс$С 1 I НсзЫоп, ? гои_р ге! га!леб (11Р го$цзАI/Тд пЬе г I11)

деизепНнепЦЛвхЪ);

1лрии - 1океп12ег(4ек1, геНгп_ип50Г5=||р1|\

1гипсаиспкТгие, вах_1епд1Ь-512)

о у I ри и - шос1е1(**1приЪ8)

ргоЬз = 1огсЬ.пп.Гупсиопэ1.,5оН^ах(о1|1ри15Лод11;5, 61И--1)

й ГжпВЕНТ: 3 класса (позитив, нейтрал, негатив)

5еп11тел1_5соге = ргоЬз[0][2] - ргоЬв[0][0] # поз - нег
геЪи гп БепНтегЛ_ зсо ге.1Ьев{)

й Добавляем сентимент как признак

ГеаЬигез = [

"г81мя "васй11, "исйипн&.гаЫо", “иоТаиШу11, й технические
'|пе^5еп11тал1_1Ь11, "ЬееОепИяепкИт11, # сентимент
"гей'й1^1веп11оп5_11111 й альт, данные
]

И Обучаем ХЕВоозI на расширенном наборе признакоб

Итог Части VII (Главы 16-17)

Прогнозирование цен — задача с убывающей отдачей от сложности
модели. На краткосрочных горизонтах НЕТ-фирмы доминируют, и розничному
трейдеру там нечего делать. На среднесрочных горизонтах ХбВоо5( на
хороших признаках — это база, к которой стоит добавить 15ТМ или ансамбль.
Не ждите ассигасу > 60% — это нереалистично, Вместо этого фокусируйтесь
на управлении рисками: соотношение средней прибыли к среднему убытку >
2 при точности 50% — путь к долгосрочной прибыли.

Вероятностные сценарии ценнее точечных прогнозов. Моп1е Саг1о Огороц!:
и байесовские методы позволяют оценить неопределённость модели, что
критически важно для позиционирования. Если доверительный интервал
широк — уменьшайте размер позиции. Если узок — можно рискнуть больше.
Это не предсказание будущего, это математически обоснованное управление
рисками.

Анализ настроений — мощное дополнение к техническим моделям.
Новости, ТилЛег и Кес1с1|1 дают информацию, которой нет в ценах. НпВЕВТ и
РФСРТ специализируются на финансовых текстах и выдают тональность,
которую можно интегрировать как признак. Прирост ЕОС-А11С на 2-4 п.п.
может показаться скромным, но на масштабе тысяч сделок это превращается
в значимую прибыль. Контрарианные сигналы {экстремальный страх =
покупка, экстремальная жадность = продажа) работают не всегда, но как
фильтр — исключительно ценны. Самый надёжный путь — гибрид; числовая
модель + сентимент + здравый риск-менеджмент. В следующей части мы
продолжим углубляться в анализ рынка — распознавание режимов и
обнаружение аномалий.

ЧАСТЬ VIII. УГЛУБЛЁННЫЙ
АНАЛИЗ РЫНКА С ПОМОЩЬЮ ИИ

Когда рынок меняет кожу, а змеи остаются
теми же

Две предыдущие главы научили нас предсказывать цены и читать
настроения. Но есть ещё один слой реальности, без которого любая модель
— слепой котёнок. Это рыночный режим. Одно и то же техническое событие
(например, пересечение скользящих средних) на трендовом рынке и на
флэте приводит к совершенно разным результатам. Модель, обученная на
всех исторических данных без учёта режима, будет усреднять, а значит,
ошибаться на переходах. И вторая тема — аномалии. Там, где нормальный
рынок дышит ровно, манипуляторы и паника создают вздохи, которые
выбивают любую стандартную модель. Обнаружение аномалий — это
детектор лжи в мире финансов.
Глава 18. Распознавание
рыночных режимов: хамелеон в
мире алгоритмов

Представьте, что вы учите модель вождению в солнечный день на сухом
асфальте. А потом выводите её на снегопад или на обледенелую трассу. Она
разобьётся. Рынок точно такой же. Режимы сменяются, и то, что работало в
тренде, убивает во флэте. Распознавание режимов — это не просто приятное
дополнение к торговой системе, это её фундамент. Без понимания текущего
режима любая стратегия обречена на то, чтобы хорошо работать в одних
условиях и катастрофически терять деньги в других.

Трендовые рынки: время трендовых
стратегий

Тренд — это устойчивое направленное движение цены. На трендовом
рынке простая стратегия "покупай на откатах11 может приносить прибыль.
Как И1/1 распознаёт тренд: скользящие средние с большим периодом (200, 50)
указывают в одну сторону, и чем больше угол наклона, тем сильнее тренд;
ДОХ (Дуегаде О1гесбопа11пс1ех) — классический индикатор силы тренда, где
значение > 25 говорит о тренде, а > 40 — о сильном тренде; средняя
доходность > 0.1% в час при низкой автокорреляции остатков;
иерархическая кластеризация признаков может выделить кластер
"трендовых дней'1.

Рис. 51. Трендовый рыночный режим: скользящие средние и ДОХ

Какие модели предпочитать в тренде? Стратегии следования за трендом
(лпотеп1и1П): покупать, когда цена выше МА(200) и ДОХ > 25. 1.5ТМ хорошо
ловит автокорреляции в тренде. Скользящие средние с динамическим
периодом — чем сильнее тренд, тем длиннее период сглаживания. Важно
понимать, что трендовые стратегии дают редкие, но крупные прибыли,
компенсирующие частые мелкие убытки на ложных пробоях. Соотношение
средней прибыли к среднему убытку на трендовом рынке может достигать
3:1 и выше.

Флэтовые рынки (боковик): царство
контртрендовых стратегий

Флэт — это когда цена колеблется в горизонтальном канале. Трендовые
стратегии здесь дают серии ложных сигналов и истощают капитал. Как ИИ
распознаёт флэт: АПХ < 20 (слабый тренд), отношение средней доходности к
волатильности близко к нулю, размах цены (тах-т1п) за окно меньше 2-3%. а
кластеризация временных рядов по энтропии и фрактальной размерности
показывает, что флэт имеет более высокую энтропию (больше случайности).

Какие модели хороши во флэте? Контртрендовые стратегии: покупать у
нижней границы канала, продавать у верхней. Стратегии на возврат к
среднему (теап геуегзюп) используют 2-зсоге отката от скользящей средней.
Модели с пороговой фильтрацией — выход из сделки по небольшой прибыли
(тейк-профит близко). Ключевое правило ротации режимов: во флэте лучше
вообще не торговать или снизить риск в 2-3 раза. Флэт — это не время для
героических позиций, это время для терпения и точечных входов на
границах диапазона.

Высокая волатильность: шторм, в котором
тонут слабые

Высокая волатильность — это не обязательно падение. Это резкие
движения в обе стороны. Причины: макро-новости, кризисы, крупные игроки.
Как ИИ измеряет волатильность; историческая волатильность (стандартное
отклонение доходностей за окно 20, 60 дней): АТК (Ауегаде Тше Капде) — его
резкий рост говорите повышении волатильности; размах спреда (Ыб-азк) —
во время высокой волатильности спред расширяется.; изменение объёма —
аномальный рост часто сопровождает рост волатильности; ОАНСН-модели
прогнозируют будущую волатильность на основе прошлых ошибок.
Т*-! Ш^Нот., ДТр; н. спр^м

Рис. 52. Высокая волатильность: цена, АТН и спред (три панели)

Как адаптировать торговлю к высокой волатильности? Уменьшить размер
позиции (волатильность обратно пропорциональна позиции: позиция ~
1/волатильность). Расширить стоп-лоссы, чтобы не выбило шумом.
Переключиться на опционные стратегии (длинная волатильность: стрэддл,
стрэнгл) — зарабатывать на самом факте сильных движений, а не на
направлении. Использовать модели с адаптивным временным окном: в
высокой волатильности короткое окно (10 минут) важнее, чем длинное.

Низкая ликвидность: пустыня, где ложный
шаг — смерть

Низкая ликвидность означает, что вы не можете быстро купить или
продать крупный объём без проскальзывания. Рынки криптовалют в ночные
часы, малые акции, некоторые фьючерсы — всё это зоны риска. Признаки:
широкий спред (Ь!с1-а5к) относительно цены (спред > 0.1% для акций — уже
плохо), малая глубина стакана, высокое проскальзывание при исполнении,
низкий объём торгов. ИИ для адаптации: кластеризация по спреду и объёму
выделяет режимы ликвидности, модели предсказывают проскальзывание по
текущим условиям, автоматическое переключение на более ликвидные

активы.
Сравнение стаканл ердероа^ ликвидный их неликвидный рынок

Рис. 53. Сравнение стакана ордеров: ликвидный уй неликвидный рынок

Тактика в неликвидном рынке: не использовать рыночные ордера, только
лимитные. Разбивать ордера на мелкие части (алгоритмы ТУУАРЛЛ/УАР).

Увеличивать терпимость к проскальзыванию. Помните: в неликвидном рынке
ваш контрагент — часто профессионал, который знает, что вы делаете.
Каждый рыночный ордер раскрывает вашу заинтересованность и даёт
информацию противнику.

Кластеризация рыночных состояний: ИИ сам

находит режимы

Вместо того чтобы вручную определять пороги для ДОХ или АТР,, можно
поручить ИИ самому найти скрытые режимы. Рассмотрим основные методы
кластеризации для распознавания режимов.

Таблица 23- Методы распознавания рыночных режимов

Метод	Суть	Плюсы	Минусы
К-Меапз	Кластеризация по признакам	Простой, быстрый, и нтер п рет и руем ы й	Нужен выбор К, чувствителен к масштабу
		Моделирует	Предполагает
НММ	Скрытые состояния с переходами	вероятности переходов,	распределения, сложный выбор
		временная структура	числа состояний
УАЕ	Латентное  пространство состояний	Нелинейные режимы, визуализация	Требует много данных, сложнее в настройке
ПМИ+пере ключатель	Режим как часть модели	Епй4о-епб обучение	Сложность обучения, риск переобучения
К-Меап5 на скользящих окнах признаков работает так: для каждого
дня/часа вычисляются признаки (доходность, волатильность, ДОХ, спред,
объём), затем К-Меап5 разбивает историю на К кластеров (обычно 3-5). После
этого вы интерпретируете кластеры: "тренд вверх", "тренд вниз", "флэт с
высокой волатильностью", "флэт со сверхнизкой ликвидностью". Скрытые
марковские модели (НММ) предполагают, что за наблюдаемыми ценами
стоит ненаблюдаемое (скрытое) состояние — режим. Модель учит
вероятности переходов между режимами и распределение доходностей в
каждом режиме.

^гот 5к1еагп.с1ия1вг 1ярогЪ КНеапе

Ггоа екТеагп.ргергосеьйЬтд 1трог1 51алс1агй5са1йг
1ярог1 рапная рй

и Признаки для каждого дня (окна)
ГеаипгёЗ = [ *ЙаИу_ге1игп\ кур1аШ1Ъу_20|Г ,	14“э

й Нормализуем

5сэ1ег = ЗЬп йагс15са1ег()

Х_8сз1е<1 = 5са1егЛ1и4гап5Гогл1(сН:[1!ез1иге5])

й К-иеапз (К = 4)
ктеапз = КМеап5(п_с1и51егз-4, галйот _з1а!;е=42, п.мйЫЙ)
<И[1 гедшв1 ] - квеапз.Г1€.ргеШсШ_5са1еЮ

й Анализ каждого режима

Гог гед!ве 1г галде(4):

гедше.йаи = ^[^["гедше"] == гедше]

рг1п1(Г||Режми {гед!те}: {1еп(гед1пе_с1а1а)} дней")

ргхпЦР1 Средняя доходность: 11

Г" {гед!те_с1а 1а [1Г вЪи ге_ ге гп1 ]. т еап ():, 2Й}")

рг1пЪ(Г’ Волатильность: 11

Г" {гед1те_ с!а 1а [1701а Ш11у_2Йт1 * ]. яеал ():. 28}11)

рМлЦГ1 ДОХ: (гед1те_с1а1:а(!айх_1^1 ].паап():.1Г}1*)

Рис. 54. Распознавание рыночных режимов: автоматическая кластеризация
Стратегия ротации режимов

Как только вы распознали текущий режим, вы можете: выбрать
специализированную модель (для трендового режима — трендовую модель
со скользящими средними, для флэта — контртрендовую теап геуегзюп, для
высокой волатильности — снизить позиции или торговать опционами);
адаптировать параметры модели (в трендовом режиме — длинный период
для скользящих средних и широкие стопы, во флэте — короткие периоды и
узкие Стопы); взвешивать сигналы (если в текущем режиме модель
исторически показывала низкий ЭНагре, снижаем её вес в ансамбле),

с1а55 Ред1те8н11х111пдНос1е1:

5е11:.гед1ае_с1е1ес^ог = Ионе й НММ или «пастеризатор

5е1Егпо^е1$ = (} # модель для каждого режима

йе1вс1_гвд1те($еИ^ и1Пйо*_1:ва"Ьиге&):

# Возвращает текучий режми
разз

йеГ ргей1с1(звИ> X):

гед!не  &еИ.с1в(вс1_гед1неСХ[-$еИ^1пйох:])
войе! = зеИ.войвиЕгедшв]
геНгп тойекргейхсЦХ^ гедхие

йеГ ирс1э1е.пю(1е1з(8еН1 X, ур гед1пе):
й Дообучаем модель конкретного режима
зеИ.тойеНЕгедше] ,рэгНэ1.Ш(Х, у)

Глава 19. Обнаружение
аномалий: детектор лжи и
манипуляций

Если распознавание режимов — это понимание "нормы", то обнаружение
аномалий — это поиск "ненормального". И на рынке ненормальное может
быть невероятно прибыльным или катастрофически убыточным. Аномалии —
это редкие события, которые резко отличаются от исторического паттерна.
Это могут быть рыночные манипуляции (спуфинг, 1ауеппд,	1габ1пд),

технические сбои (флэш-крэши), панические распродажи или истеричные
покупки, инсайдерская торговля перед важными новостями. Как пишет
Нассим Талеб: "Чёрный лебедь — это не аномалия. Это вы плохо оценивали
вероятность. ИИ может помочь заметить лебедя до того, как он прилетит."
Рыночные манипуляции: старые трюки в
цифровую эпоху

Манипуляции не умерли с переходом на электронные торги. Они стали
сложнее, быстрее, но их суть осталась той же: создать ложное впечатление
о спросе или предложении.

Таблица 24, Типы рыночных манипуляций и их обнаружение

Тип манил уляции	Механизм	Признаки для ИИ
Спуфинг	Крупный лимитный ордер без намерения исполнения	90%+ отмен, время жизни ордера 10-50 мс, размер Юх среднего
Еауеппд	Многоуровневые фиктивные ордера-стена	Одновременные отмены на разных уровнях, корреляция отмен
УУазК  ТгасНпд	Покупка+прода же одним бенефициаром	Циклические транзакции, объём высок но цена не движется, сделки в одну мс

Трейдер, оснащённый детектором аномалий, может избегать торговли в
моменты высокой вероятности манипуляции (спред широкий, стакан
нестабилен), использовать манипуляцию как контрарный сигнал {крупный
спуфинг-ордер на покупку часто предшествует движению вниз), а также не
поддаваться на искусственные объёмы и ценовые движения, вызванные
мааб ГгасНпд.

Необычные объёмы: след крупного игрока

Объём — это палка о двух концах. Аномальный рост объёма может
означать приход крупного институционального инвестора (хорошо) или
начало паники (плохо). Методы обнаружения аномальных объёмов: 2-зсоге
текущего объёма относительно скользящего среднего (если 2-зсоге > 3,
объём аномально высок); модель на основе распределения Пуассона
(фактическое число сделок в минуту сравнивается с ожидаемым); сравнение
объёма с ликвидностью на рынке (внезапный всплеск объёма при той же
глубине стакана — сигнал). Дополнительная фича: отношение объёма к
волатильности. Если объём высок, но волатильность низкая — возможно,
скрытое накопление позиции (аккумуляция). Если объем высок и
волатильность высока — вероятно, паника.
й6нпру?КВНИЕ лномвлнй к объвмг торгов

Алгоритмы поиска аномалий: от простого к

сложному

Таблица 25. Алгоритмы обнаружения аномалий для финансовых данных

Метод	Подход	Эффектив иость	Когда использовать
2-эсоге / ЮН	Статистическ ИЙ	Низкая	Быстрая проверка явных выбросов
кММ/ЬОЕ	Расстояние/пл отность	Средняя	Кластеры разной плотности
1ао1а!юп Роген!	Деревья	Высокая	Многомерные финансовые данные
Автоэнкодер	Нейросеть	Высокая	Сложные нелинейные зависимости
РгорКе!	Декомпозиция	Средняя	Временные ряды с сезонностью

1бо1 аНоп Еогез!: — один из наиболее эффективных алгоритмов для
многомерных финансовых данных. Он случайно разделяет пространство
признаков, пока не изолирует каждую точку. Аномалии изолируются быстрее
(требуют меньше разбиений). Автоэнкодеры обучаются на нормальных
данных и дают высокую ошибку реконструкции на аномалиях — это особенно
полезно, когда "норма" имеет сложные нелинейные зависимости между
признаками.

Ггоя акиэгп-епзеаЫе 1шрог4 НоиНопГогезЪ

й Признаки для каждого временного интервала

й уо1ите, уо1аНШу, зргеас1, 1гайе.со1Л11р ауд_1гайе_51ге

X = {^[['уоГшпе1, ’уоТаШНу1, 'зргеасГ,
Чгайе_сомп{1, гаудЛга(1е_512е" ]].уа1ие5

Во^Гогез!. = 15о1аНолРсге51(соп^п11га1иоп=0.053
гэпйовк5Ше=42) 4 5% аномалий

6Г[ калота1у' ] = 150^огез1..Шциес11сЪ(Х)

# -1 для аномалии, 1 для нормального

алотаНеа = йГ[е1Г[1 апотаТу1 ] == -1]

рг1[11(Г1Обнэружено {1ел(алота11еа)} аномальных часов1*)

Рис. 56. Обнаружение аномалий в пространстве признаков: объём уз волатильность



Интеграция с торговой системой

Обнаруженные аномалии можно использовать как фильтр: если текущий
час классифицирован как аномалия, не входить в позиции или уменьшить
риск на. 50%. Как сигнал: некоторые типы аномалий (например, внезапный
всплеск объёма без движения цены) могут предшествовать сильному
движению через 1-2 часа. Для пост-анализа: изучать аномалии после их
возникновения, чтобы добавить их в набор признаков-

с 1 аз & АйарШ еТ га Д1пд$у5 1ет:

беГ __1лИ__(зеН):

за1Егед1«е_Л1Вс1е1 = 1оэс1_гед1йе_пюс1е1О

5&11\аг™а1у_(1еЪес1ог = 1.оай_апота1у_йа1есЬог()

зеИ.йпйе1$ = {0; Моле, 1: Моле., 2: Моле}

йог ол_Л0и_с1з1а($&И:, н1псЬи_йака):

4 1, Определяем текущий режим

гедхай ’ &ВП1-Гбд1<пе_войе1-рг,ей1с1(н111с1ои₽с18и)

4 2, Проверяем аномалию

Х5_апртэ1у  (5е1Т-зпота1у_с1в1есЬог
гргеЛсЬ(к1пс1о<^а1а) == -1)

И 15,апояа1у:

розШол.$12е = 0.2 * зеИ.Ьазе.розШоп
рггл^С1 Аномалия: снижаем позицию11)

е1зе:

яойе! = йе1^.тойе15[гед1п1е]

Е1дпа1 = тос1е1..ргес11с1(н1лйом_йаи)

ро5Шол_а12е = зеИ.Ьазе.розШйп

зеИ1.Ьгокег.р1асе_огс1&г(51дпа1, рааШоп_&1ге)

Итог Части VIII (Главы 18-19)

Рынок никогда не находится в одном и том же состоянии. Тренд, флэт,
высокая волатильность, низкая ликвидность — каждому режиму
соответствует своя оптимальная стратегия. ИИ способен автоматически
распознавать режимы через кластеризацию, НММ и автоэнкодеры. и
адаптировать к ним торговые модели. Без распознавания режимов вы
обречены применять среднюю стратегию к среднему рынку — а средних
рынков не бывает.

