От анализа к прогнозу: как ИИ формирует торговые сигналы?

I. Проблемы предсказания и задачи трейдинга — это разные категории

В машинном обучении задачи обычно формулируются как прогнозирование движения цены, доходности или волатильности на следующие n периодов.

В трейдинге структура задачи сложнее и состоит как минимум из четырех уровней принятия решений:

• Решение о начале торговли;
• Выбор направления сделки и размера позиции;
• Определение срока удержания и условий выхода;
• Момент снижения частоты сделок или приостановки стратегии.

Даже при высокой точности прогнозов стабильной доходности может не быть.

Обычная ситуация: модель точно определяет большинство небольших движений, но систематически ошибается на редких крупных скачках, и убытки по таким событиям обнуляют накопленную прибыль.

Первый вывод третьего урока: ценность сигнала определяется «исполняемостью», а не одним показателем точности прогноза.

II. Три основных подхода к генерации сигналов

Модели на правилах

Модели на правилах основаны на четкой логике, например: «пробой + подтверждение объема + фильтр риска».

Их отличают высокая интерпретируемость, быстрая внедряемость и низкие затраты на отладку.

Ограничение такого подхода — слабая способность улавливать сложные нелинейные связи и необходимость ручной перестройки при изменении рыночной структуры.

Модели на базе ML

Методы машинного обучения выявляют нелинейные связи по множеству факторов; к ним относят модели на деревьях, временных рядах и вероятностные скоринговые модели.

Преимущество — обработка высокоразмерных входных данных и поиск комбинаций, недоступных ручным правилам.

Риски — переобучение, снижение интерпретируемости, более высокие требования к поддержке стратегии.

Гибридные фреймворки

Гибридные фреймворки обычно используют «ограничения по правилам + ранжирование моделей» или «тайминг моделей + исполнение по правилам».

Этот подход распространен на практике, так как обеспечивает баланс гибкости и устойчивости:

• Правила определяют границы и базовый уровень;
• Модели отвечают за вероятностные оценки и приоритизацию.

В большинстве промежуточных торговых систем гибридные фреймворки оказываются более устойчивыми, чем чисто правило- или модель-ориентированные подходы.

III. Проектирование целевых сигналов: не только направление — учитывайте риск и состояние

Определять метки просто как «рост/падение в будущем» слишком грубо. На практике обычно выделяют три уровня целевых переменных:

1. Направление: вероятность роста или падения в следующие n периодов;
2. Величина: ожидаемый диапазон доходности или возможной просадки;
3. Состояние: рынок в тренде, диапазоне, сжатии или сокращении ликвидности.

Каждый уровень выполняет свою функцию:

• Слой состояния определяет активацию стратегии;
• Слой направления определяет смещение позиции;
• Слой величины и риска — вес позиции и силу стоп-лосса.

Так задача прогноза превращается в многоуровневую систему принятия решений, что снижает риск «верное направление — убыточная сделка».

IV. От модельных скорингов к торговым действиям: пороги и управление уверенностью

Выходы моделей обычно представляют собой вероятности или оценки, а не прямые команды купить/продать.

Реализация сигнала зависит от управления порогами и многоуровневого исполнения:

• Низкая уверенность: не торговать или только наблюдать;
• Средняя уверенность: тестовая небольшая позиция;
• Высокая уверенность: увеличение веса, но с учетом лимитов риска.

Главная идея — «многоуровневость сигналов», а не «равный вес».

Если исполнять все сигналы одинаково, это приводит к шумным сделкам, росту комиссий и избыточной оборачиваемости.

Зрелые системы фокусируются на качестве сигналов — сокращая низкокачественные сделки и повышая эффективность каждой сделки.

V. Оценка сигналов — не только точность

Оценка пригодности сигнала к торговле должна учитывать пять аспектов:

1. Прогноз: точность, полнота, распределение ошибок, калибровка вероятностей;
2. Торговля: винрейт, соотношение прибыли и убытка, оборачиваемость, структура срока удержания;
3. Доходность: накопленная прибыль, максимальная просадка, соотношение доходности и просадки;
4. Исполнение: чувствительность к комиссиям, проскальзыванию, лимиты по объему;
5. Стабильность: устойчивость результатов в разных рыночных состояниях.

Если сигнал хорош только по метрикам прогноза, но проваливается по торговым или исполненческим показателям, он не имеет ценности для реальной торговли.

Многие стратегии, которые «отлично проходят тестирование на истории, но проваливаются в реале», терпят неудачу из-за отсутствия цепочки перехода от сигнала к сделке, а не из-за самой модели.

VI. Типовые причины неудач: сбой модели — часто признак смены структуры рынка

Неудачи в реальной торговле чаще всего связаны с тремя типами изменений:

• Смена состояния: трендовый рынок становится боковым, прежние импульсные сигналы теряют актуальность;
• Смена насыщенности: больше участников используют схожие стратегии, маржинальная доходность снижается;
• Смена издержек: после снижения волатильности прежняя частота сделок резко увеличивает издержки.

В сигнальных системах должны быть механизмы мониторинга сбоев, например:

• Одновременно снижаются винрейт и соотношение прибыли и убытка?
• Сигналы аномально концентрируются?
• Качество сделок и проскальзывание стабильно ухудшаются?

При срабатывании порогов следует снизить частоту или плечо либо приостановить стратегию, чтобы избежать накопления убытков в период сбоя.

VII. Уникальные сигналы на крипторынках: цена, позиции, ончейн трехмерное взаимодействие

В отличие от традиционных рынков, преимущество крипторынка — одновременное наблюдение за движением цены, деривативными позициями и ончейн-потоками средств.

Примеры составных сигналов:

• Пробой ключевых ценовых зон;
• Рост открытого интереса и повышение ставки финансирования;
• Укрепление чистого притока стейблкоинов.

Такая структура может указывать как на усиление тренда, так и на хрупкие всплески после перегруженности высокими плечами.

Поэтому направленные сигналы должны сочетаться с риск-фильтрами:

• Ставка финансирования перешла в перегретую зону?
• Кластер ликвидаций слишком близко к текущей цене?
• Глубина книги ордеров способна поглотить импульс?

Только после прохождения риск-фильтров сигнал становится ценным для исполнения.

VIII. От одной модели к фабрике сигналов: путь итеративного внедрения

Рекомендуется итеративный подход «сначала маленькая система», а не попытка сразу строить сложную архитектуру. Пошагово:

1. Выбрать одну задачу (например, вероятность направления на 4 часа);
2. Построить интерпретируемый базовый уровень (правила или легкая модель);
3. Разметить пороги и привязать их к торговым действиям;
4. Провести вневыборочную и скользящую валидацию;
5. Наблюдать связь «сигнал — исполнение — результат» на малых позициях в реальном времени;
6. Постепенно интегрировать дополнительные сигналы (направление + риск + состояние).

Ключевые преимущества — диагностируемость, воспроизводимость, итеративность, что позволяет стабильно снижать неопределенность при принятии решений.

IX. Итоги урока

В этом уроке рассмотрено, как ИИ генерирует сигналы, пригодные для торговли. Основные выводы:

• Генерация сигналов — это не просто задача прогноза, а инженерная задача построения системы решений;
• Модели на правилах, ML и гибридные фреймворки имеют свои границы, а гибридные подходы практичнее для внедрения;
• Торгуемые сигналы должны одновременно отвечать требованиям прогноза, торговли, исполнения и устойчивости;
• В крипторынке сигналы должны основываться на трехмерном взаимодействии цены, позиций и ончейн-данных с соответствующими риск-фильтрами.

Главный вывод: предсказуемость не равна торгуемости; ценность сигнала определяется качеством исполнения и контролем рисков.

Следующий урок будет посвящен следующему этапу полного цикла: автоматизации стратегии — от тестирования на истории до торговли в реальном времени, с акцентом на построение сигнальных систем для непрерывной работы.