Аномалии (манипуляции, всплески объёма, необычные сделки) — это и
риск, и возможность. Обнаружение аномалий через 1зо1а1юп РогезС ЮГ или
автоэнкодеры должно быть встроено в любую серьёзную торговую систему.
Аномалия — это не обязательно повод не торговать, но всегда причина
пересчитать риск и включить 1пе1дЫ:епес1 а^агепеьз.

Лучшая система — гибридная: распознавание режима, фильтрация
аномалий, выбор специализированной модели, динамическое управление
риском. Вы теперь знаете, как заставить ИИ не только предсказывать, но и
понимать контекст рынка. В следующей части мы перейдём к созданию
интеллектуальных торговых стратегий и обучению с подкреплением.

ЧАСТЬ IX. СОЗДАНИЕ
ИНТЕЛЛЕКТУАЛЬНЫХ ТОРГОВЫХ
СТРАТЕГИЙ

От разрозненных моделей к живому
торговому организму

До этого момента мы разбирали отдельные куски пазла: данные,
алгоритмы, режимы, аномалии. Но стратегия — это не просто модель. Это
цепочка решений, превращающая сырой сигнал в реальную сделку, а сделку
— в прибыль (или убыток). В этой части мы соединим всё воедино и сделаем
следующий шаг — к обучению с подкреплением, где алгоритм сам учится
торговать, как голодный волк учится охотиться.

Глава 20. Алгоритмический
трейдинг нового поколения

Большинство трейдеров начинают с идеи: "Если В51 падает ниже 30,
рынок перепродан, надо покупать". Это гипотеза. Проверка её на истории —
бэктест — показывает прибыль. Но в реальности всё идёт не так. Почему?
Потому что пропущены этапы: очистка данных, защита от переобучения,
учёт комиссий, проскальзывание, смена режимов. Построение робастной
стратегии на ИИ — это инженерный процесс из 6 этапов, и пропуск любого из
них превращает потенциально прибыльную систему в убыточную.

Правила построения стратегии: от гипотезы к
пайплайну

6 ЛЯПОВ построения рОЬЛСТИОЙ Т!Ог5ЮЬ©-Й

Рис. 57, 6 этапов построения робастной торговой стратегии

Таблица 26. Этапы построения торговой стратегии: детали и ловушки

Этап	Суть	Типичная ловушка
1.  Г ипотеза	Конкретная, измеримая идея	"Хочу зарабатывать на биткоине" — не гипотеза
2.	Сбор, очистка, нет утечки	Ьзок-аЬеаё Ыаз: нормализация на всём
Данные	будущего	датасете
3. Призм аки	10-20 осмысленных + отбор	Слишком много признаков = переобучение
4.  Модель	Т1те5епе55р1к валидация	Кросс-валидация с перемешиванием — нельзя
5.  Сигналы	Пороги, фильтры, режимы	Торговля на каждом сигнале без фильтрации
6.  Бэктест	Комиссии, 511р раде. задержки	Игнорирование транзакционных издержек

Ключевое правило этапа 2: признаки должны быть доступны в реальном
времени на момент торговли. Никаких "завтрашних" данных. Типичная
ошибка — нормализация признаков на всём датасете, включая будущее.
Используйте только скользящую нормализацию. На этапе 4 нельзя
использовать кросс-валидацию с перемешиванием — только Т1те5епез5р1И.
Правильная процедура: Тгат (2018-2021), 7а1Иа1:10п (2022, для
гиперпараметров), ТеаС (2023, финальная оценка), ОиС-оГ-5атр1е бумажная
торговля (2024-текущий момент).

Бэктест с реалистичными допущениями

й Пример простого в$к торн ого бэктеста

й Сигнал: предсказанная вероятность роста >8.55
с^[г51дпаГ]  (с№[ ’ргв^-ргоЬа1 ] > 0.55) ^ЪуреСйФ)

4 Доходность сделки; если сигнал на баре I,
й то доходность на баре 1*1

(И[ь51га1еду_геигп‘] - ОЖ'зхдпаГ].&ЫШ1)

* сН[1 ^и^иге.ге^сгп1 ])

й Вы-читаем комиссию (8,1® на сделку)

д€[ь51га1еду^ге1игп_ле1|] = (

сН[1 ЕЪгаШу. ге^игп1 ]

- 0.В01 * й{[’51дпаГ].5111Н;(1)

)

й Кривая капитала

(НредиИу1! = (1 + с1Г[ '51гаиду_ге1игп_пе1' ]).ситргос1()

Автоматизация торговых решений: когда
человек не нужен

Полностью автоматическая система (торговый бот) — это программное
обеспечение, которое получает рыночные данные, принимает решения без
участия человека и отправляет ордера на биржу, Требования к
автоматизации: надёжность (бот должен работать 24/7/365, перезапускаться
при сбоях, корректно обрабатывать ошибки АР1); низкая задержка [для
среднесрочных стратегий достаточно 100-500 мс, для внутридневных —
10-50 мс); журналирование (каждое действие должно быть записано — без
логов вы не сможете отлаживать убытки); механизм аварийной остановки
(кШ зууНсК) — программный (если просадка > Х%г ликвидировать все позиции
и остановиться) и ручной [кнопка в телеграм-боте).

1<лрог1 ссхЬазупс_зир₽огЪ эз ссх€

1л1рог1 азупсго

1трог1 ^Ы1Ь

с1азз Тгай1пдВо1:

Де! __1пИ„(5е1Т, ехсЬапдеи^ ар!^кеут
мсгеЪ, войекраЫО:

5е1Т.ехс11апде = де1аиг(есх1р ехсЬапде_1с1)({

"ар^Кеу": эр±_кеу3
"зесге!11: зесге1
})

5еН.гоос1е1 = доЬИЬ Лоас1(в0с1е1_ра^)

зеИ.розШст = 0
аеИ.гишппд - Тгие

эзупс йеГ 1!еи^_оЫс^(5еИ> зутЬоЦ

I! те Гг ате=!!' 1 т", И т! 1=100):

геЬигп ахаК &еИ.ексЬапдеЛе1сЬ_оЫсу(
$утЬр1+ ШаГгате, 11иЦя11т11)

эзупс йеГ гип($еИ, зутЬо!):

«Ше $в1Г- гипгйпд]

1гу:

оЫсу  акаИ 5е1ТЛеин,оЫсу(5уиЬо1)

сИ = 5еИ.ргерагеЛеа1иге&(оМсу)
ргоЬа =	,п1йс1е1 ч ргец11сЪ_ргоЬэС

сИЛз11(1))[И[1]

И ргоЬа > 0,6 апй зеИ.розШоп == 0;

аиаН зе 1Г,ехсНапде

. с ге а1е_аа г к е 1_Ьи у _о г 4е г (зу т Ь о 1, Э, 001)

зеИ.розШол = 1

еШ ргоЬа <0,4 эпс1 зеИ.роБхиоп == 1:
знак зеИ,ехсЬапде

.сгеэил1йагке^8е11^огйег(8уп1Ьо1р 0,601)
зеН.роаШоп = О
аиаИ абупс1о.51еер(б0)
ехсер! ЕхсерИоп аз е:
рг1п1(Г’0вн&ка: {е}1*)
аиаН азупс1й.з1е&р(10)

(1еГ з1ор(зе1^):
зеИ1. гилгппд = Еа1зе
Управление сигналами: от вероятности к
действию

Реальная модель никогда не даёт идеальные сигналы. Будут ложные
срабатывания, пропуски, задержки. Управление сигналами — это искусство
отделять зерна от плевел. Фиксированный порог: покупать только если
вероятность роста > 0.6. Адаптивный порог: порог меняется в зависимости
от волатильности — в спокойном рынке порог можно снизить, в бурном —
повысить. Порог на основе распределения: вычисляем г-5соге вероятности и
берём сигнал только если г-зсоге > 1.5. Дополнительная фильтрация по
времени суток (на крипте избегайте торговли в выходные и ночные часы),
экономическим новостям (отключайте бота за 10 минут до важных
макро-релизов) и режиму рынка (если текущий режим — флэт, а стратегия
трендовая — пропускайте сигналы).

Рис. 5В. Управление сигналами: вероятности модели, пороги и сглаживание

Реализация торговой логики: от сигнала до
ордера

После того как сигнал сформирован, нужно превратить его в биржевой
ордер. МагкеГ ордер исполняется немедленно, ио с проскальзыванием Цт№
ордер контролирует цену, но может не исполниться. Для среднесрочных
стратегий при высокой ликвидности и небольшом объёме используйте
тагке! ордера. Если объём значительный или ликвидность низкая —
разбивайте ордер на части и используйте ТУУАРЛЛЛ/АР. Правило управления
позициями: никогда не добавляйте к убыточной позиции (усреднение) — это
путь к катастрофе.

де! р1асе_зтаг1_огйег(зутЬо1, зхйе, циапШу,

сиг геп1_рг1се, з11рраде.рс1=6.001):
И 5к1е == ’Ъиу":

11лН_рг1се = сиггепиргчсе * (1 - 511рраде.рс1)
огйег = ехсЕ1апдеиегеа1е_11т1Ь_Ьиу-Огйег(

зутЬо!, ццапШу, 11т&.рг1се)

51ор_рг1се = ИтИ.рпсе * 0.985 й -1.5%

ексй апде. с геа Ъе_ а 1ор_ 1 оей _ о г й & г (

аутЬо1, цыапШу, Е1ор_рпсе)

е1ае;

11тИ_рг1ье = сигг8пЬ_рг1се * (1 * 511рраде_рс1)

огс1ег = ексНапде.ьгеа1е_11т11_&е11_йгс1&г(

аутЬо1сщапШу, 11т1_рг1се)

з1ор_рг1С& - 11тИ_рг1Сй * 1.015 4 +1.5%

ехсНапде. ьгеа^_?^р_1055_йгс1ег (

5утЬо1Т цизпЩур $Нр_рг1се)

Глава 21. Обучение с
подкреплением в трейдинге

Все предыдущие модели имели один недостаток: они оптимизировали
точность предсказания, а не прибыль. Обучение с подкреплением
(Яе1пГогсетепГ Ьеагтпд, Я1_) решает эту проблему напрямую. Вместо того
чтобы учить модель предсказывать цену, ЯЬ учит агента действовать в
рыночной среде так, чтобы максимизировать суммарную награду — чаще
всего, конечный капитал. Метафора: обучение с учителем — это как учиться
вождению по видеоинструкциям, Я1. — это сесть за руль и ехать, получая
штрафные баллы за каждую ошибку и премию за каждое хорошее действие.
Со временем вы научитесь водить лучше, чем любой инструктор, но рискуете
разбить машину в процессе.

Основы Ке1пГогсетеп( Ьеагптд

Я1_ строится на взаимодействии агента (нашей торговой программы) и
среды (рынка). В каждый момент времени I агент находится в состоянии 5_(:
(признаки рынка, портфель, позиции). Он выбирает действие а I (купить,
продать, держать). Среда переходит в новое состояние з_{Ы-1} и даёт
награду г_1 (изменение капитала, Рп1_), Цель агента — максимизировать
суммарную дисконтированную награду: сумму от С=0 до бесконечности
датгпаЛ1 * г_(, где датта — коэффициент дисконтирования (близкие
награды важнее далёких).
Цикл (]6уч^ния падк рв?п пением ( Н^1п^с1г<;Етпп1 1_еагп1пд}

АГЕНТ

ГЪллнтмкл п^л|ч.^
ЕМДО / РРО

СРЕДА

РЫНСКЧ11Ц1-Й
ЕнМуАйТЦ|р

С1я'ии1 ГЮч»ЧТО₽Ио1?Ы	Длй-Л

до ьтслнмчк'ти иаплл г нал

Рис. 59. Цикл обучения с подкреплением: агент, среда, действие, награда

Функция вознаграждения: главный рычаг

управления

В В1_ всё определяется функцией вознаграждения. Неправильная награда
— неправильное поведение. Распространённые варианты: Рп1_ (изменение
стоимости портфеля — напрямую оптимизирует прибыль, но может привести
к высокой волатильности); логарифмическая награда (поощряет
геометрический рост, штрафует просадки); 51пагре‘подобная награда
(доходность минус 1атЬйа * волатильность); награда за удержание позиции
(штраф за слишком частые сделки), Лучшая практика: комбинировать Рп1 с
штрафом за просадку и комиссии, и использовать нормализованную награду.

Таблица 27. Функции вознаграждения для НЬ-агента в трейдинге

Функция	Формула	Плюсы	Минусы
РпЬ	У_Г-У_{М}	Прямая оптимизация прибыли	Высокая волатильность, риск разорения
Ьод геШгп	1од(УЦУ{1-1} )	Геометрический рост, штраф просадок	Не учитывает абсолютный размер
5Ьагре-||к е	г • 1атЬс1а*уо1	Учитывает риск	Сложнее настроить ГатЬсЗа
Комбинир □еанная	РпЬ - репаку	Баланс прибыли и риска	Много гиперпараметров

О-Ьеагптд и Оеер О Ме^шогкз (0014)
0-1_еагп!пд — это метод, в котором агент учит 0-функцию: 0(5, а) —
ожидаемая суммарная будущая награда, если в состоянии б выполнить
действие а, а затем действовать оптимально. Обновление: 0(5, а) получает
приращение а1р1па * (г + датгпа * тах 0(5', а ) - 0(5, а)). Для непрерывных
состояний нужна аппроксимация — это приводит к Оеер О-Ыеб/югкБ. ООК
использует нейросеть: вход — состояние (вектор признаков), выход —
О-значения для каждого действия. Ключевые фишки: ехрепепсе гер1ау
(хранение переходов в буфере и обучение на случайных мини-батчах) и
(агде1 пеЪаогк (замороженная копия сети для стабильности).

1ШрОГЪ ЬогсЬ

1арагЪ Ьогс^.пп за пл

1/прог1 ЬэгсН.орЫи □р'Ыт

1спрсг1 гэпскип

^гот соПесНопд !трог1 с!едив

с1а$5 ОЦМ(ппьНос1и1е):

йе? __1пи__(®еИ| 1при1_й1пц

5ирег()>_1пЦ_()

зеИ!,пе1 = ппЛециепиаК

пп+Ипеаг(1ир1Й_сИпц 128),

пп+ЕШ1(),

пп,Ипеаг(128, 12®) +

пп.АеМЮ,

ппЛ1пеаг(12й] сшЬриМхт)
)

йеГ ГогнапКзеИ, к):

геЪигп зе1Епе1(х)

с1ака ОДОАдепЪ:

йе€ м1пИ„(5еИя 51эЪеи<11тр асНоп.йй,

1г=1е-3, датта=0.99Р ер811оп=1.0):

&е1Г.д_пей = 05М(&1аЬ&_е111, асМол_с111)

5е1^Лагде1_пе1 =	ас11оп_сИ1)

юИ. Ъагде1_пе1.1мс1_иа1я_с11с1(

5еИ. д_пеЪ . 51а1е _ Л с 1() )

8&1ЕорЬ«12ег = арМ1.Ас1ат(

5вИ.ч_1пеЪирагап1еЪег$(), 1г=1г)
з&И.пизтогу = с1е^ие(тах1еп=10000)
$е1Т.датгаа = датта
$е1Г.&рз11оп = йр&Иоп

4^ вс;1(5₽11!г зии> еуа1_тО(1е=Ез15е):

И гЫ вуа1_п10Е1е агк! галиот.гзпрои() < $еИ.ьйр&1игм
ге^игп гзпс1с1пь гап[НпЪ(0, 2)

= 1агсЬ Лоаиелзог(дШе)чип5чие-еге(0)

геЦл-п зе1Еч^пе!;(зЪз1е-'Ь)нагдтах(У1 ЦвтО

(Ы гетепФег(деИ\ 5, а, г, 52п с!опе):

501^л1етогунаррепй((з? а, гТ 52, Йопе))

гер1зу(зе1<г Ьа1сЬ_з1ге=32);
И 1еп(5е1Ететог/) < ЬаЬсЬ.зтге: ге^игп
ЬаШ1 = гапйот,5а1чр1е(5е1Г.теяогу, Ьабс11_512е)
# ... обучение на мини-багче

РРО и современные методы: политика лучше
ценности

□ОМ относится к уа1ие-Ьазеб методам. Более современный подход —
роНсу-Ьа5ебг где агент учит непосредственно политику р<(э|б) — вероятности
выбора действий. Самый популярный алгоритм — Ргох!та! РоКсу Орбт^айоп
(РРО) от ОрепАЬ РРО лучше ООМ для трейдинга, потому что работает с
непрерывными действиями (например, размер позиции от -1 до 1), более
стабилен и лучше масштабируется Идея РРО: обновляем политику, но
ограничиваем размер шага, чтобы новая политика не слишком отличалась от
старой (отсюда ,|ргох1таГ )< Это достигается через сНрреб зиггода^е оЬ)ес11ие.

Ггсв 51аЫе_Ьа5Ё11пЁ53 1трог4 РРО

1тот &1аЫе_Ьа$й11пе53.с<мйтап.уес_епч 1трог1 ПиттуУесЕп*

й Создай среду

епу  ТИндЕпу((1^е)

еГЕУ ж 0игййуУесЕпу([1айЬс1е:	)

й Обучаем РРО

гаойе! = РРОС’НХрРоИсу11 > епу, уегЬозе=1,
иэгл1пд_гэи=0Л003> гкзирзя204В,
1ге=й4 3 да^тд =0+99 ?

даеЛатЬОа-0 > 95 , сИр_ гапде=0г 2)

тос1е1.1еагп (Ша 1_11пШер5=100000)

и Сохраняем и. тестируем

иойе!, зауе( |крро_бгэй1пд_адеп'11')

оЬз = епу.гезеЦ)

Гог _ 1п гапде(1О90):

асМоп,. _ = пюйе1.ргеб1сЬ(оЬз)

оЬз, гекапк, йопе, юк - епу.5Ьер(ас11оп)

1Г Йопе:

оЬз = епч.геаеЦ)
Рис. 60, Сравнение подходов: кривые обучения и метрики РРО, СОМ и Йирегикеб

Практические вызовы КЬ в трейдинге

Таблица 28. Практические вызовы Н1_ в. трейдинге и пути решения

Вызов	Проблема	Решение
Нестационарн	Агент сливает на новых	Периодический Лпе-Штпс на
ость	данных	свежих данных
Исследование  эксплуатация	Случайные действия = потери	Обучение на симуляторе, затем оШ)пе Р-Ь
Высокие	Частые сделки съедают	Штраф за каждое действие в
комиссии	прибыль	функции награды
Переобучение под симулятор	Арбитрах в симуляторе, не в реальности	Максимально реалистичный симулятор (^Ирраде. задержки)

Совет от практика: К1_ в трейдинге — это продвинутая техника.
Не начинайте с него. Сначала постройте прибыльную систему
на ХбВоозСс фильтрацией и риск-менеджментом. Затем, если
нужен дополнительный процент, попробуйте НЬ для
оптимального исполнения ордеров или управления размером
позиции, а не для чистого предсказания направления.

Гибридный пайплайн: МЬ + Й1_

Лучший практический подход — гибридный; сначала обучаем
классификатор (ХбВоозЦ для предсказания направления, затем используем
его предсказанные вероятности как часть состояния К1_-агента. Агент на
основе РРО учится оптимально управлять размером позиции и моментом
входа/выхода, используя сигнал МЬ-модели как один из признаков,
Результат: гибридный агент часто превосходит как чистую М1_-модельи так и
чистый Кк поскольку объединяет силу предсказания направления с
оптимальным управлением портфелем.

й 1. Обучаем ХбВоозЪ для предсказания направления

хдЬ_яос1е1 = хдЬ.Х(Ж1а551Г1ег()ЛтЦХ^га!^ у_Лга1п)

й 2. Используем предсказания как часть состояния 41

с1эез ДйуапсегГГгаг!1 пдЕпу(Т гасНлдЕпу):

сГе^ .деЬ-ОЬяСае!^):

вагке1_51а^е = 5еИ\с1а1а.11ос[

аеИ. сиггел1_51ер]. уа1нег

ргоЬа = хдЬ_тос1е1.рге111с1г_рг(1Ьа(

агке1_5Ше. геай аре (1-1)) [0][1 ]

га1игп пр. 8ррепс1(йагке1_51аи,

[&еИ. ЬаГалсе, $*1Сро$Шопг ргоЬа])

Й 3. Обучаем РРО на расшмрйнноы состоянии

М тоае!  РРО(||М1рРоИсу,,|

И ШОГ1В1Л ВВ ГП ( и Ш_ М то$ Ъвр5 = 100 000 )

Итог Части IX (Главы 20-21)

Построение робастной стратегии — это системный процесс из 6 этапов:
от формулировки гипотезы до бэктеста с учётом комиссий, проскальзывания
и задержек. Пропуск любого этапа превращает потенциально прибыльную
систему в убыточную. Автоматизация требует надёжности, легирования и
аварийной остановки. Управление сигналами (пороги, фильтры,
сглаживание) не менее важно, чем сама модель — без правильной
фильтрации даже хорошая модель теряет деньги.

Обучение с подкреплением позволяет оптимизировать напрямую
прибыль, а не точность. ОС?М и РРО — основные инструменты. ОСЫ
аппроксимирует 0-функцию с помощью нейросети, РРО непосредственно
учит политику действий. Главная ловушка Й1_ — нестационарность рынка и
переобучение под симулятор. Используйте гибридные подходы (М1_ + НЬ) и
никогда не доверяйте агенту без человеческого присмотра, в финальной
части мы поговорим о психологии трейдера, подводных камнях внедрения
ИИ и дадим дорожную карту развития от новичка до профессионального
циапЬтрейдера. В следующей части мы перейдём к риск-менеджменту —
основе выживания на рынке.
ЧАСТЬ X. РИСК-МЕНЕДЖМЕНТ С
ИСПОЛЬЗОВАНИЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Почему управление рисками — это
единственная игра, в которой стоит
участвовать

Вы построили модель. Вы очистили данные. Вы обучили нейросеть на
тысячах часов истории. Бэктест показал радужные перспективы. Можете
запускаться? Нет. Абсолютно нет Потому что вы забыли о главном.
Настоящий успех в трейдинге определяется не тем, как часто вы угадываете,
а тем, как вы управляете неизбежными ошибками. Нассим Талеб, Митио Каку
и любой уважающий себя квант скажут вам одно и то же: управление
рисками — это не скучная обязаловка. Это альфа. Это то, что отделяет
профессионалов от игроков в казино.

Аксиома Талеба: “Если вы рискуете разориться, преимущество в
ставках не имеет значения. Потому что вас не будет в игре,
чтобы его реализовать."

Глава 24. Интеллектуальное
управление капиталом: от
интуиции к математике

Спросите любого трейдера: "Какая у вас стратегия управления
капиталом?" И в ответ вы чаще всего услышите нечто вроде "рискую 1-2%
капитала на сделку". Это хорошо. Но этого катастрофически мало в эпоху ИИ.
Интеллектуальное управление капиталом — это не фиксированный процент,
а динамический процесс, который учитывает уверенность модели, текущую
волатильность, рыночный режим и множество других факторов. ИИ
позволяет нам уйти от примитивных правил к настоящей оптимизации.

Оптимизация размера позиции: критерий
Келли и ИИ
Джон Келли, работая в Ве11 1_аЬз, вывел формулу для оптимального
размера ставки, максимизирующего долгосрочный рост капитала. Для
трейдинга формула адаптируется: = ти / 51дтаЛ2г где то — ожидаемая
доходность, $!дтаЛ2 — дисперсия. Но в чистом виде Келли слишком
агрессивен для финансов. Половина Келли (ТгасМопа! Ке11у) — стандарт
индустрии. Как ИИ улучшает Келли: вместо фиксированных вероятностей ИИ
даёт динамическую оценку вероятности успеха для каждой сделки,
оценивает не только волатильность, но и качество сигнала, корректируя
размер позиции в зависимости от уверенности модели.

Рис. 61, Критерий Келли: влияние дробления на рост капитала и просадку!

Ггас11опаЕке11у„розШоп(ргоЬ_нш3 ауд_н1п>
ауд_1оз5, ке11у_ГгасИоп^,25):

..Динамический Келпи с учетой вероятности
и соотноаения при быль/убыток111111

И ргоЬ_х1п <= 0.5:
гейигп 0

Ь = ауд_н!п / аЬз(аудЛозз) И ачд_1озз ’ = 0 е1зе 1
ГиП.кеПу = (ргоЬ.нкъ * Ь - (1 - ргоМнп)) / Ь
ге1игп та.х(0, йШ_ке11у * кеИу.Ггасйоп)

й Использование с А1-предсказаниями

ро5Шоп_з1ге = ^гас11опа1_ке11у_ро5Шоп(
ргоЬ_,и1п=тос1е1. рг&й1с1_ргоЬа(Х) [в][1 ],
а уд_м! п=К 1 з1:ог1са 1 _а уд_н 1 п 3
ауд_1оЕй=^1зЬог1са1_ауд_1о$Е,
кй11у^гасиогг=0.3

)

Расчёт риска сделки: больше, чем стоп-лосс

Таблица 29. Методы расчёта стоп-лосса для ИИ-торговли

Метод

Суть

Плюсы

Минусы
АТВ-Ьаее  0	Стоп - М * АТК	Адаптируется к волатильности	Может быть слишком широким
Уо1-1;агде	Динамический стоп	Позиция обратно	Требует оценки
йпд	по волатильности	пропори, волат.	волатильности
Байесовс	Выход при выбросе относительно распределения	Учитывает априорную	Сложнее е
КИЙ		информацию	реализации
Стаканн ый	Выход по микроструктурному сигналу	Реагирует раньше цены	Нужны данные 1_еие1 2

з1г_Е1ор(еп1гу_рг1се, а1г, ти111р11ег=2т 51с1е="1опд"):
1Г 51де == "кпд11:

з1ор = епЬгу^ргке - нЛЫрИег * а1г

е1зе:

вЪор = епЬгу.ргке + виШрИег * а1г

ге1игп акр

Адаптивный риск-менеджмент: когда рынок
меняет кожу

Статический риск-менеджмент (например, всегда рисковать 1%) глуп.
Рынок не статичен. Сегодня спокойно, завтра — хаос. Признаки, на которые
должен реагировать адаптивный риск-менеджмент: внезапное расширение
спреда, рост АТ К более чем в 2 раза за короткое время, смена рыночного
режима (распознанная кластеризацией или НММ), повышенная частота
ложных сигналов модели. Правило ступенчатого уменьшения риска; при
увеличении волатильности в М раз — уменьшить размер позиции в М раз (или
квадратично).

Рис, 62, Адаптивный риск-менеджмент: позиция обратно пропорциональна волатильности
сЪГ айарЫие^ро5111ал(Ьа5е_ро5111опг сиггеп1_то1, зуд^о!):
уо1аШ11у,га11о - сиггеп1_уо1 / зуд_уо1
й Если еолзтильнссть удесипзсь —
й позиция уменьшается вдвое

геЪигп Ьазе.розШоп / тах(1»9, уоХаЫШу.гаЫо)

Глава 25. ИИ для контроля
портфельных рисков

Если управление капиталом отвечает на вопрос "сколько"1, то контроль
портфельных рисков отвечает на вопрос “что, если всё пойдёт не так?".
Отдельные сделки могут быть безопасны, но их комбинация может создать
скрытый катастрофический риск. По данным опроса СОР 1п511Си1:е, 17%
квантов уже применяют ИИ в управлении рисками — и это число быстро
растёт.

\/а1ие а* Шзк (УаК): классика, которую
переосмыслил ИИ

УаК отвечает на вопрос: "Какой максимальный убыток я могу ожидать с
заданной вероятностью за определённый период?" Например, дневной 95%
УаП = $1М означает: 5% времени потери превысят $1М. Три классических
метода: исторический (просто, но прошлое не повторяется), аналитический
{вариационно-ковариационный, предполагает нормальное распределение —
опасно), Монте-Карло (точно, но медленно). Прорыв — ИИ для УаК: НММ +
1_5ТМ идентифицируют скрытые режимы рынка, а 18ТМ прогнозирует
условную волатильность в каждом режиме, значительно точнее 6АЕ.СН.,

йеГ гедхие^Шеге^уэгСгеЕигпз, и1пс1<ж=252,
циапШе=0+05)т
й Разделяем на режимы через НИМ
гедхпеь = Ьтт,р гесИсЦ гейта)
сиггеп1_гед1те = гедшез[-1]

й Берём доходности только в текущем режиме
гедше.гей1ГП5 = ге1игпе[
гедьпез == сиггеп1_гед!те]

й Вычисляем УаЙ

уаг = пр.регсепШе(

гедше.гейтэ, цнапШе * 108)
гейт иаг
Ехрес1еб ЗЬогГГаН (Е5): когда \/аЯ
недостаточен

УаЙ имеет фундаментальный недостаток: он не говорит, насколько
большими будут потери в оставшихся 5% случаев. Два портфеля с
одинаковым Уай могут иметь совершенно разные "хвосты". 2008 год это
доказал сокрушительно. Ехрес1еб 5Ьог1ТаП (СУа8) — средний ожидаемый
убыток при условии, что убыток превысил Уай. Регуляторы сделали Е5
ключевым требованием в посткризисном законодательстве (ЕНТВ). ИИ для Е5:
динамические байесовские сети (0В1\1б), корреляционный стресс тест,
нейросети для экстремальных хвостов — все эти методы превосходят
классическую эконометрику.

Рис. 63. Уай 75 Ехресгеб ЗКогИаН: толстые хвосты реального распределения

Стресс-тестирование: когда рынок сходит с
ума

Стресс-тестирование — это моделирование экстремальных, но
правдоподобных сценариев, которых ещё не было в истории. Роль ИИ:
генеративные модели (САМ, УАЕ) обучаются на исторических кризисах и
генерируют тысячи новых экстремальных сценариев. Тетрога! АйепНие
СгарЬ МеГ'л/огкз (ТА6М) — динамический фреймворк для прогнозирования
экстремальной волатильности с учётом нелинейного распространения
кризисов. Практический подход: определить ключевые факторы риска,
сгенерировать 10 000 сценариев через САИ, оценить убыток портфеля для
каждого, и взять 99-й перцентиль как стресс-Е5.
Мониторинг системных рисков: когда падает
лес

Системный риск — это риск цепной реакции, разрушающей финансовую
систему (|_еПтап ВгоИпегв, 2008). ИИ становится критическим инструментом
для регуляторов и крупных фондов. Прогнозирование финансовых
заражений, межотраслевые сети риска хвостовых событий (ТЕИЕТ),
объяснимое обнаружение аномалий с четырьмя механизмами сбоев рынка:
ценовой шок, ликвидность, системное заражение и инерция-разворот. Для
индивидуального трейдера: если ваш портфель состоит из трёх акций
одного сектора — вы несёте концентрационный риск, который системная
модель легко идентифицирует.

Й Гибридный подход- САЙСН + 1_!>ТМ для УаР

Ггот агсГ| 1трог1: агс[цм1е1

й Шаг 1: БАНСИ для йазоеой волатильности
дагсЬЛЪ  агсЬ_*0С1е-1(геЪигп&, щЦ-'ЪАЙСН" *
Р=Ь Я-1ГШ0

сопс!_уа1 = дагсЬ_^14-соп(1111ола1_Уо1аЫШу

и Шаг 2; 1_ЕТМ для остатков

Ыт_1про1 = пр+со1итл^8{аск([ге:Ьц1гп5, сол^ио]])

1з1п1_п1ос1е] = ЗедиепНаИЕ

15ТМ(50Г 1при1_5Г1аре=(н1пйоир 2))3

0епзе(1г эсНуаиоп-||11леаг,г)

])

Штсгсоек!.. сотр11е(орип11гег=|'ас1ав11 т 1о5Е-||т5е'1)
15йпцпос1е1 .НЦХЛгаш, ге51с1оа15_^га1л1. еросйз=50)

й Шаг 3: Объединённый УаА

Нпа1_уо1 = сопб_уо! * 151т_пмм1е1.рге(йс1;(Х.1ж51;)

чаг^95 = -погв.ррГ(0.05) * €1паОо1

ез^95 = -погн.рбР(лог1.ррГ(0.05)) / 0.05 * Нпа1.уо1

Глава 26. Предсказание кризисов
и экстремальных событий

Теперь мы подходим к вершине ИИ-риск-менеджмента. Не просто
измерять риск здесь и сейчас, а предсказывать — когда придёт буря. Чёрный
лебедь по Талебу — событие, которое является неожиданным, имеет
серьёзные последствия, и после совершения задним числом кажется
объяснимым. Классические модели слепы к чёрным лебедям. ИИ, наоборот,
может учиться на редких событиях,
Ранние предупреждающие сигналы через
машинное обучение

Таблица 30, ИИ-методы раннего предупреждения кризисов

Метод	Подход	Что обнаруживает
Мультифрактальн ый 4- словарное □бучение	Бесконтрольный М1 кодирует докризисные сигнатуры	Сдвиг мульт и фрактального спектра = рост нестабильности
Гибридный М1_Р	Нейросеть на исторических	Предиктивные сигналы
(Абапп)	индикаторах	раннего предупреждения
Топологический  М(_ (ТОА)	Персистентная гомология + каузальный пайплайн	Ранние сигналы из многомерных потоков доходностей
А1-епКапсеР 1_РР1_	Классическая модель пузыря + А1-классификатор	Надёжный индикатор краха пузыря
ШЧ для  системного риска	Анализ текстов +  макропруденциэльные фреймворки	Связь текстовых данных и экономических результатов

Финансовые пузыри: когда рынок теряет
связь с реальностью

Пузырь возникает, когда цена актива значительно превышает
фундаментальную стоимость, движимая спекулятивным ажиотажем.
Классическая модель 1_РР1_ (1_од-РепосПс Роме г 1_аи7) описывает ускоряющиеся
колебания и сингулярность перед крахом, А1-еп1*1апсес11-РР1- добавляет
классификатор для оценки надёжности, интегрируемой в новую метрику
риска. Нейронные сети для обнаружения пузырей оценивают коэффициент
диффузии ценового процесса более точно, чем текущие методы.
Дата-штамповка периодов экстремальности (2026) — эконометрический
фреймворк для обнаружения, датирования и вывода о зарождении и крахе
пузырей при условиях персистентной, меняющейся во времени
волатильности.

Крахи рынков: предсказание неизбежного
Крахи рынка — самые разрушительные чёрные лебеди. Но исследования
показывают, что они редко бывают полностью случайными. Обычно есть
предшественники. Основные предикторы, выявляемые ИИ: аномальный рост
заимствования на маржинальных счетах, синхронизация волатильности
(почти все активы начинают двигаться вместе), исчезновение ликвидности,
экстремальный сентимент, топологические признаки (появление петель в
сетях корреляций).

Ранние предупреждающие сигналы: панель
приборов трейдера

Практический результат — создание системы раннего предупреждения
(Е\М5), которая в реальном времени мониторит десятки индикаторов и
подаёт сигнал тревоги. Компоненты: индикатор хвостового риска (ТРЩ,
индикатор сетевого заражения (МС1 индикатор пузыря (ВI), индикатор
паники (Р1)- Когда использовать жёлтый уровень (одна метрика) —
снизить риск на 25%; оранжевый уровень (две метрики) — снизить на 50%,
увеличить хедж; красный уровень (три и более) — закрыть все позиции,
перейти в кзш.

Рис. 64. Система раннего предупреждения (ЕШБ): 4 индикатора риска



с1 аз 5 Еа г1 уМа гп!г д5у5 Ьем:

йе? __1пН__(5е1Т):

$еНЛаН_г1«к_т(и1й1 = 1оай_дагсй_1М1е1()
5&1^11е^агк_соп1ад1оп = 1йай_дпп_тойе1()
5Ш.ЬиЬЫе_4йШ1:ог = 1оагк1рр1_с1а$$Шег()
5й1Г.5йГ|Нтйп1_т0пДог  1озс1_^1пЬегЬ()

4И са1с|Даи_гШ_Падз(5е1Гр тагкек.йэи,

пеня Леей):

Падв = []

я веМЛг1кг1зк.»0(1е1..рге41си

йагке1_4а1а)
Н чаг_99 > 0.05 * 5е1ЕсарИа1:

Падз.аррепй(||ТД11.Й15К11)

соп!;ад1ол = 5еН.пеЕжэгЬ_соп1а,д1ог^.рге111сЦ

агке1_с1э1а)

И соп1ад1оп >0.7:

Н ад &.арр & п с! (и СОНГ Аб 1(015К11)

ЬиЬЫе = &е11:.Ь11ЬЫе_(1е1ес^ог.ргес11сЬ(

иагке1_с1э1а)

И ЬиЬЫе >0.8:

Над&.арр&пс1(иВ^ВВ^ЕI,)

ЗйпШепЪ = 5йН.&еп1:1тепЬ_топНог.апа1у2е(

И зепЫмепЬ < -0.7 ог $еШтеп1 > 0.8;

Н ад &. арр йпе! (11ЕХТ ЙЕМЕ _ 8ЕНПМЕНТ’1)

гМигп Т1ад$

с!еГ да^ро^Шол-йиШрИегСзеИ1, Пад&):
И 1еп(Пздз) >= 3; гейигл @0 # стоп
ЙН 1еп(Надз) =- 2: геЪигп 0+25

1еп(Надз) == 1: гэЪигп 0.5

е!зе: ге1игп 1*0

Итог Части X (Главы 24-26)

Управление капиталом с помощью ИИ — это переход от фиксированных
правил к динамическому, вероятностному подходу. Критерий Келли,
машинное обучение и К1_ вместе дают инструменты для оптимального
позиционирования. Адаптивный риск-менеджмент, реагирующий на смену
режимов и рост волатильности — не роскошь, а необходимость выживания
на рынке.

Портфельные риски требуют современных методов УаК и Е5. Гибридные
модели (НММ + Ь5ТМ, ХСВоозЬ для волатильности, ИМ-УаН) превосходят
классическую эконометрику в точности и стабильности. Стресс-тестирование
с помощью САМ и ТА6М позволяет готовиться к сценариям, которых ещё не
было в истории.

Предсказание кризисов — не фантастика. ИИ-системы раннего
предупреждения, комбинирующие мультифрактальный анализ,
топологический М1_, сетевые модели и А1-епбапсес11_РР1_, могут давать
трейдеру фору в дни и недели до основного падения. И главное: ИИ — это не
замена здравого смысла и дисциплины. Самый умный алгоритм сольёт счёт,
если вы дадите ему слишком много власти. Доверяйте ИИ как советнику, но
помните: за все решения отвечаете вы.
ЧАСТЬ XI. ПРАКТИЧЕСКАЯ
РАЗРАБОТКА А1-ТРЕЙДЕРА

Мы подошли к финальной практической части. Теперь теория
превращается в конкретные инструменты и код. Читатель, который дошел до
этого места, уже знает, что такое переобучение, 1_$тм и кризисные пузыри,
Но как взять и написать первую работающую стратегию? Какие библиотеки
выбрать? Как не утонуть в багах и утечках данных? Эта часть — мост между
знаниями и реальностью. Мы пройдём путь от установки РуНзоп до первой
боевой модели, которая, вероятно, не заработает. И это будет лучший урок.

Глава 27. Инструменты
современного
квант-разработчика

Квант-разработчик — это гибрид: 40% математик, 40% программист, 20%
психолог. Инструмента ри й должен быть мощным, проверенным и гибким, в
этой главе мы проведём вас по экосистеме РуЕЬоп для финансового М1_. Это
не обзор «всего и вся», а выжимка того, что реально используют
профессионалы в хедж-фондах, проп-фирмах и независимых
алготрейдинговых командах по всему миру. Каждый инструмент отобран по
принципу: «Использую ли я это сам в продакшене?». Если ответ «нет» —
инструмент не попадает в эту главу.

РуГЬоп для финансового анализа: почему
именно он

Почему Ру(Ьоп, а не Н, МАТ1АВ или С+ч-? Потому что РуЕЬоп стал языком
финансовой науки и инженерии одновременно. Этот выбор не случаен и не
дань моде — за ним стоят десятилетия эволюции вычислительных
инструментов в финансах, к прекрасен для статистики, но его сложно
использовать в продакшене. МАТ1АВ стоит тысячи долларов и не
интегрируется с брокерскими аре с++ быстр, но разработка на нём в десять
раз медленнее, а время выхода на рынок (Е1те-Ео-тагкеЕ) в современном
трейдинге часто важнее сырой производительности.

У РуЕЬоп есть пять критических преимуществ для финансового анализа.
Первое — низкий порог входа: можно быстро начать и получить первые
результаты буквально за несколько часов. Второе — огромная экосистема
для МЬ и да1а вселсе: ни один другой язык не предлагает такого количества
библиотек для машинного обучения, обработки данных и визуализации.

Третье — достаточная скорость для среднесрочного трейдинга
(минуты/часы); ИитРу и Рапба$ работают на С-расширениях, а узкие места
можно ускорить через Су11юп или МитЬа. Четвёртое — возможность
встраивать С++/СуМюп для критических участков кода, когда микросекунды
действительно имеют значение. Пятое — прекрасная интеграция с
брокерскими АР1 и базами данных: от 1п1егас11уе Вгокегз до Этапсе, от
РозГдге8О1_ до И.е<11Б..

Настройка среды — первый и критически важный шаг. Используйте
Аласопда или М1тсопс1а для воспроизводимых окружений. Создайте
отдельное окружение для каждого проекта, чтобы избежать конфликтов
версий, которые неизбежно возникают при работе с библиотеками
машинного обучения. Вот минимальный набор команд для старта:

сопйэ сгеаЪе -п (табшд ру №сп=3.10

сопс1а асИуаЬе ЪгасНпд

сопйа 1п$1а11 пишру рапйаа 8сИаЛ-1еагл таф!оШЬ зируЪег

р!р 1пзЬа11 1еп$огНсм (огсК хдЬооз): ИдНдЬт 1а уПпапсе ЬэскЪгаОег ссх1

Рис, 65. Экосистема РуЫтоп для к вант-разработчика: библиотеки по категориям

МишРу: кирпичики численных вычислений

МитРу — основа всего. Это библиотека для работы с многомерными
массивами и математическими функциями. Без МогпРу не работают Рапс1а5,
5с1к|Меагп, ТепаогНои/ — практически ни одна библиотека для научных
вычислений в РуНзоп. 1МитРу обеспечивает векторные операции, которые
выполняются в десятки и сотни раз быстрее циклов на чистом РуСбоп, потому
что под капотом использует оптимизированный С-код.
Для трейдера МитРу даёт четыре ключевых возможности. Во-первых,
быстрые векторные операции без циклов — вы можете применить функцию
ко всему массиву цен за один вызов. Во-вторых, линейную алгебру:
матричные операции, собственные значения, сингулярное разложение — всё
это необходимо для построения факторных моделей и анализа портфелей.
В-третьих, генерацию случайных чисел для симуляций Монте-Карло, которые
трейдеры используют для оценки рисков. В-четвёртых, статистические
функции: теап, зШ. регсепШе, соггсоеГ — базис любого финансового анализа.
Пример вычисления скользящей средней и годового Ббагре через МитРу
демонстрирует, как лаконично и быстро можно работать с финансовыми
данными:

1шрагЪ гиялру ак пр

й Цены закрытия
рг!сеэ = пр+аггау([1е^ 101, 102, 101, 100, 99, 98, 99, 100, 101])

й Скользящая средняя с окном 3 (простая)
йеГ зшаСэгг,
ге1игп пр,сопуо1уе(аггт пр. опез(к1лс1ох)/н1лс1о*, т<м1е=|^а11сГ|)

рг1п1(5П1э(рг1сеЕ, 3))

# [101. , 101.33, 101. , 100. 3 99, , 98.66т 99,. , 100. ]

й Годовой ЗЬагре на основе дневных доходностей

геЪигпз = пр.Л^(рг1се5) / рг1се5[:-1]

з^агре = ге1игп5.яеап() / ге1игп8.8И() * пр.5цг1(252)
рг1п1(Р’ЗНагре: {з11агре:. 2Г}11)

Почему ИнтРу, а не списки РуМпоп? Скорость. Векторные операции на
МитРу выполняются в десятки-сотни раз быстрее циклов на чистом РуЧпоп.
Для трейдера, обрабатывающего миллионы тиков, это разница между
секундой и минутой, И эта разница накапливается на каждом этале
пайплайна: от загрузки данных до генерации сигналов.

Рапааз: работа с временными рядами

Рапйаз — это Ехсе1 на стероидах для Руйлоп. Создан специально для
табличных данных и временных рядов. В финансовом анализе вы будете
жить в РапОаз 90% времени, библиотека предоставляет структуры данных
ОаГаРгате и 5епея, .которые идеально подходят для работы с рыночными
данными: цены, объёмы, индикаторы — всё это естественно выражается в
виде таблиц с временным индексом.

Ключевые возможности Рапёаз для трейдера включают ОаГеЫте1п<1ех —
индексацию по времени с поддержкой ресемплинга (пересчёт минутных
данных в часовые), сдвигов (зИгЛ: для создания лагов), и скользящих окон
(го1||пд для вычисления индикаторов). Работа с пропусками через ГбН,
п1:егро1аСеи бгорпа критически важна для реальных данных, которые никогда
не бывают идеальными. Группировки и агрегация позволяют анализировать
доходности по месяцам, дням недели или любым другим категориям.
Слияние и конкатенация необходимы для объединения ценовых данных с
альтернативными источниками. Векторные операции работают быстрее
циклов и делают код чище и поддерживаемое.

1 строН рапйаз ае рй
йпрогЪ уНпапсе аа у^

А Загрузка данных

Бру = у1Монп1оаС'ЭТ'Р ^аг1=’'2020-01-01\ епй="2024-01-01")

й Доходности

йру["йеЪ1гп5"] = 5ру[мС1о5е“,].рсисЬапде()

зруЕ'ТодЙе^игпз11] = пр.1од(5ру[||С1о5еи] / зру[||С1оае||].5Г|1Г1(1))

й Скользящие окна

5ру["5МА_20и] = 5ру[!,С1о5е||].го111пд(20) .веапО
й ру Г11 Уо 1аШ 11у_20" ] = вру [ 1ГЙе1и ГП5Н ]. го111 пд (20).	()

й Сдвиги (лаги)

5ру["ВеЫгп5_1ад1и] = круГ'АеЬгпз11] .8ШЦ1)

й Группировка пр месяцам

йрпШ у _Г&1иГ П$ и 5ру „ дГдцрЬу (&ру. 1 п(1 ех,. гппп4Н)["Рй 1игпа11 ],гвзп()

Продвинутый приём — скользящая регрессия через го111пд.арр1у. Этот
метод позволяет вычислять бета-коэффициент (чувствительность актива к
рынку) на скользящем окне, что критически важно для динамического
пересмотра портфельных позиций. Когда бета акции меняется со временем,
статическая оценка становится опасной, и скользящая регрессия
предоставляет актуальную информацию о текущей рыночной динамике.

Ггот. 5С1ру 1трог1 з1аи

йе^ го1Ипд_Ье1а(у3 х, ы1пйок=60):

..Вычисляет бета на скользящем окне""11

гезнИ = []

^ог 1 1п галде(^1пйо^, 1еп(у)):

у_н1пс1он = у [Д-н1пйок: 1]

х_н1П(1ои =

510Р&, _р _р _ = ;8Ъаи.11пгедге$$(х_м1пДИ| у_ы1пс!см)

ге^и Шар репс! (51оре)

г?1игп рск5ёг1е$(гЁ$иИр 1 пс!ех =у. 1пс1ех[иагЩон-:])
БакН-Ьеагп: классический М1_ для трейдеров

5с!к1Ыеагп — это швейцарский нож машинного обучения, в нём есть всё
для классических алгоритмов: предобработка, модели (регрессия, деревья,
случайный лес, градиентный бустинг}, метрики, валидация. Для трейдера
эта библиотека — первая остановка перед переходом к глубокому обучению.
Случайный лес и градиентный бустинг в ваИМеат часто превосходят
нейросети на табличных финансовых данных, особенно когда выборка
ограничена.

Для трейдера особенно важны следующие модули: ргергосеззтд с
51апёаг(15са1ег и КоЬи515са1ег — последний критически важен для финансов,
где выбросы в доходностях — не редкость, а норма; тос1е1_&е1есйоп с
Т|те5ег1е55рП1: — обратите внимание: ни в коем случае не обычный КЕо1с1,
который перемешивает данные и создаёт утечку будущего; епзетЫе с
Яапс1оппЕоге51С1а551йег и СгаФегЧВоо5йпдС1а55И|ег — рабочие лошадки
табличного М1_; Нпеаг_ тоде1 с 1_од1511сВедге551оп и её регуляризацией; терпев
с ассигасу_зсоге, ргес«51ОП_гесаИ_Г5С0ге_зиррог1 и гос_аис_зсоге. Пример
полного пайплайна с Т(те5ег1ев8р1№ и йоЬи5Йса1ег демонстрирует
правильный подход к валидации на временных рядах:

Ггот зк1еэгп.епзе®Ь1е д,трог1 ₽апЦотГогее1;С1аз51^Хег

Ггот зкХеагп.ргвргисемапд 1трог1 НоЬиз№са1ег
Г гот 5к1еагп.лщс1е1_5е1есиоп 1<прог1 ПтеЗегхегЗрШ
Ггот 5к1еагп,п1еЪг1с5 1трог± ассигасу_зсоге

5са1ег - РоЬ1!5к5са1ег()

Х_5сэ1ес1 = зса1ег.Ш._1гапзГога(!0

1зсч = Т1гае$ег1ез5р11Цп_зрШ,з=5)
зеогез = []

Гог 1га1п_1с1х1 1ез1_1<1х ш 1зсу.зр111(Х_зса1е(1):

Ога1п, Х_1ез1 = Х_зса1е11(1га1п_1|1х], Х_зса1«1[1:ебЩ1х]
у_4га!п, у„1ез1 = ул1ос[1гаш_1(1х], у.11ос[1:езин1х]
поОе! = Иапс1о1пГогезШа88Шег(п_взНма1огз=1(№, тэх_с1ер111=5)
нос1е1.Ш(Х_1;га1п, у_1гаш)
у.ргей = еюс1е1.рге(Нс1:(Х.Лк1)
зсагез.арреп(1(ассигасу_5соге(у_1езГ, у_ргей))

рг1п1.(РСредняя ассигасу: {пр.теаг|($соге$}: .ЗГ}")

Чего нет в 5с1к|Ыеагп и что с этим делать? 1_5ТМ и Спи отсутствуют - для
них нужно переходить к ТепвогПоту или РуТогсП. ХбВоовК устанавливается
отдельно через р>р таГаП хдЬоозГ. Работа с временными рядами, помимо
Т|1Т1е8епе55р1К, ограничена — предобработку придётся делать через рапбаз.
Эти ограничения не критичны, но важно понимать, где заканчивается
возможность зсЛоЫеагп и начинается территория специализированных
инструментов.

ТепБОгНои/ и РуТогсН: глубокое обучение для
финансов

Обе библиотеки — лидеры в глубоком обучении. ТепзогПо’лг (боод'1е)
старше, его экосистема шире: ТепзогВоагс! для визуализации, ТЕХ для
Продакшенз, ТРЫГе для мобильных устройств. РуТогсН (Ме1а/РасеЬоок) более
питоничный, с динамическим графом вычислений — удобнее для
исследований и экспериментов, в индустрии рыапГ-фондов оба фреймворка
активно используются, но РуТогсК набирает популярность благодаря своей
гибкости и прозрачности.

Для трейдера выбор прост: если вы комфортно чувствуете себя в Кега$
(высокоуровневый АР1 ТепзогНоту) — берите ТепзогЯои. Он позволяет быстро
прототипировать 1_5ТМ и полносвязные сети. Если вам нужна максимальная
гибкость (например, кастомные архитектуры с механизмом внимания или
сложные функции потерь) — РуТогсб. В долгосрочной перспективе РуТогсб
предоставляет больше возможностей для исследовательской работы, а
ТепзогНоуу — для промышленного развёртывания. Оба фреймворка
постоянно сближаются по функциональности, поэтому выбор во многом дело
личного предпочтения.

Пример Ь5ТМ в ТепзогНоуу/Кегаз для бинарной классификации
направления цены:

1ярогЪ ХжпзогНом аз 1Г

Г гот ЪелногНон.кегаз.тойеХз 1<прог1 5ечиеп11а1

Ггот 1епзог?1он.кегаз.1ауегз шрогЪ 1_51МР Оепзе, Огород

ойе! = 5едиеп11а1([

15ТМ(64, ге1игп_Бедиепсе5=Тгие, 1при1_з^аре=(й01 Б)),

ОгороиЦО. 2),

Ь5ТМ(32, гекигщзедиелсез-ГаХзе),

Огорои1(0.2),

Сеп$е(1, асЫ^аЬоп=|Ч1дто1й")
])

крРе!. саирНвфр И	г = "айат", 1о$$=мЬ1пагу_сга$$егНгору ",

ве1г1с$=["асе и гас у"])

еаг1у_$1ор  и.кегаз.са11Ьаск5.1аг1у5ирр1пд(

топЦ,рг="^э1_1[1здГ|, раЦепсе-ТЭ)

ЫдЬси'у = то(1еХЛИ(Х_1га1п, у_1га!п, грос115=50, Ьа1сБ_5ие-32,
уэ11дэНоп,5рИ1=9<2, са11Ьаскз=[еаг1у_51ор],
$НиН1е=Ра18е) # важно: не перемеривать!

Тот же пример на РуТогсЬ демонстрирует более явный контроль над
процессом обучения:

1горог1 ЬзгсЬ

йпрогЪ ЪогсЬ-пп аз пп

с!азз ЬЛНМос1еЦпп,Мсь±|1е):

йе< __1П11„(5еИ, 1при1цЛт, Ыййеп_б!т, пшиДауегз, оиЪриЪ-сНт):

5ирег() ,„1пН„()

яеИЛзЬи = пп,1_$ТМ[1при1_сНп1в ЫсИеп.сНт, пипЛауегз,

Ьа1с1ъНг51=Тгие)

неИ.Гс = ппЛ1пеаг(Г|1№п_сй1] сиЪриЪ^сИв)

сГе^ ГогыапКзеИ, х):

ои1р _ = ае]Т. 151я( х)

ои1 = ои1[:ь -1, :] Я последний выход

ге1игл 1:огсй. 81дтмс1(&е1Е ^с(ои1))

пос1е1 = 15ТНИлй1е1(5, 64, ?, 1)

сг1Ьег1оп = пп.ВСЕНтО

орИвИгег = Ьогс1).орЬ1т.А<1ат(вос1е1.рагатеиг8()1 1М1.001)

Рог еросй 1п гапд&(50):

йОйе1.1гМп()

0р1Ш12вг. гегр.дгайС)

о111рцЪз  тйс1&1(Х_,Ьга1п_^п$ог)

1о55 = сгИег1йп(ои1ри1з р уЛга1п.1еп$ог)

Ьзз.ЬаскиагёО

орЪ 1»! ге г, зи р ()

Совет: Начните с Теп5огЕ1оуу/КегаБ — он проще для новичков.

Переходите на РуТогсП, когда понадобится сложная кастомная
логика или исследовательская гибкость.

Дополнительные библиотеки, которые спасут
жизнь

За пределами «большой четвёрки» (МигпРу, Рап^ай. 5ок|1-1еагп,
Теп$огЕ1о1А//РуТогсН|) существует целая экосистема специализированных
инструментов, каждый из которых решает конкретную задачу в пайплайне
квант-разработчика. Знание этих библиотек и умение их комбинировать —
то, что отличает профессионала от новичка. Ниже приведена таблица
ключевых инструментов с описанием их назначения и типичных сценариев
использования в алгоритмическом трейдинге.
Библиотека	Назначение	Пример использования
ХС8ООЗГ / ЫдЫСВМ	Г радиантный бустинг — король табличных данных	трог1 хдбооз! аз хдЬ
ТА / рапйазТа	Технические индикаторы одной строкой	сК.са. ге 1 (1 еп д ±=14)
уЛлапсе	Исторические данные акций (УаКоо Япапсе)	у Г, бо^п 1оас1 (" А АРЬ")
ссхс	Крипто-биржи: единый АР1 для 100+ бирж	ехсИапде - ссх1.ЫпапсеО
Ьаск1гас1ег	Бэктестинг с комиссиями и  п рос к а льзы ва н ие м	Сложный, но мощный фреймворк
уес1огЫ	Сверхбыстрый векторный бэктестинг	1трог1 уес1огЫ аз «Ы
ор1ипа	Оптимизация	Автоматический поиск лучших
	гиперпараметров	параметров
/ р1обу	Интерактивные дашборды и визуализация	Мониторинг стратегий в реальном времени
Таблица 31. Ключевые библиотеки Руйюп для квант-разработчика		

Каждая из этих библиотек заслуживает отдельного рассмотрения, но в
контексте данной книги важно понимать их взаимосвязь. ХОВооз! и ЬгдЫОВМ
— это не просто альтернатива случайному лесу из 5ак1Меагп; они
обеспечивают существенно лучшее качество на табличных данных за счет
более продвинутых алгоритмов построения деревьев и обработки пропусков.
Библиотеки ТА и рапс1а5_1а экономят часы работы, генерируя десятки
технических индикаторов одной строкой кода, при этом рапс1а5_(:а
интегрирована непосредственно с Оа1:аЕгате и удобнее в использовании.
Бэктестинг — самая коварная часть разработки стратегии: ЬаскСгас1ег
учитывает комиссии, проскальзывание и частичное исполнение, а
уес1огЫ[][]ит гибкость ради скорости, позволяя перебирать тысячи
параметров за секунды.

Проверка окружения: готовность к работе

Прежде чем идти дальше, убедитесь, что всё установлено и работает
корректно. Запустите следующий скрипт — он проверит наличие и версии
всех ключевых библиотек. Если хотя бы одна из них не импортируется,
вернитесь к шагу установки. Работать с неполным окружением — значит
терять часы на отладку ошибок, которые не связаны с логикой вашей
стратегии,

мпрогЪ зу&* рг1п^(Г|Ру№йГ1: {&у5^егй1вп}м)

1траг1 пиару пр; рг1п1(РНшпРу: {пр.__и&Г51ап__}<г)

1гпрог1 рзпйя* а$ рй; рг1пЦ1!||Рап<1а5: {рс1.__уег&1йп__}11)

йлрогЪ йк1еагп; рг1пЦГ15в1кН-1еагп: {5к1еэгп.__уег51ог1__}11}

1ярОгЪ ипзогПф, 35 М; рг±п1(ГЧ$п$огНои: {^Г.__у$г&1ап__}")

1тлрог1 ЬогсН; рг1п1(Г1РуТогсМ [ЬогсГ1.__уег51оа__}н)

1п1рогЪ	ргХпШ'ЗДВоо&Ъ: {хдЬой$Ь__уег$.иа__р1}

рг1пЪ("Вс& готово к запуску I11}

Глава 28. Построение первой
М1_-стратегии

Теперь самое интересное, Мы пройдём весь путь от идеи до анализа
результатов на реальных данных (5&Р; 500), Это будет простая, но
полноценная стратегия на основе случайного леса. Она, скорее всего, не
заработает в реальности — и это отличный урок. Ценность этой главы не в
том, чтобы дать вам прибыльную стратегию (таких не существует в
открытом доступе), а в том, чтобы провести вас через полный цикл
разработки: от формулировки гипотезы до анализа провала. Каждый шаг —
это навык, который вы будете применять снова и снова.

Постановка задачи: формулируем гипотезу

Гипотеза: технические индикаторы (К51, МАСО, скользящие средние,
волатильность) содержат предсказательную силу для направления
движения 5&Р; 500 на следующий день. Эта гипотеза основана на
предположении, что инерция цен и настроения рынка оставляют следы в
технических индикаторах, которые машинное обучение может обнаружить.
Однако мы должны быть честны: эмпирические данные показывают, что
предсказательная сила технических индикаторов на однодневном горизонте
крайне мала, и наша модель, скорее всего, лишь немного превзойдёт
случайное угадывание.

Параметр	Значение	Обоснование
Цель	Бинарная классификация; рост/падение	Простейшая формулировка для первой стратегии
Г оризонт	1 день	Среднесрочный, подходит для дневного трейдинга
Актив	5РТ (ЕТР на 5&Р; 500)	Высокая ликвидность, низкие спреды
Тга1п	2015-2021	Достаточно длинный период для обучения
Тезе	2022-2023	Вневыбсрочный период с разными режимами
Метрики	Ассигасу, КОС-ДОС, стратегическая доходность	Точность не равна прибыльности

Таблица 32. Пара-метры первой МЬстратегии

Подготовка данных: от сырых цен к
признакам

Подготовка данных — самый важный и недооценённый этап. Опыт
показывает, что 80% времени разработки стратегии уходит именно на
данные, и только 20% — на обучение моделей. Мы загрузим исторические
данные 5РТ через убпапсе, добавим технические индикаторы с помощью
рапдаз_1а, создадим производные признаки и сформируем целевую
переменную. Каждый шаг имеет значение: неправильный расчёт индикатора
или утечка будущего в признаки могут дать впечатляющие результаты на
бэктесте и катастрофу в реальной торговле.

рапс1а5 95 рй

хтрогЪ пиару а5 пр

1шрог1 уНпдпсе а$ у?

шрогЪ рапс1з5,и 95 и

й 1> Загрузка данных

зру = у<=.^онп1оа<1("$РГ’, 51аг1="2015-01-01", еп(1="2023-12-31 ")

• 5.ру[["0реп", "НждЬ'", "1.0*", "С1о5е", "Уо1ите"]],сору()

й 2. Технические индикаторы

^["ЙЗГ'] = Ьэ.г51(с1Г["С1озе,,]1 1епдТб=Л4>

6Р["НАСО"] = 1а.васй(<«[ "Позе" ])["МАС0_12.26.9"]

сИ["АТЯ"] =	^["Юх"], ДН'СХоае"], 1епдЫ1=14)

й Скользящие средние

(Н[ '‘5МД.20" ] = 1а.51па((Н["С105е"], 1епд1Г|-20)

ЛГ["5МА.59"] = 1а.яю((Й["С1ме"), 1епд№"50)

И Отношение цены к скользящим
<Ж''С1о5е_8МА20-га*1о"] = ^["С1озе"] / с1Г["5НА_2Й" ] - 1

<1Г["С1о5е_5МА50_гэ1;1о"] = сИ[иС105е'’] / йР["5НА_56"] - 1

4 Объёмные признаки
бГ["Мо1и1йе_$МА''] = сН["Уо!нте"].го111пд(20).теап()
б?["Уо1ите_гаШ"] = «["УоШм"] / бГ['^о1ите_5МА"]

В Лаги доходности

йГ["₽е1игп_1б"] = (М!["С1о&е,,].рс1:_с11апде()
аГ["Ке1иго_1адГ,1 = сН [”Ке1шт_1с1"].. $МН(1)
^["йа^тЛ&дг"] = (ИТ‘Не*игп_1(Г'] .$Ш1(2)
(Н["КйЪ1гл_18дЗ,’1 = <1Г[|Шит_1с1м].з111П(3)

4 3. Цйле&ая Лйренвнная
^['ЧагдйГ1} =	> ^[41056"]) .Э&1уре(1п^

4 4. Удаляем МаН

(И ♦ Н г орпз( 1пр 1 асе= Т гце)

Критический момент: обратите внимание на сдвиг целевой переменной
5НгЩ-1). Это завтрашняя доходность, и она должна рассчитываться строго
после всех признаков. Любая ошибка в направлении сдвига — это утечка
будущего (1оок-аЬеас1 Ыаз), которая сделает результаты бэктеста
бессмысленными. Также важно, что лаги доходности (1ад1,1ад2, 1адЗ)
используют зЫЛ: с положительным аргументом, то есть смотрят в прошлое,
Это правильно: модель должна аидеть только то, что уже произошло к
моменту принятия решения.

Обучение модели: Папбот Рогез! на практике

Разделение данных по времени — критически важный шаг. Мы не
перемешиваем данные! Тга1п — это 2015-2021, Теа1 — 2022-2023. Любое
перемешивание временного ряда создаёт утечку информации из будущего в
прошлое и приводит к нереалистично высоким результатам на валидации.
Нормализация через ВоЬи518са1ег устойчива к выбросам, что особенно важно
для финансовых данных с их толстыми хвостами. Капаот Еогез^ выбран как
модель первого выбора, поскольку он не требует тщательной настройки
гиперпараметров, устойчив к масштабированию признаков и предоставляет
интерпретируемую важность признаков.

й Разделение по времени (не перемешивать!.)
зрШ.йаи = "2022-01-01"
Х_1га1п = Х.1ос[:ьрИ1;_с1а1е]
Х_1ез1 = Х.1ос[грШ_<1а1е:]
у_1га!п = у.1ос[:арШ:_с1аЬе]
у_1вв1: = у..1ос[$р1Н_(1а$е; ]
и Нормализация (ЙаЬиЁ1$са1ег для финансов)
Егот 5к1еагп.ргергосез51пд гтрогЪ НоЬизИса1ег
йса1ег = КоЬиз15са1ег()

Х^1га1п^Бса1ег1 = зса1ег.Ш_1гап5Еогт(Х_Ега1л)
Х_1еа1_5са1ес1 = 5€а1егЛгэл5Уогт(Х_1е5^)

й Модель Вале!от ГогезЪ с регуляризацией

I1™ Ек1еагп.епймЫе 1траг1: ЯапйотЕйг&ЁкСЪаййШег
иос1е1 = 1?апс1отЕогезК1а551Нег(

и _ё5 11 та 1о Г5=290 , тах _ййр 111-53

п!п _ а атр1е$_5р111=59, т!л_ $атр1ез_1еа Е-20,
г апс!ски_$ 1а1е=42, л^ оЬ$Т -1
)

т□ Не 1. Е И( Х_ 1г ^1 л_$с?	р у _Ъга!л)

й- Оценка

у_ргес1_ргоЬа с тос1в1-рге(11С1_ргаЬа(Х_и$1_&са1ес1)[:, 1]
а нс = гос_аис^зсоге(у^из13 уяргеСгргоЬа)

ргхпКЕ’ТезЕ ЙОС-АИС: {аис^ЗЕ}'1)

М Омадаемый результат; 0.52-6.55

Рис. 66. Важность признаков в модели Яапдот Еогез! (ВРУ. 1-дневный горизонт}

Анализ важности признаков показывает, что К51 и МАСС оказываются
наиболее информативными, что согласуется с интуицией: эти индикаторы
первыми приходят на ум трейдерам. Однако производные признаки —
отношение цены к скользящим средним — оказываются не менее важными,
поскольку кодируют информацию о текущем тренде. День недели и месяц
имеют наименьшую важность, но даже они вносят небольшой вклад. Важно
понимать, что важность признаков а случайном лесе не означает
причинно-следственную связь — это лишь мера того, насколько часто
признак используется для разбиения и насколько эти разбиения улучшают
прогноз.
Тестирование сигналов: от прогнозов к
стратегии

Точность сама по себе ничего не говорит о прибыльности. Модель с
ассигасу 53% может быть прибыльной, а модель с ассигасу 60% — убыточной,
Всё зависит от того, какие именно примеры модель угадывает, и какова
величина выигрыша по сравнению с проигрышем. Именно поэтому мы
превращаем прогнозы в торговую стратегию с чёткими правилами: покупать
(Ьопд). если вероятность роста больше 0.55; продавать (ЗЬогТ), если
вероятность роста меньше 0.45; не торговать в зоне неопределённости
между 0.45 и 0.55. Эта зона неопределённости — ключевой элемент: она
фильтрует сигналы с низкой уверенностью и уменьшает количество сделок,
что снижает комиссионные расходы.

и Стратегические сигналы
51дпэ15 = пр.гегоз(1ел(уи1е51))
51дпэ18[у^ргей_ргоЬа > 0.55] = 1 й 1_олд
Е1дпа15[у^ргескргоЬа < 0.^5] = -1 # 51юг1

й Доходность стратегии (без комиссий)
геТи гп5_	= сЮ ос [ зр 11	: ] ["	гп_1 сГ ]

з1га1еду_геЬигп5 = 51дпаН * ге1игп5_1е51;

й Кумулятивная ДОХОДНОСТЬ

$1га1йду_&дц11у = (1 * йЪгаЬеду.г&Шгпз) .здтргосЮ

Ьиу_йо1е1_&диИу - (1 + геЬиглвЛе^) .сшргой()

й Метрики

511агре = $1гз1йду_геЬцгп$.те^п() / $и,аЪеду_ге1цг,П5.$1[1() * пр.$цгЪ(252)

ргхпК Г "Стратегия $Ьагре: {з^агре:-20”)

рг1п1,(ГЪиу & Но 1(1 доходность: [(Ьиу_11о1с1_еА1111у

Рис. 67, Сравнение МЬ-стратегии (Н.апс1от Рогей^) с Виу & Но1д 5РТ на тестовом: периоде
2022-2023
₽4СГ>Р1ДепеНН-Р	чодегсн Н4 Т^ТСВОИ <1 «ри од в

Рис. 68. Распределение уверенности модели с порогами Ьопд и 511011

Распределение прогнозных вероятностей показывает, что большинство
предсказаний концентрируется вокруг 0.5 — модель не уверена в
направлении. Это типично для финансов: рынок близок к случайному
блужданию на коротких горизонтах, и даже лучшие модели лишь немного
отклоняются от равновероятного прогноза. Зона неопределённости между
порогами 0.45 и 0.55 отсекает большинство сигналов, оставляя только те,
где модель имеет хоть какую-то уверенность. Это уменьшает количество
сделок и, следовательно, комиссионные расходы, но также означает, что
стратегия будет простаивать значительную часть времени.

Анализ результатов: почему первая стратегия
не работает

Вы получили график. Скорее всего, стратегия не сильно превзошла Виу &
Но1б, а возможно, даже отстала. Это не неожиданно — это реальность. И вот
почему. Первая причина — переобучение на исторических данных. Несмотря
на Т1гпе8епе58р1г1 и регуляризацию, модель запомнила шумы, специфичные
для обучающего периода. Финансовые данные зашумлены, и граница между
сигналом и шумом крайне тонка. Вторая причина — неучтённые комиссии.
Если бы мы добавили 0.1% на сделку (реалистичная оценка для розничного
трейдера), результат стал бы ещё хуже. Комиссии — тихий убийца
стратегий.

Третья причина — рынок близок к случайному блужданию. Однодневное
предсказание — тяжёлая задача. Эффективность рынка означает, что вся
доступная информация уже отражена в ценах, и получить устойчивое
преимущество на таком коротком горизонте крайне сложно. Четвёртая
причина — горизонт 1 день не оптимален для случайного леса на
технических индикаторах. Возможно, 5-дневные или 10-дневные движения
предсказуемее, поскольку на более длинных горизонтах инерция и
трендовые эффекты проявляются сильнее.

Что делать дальше? Есть несколько направлений для улучшения:
попробовать другие горизонты (5, 10 дней), добавить альтернативные
данные (сентимент новостей, макроэкономические индикаторы),
использовать ХОВоозС вместо йапбот Еогеэ^ применить регуляризацию ещё
сильнее, ограничить частоту сделок (комиссии убивают). Но главное —
никогда не запускайте модель в реальность на основе одного бэктеста.
Нужна бумажная торговля минимум 3-6 месяцев, чтобы убедиться, что
стратегия работает на живых данных, а не только на исторических.

Финальный чек-лист перед запуском
реального робота

Запуск торгового робота в продакшен — это не просто кнопка «5СаН>. Это
серия проверок, каждая из которых может спасти ваш капитал. Пропуск
любого пункта — это осознанный риск, который вы принимаете на себя.
Ниже приведён чек-лист, который используют профессиональные
алготрейдеры перед развёртыванием стратегии на реальных средствах.

 Проверка	Описание	Критерий прохода
1.  В невыборочный бэктест	Тестирование на данных, не использованных при обучении	Период не менее 1 года
2 Комиссии и п	Учёт всех транзакционных	Реалистичные оценки
роскальзыеание	издержек	(0,05'0,15% на сделку)
3. Размер	Ограничение риска на	Не более 2-5% капитала на
позиции	отдельную сделку	сделку
4. Аварийная остановка	Автоматический стоп при критической просадке	Стоп при просадке > 10-15%
5. Легирование	Запись всех сигналов, сделок и ошибок	Полный лог для аудита
6.	Периодическое обновление	Расписание переобучения
Переобучение	модели на новых данных	(еженедельно/ежемесячно}
7.	Бумажная торговля на	Минимум 3 месяца без
Демо-торг овля	де мо-счёте	критичных ошибок
8. Матожидание	Стратегия должна быть прибыльной после комиссий	Положительное ЕУ на всех тестовых окнах
9. Психологичес
Готовность к сериям убытков План действии при просадке
кая готовность

Таблица 33. Чек-лист перед запуском реального торгового робота

Самое важное: Никогда не запускайте модель в реальность на
основе одного бэктеста. Нужна бумажная торговля минимум 3-6
месяцев. Если вы не готовы ждать — вы не готовы торговать.

Итог Части XI (Главы 27-28)

Инструментарий кванта — это РуПтоп + ЫиплРу + Рапйав + 5ак11:-1еагп +
ХСВооз1 + ТепйогПото/РуТогсЬ. Это не исчерпывающий список, но ядро, без
которого невозможно обойтись. МитРу обеспечивает скорость вычислений,
РапСаз — работу с временными рядами, 8с1к1С-1еагп — классический МЦ а
ТепЕОгНою и РуТогсП — глубокое обучение. Каждая из этих библиотек решает
свою задачу, и их комбинация покрывает 90% потребностей
квант-разработчика.

Первая стратегия должна быть простой, прозрачной и заведомо
неидеальной — для обучения. Процесс: гипотеза, данные, признаки, модель,
оценка, симуляция сделок, выводы. Каждый этап — это навык, который
совершенствуется с практикой. Типичные ошибки: утечка будущего,
переобучение, игнорирование комиссий, нереалистичные допущения о
ликвидности. Эти ошибки неизбежны, но осознание их — первый шаг к
профессионализму.

Результаты часто разочаровывают — это нормально. Рынок сложен, и
первая стратегия, вероятно, не будет прибыльной. Но ценность не в
результате, а в процессе: вы научились формулировать гипотезу, готовить
данные, обучать модель, тестировать сигналы и анализировать результаты.
Это фундамент, на котором строятся все последующие стратегии. В
Заключении мы подведём итоги всей книги, вернёмся к философским
вопросам о будущем трейдинга с ИИ и дадим список рекомендуемой
литературы и онлайн-ресурсов.
ЧАСТЬ XII. БЭКТЕСТИРОВАНИЕ,
ВАЛИДАЦИЯ И РАЗВЁРТЫВАНИЕ

Создать модель — половина дела, Доказать, что она работает не только
на исторических данных, но и в реальной торговле, — вот где начинается
настоящее искусство. Бэктестинг без валидации опасен ровно настолько же,
насколько убедителен: он может показать фантастическую доходность,
которая исчезнет в момент запуска на живом рынке. В этой части мы
построим систему валидации, которой можно доверять, а затем перенесём
валидированную стратегию с ноутбука в боевую среду 24/7.

Глава 29. Бэктестинг и
валидация: искусство проверки
перед битвой

Вы обучили модель. Она показала фантастические результаты на
исторических данных. Кажется, можно запускаться и печатать деньги. Стоп.
Это самый опасный момент в жизни трейдера-алгоритмиста. Потому что
бэктест может врать. И врать убедительно. История полна примеров
стратегий, которые выглядели как печатные станки в бэктесте и как
мясорубки в реальной торговле. Каждая такая история — чей-то потерянный
капитал, чьи-то разрушенные надежды и чья-то карьера, завершившаяся
раньше, чем предполагалось, Разница между успешным квантом и
разорившимся энтузиастом часто заключается не в качестве модели, а в
качестве валидации.

Бэктестинг — это не просто запуск скрипта на исторических данных. Это
научный эксперимент, где каждое допущение должно быть проверено,
каждый источник утечки данных — заблокирован, а каждая ложная
закономерность — обнаружена. В этой главе мы построим систему
валидации, которой можно доверять. Систему, которая отсеет 99%
иллюзорных «альф» и оставит только те стратегии, у которых есть реальный
шанс выжить на живом рынке. Помните: бэктест — это не доказательство
прибыльности, это лишь фильтр, отделяющий заведомо убыточные
стратегии от потенциально прибыльных.

Историческое тестирование: первый рубеж
Бэктест — это база. Но база, которую легко испортить.
Профессиональный бэктестер должен учитывать множество факторов,
которые превращают красивую кривую капитала на экране в реальный
убыток на счёте. Разница между аккуратным бэктестом и правдоподобным —
это разница между лабораторным условием и полевым: в лаборатории всё
работает идеально, а в поле выясняется, что согпт155юп5 съедают половину
прибыли, эПрраде превращает выигрышные сделки в убыточные, а задержка
исполнения в полсекунды убивает арбитражную возможность начисто.

Архитектура качественного бэктестера

Профессиональный бэктестер должен учитывать несколько критически
важных компонентов. Во-первых, реалистичное исполнение: комиссии
такегДакег Гее (на В1папсе такег (ее = 0.1%, Гакег = 0,1%, на фьючерсах
0.02-0.04%), проскальзывание — разница между ожидаемой и реальной
ценой исполнения, особенно критичная при рыночных ордерах, задержки
исполнения — даже 0.5 секунды могут убить арбитраж, и ограничения на
минимальный размер ордера. Закладывайте худшую из возможных комиссий,
потому что именно так будет в реальности.

Во-вторых, правильная обработка данных: никакого 1оок-абеаб Ыаз —
будущее не должно попадать в прошлое: тики, объёмы, спреды — а не
только цены закрытия: учёт торговых сессий и праздников. В-третьих,
полный учёт портфеля: денежная позиция и проценты, ограничения на
короткие продажи и заимствование, влияние собственных ордеров на рынок
(зПрраде от ликвидности). Каждое из этих допущений само по себе кажется
мелочью, но их совокупный эффект может превратить «прибыльную»
стратегию в убыточную.

Инструме нт	Тип	Скорост ь	Особенности
Васк1гаС1ег	Еуеп1-с1пуеп	Средняя	Гибкий, требует больше кода, активное сообщество
УесЩгВТ	Векторный	Высокая	Быстрый, удобный АРИ идеален для прототипирования
2ф||пе	Еиег^-бпуеп	Средняя	Использовался ОиапЮрЁап, ореп-воигсе
Р ^1гас1е	Еиег^-дпуеп	Средняя	Специализирован для криптовалют
палоЬаск	Г ибридный (С+ + 20)	Очень высокая	Точность симуляции, статистическая корректность

Таблица 34. Сравнение фреймворков для бэктестинга торговых стратегий
Тренд последних лет — переход от простых бэктестеров к комплексным
фреймворкам. 5узТгас1еВепсЬ (5узТВ) — это итеративный бэктест-бенчмарк,
который оценивает не финальную метрику, а саму способность ИМ
генерировать торговые системы как управляемое, подлежащее аудиту
программное обеспечение с диагностикой дрейфа. В 2026 году вышел
Васк^езШепсЬ — датасет для бенчмаркинга им в задаче автоматического
количественного бэктестинга, построенный на 6 миллионах реальных
рыночных записей и включающий 18,246 пар вопрос-ответ по четырём
категориям: расчёт метрик, выбор тикера, выбор стратегии и подтверждение
параметров. Эти инструменты поднимают планку качества валидации на
принципиально новый уровень.

\Л/а1к-Еог\л/агд Дпа1у$15: золотой стандарт
валидации

Самая распространённая ошибка — обучить модель на 80% данных и
протестировать на 20%. Проблема: эти 20% всё равно как-то похожи на 80%
(ведь это те же рыночные условия). Модель может переобучиться под
конкретный период, а потом слить на данных другого режима. Это
классическая ловушка, в которую попадают даже опытные исследователи:
кажется, что 11о1б-ои1 валидация достаточна, но на нестационарных
финансовых данных она даёт ложное чувство уверенности.

\Л/а1к-Ро™агс1 Апа1уы5 (МУРА) решает эту проблему кардинально. Метод
был разработан Робертом Пардо и опубликован в 1991 году в его книге Тбе
Эе51дп, ТезПпд апб Орбпгйзабоп о! ТгаФпд Зуз^етз. Суть метода: данные
разбиваются на последовательные окна — обучающее (1п-затр1е, 15) и
тестовое (ои1-оГ-загпр1е, 005). Модель обучается на 15-окне, тестируется на
следующем 005-окне. Затем окно сдвигается вперёд, и процесс повторяется
много раз. МЕА снижает переобучение, так как тестирует модель не на
одном, потенциально «удачном» валидационном периоде, а на множестве
последовательных периодов с разными рыночными условиями.
V*] к-ГрГкЛГЙ Лпй]уя||! ЗКйЛкЗЧЯ* «КМк

Рис. 69. УУаИк-Гопмагс) Апа1у515; скользящие окна валидации (НоШпд УУГА)

Существует два типа МУРА. АпсРогеР (якорное): 15-окно расширяется,
добавляя новые данные, но не отбрасывает старые. КоШпд (скользящее):
15-окно фиксированной длины сдвигается, отбрасывая старые данные.
Рекомендация: КоШпд ТУРА более консервативен и лучше адаптируется к
нестационарное™. В 2025 году был разработан интерпретируемый, строгий
\А/РА-фреймворк для проверки стратегий, специально предназначенный для
снижения переобучения и 1оок-аЬеас1 Ыаз. Фреймворк объединяет
интерпретируемую генерацию сигналов с обучением с подкреплением и
строгим вневыборочным тестированием через скользящие окна на 34
независимых тестовых периодах.

Параметр	АпсНогей УУЕА	ДоИтд ШЕЛ	Рекомендация
Обучающее окно	Расширяется (от начала данных)	Фиксированной длины	КоШод для нестационарных данных
Учет старых	Да, все данные с	Нет, старые	КоШпд лучше
данных	начала	отбрасываются	адаптируется
Чувствительн есть к смене режима	Низкая (влияние старых данных)	Высокая (только актуальные данные)	йо11|лд для смены режимов
Типичный 15-размер	3-5 лет (растущий)	3 года  (фиксированный)	Меньше окно = быстрее адаптация
ТИПИЧНЫЙ 005-размер	6 месяцев	Ь месяцев	Не менее 3 месяцев для статистики
Число итераций	3-5	5-10	Больше итераций = надёжнее вывод

Таблица 35. Сравнение типов УУа1к-1:огшаг<1 Ап а I узь
Трёхступенчатый протокол А1доХрег±

А1доХрег1: А1рЬа НезеагсЬ Егатешогк определяет три стадии валидации
стратегии, каждая из которых повышает степень доверия к результату, Этот
протокол стал де-факто стандартом в профессиональных хедж-фондах,
поскольку он разделяет процесс валидации на логически независимые
этапы, минимизируя риск самообмана на каждом из них.

Стадия 1. 1п-5атр1е (15) — обучение.

Формулировка гипотезы и РеаГиге Епд1пееппд. Обучение модели на
15-данных (например, 2018-2021}. Подбор гиперпараметров. На этом этапе
допустима максимальная свобода исследований: можно перебирать модели,
признаки, параметры. Но все эксперименты ограничены 15-периодом, и ни
один результат на 005-данных не должен влиять на решения, принимаемые
на этой стадии.

Стадия 2. \Л/а1к-Рогу/агс1 Апа1у515 (\Л/ЕА) — проверка на
невидимых данных.

Выбираем размер 15-окна (например, 3 года) и 005-окна (например, б
месяцев). Обучаем модель на первом 15-окне, валидируем на первом
005-окне (например, 2022 Н1). Сдвигаем окно: новое 15-окно = 2018-2022 Н1г
новое 005 = 2022 Н2. Повторяем. Для среднесрочных стратегий типично 5-10
итераций. Ключевой момент: если ШРА 5Иагре составляет менее половины 15
5Кагре, стратегия почти наверняка переобучена, и нужно вернуться к Стадии
1.

Стадия 3. Ои1м>1г-5атр1е (005) — живой тест.

Финальная стратегия (с параметрами, усреднёнными по \Л/РА)
тестируется на совершенно новых данных (например, 2025), которые не
использовались ни в 15, ни в 'Л'РА Идеально — сначала симуляция на
тестовой сети (рарег 1гаФпд), затем малый капитал. Использование
005-данных, значительно отдалённых от данных обучения и валидации,
обеспечивает наивысшую степень доверия. Помните: 005-тест проводится
ровно один раз. Если вы «подогнали» стратегию под 005-результат, вы
уничтожили смысл всего протокола.
ътйН'йъгй протес л

Рис, 70. Трёхступенчатый протекая валидации А 1доХрегТ: от 15 до 005

Реализация Ша1к-Еоплгагс1 на РуДЬоп

1«прог1 рагкйаз р^

йпрогЪ пиару аз пр

Тгопт 5к1еагп.пос1е1_8е1есЬ1оп йпрогЪ Пте$ег1е55рШ

Ргот кдЬйозЬ 1трогЪ Х6ВС13ВДИ1вг

(Ы иа1к_Гогиагй_уа1м1а1;1ог1(Хг у, 1га1п_уеагз=3!Н из1цвоп1Л5=6,

кос1е1_сЬ53ЕХЕВС1а531Шг):

ЬэЪаЕуеагз = 1еп(Х) / 25? Я при дневных данных

п_ы1п(1ок5 = 1п1((^о1а1_уеаг5 - 1га1п_уаагз) / (1е51_тогйМ / 12))

зеогез = []

?ог 1 1п гапде(п_ы1п(1анз);

1гахп_епд = 1 * (1е5ктопШ/12) * 1га1П1_уеагз

1езиз1аг1 = Ъга1п_егс1

и$Ь_ел(1 * 4в$1_8^аг^ + (и$^_топШ /12)

иашЗОх = гапде(0, 1п1(1гаш_епй * 252))

изИс1* и гэпде(Ы(и5Ь_&иг1 * 252), 1пЩе^_епс1 * 252))

ХЛга1г\ ХЛез1 = Х[1га1п_1с1х]я Х[^езк_1йх]

у_1гадп, уЛе&1 н у[1га!п_Хс1х]1 у[1в5'Ь_1с1х]

поеМ = об1екс1а&$()

пос1е1 Л1Ъ(Х.Ъга1п, уЛгащ)

у_р™1 = яос1е1.,ргей1с1(Х_1ез1)
зсоге = а сои г асу_ а со ге( у_	у_ргес1)

5СОГ&&, аррепс1(5соге)

ргхпЬСГ'Игпйш П*1}: 00$ ассигасу = {асоге:; .ЗГ}11)

рплЦРАиегаде ИЕА ассигасу: {пр<<пеап(всогез): *ЗО 11

Г+/- {пр.зиКзсогез): .ЗН1)

ге1игп $свге«

Монте-Карло моделирование: когда одного
бэктеста недостаточно

Исторический бэктест — это всего одна реализация из бесконечного
множества возможных. А что, если стратегии просто повезло? Или, наоборот,
не повезло? Монте-Карло моделирование создаёт сотни и тысячи
альтернативных историй, перетасовывая или пересэмплируя доходности
сделок. Если стратегия показывает стабильно хорошие результаты на
большинстве симуляций — она робастна. Если только на 5% — ей просто
повезло. Это фундаментальное различие: исторический бэктест отвечает на
вопрос «что произошло?», а Монте-Карло — «что могло бы произойти?».

Существует четыре основных типа Монте-Карло в трейдинге. Первый —
гезатрНпд сделок (бутстрап): берём список сделок из бэктеста.
перемешиваем их в случайном порядке и вычисляем агрегированные
метрики (51пагрег тах с1гат1оууп, итоговую доходность), повторяя 1000-10000
раз. Второй — гезатрПлд доходностей: вместо сделок пересэмплируем
доходности за периоды. Третий — параметрическая симуляция:
предполагаем, что доходности актива следуют определённому
распределению (например, 1-распределение с толстыми хвостами) и
генерируем новые траектории. Четвёртый — геометрическое броуновское
движение, используемое для опционов и риск-метрик.
г,-Ичрпр; рчгпр«л"пчнни ычтрм1с и трпфстррыы кцпнтрп*

Унгрм 1*Т11

Рис. 71. Монте-Карло: распределение БНагре ВаЬо и траектории капитала (1000
симуляций)

МСЗ может дать распределение для пяти целевых метрик, включая
чистую прибыль, БЬагре гайо, максимальную просадку, коэффициент побед и
среднюю сделку. Если 90-й перцентиль максимальной просадки составляет
20%, готовьтесь к потерям. Ключевая ценность Монте-Карло — не в средней
оценке, а в доверительных интервалах: зная, что БНагре с вероятностью 90%
лежит между 0.3 и 1.2, вы принимаете совершенно иное решение, чем зная
только точечную оценку 0.8,

Пример кода: Монте-Карло пересэмплинг сделок

Йе!1 ноп1е..саг1о^аск1я81:(Ъгайе8..1181, п_51ви1аиопа=5090):

пр. г аг*с1ам. зеей(42)

гезчИз = {

Чоит.ге^игп1: []а ЧПагре.гаЫй1: [],

|01ах_с1гаис1пиГ1^ [], *ъг1п_га^е1: [1

}

^ог _ 1п гапде(л_ь1ти1аИлп5):

5^тр1еЦ  пр,галс1ов.сКо1се(

Ъгайез-Мз^ 51ге=1еп(1гас1е5_1151)3 гер1асе=Тгие)

ециИу = пр.сшпргой(1 + лр.аггау(&атр1ес1) / 100^

Ыа1_ге^игп = вЯиИу[-1] - 1

гигпппд.пах = пр.нах1нит.ассияи1а1е(еди11у)

Лганйоип =	- гигтпд.иак) / гипп1лд_гпак

пах.йй - йганйс1ил .т1п(}

*1гсга1е = пр.теап(пр.аггау(5атр1ей) > 0)

ге$и11$[1 иШ_геЦ1ГЛ1 ]. аррелсЦ 1ои1_ге1игт)

геви1и[ |яах_йган[1омл1 ] .аррепй(тах_с1с1)

гйзлКёС “^1п_га1е1 ] .аррегк1{н1п_гаЪе)
Гог ие1г1с 1г гезиНя:

уа1и₽з = гезиНзЕиэШс]

1он_5 = лр.регсепй1е(уа1ие5р 5)

= пр.регсеоШе(ча1ие&, 95}

ргй11(Г'{ИеШс}: ЭД = {1о<5:.ЗН, 95« = {Ь1дЬ_95: ЛП")
ге1игп геаиИз

Борьба с переобучением

Переобучение — самый опасный враг количественного аналитика.
Выявить его можно по нескольким признакам: огромный разрыв между
точностью на обучении и на валидации; большое количество параметров
относительно числа наблюдений (правило: более 10 наблюдений на
параметр — это минимум); сверхсложная модель, дающая идеальную
точность на обучении (йапйотЕогев! с 1000 деревьев и глубиной 20 — это
почти наверняка переобучение); и результаты «слишком хорошие, чтобы
быть правдой» — Збагре больше 3 на типичных акциях США без плеча —
повод усомниться.

Мнлружйж*	1$ 41 0С2 м ГМ

Рис. 72. Обнаружение переобучения: 15 уз 005 511агре Ка1!о и вероятность РВО

Для снижения переобучения применяются несколько ключевых техник.
Регуляризация в ХСВооз!:; тах_Рер1Ь 3-6 (глубокие деревья легко
переобучаются), т1п_сб||<1_ууе!дЫ: 5-10, датта 1-5, 5иЬзатр1е 0.5-0.8,
со15атр1е_ЬуСгее 0.5-0.8, гед_а(рРа и гед_1атЬс1а (к! и 1.2 регуляризация).
Разделение на 15/ОО5МРА: никогда не использовать тест для подбора
гиперпараметров. Минимизация количества параметров: принцип бритвы
Оккама — более простая модель часто побеждает.
СотЫпа1опа1 Ригдес! Сгоза-УаНсГайоп (СРСУ) от Маркоса Лопеса де Прадо
— один из самых надёжных методов для временных рядов. В отличие от
стандартной СУ, СРСУ не перемешивает данные случайно, а генерирует все
возможные комбинации обучающих и тестовых «сплитов», исключая
перекрытие по времени (ригдес!). РгоЬаЬНку оГ ВдСк1е$Е ОуегЛШпд (РВО) —
формальный тест для оценки вероятности того, что лучшая найденная
стратегия переобучена. Если РВО больше 50%, ваша «альфа» —
статистическая иллюзия. Валидный минимальный размер бэктеста (М!гтВТЕ)
для модели с К параметрами составляет примерно ЮК наблюдений.

1	Техника	Описание	Когда применять
Регуляризация (И/12)  Еаг1у 5Горр1Пд	Штраф за сложность модели в функции потерь  Остановка обучения при ухудшении валидации	Все модели с гиперпараметрами  Нейросети, градиентный буСТИНГ
СРСУ (Лопес де  Прадо)  РВ О-тест	Комбинаторная СУ с удалением перекрытий по времени  Формальная оценка вероятности переобучения	Временные ряды, серийная корреляция  Оптимизация параметров стратегии
Апа1у515	Множественные 005-окна вместо одного	Любая стратегия для Нме-торговли
Минимизация параметров	Бритва Оккама: меньше параметров - робастнее	Когда модель слишком сложная

Таблица 36. Техники снижения переобучения в торговых стратегиях

Пост-бэктест фильтры

Даже после правильной валидации стратегия может быть иллюзорна,
Пост-бэктест фильтры — это дополнительные проверки, которые помогают
обнаружить скрытые проблемы. Скрытая зависимость от выбросов: удалите
5% экстремальных сделок. Стратегия всё ещё прибыльна? Если нет, значит,
вся «альфа» содержалась в нескольких удачных сделках, а не в
систематическом преимуществе. Устойчивость к шуму: добавьте случайный
шум в цены плюс-минус 0.01%. Изменяется ли результат значимо? Если
малый шум полностью меняет профиль доходности, стратегия хрупка. Смена
порядка тиков: переставьте порядок сделок внутри дня. Это не должно
полностью уничтожать прибыль, поскольку робастная стратегия не зависит
от конкретной последовательности.

Современные метрики для борьбы с переобучением включают 6Т-5соге —
составную целевую функцию, объединяющую производительность,
статистическую значимость, консистенцию и риск снижения для
направления оптимизации в сторону более робастных стратегий. Ра1геб
51аб5бса1 Ге 5 Г 5 на МопГе Саг1о вневыборочных доходностях показывают
статистически значимые различия между целевыми функциями (р меньше
0.01) с малыми размерами эффекта. Даже такие различия могут быть
значимыми для количественных фондов, где важен каждый пункт.

Полный пайплайн валидации стратегии

Объединим все методы валидации в единый класс 5Сга1еду7а1|йаЪос
который реализует трёхступемчатый протокол: исторический бэктест,
\Ма1к-Ротгагс1 Апа 1у51 & и Монте-Карло робастность. Этот класс — не
академический пример, а рабочий инструмент, который можно адаптировать
под конкретные потребности.

с1а55 ЗЪгаЪедуУа! 1	г:

Ле? „1пИ__(зеМподе!, йаЬая ?еа?игез, 1агде?):

5В-1? -таде!  пЫе!

зе1?.да1а = да?а

зеИЛеаЪигез = -Геа^гез

за1?Лэгде? = ?агде?

зеИ.гезиИз = {}

йе? М51лг1са1^Ьзск?е5?(зе1?р 1га1п„га11о=0+7। сопи1з51оп=0<081);

зрШ = 1п?(1еп(,5е1?.йа?а) * Ъга1п_га,Ыо)

1гя1п, = зе1?.Ё1з1а[ :&рШ]$&1Т. с1а1 а[$р 111*]

зеИ - Л1ос1е1+?И(Ъга1л[зе1?. ?еа1игез], 1гаш[зе1?ЛагдеЪ])

ргесИсИопз = зе1Г,то<1е1.ргйс11с1(1ез1[зе1?.?еа111ге5])

ге4и гп$ = 1$з I [1 ?|Ди ге_ ге1ц гп 1 ] *	5

з1га1еду_ге1игпз = ргедкИопз * ге^игпз

пе?_ге?игпз = зЦгаЪеду_геЦлт15 - сотт1зз1оп * (

ргесНсНопз ! 0),аз^ре(?1оа1)

ге 1 ч гп зе1?.. _ сотр пЪе _ве1;г1 сз (пе?_ ге?и г пз)

де? мэ1кв?огиэгд(зе1?р ?га1п.уеагз=Зг 1е51_гпопШ=6, сотгп1551оп-0г001):

Ша1_с1ауз = 1еп(зе1?.даЬа)
йэу.зЬер = 21 * 1ез1.воп1Ъз
1гат_1ел = 252 * 1га1п_уеагй
а11„ве1гк5 = []

Гог з1аг1 1п гапде(0, 1о1а1_йэуз - 1га!п_1еп - йау_з1ер: йау^зГер):
1га1п = 5&1Г. с1аи[51зг1 :з1агЬ + <ха1л_1еп]

1ез1 = ге1Г?(1а1а[з1аг1 + 1гаш.1ел:

в1а гЬ + 1га1п_1еп + йау^зЪер]

ШГ.йюйй! Ьга1п|ЧеИ. Г$Ииге$], 1гз1л[$е1ГДагде1])
ргейз - 5е1Г.яюс1е1,ргей1сШе51[5еНЛеа1и>ге5])
геЪигпз = 1ей1[1^иЪиге.геЪигп1].уэ1ией
з1гаидувге1шгпз - ргейз * геЪигпз

пеЪ_ге1игпз = зЪгаЪеду^геЪигпЕ - сотпйззЪоп * (
ргейз ’== 0) .а&1уре(Г1оа!:)

з11_че4г1с5 ,аррег1с1(5еИ+,сотри1е_ае1г1с5(пекге1иглз))
ге1игп рй.0а1аЕгале(а11_п1е1г4с5) .адд(['теап', 'зЪй'])

йеГ мопи.саг1о.гоЬизЪпез5(8еИ} п_8ми1аиол5Н000):
Ьгай&з = 581Г._ехиасЪ_Ьгас1е5()

эЬагреЛЫ, йс1_Ц$Ъ [],[]

Гог _ 1п гапде(п_51П1и1аНоп8):

5этр1ег1 = пр. галйот ,сЬо1се(

Ьгайез» 51г§=1еп(Ъгас1е5), гер!асе=Тгие)
зЬагре = зе1Г._смри1е_511агре(8атр1ей)
ак_(И = &е11:._смрии_п1зх_с1гайс1о^п(5аф1ей)

§ Ьа гре_ 11	а рреп й (з11 а гре)

ба.И.аррепП(тах^йй)
г&1игп {

г ре .ЭД1: пргрегсепШе<8Иэгрев11з1, 5),
'^агре-^ЭД1: пр.регсепШе(811агре_11й1л 95),
Чгах[1йнп_5йр: лр.регселЫ18(<М_И$1г 5)Т
|йгахйомп_95й|: пр.рвгсепШе(с1й.115Ь, 95)
}

йеГ гоп_Ги11_уаИйа11оп(зе1Г):

1&_теЬг1с& = &еИ.[1151ог1-са1_Ьаск1й8Ь(1га1п_га,Ый=Й.8)

*Га_яе4г1сй = 5в1Г4нз1к_{огнаг[1()

С-гезиНз = 5е1Г.топ1е_саг1о.гоЬс151;пе55()
геЪигп {

115_5Ьагре1* 15_шй1г1са[’&^агре1]3

'к?з_$Нзгре1: ы?з_теЪг1с5[1зЬагре1][1веап1],

рю_5Ьагре_1Г|Ъегуа1|: (

йь_ г&ьи 1 и[ 15 Ьй гр е_5861 ], вс_ гй&и 1 и [ Ч11а грй_9 5%1 ] )

}

Решающее правило: стратегия готова к развёртыванию, если: 15
БНагре > 1,5, УУЕА БНагре > 0.7, нижняя граница МС ЗНагре >
0.3, \А/РА и 15 ЗЬагре различаются не более чем в 2 раза, и
стратегия прошла простой осмысленный анализ.

Глава 30. Развертывание
торгового робота: от кода на
ноутбуке до системы 24/7

Модель прошла валидацию. Вы готовы, Теперь самое ответственное —
перенести код с вашего ноутбука в среду, где он будет торговать реальные
деньги 24 часа в сутки, 7 дней в неделю, без сбоев и перерывов на обед.
Ошибка на этапе развёртывания может стоить миллионов, Переход от
прототипа к боевой системе — это не просто копирование файлов на сервер.
Это архитектурная трансформация, в которой каждый компонент должен
быть продуман с точки зрения отказоустойчивости, наблюдаемости и
восстанавливаемости.

Инфраструктура: сердце робота

Архитектура профессионального торгового робота — это не один скрипт,
а набор взаимодействующих сервисов, каждый из которых отвечает за свою
часть функциональности и может быть обновлён или масштабирован
независимо. Монолитный подход, когда весь код находится в одном
процессе, приемлем для прототипа, но недопустим для боевой системы:
падение одного модуля не должно уничтожать все приложение.

Компоненты производственной системы
Модуль данных непрерывно получает рыночные данные через УУеЬ5оске1,
сохраняет их в буфер (НесНз) и базу данных (Т1те5са1еОВг СПскНоизе}. Модуль
признаков преобразует сырые данные в признаки для модели в реальном
времени. Модуль инференса загружает обученную модель из хранилища,
получает признаки и выдаёт прогноз с оценкой уверенности. Торговый
движок принимает решение о сделке с учётом риск-менеджмента, создаёт
ордер и отправляет на биржу. Риск-менеджер — независимый сервис,
который может отменить или изменить параметры сделки. Мониторинг и
логирование собирают метрики, логи и ошибки. АР1-шлюз обеспечивает
единую точку входа для всех запросов к биржам и управление ключами.

Дрн*1т*мтурп| мин дос «рейсе в торгонсмо доДОта

Рис. 73. Архитектура микросервисов торгового робота с Ооскег- контейнер ан и

Компонент	Технология	Ресурсы	Реплики
□аи Со11ес1ог	ууеЬ5оске1 + Ней 15	200-500 мСРК, 512 М1В	1-2
Реа^иге Епд!пе	МргпРу + Рапйаб + Вей «5	500 мСРО, 1 61В	1-2
МЬ.1пГегепсе	ОЫЫХ Випбте/ ТепаогВТ	1-2 СРП, 2-4 61В	2
Тгайтд Епд1пе	ссх1 / нативный АР1	500 мСРЦ, 512 М1В	1
К15к Мападег	Независимый сервис	200 мСРЦ; 256 М1В	1
НеЛз	Кейк 7 А1р(пе	500 МСРС1. 1 61В	1 (рег5151епсе)
Ро5Сдге5ОЬ/Т| гле5са1еПВ	Роь1:дге5С115 А1р1пе	1 СРП, 2 610 + 550	1

Таблица 37, Компоненты производственной торговой системы и их ресурсы
Современные архитектурные паттерны включают микросервисы —
каждый компонент в своём контейнере с чёткими АР(, независимым
масштабированием и обновлением. ЕуепЬс1пуеп архитектура — компоненты
общаются через очереди сообщений (КаЬЫШО, Ка!ка). Мос1е1-У1е^-Соп1гоНег
(МУС) — как в ХТгаёе-А1, с чётким разделением между данными, логикой и
представлением. Минимальная конфигурация для старта: 2-4 уСР11, 8-16 6В
РАМ, $5О-диск для базы данных (не НОО).

Облачные сервисы: где живёт бот

Перенос торгового бота в облако — критический этап. АУУ5 ЕС2 —
стандарт для многих фондов, включая Рогех РогезЕ. Почему облако, а не
домашний сервер? Надёжность: облачные ЦОД имеют резервные каналы
питания и интернета, АУУ5 гарантирует 99.9% аптайм. Глобальное
присутствие: можно разместить сервер в регионе, близком к бирже
(например, АУ/З ие-еаз!:-! для ЫА5ОАС), Автоматическое масштабирование:
Рогех ЕогевС сократил расходы на серверы, используя Атагоп ЕС2 Аи1о
5саIIпд, одновременно расширяя глобальное присутствие через соблюдение
нормативных требований. Простота развёртывания: бКНоЬ АсНолз + А№5 ЕС2
— авторазвёртывание при каждом пуше в основную ветку.

Платфор ма	Преимущества	Лучше всего для	Стоимость
АУУ5 ЕС2	Стандарт индустрии, 99.9% 5ЬА, Аи1о 5саНпд, широкий выбор регионов	Производственные системы фондов	530-200/мес
Соод1е  С1оиб	Х/егТех А1, ТРЧ, интеграция с МЬинструментами	М Ц-интенсивные стратегии	$25-150/мес
М1СГО5ОП  Аг и г®	Интеграция с С# и корпоративными системами	Корпоративные среды	530-180/мес
УР5 (ОгдНа! Осеап, НеГгпег)	Дешевле, проще для старта	Небольшие проекты, тестирование	$5-40/мес
Со1осайоп	Минимальная задержка (5-20 мкс)	НЕТ-стратегии	$500+/мес

Таблица 38. Облачные платформы для развёртывания торговых ботов
Для высокочастотных стратегий физическое размещение серверов в
одном дата-центре с биржей (со1осабоп) дает минимальную задержку, но это
дорого и требует специфических знаний. Для большинства стратегий
близость по региону даёт приемлемые 5-20 мс задержки. Бесплатные 7Р5 от
ССР или АУУ5 в течение 12 месяцев можно использовать для тестирования, но
не для боевой торговли — их ресурсы ограничены и не гарантируют
стабильность.

Контейнеризация:воспроизводимость и
изоляция

Контейнеризация (Ооскег) — это золотой стандарт. Она гарантирует, что
код, работающий на вашей машине, будет работать точно так же в облаке.
Никаких «а у меня работало» на Ру1Ьоп 3.9, а в проде РуИтоп 3.12. ОоскегТИе
описывает точную среду: версию Ру1Ьоп, системные зависимости, пакеты из
геры теплели.1x1. Ооскет Соплрозе оркестрирует несколько контейнеров для
локального тестирования и продакшн-среды, обеспечивая корректный
порядок запуска и связи между сервисами.

ОоскегГНе для торгового бота

ЕРОМ ру1Ьогк3.10-з11п»

М0ККО1Р /арр

РУМ ар1-дв1 ирйаи ЭД зрЬ-деЬ 1п-дШ1 -у —пс-дпзШЬгессптепУз \

дсс д++ гт -гГ /уаг/ИЬ/арЪ/ИзЪз,/*

СОРУ гечи1гетепкЛх1 .

ЙУН р!р 1П5Ш1 “-по-сас^е-сИг гедиТгеиеп^зЛхЪ

СОРУ зге/ ./зге/

СУРУ тос1й1$/ ./тоУе1з/

СОРУ солГТд/ ,/сопНд/

ЕМУ РУТНОМРАТН=/арр

ЕМУ тг=цтс

СНО ["руИют11, "-и", 11 згс.та ш11]

Ооскег Сотрозе: оркесграция сервисов

70гз1оп: 'З.Й”

зегч1се$:

Йа1а-со11еси>п

Ьи1Ы: ./зе ™Iсе з/йа1а-со1Тес1ог
йереп.йз_оп: [гей1з3 роз1дгез]
гез!;аг1: 11Л1е&8-5Ъзрр&й

^еа1оге-епд1пе:

Ьи! кк . /вегу к^з/^аЪиге-епд! ле

дерепйз.оп; [гесИз]

гез1аг1: ип1е88-вкорр&с1

п1-1л^егепсе:

ЪиНй: . / зегу1сей/т1-1п^егепсе

йерелйз.оп; [гесН^ ?еаНге-елд1пе]

йер1оу:

герПсаз; 2 М две реплики для отказйустййчиййсти
гезои гсез:

ИтЦя: {сриз: ’З1, тетогу: 4С}

Гй$иг1: ип1е$$-вирр&й

1гас11пд-елд1пе:

Ьи1 И: . / &в г у! се$ /I гасИлд - епд 1 пе

йерелйз_«ж [ге€И&3 т1-1пГегепсе]

гезЪаг1: ипТезз-зЪэррей

Нзк-яаладег:

Ьи11(1: . / &е г у 1сея / г!з к -та ладе г

стерев Й5„оп; [гесНз]

гезЪагЪ: ип1езз-з1оррей

гейхз:

1яаде: гегНв:7-а1р1пе

сртталск гесИ&-5егиег --зрреп^рпТу

уо1ивез: [гесНз-йайа:/йа1э]

рО51дге$:

1«аде: розЪдгез:15-а1р1пе

елу1гоптел1:

- Р05ТСВЕ5_0В=1г^с11пд

- РО5Т0ге5^ЕЙ=изег
- Р0&ТСЙЕ5_РА55М0ЙП=ра55НОГЙ

уо1цае5: [рййЪдге&<1а1э:/г/11 Ь/рмкдгеэд!/фаЪа]

дга^апа:

шэда: дгМ^ла/дга^эпа^Ше^

роги: ["звав:зееэ1]

ргот.еШи&:

хнаде: ргот/р™е1Ьеи&:1а1ез1

уоТигсз:

- ♦/рготеЪЬеиз/рготеиеиз - ут 1: /еи/рготпеЬЬеиз/рготвЪИеиз * уп1
рогьз: ["9090:9090"]

уо1ичез:

гесНз-сЫа:

ро$ - йаЬз:

Ключевые настройки Ооскег Сотрете: Йер1оу.гёр1ка5: 2 — две реплики
критических сервисов для отказоустойчивости; гезип: ип1ез5-51оррей —
автоматический перезапуск при сбоях; отдельные тома для данных Ней 15 и
Ро51дге5О1_ (рег51з1епсеК С1/СО (СкНиЬ АсИопз или СНЬаЬ С1) обеспечивает
тестирование перед деплоем, авто-деплой на продакшн и откат при
ошибках. Развёртывание на АУУ5 ЕС2 с б|ЖиЬ АсЙопз: сборка Ооскег-образа.
пуш в приватный реестр, подключение к ЕС2 через 55НГ ри11 и запуск
контейнеров.

Мониторинг системы

Система мониторинга — это глаза и уши, Она позволяет увидеть
проблемы до того, как они съедят капитал. Прометей (Рготе^Ьеиз) +
Графана (бгаТапа) — классическое сочетание для торговых систем. Что
мониторить? Рыночные метрики посекундно: текущая позиция, Рп1_ с начала
дня, открытые ордера, спред, глубина стакана, АТР., волатильность,
эффективное проскальзывание. Системные метрики: СР1Л память, диск, сеть
каждого контейнера, частота ошибок УУеЬЗоске^:, задержки, потеря пакетов,
время обработки одного тика. Метрики модели после каждой сделки:
реальная точность модели скользящим окном, дрейф признаков, уверенность
модели иа реализованная доходность.
Рис. 74. Дашборд мониторинга	+ Сга^апа); капитал, точность. система, Р&1;

Дашборд Сга^апа должен включать кривую капитала (едиПу сип/е),
просадки, распределение сделок по доходности; показатели модели:
реальную точность, уверенность, дрейф признаков; системные графики: СРП,
память, задержки, количество ошибок; индикаторы рыночного режима: ДОХ,
АТ К У1Х-подобные метрики, сентимент, Критически важны алерты:
превышение порога просадки — срочный алерт; падение точности модели
ниже порога — остановка и переключение на резервную модель; потеря
соединения с биржей — переподключение; аномалия в данных (выбросы,
пропуски) — проверка.

Экспорт метрик в РготеМтеиз

Тгоп рговеН1еи8.сИеп1 цпрогЬ СоипЪег, Саидег НхзЬодгач, 51эгЦ1Нр_5егуег

1гэс!е?&_1оШ = СошйегС1, ‘ТоШ аигпЬег о?
рп1_даиде = (эидеСрпкЪоЪэГ, ‘ТоШ Рп1')
51дпа1_е&пНс1епсе = Саиде( |51дпа1_сопНс1епсе1'?

'Нос!?! сопШепсе оп 1а$Ъ ЪгаЙ?1)

Ыепсу.ЬЫодгаа = Н154одгап1(Чга11е_1а1елсу-5есоп[|5|,
□гй&г ехесиНоп 1а1елсу')

йеГ опЛгайе^сотр1е1е(атоип1р рп1, сопНйепсе, 1а1епсу):
1гаи &а_ Ьо^а1.1пс(атои )
рп1_даиде<&еирп1)

§1дпэ1.сопНс1епсе. зеЦсопПйепсе)
1аЬепеу_111$Ьйдгап1.оЬ4е^е(1аЬейсу)

а 1а г	г ус г( 800 0)
Типовая цель ирбте для боевого бота; 99.9% (примерно 8.7 часов простоя
а год). При 99.5% (около 3.5 дней простоя) многие профессиональные
трейдеры сочтут это неприемлемым. Помните; каждый час простоя — это не
только упущенная прибыль, но и возможность того, что позиция осталась
незахеджированной, пока бот лежал.

Чеклист развёртывания

Рис. 75. Чеклист развёртывания: от тестирования до продакшена

Фаза	Действие	Критерий прохождения
Рге-Цер1оут еп1: (за 1 неделю)	Все модули упакованы в Поскег-контейнеры с минимальными образами	боскерсоппрозе ор без ошибок на чистой машине
	Настроен С1/СО пайплайн с автоматическими тестами	Все тесты зелёные в С1СНоЬ  Асйопв
	Проведено нагрузочное тестирование (2х обычного трафика)	1_агепсу < 100 мс при двойной нагрузке
	Созданы отдельные А Р1- ключ и для продакшн с ограниченными правами	Ключи не имеют права вывода средств
Рау 0 (запуск)	Настроены алерты в  Рго пл е! И еез/С гаТа па  Запуск бота на тестовой сети (рарег	Все алерты доходят до Те1едгалп/51аск за 30 сек  Ордера исполняются корректно, комиссии реалистичные
	Мониторинг метрик в реальном времени	Все да ш борды активны, данные обновляются
	Готовность кШ	на случай  экстренной остановки	КШ зулГсК срабатывает менее чем за 5 секунд
Ро51-Цер1оут еп1(первые дни)	Постепенное увеличение капитала (от 3100 до полного за 7-14 дней)  Ежедневный анализ логов и метрик	Результаты близки к  УУРА-ожиданиям  Нет критических ошибок, дрейф признаков в норме
	Настройка повторного обучения (если дрейф превышает порог)	Автоматический ге1га1п запускается при дрейфе
	Проверка стратегий восстановления при сбоях	Плановое отключение сервисов не приводит к потере позиций

Таблица 39. Полный чеклист развёртывания торгового робота

Резервное копирование и аварийное восстановление — критически
важные элементы, о которых часто забывают. Автоматический бэкап БД,
синхронизация моделей, восстановление за 15 минут. Ручной кШ втЬсМ,
автоматический откат при превышении порога просадки, репликация ключей
АР1. Типовая конфигурация КиЬегпе^ез для торговой системы включает 2-3
реплики для каждого сервиса с автоматическим восстановлением при
падениях: на старте 1 реплика, при нагрузке — 3.

Итог Части XII (Главы 29-30)

Бэктестинг без валидации опасен. \л/аIк-Гог^агб Апа1уз15 с несколькими
005-периодами — минимальное требование для серьёзной стратегии.
Простой 1ю1с1-01Л тест на 20% данных — это самообман, который дорого
обходится. Каждый 005-период в \Л/РА — это проверка стратегии на других
рыночных условиях, и если она выживает в большинстве из них, шансы на
выживание в реальной торговле значительно возрастают.

Монте-Карло симуляции дают доверительные интервалы для БЬагре,
просадок и других метрик. Если нижняя граница ЗКагре близка к нулю —
стратегия не робастна. Монте-Карло отвечает на вопрос «что могло бы
произойти?», и этот вопрос не менее важен, чем «что произошло?». Знание
доверительных интервалов позволяет принимать обоснованные решения о
размере позиции и приемлемом уровне риска.
Переобучение — главный враг количественного аналитика. Комбинация
регуляризации, СРСУ, РВО и простых здравых фильтров снижает вероятность
ложного открытия. 6Т-5соге и парные статистические тесты на МопГе Саг(о
вневыборочных доходностях — современные инструменты, которые
поднимают планку качества валидации. Но ни один метод не даёт
абсолютной гарантии: всегда остаётся вероятность, что стратегия работала
только благодаря стечению обстоятельств.

Развёртывание в облаке (АМ5 ЕС2) с контейнеризацией (Ооскег) и С1/СО
(ОИНиЬ АсЙопв) — современный стандарт для профессиональных торговых
систем. Микросервисная архитектура обеспечивает отказоустойчивость,
независимое масштабирование и возможность обновления отдельных
компонентов без остановки всей системы. Мониторинг (РготеЧпеиэ +
СгаГапа) с дашбордом критических метрик и системой алертов не менее
важен, чем сама торговая стратегия: вы не можете управлять тем, что не
измеряете.

Поздравляю. Вы прошли весь путь — от идеи до развёрнутой,
мониторимой, робастной торговой системы на ИИ. Добро
пожаловать в мир количественного трейдинга, где
преимущество измеряется не в процентах точности, а в
способности оставаться в игре достаточно долго, чтобы закон
вероятностей сработал в вашу пользу.

ЧАСТЬ XIII. БУДУЩЕЕ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
ФИНАНСАХ

От автоматизации к автономии, от предсказаний к синтезу. Мы прошли
долгий путь — от кричащих ям Чикаго до бесшумных серверных ферм, от К51
и МАСО до Ь5ТМ и трансформеров, от интуитивного трейдинга до ансамблей
нейросетей. Но всё, что мы обсуждали до сих пор, — это прошлое и
настоящее. Теперь настало время заглянуть за горизонт. Что произойдёт,
когда ИИ перестанет быть инструментом в руках человека и станет
автономным агентом, принимающим решения самостоятельно? Что, когда
система не просто исполняет ордера по правилам, а сама генерирует
правила, проверяет их, учится на ошибках и эволюционирует без нашего
участия?
Эти вопросы уже не научная фантастика. В 2025-2026 годах они стали
реальностью, в этой финальной части мы погрузимся в мир, где ИИ не
помогает трейдеру, а сам становится трейдером. И обсудим самое главное:
что всё это значит для нас — людей, которые всё ещё несут ответственность
за результат.

Метафора Харари: «Автоматизация — это когда лошадь тянет
плуг. Автономия — когда лошадь сама решает, где и когда
пахать, и возвращается в стойло без погонщика. Мы стоим на
пороге второго. И не все лошади одинаково хорошо обучены».

Глава 31. Автономные
инвестиционные системы

Полностью автоматизированные фонды:
конец эпохи человека-трейдера

В 1980-х, чтобы стать трейдером, нужно было купить место на бирже,
надеть яркую куртку и научиться кричать громче соседа. В 2000-х — освоить
Ехсе! и пару индикаторов. В 2015-м — научиться программировать на РуГЬоп.
В 2025-м... достаточно развернуть готовую библиотеку. Каждое десятилетие
порог входа снижается, а скорость трансформации возрастает
экспоненциально. То, что вчера казалось фантастикой, сегодня — строчка в
файле конфигурации,

В марте 2026 года компания 1_итепа! 1пуез(:тепи объявила о запуске
первого институционального хедж-фонда, построенного на полностью
«агентной» архитектуре искусственного интеллекта. Фонд 1_итепа1
1ппоуайоп Рипс1, ориентированный на глобальную стратегию 1опд-5Гюг1 в
акциях, начал работу около 1 июня 2025 года. Ключевое отличие от
традиционных количественных стратегий — здесь машины не встроены в
человеческую структуру принятия решений. Наоборот, автономные А1-агенты
генерируют, оценивают и управляют инвестиционными идеями непрерывно,
а человек сохраняется только на уровне управления, риска и
стратегического надзора.

Сооснователь 1_итепа1 Джон Бейли сформулировал суть сдвига
предельно жёстко: «Большинство хедж-фондов прикручивают ИИ к
фиксированным правилам. Мы перевернули эту схему. Мы считаем, что
оставшееся преимущество на рынках лежит в адаптивности самого
процесса». Это фундаментальная переоценка: не модель адаптируется к
рынку, а сам процесс генерации стратегий адаптивен по своей природе.

Рис. 76. Архитектура агентного хедж-фонда: 5ирепй$ог, Огс11е51га1ог и
специализированные агенты

Но Штепа; — не единственный, Уже существующие проекты, такие как
ДЩоНсРде на СН:НиЬ, позволяют собрать собственный автономный агентный
хедж-фонд «за минуты», комбинируя зууэгтп 1п1е1Пдепсе и
специализированных А(-агентов для сквозного анализа рынка, управления
рисками и исполнения сделок с минимальным вмешательством человека.
Вогпо ]апекоу1С, управляющий партнёр ОтрЬа1оз ЕипсС пошёл ещё дальше.
Его фонд управляет более чем 1000 алгоритмических "агентов", которые
автономно генерируют торговые решения, а новые стратегии непрерывно
создаются и тестируются через машинное обучение. Весь фонд — 35 человек
— управляет активами на миллиарды, и ни один трейдер в традиционном
смысле не нажимает на кнопки,

«Мы взяли традиционную модель и убрали из неё людей», —
заявил Янекович на ЕипбзТесЬ 2026. Фонд создаёт «фабрику»
торговых стратегий: каждый месяц рождаются десятки новых
агентов, а убыточные отбрасываются. «Вы хороши настолько,
насколько вы хороши сегодня. Нужно постоянно
эволюционировать».

Самообучающиеся алгоритмы: эволюция
вместо обучения
Если классическое машинное обучение — это «учитель показал примеры
— модель запомнила», то самообучающиеся алгоритмы — это «дайте модели
цель и свободу, она сама найдёт путь». И лучший способ достичь этой
свободы — эволюционный подход. Представьте себе дарвиновский отбор,
перенесённый в мир кода. Тысячи кандидатов-стратегий «рождаются»
(создаются путём случайных мутаций и кроссовера из лучших стратегий
предыдущего поколения), «живут» (проходят бэктест на исторических
данных), получают «оценку приспособленности» (ргоТИ (асСог, ЗНагре гаЪо) и
«размножаются» (лучшие передают свои «гены» следующему поколению), А
худшие — умирают.

Мас1Еуо1уе, фреймворк, вдохновлённый 0еерМшс1 А1рНаЕуо1уе, — один из
ярчайших примеров этого подхода. Мас1Еуо1уе использует большие языковые
модели для оптимизации алгоритмических торговых стратегий и
а1рЬа-генерации на примере биткоина. Он позволяет эволюционировать
наборы признаков для генерации сигналов, оптимизировать отдельные
компоненты стратегии и даже совместно эволюционировать пайплайн
признаков вместе со стратегией исполнения. Ключевая идея Мас1Е\/о1ие —
«агентный цикл»: ШИ-движок итеративно предлагает решения, оценивает
их по сигналу «вознаграждения» (например, Рп1_) и улучшает подход,
основываясь на обратной связи.

<П Ю Ы И ОН Н А 1АМКЛ СТ|>*Т* 1~«4 Л ? от	44 44 ОТ«ЗЬ4>1>У

Рис. 77. Эволюционный цикл стратегий: от генерации к отбору (популяция улучшается с
каждым поколением}

Фрейме орк	Подход	Ключевой результат	Особенность
С)иап1аА1 рЛа	Эволюция на уровне траекторий (мутация + кроссовер)	1С=0 1501, доходность  27.75%, просадка  7.98% (С51 300)	Переносимость  между рынками
Мэ<1Еуо1у  е	1±М-управляемый агентный цикл	Оптимизация  пайплайна признаков и	Борьба с р-Ьаскапд
	оптимизации	стратегии	
ОиагНЕуо	Оиа1|1:у-б|уег§|1у оптимизация +	Разнообразный набор эффективных	Ееа^иге тар по инвестиционным
	генерация гипотез	стратегий	предпочтениям
АфКаСга^ 1ег	Трёхагентный фулл-стек (М|пег +	Превосходит  5ОТА-бенчмарки на С51	Наименьшая  вариативность
	Зсгеепег + Тгадег)	300 И 5&Р; 500	между испытаниями

Таблица 40. Эволюционные фреймворки для автономной генерации стратегий

С)иап1:аА1р11а — ещё один эволюционный фреймворк, который лечит
каждую итерацию добычи а1рЬа как траекторию и улучшает факторы через
мутацию и кроссовер на уровне траекторий, а не отдельных признаков. На
тестах с 6РТ-5.2 на С51 300 Оиап1аА1рЬа достиг информационного
коэффициента (1С) 0.1501, годовой доходности 27.75% и максимальной
просадки всего 7.98% — при этом факторы, найденные на одном рынке,
эффективно переносились на другие (5&Р; 500, С$1 500), демонстрируя
исключительную робастность.

Эволюция квантовых стратегий: от статики к
непрерывной адаптации

Самый фундаментальный сдвиг, который приносят автономные системы,
— это отказ от парадигмы "обучил модель, развернул, больше не трогай". В
мире, где рынки нестационарны, статическая модель — это труп, который
ещё не знает, что умер. А1рЬаСгай:ег, представленный в 2026 году, — это
фулл-стековый мульти-агентный фреймворк для кросс-секционного
количественного трейдинга. Он оперирует через трёх специализированных
агентов в ежедневной ротации: М1пег (добытчик) непрерывно расширяет пул
факторов через ИМ-управляемый поиск: Зсгеепег (фильтратор) оценивает
текущие рыночные условия и строит ансамбли факторов, обусловленные
режимом; Тгаёег (исполнитель) переводит эти ансамбли в количественные
стратегии с явными риск-ограничениями.
СрИНН«Нк"* >ТР-Н-П'ЧНЪ1П и трпднимоннык СТроТчгмЫ

Рис, 78. Сравнение автономных и традиционных стратегий: доходность уб просадка

Исследование 2025 года показало, что 1_1_М-управляемая инициализация
повышает качество исходной стратегии на 215%, а семантический кроссовер
сокращает количество невалидных стратегий на 83.5%. Как выразился
УУескег, СТО Тто 5!дта: «Путь к агентному ИИ — автономным, надлежащим
образом управляемым агентам — это то, что мы считаем передним краем
трансформации для нашего бизнеса». А Май Сгеетлюос!, СЫеТ А11ппоиа1:1оп
ОГбсег Тто 51дта, добавил: «ИИ становится операционной системой того, как
количественные исследования и инвестирование на самом деле работают.
Это уже не просто инструмент, который ты развёртываешь».

Собираем автономного агента из готовых
компонентов

Ниже — концептуальный код создания эволюционирующего торгового
агента с использованием фреймворка типа Аи1оНес1де. Обратите внимание:
ключевой параметр — еуо1и11опагу_орбт1гег=Тгиег который включает
самообучение агента.

Ггот аиШ)ес!де ±трогЪ (НейдеРипс1р 01гес1огАдеп13

Опал идет Ъ, Я15кАдйп1г ЕхесиЫопАдепЬ)

Гипй = Нег1деЕипй(

п^те^||МуАц1йЛотйи&Гил<1*1,

1п1иа1_сар1Ш-1_088и000,

г!зк_Ьийде1=0.02, й 2й максимальный риск на сделку

э11о^_1агкеи=[м5Р^м, "рвд1', "ВГС-ИЭД"]

)

Риги!. ас1 с! _ здеп Ъ (01 г&с Ьэ гАд ₽пЕ (
5ЪгаЬеду-Гге(| непс у-’’йа11у" 3

& у ро 111651 &_де пе габо г_11т=н др Ь 4”
))

Гипс!. айй . аде л I (ап! Адеп Ъ(

Г&аЬиге^Р'гй!11, мтасс1% ^йТцтй-ргаТПе1*, *|5впЫп1еп1и],
еУо1и110лагу_орНщгег=Тгое й <-- самообучение
))

Гипс!. асЮдШСкикАдепК

уаг.жеЪЬ(х1=‘|1п51;ог1сзГ| г

ах_(1ганйанп_ 11т 11=0 .15,
айарИ уе,роз1иоп_з121пд=Т гие
))

Г ипс!. ас! с! _ аде л 1(Е а еси Н ал Адеп 1(
э1до=|“Ьар11,

ах_ аИрраде _ рс!=0.061
))

Гипс!. гил(яос1е=||а01опояои5113

Ь итап_о иег з! д	1 е ув 1 11 доуе г ле псе _ оп 1 /Ч

Глава 32. Агентный ИИ и
финансовые рынки

До сих пор мы говорили об «автономных системах» как о неких
монолитах. Но реальность сложнее и интереснее. Современные
исследования движутся к многоагентным системам, где роль трейдера
играет не один алгоритм, а целая экосистема специализированных агентов,
которые общаются, торгуются, синтезируют информацию и принимают
коллегиальные решения. Агентный ИИ — это не "ЗРТ, который даёт советы
по инвестициям". Это архитектура, в которой несколько ШИ-агентов, каждый
со своей узкой ролью, работают вместе, чтобы воспроизвести (и превзойти)
организационную структуру инвестиционной фирмы.

А1 АдепГз: от эксперта к автономному
участнику
Эволюция ИИ в финансах проходит через пять стадий, предложенных в
таксономии 2025 года: от интуитивно-управляемых стратегий через
статистические модели, классическое машинное обучение, глубокое
обучение — к агентным архитектурам, управляемым большими языковыми
моделями. УЦау КесНа, известный инвестор, описал этот стек простыми
словами: ШЧ (базовый уровень) — эксперт по рынку, отвечает на вопросы,
даёт инсайты, но до исполнения не доходит; Адепбс А1 — уже исполняет
небольшие сделки самостоятельно; Ми1й-Адеп1 — целая команда, один ищет
возможности, другой управляет риском, третий исполняет; А61 — единый
инвесторский разум, способный исследовать, анализировать и распределять
капитал через рынки без человека.

Таксономия ИИ

рпидинг







Рис. 79. Таксономия ИИ в трейдинге: 5 стадий эволюции — от интуиции к агентным
архитектурам

АЬТгабег, представленный в декабре 2025 года, — первый полностью
автоматизированный, живой и неконтаминированный данными бенчмарк для
1_1_М-агентов в финансовом принятии решений. Он охватывает три крупных
финансовых рынка (акции США, А-зЬагеа и криптовалюты) с множественными
торговыми детализациями. Результаты' А1-Тгас1ег оказались отрезвляющими:
анализ шести основных шч показал, что общий интеллект автоматически не
переводится в эффективную торговую способность. Большинство агентов
показали низкую доходность и слабый риск-менеджмент. Способность
контролировать риск оказалась ключевым фактором, определяющим
робастность на разных рынках.

Ми1Н-Адеп1 Ггатешогкз: симфония агентов

6\Л/|&е (2025) — граф-структурированный, генеративный А1-включённый
многоагентный фреймворк для реального времени финансовой торговой
аналитики. Он моделирует принятие финансовых решений как направленный
вычислительный граф из специализированных аналитических агентов
(ГесЬп1са1 Гипс(атеп(:а1, вепбтепГ, П5к апа1у515), чьи выходы оркестрируются
через 1ЛМ с памятью. ТилпМагке1 (Иеиг1Р5 2025 и 1С1_К 2025 Ппапс(а1 А1 Ве51
Рарег Аммагс!) — инновационная система симуляции фондового рынка,
работающая через многоагентную коллаборацию 1_1_М. Она покрывает
персонализированные торговые стратегии, социальные сетевые
взаимодействия и анализ новостей для сквозной симуляции рынка.

мнбГопГентмых фр*йм*дрКок ДЛЯ Трейдинга

Рис. ВО. Сравнение многоагентных фреймворков для трейдинга

Фрейме орк	Агенты	Ключевая особенность	Результат
ТгаФпдб гоир  С\Л/|5€!	Мечу 5, ПерогЕ5, Тгепбз, К!зк  Тескпка!, ЕипРателга!, ЗепЦгпегН, Н(5к	Саморефлексия и синтез данных  Г раф<труктурированн ый вычислительный граф	Дистилляция прошлых успехов/неудач  Оркестрация через 1_1_М с памятью
АдепМсА! ТА	Апа1у5(г К|5к  Мападег, ЕхеоКог	Полностью автономный делиберативный цикл	157 вмешательств, 76 активов, 5 дней Нче
АфКаСга^ Еег	М|пег, 5сгеепег, Тгас1ег	РуII-ьЬаск: от фактора до исполнения	Превосходит  5ОТА-бенчмарки
ТидпМагк	Множество 1±М-аге нтов-трейдеров	Симуляция рынка с соц. взаимодействиями	Меиг1Р5 2025 Веаг Рарег  АучзгЦ

Таблица 41. Многоагентные фреймворки для финансового трейдинга (2025-2026)

ДдепйсАПГА (май 2026) пошёл ещё дальше, полностью отказавшись от
подхода «сигнал-затем-исполнение». Вместо этого — полностью автономный
делиберативный цикл, в котором несколько специализированных агентов
{Апа1уз1:, Н|5к Мападег, ЕхесиСог) рассуждают, договариваются и действуют
сообща — без какого-либо офлайн-обучения или человеческого
вмешательства. Фреймворк использует Абарйуе 2'5соге Тпддег Епдте для
когнитивного распределения ресурсов, запуская ИМ только при
статистически аномальных рыночных условиях. Пятидневная автономная
сессия на живом рынке доказала работоспособность подхода: 157
вмешательств без человеческого контроля по 76 активам с 11.5% агентного
трения.

Самостоятельное принятие инвестиционных
решений: совещательный разум

Самый сложный и интересный аспект агентного ИИ — способность
рассуждать, а не просто извлекать статистические паттерны. Исследование
2025 года «То Т га бе ог	1о Тгабе» предложило подход, в котором 1_1_М

итеративно открывают стохастические дифференциальные уравнения для
финансовых временных рядов. Эти модели генерируют метрики риска,
которые информируют ежедневные торговые решения, в бэктесте подход
улучшил коэффициенты Шарпа по нескольким акциям по сравнению со
стандартными ИМ-агентами, Ключевое слово здесь — тос1еНпГогтес1:
сочетание ЬЬМ с открытием моделей усиливает оценку рыночного риска.

Человек в контуре (Нитап 1п-Ше-1оор) остаётся критически важным. Даже
в самых автономных системах надзор на уровне управления, стратегических
ограничений и экстренной остановки сохраняется. 1_итепа1 прямо заявляет:
«Человеческие портфельные менеджеры сохраняют конечный надзор и
ответственность за инвестиционные решения». Однако агентные
архитектуры радикально меняют характер этой ответственности. В
традиционной модели решение равно сделке: человек инициирует действие.
В агентной системе решение равно дизайну системы: система инициирует
действие. Ответственность смещается от сделки к архитектуре.

Будущее цифровых трейдеров: что всё это
значит для людей

Позвольте мне быть откровенным. Если вы начинающий трейдер, который
только учится читать японские свечи и верит, что освоение 50 индикаторов
сделает вас богатым, — у меня для вас плохие новости. Битва уже
проиграна. Но если вы готовы эволюционировать, то для вас есть место.
Ключевой вопрос не «заменит ли ИИ трейдеров?», а «какие навыки станут
ценными в мире, где ИИ — данность?».
Эволюция роли трейдера: от ямы до супервизора

Рис. 81. Эволюция роли трейдера: от биржевой ямы до супервизора агентной системы

Что исчезнет.

Исчезнут «нажиматели кнопок». Исчезнут трейдеры, чья «стратегия» —
это три индикатора и интуиция. Исчезнут аналитики, которые читают отчёты
вручную. Эти роли будут автоматизированы полностью. Каждый раз, когда
задача сводится к механическому применению правил, ИИ делает это
быстрее, точнее и без эмоций. Это не предсказание — это уже происходит.

Что останется (и станет ценнее).

Останутся тренеры агентов — люди, которые проектируют архитектуру
агентных систем, задают цели и ограничения, валидируют робастность
найденных стратегий и интерпретируют неожиданное поведение систем.
Останутся кванты с А1-компетенциями — специалисты, которые понимают и
финансы, и машинное обучение, и агентные архитектуры. Как выразился Фэи
Цзи, один из лидеров китайского риапГ-рынка: «Будущее за новым типом
фондового менеджера — гибридом: он должен понимать и инвестиционную
задачу, и уметь формулировать её как проблему ИИ, и знать, как решать её с
помощью А1». Останутся специалисты по этике и управлению рисками в мире
агентных систем. Потому что когда 1000 агентов принимают решения, кто-то
должен ставить им правильные рамки.

Роль	Описание	Ключевые навыки	Перспектива
Тренер агентов	Проектирует архитектуру, задаёт цели и ограничения	Системное мышление, МЬ, финансы	Высокий спрос
Квант + А1	Гибрид: финансы + М1_ + агентные архитектуры	ругьоп, оъ, ни финансы	Ключевая роль 2025-2030
А1 ЕИ11С5 /	Управление рисками агентных систем, этика	Регуляторика, А1 заГе^у, финансы	Быстрорастущий спрос
С15О / А1	Защита от адмегаапа!	Кибербезопасность,	Новый класс
ЗесигИу	анаскз на модели	ми финансы	уязвимостей

Таблица 42. Роли будущего в мире агентного ИИ-трейдинга

Крупные фонды уже пересматривают найм. Тлю 5!дгпа видит будущее в
людях, которые используют А1 хорошо, заменяя людей, которые не
используют его вовсе. ОтрЬа1О5 управляет миллиардами с 35 сотрудниками.
Новый слой — 050 и А1 5есип1у: исследования 2025 года выявили новый
класс уязвимостей: глубокие нейросети для предсказания цен уязвимы к
эфемерным пертурбациям — минимальным, быстро затухающим аномалиям в
потоке данных, которые не видны человеку, но способны сбить модель с
толку и заставить её совершить катастрофическую ошибку.

Архитектура многоагентного трейдера
будущего

Концептуальная схема системы, которая может стать реальностью к
2027-2028 году, представляет собой иерархию из нескольких уровней. На
вершине — 5ирегу1зог АдепГ (Нитап ш Изе 1оор), который устанавливает цели,
риск-бюджет, рыночные ограничения, политики эскалации и критерии
аварийной остановки. Ниже — Огс1зе51:га1ог Ддеп1 (МеЬа), который
координирует, дебаггит и разрешает конфликты. Ещё ниже — три группы
специализированных агентов: НезеагсЬ Адепк (Ые№ Апа1уз1, Бепбтепи
ГасЕог М1пег, А1р1за Еуо1уе), К15к АдепЕз (7аН Мопког, 5Сгез5 Тез^ег, СотрНапсе,
Апб-5рооТ|пд) и Ехесибоп Адеп1$ (Огдег Нои1ег, БПрраде М|П1ГП17ег,
СгоЕБ-мепце).

Что изменится к 2030 году?

Фонды, которые не внедрят агентные архитектуры, окажутся в роли
производителей лошадей в эпоху автомобилей. Вогпо]апекоу!с резюмирует:
«Машины идут. И они становятся лучше с каждым днём, Если вы хотите
конкурировать в будущем, вам нужно владеть технологией». Новые фонды
будут строиться «снизу вверх»: сначала виртуальная среда, затем обучение в
симуляции, затем небольшой капитал для проверки и только затем полное
развёртывание.

Юридическая и регуляторная база будет догонять технологию с
отставанием в 2-3 года. Британское Управление по финансовому
регулированию (РСА) уже обнаружило в 2025 году повсеместные слабости в
алгоритмическом трейдинге: устаревшие политики, неясные структуры
подотчётности, недостаточное тестирование. Мап Сгоир уже развернул
А1рба6РТ для автономной генерации и бэктеста торговых идей. Архитектура
для автономного действия уже здесь. Объём рынка А1-трейдеров, по
некоторым прогнозам, может достичь 75.5 миллиарда долларов к 2034 году.

Личное резюме автора: когда я начинал свой путь в трейдинге
два десятилетия назад, я думал, что секрет в умной стратегии.
Потом — в управлении рисками. Потом — в дисциплине.

Сегодня я понимаю: секрет не в том, что вы делаете, а в том,
как вы адаптируетесь. В 2030 году не будет «лучшего
трейдера». Будет «лучшая экосистема агентов», управляемая
лучшим человеческим разумом, который знает, когда взять
управление на себя, а когда — полностью довериться машине.

Итог Части XIII (Главы 31-32)

Полностью автономные инвестиционные системы больше не
эксперимент. Фонды на роях агентов уже торгуют реальным капиталом.
Штепа!, Отрба1о5, АШоНес1де — это не концепты, а работающие системы,
которые ежедневно принимают инвестиционные решения без человеческого
вмешательства на операционном уровне. Сдвиг парадигмы: не модель
адаптируется к рынку, а сам процесс генерации стратегий адаптивен по
своей природе.

Самообучающиеся алгоритмы через эволюционные фреймворки
(0иап1:аА1рба, МаОЕио^е, ОиапГЕуо1уе) находят стратегии, которые
превосходят БОТА-бенчмарки и переносятся между рынками. С)иап1;аА1рба
достиг 1С=0.1501 и годовой доходности 27.75% с просадкой всего 7.98%.
Эволюционный подход — не просто альтернатива классическому М1_, а
качественный скачок в способности системы адаптироваться к меняющимся
условиям.

Многоагентные системы (А1 рИаСгаЛег, ТгаЛпдбгоир, 6УУ15е, АдепбсАИА)
заменяют монолитную модель на экосистему специализированных агентов,
которые рассуждают, договариваются и действуют сообща. Ключевые
вызовы: робастность к нестационарное™, безопасность (ас1уег5апа1 аКаскз),
прозрачность («чёрный ящик»), галлюцинации Ш_М, юридическая
ответственность. Заглядывая за горизонт: АС1 на финансовых рынках
поднимает РегГесС ЕТПаепсу Рагадох — если АСI научится предсказывать цены
почти идеально, арбитражные возможности исчезнут.

Это не конец книги. Это конец начала. Всё, что мы обсуждали —
пайплайны данных, модели, риски, мониторинг — готовит почву для мира, в
котором финансами управляют невидимые армии алгоритмов, работающие
на нас. А мы, люди, получаем самую важную роль: проектировщиков,
надсмотрщиков и, когда потребуется, аварийных отключателей.

Лучший алгоритм — это не тот, который приносит 100%
годовых. А тот, который позволяет вам спать спокойно в любом
рыночном шторме. Пусть ваши модели будут точными, риск —
контролируемым, а ночи — спокойными.