Эволюция торговых стратегий с помощью искусственного интеллекта

Автор: Денис Аветисян

Новый подход, сочетающий возможности больших языковых моделей и эволюционных алгоритмов, позволяет создавать более эффективные стратегии автоматической торговли на финансовых рынках.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Цикл MadEvolve, представленный в работе Liet al.(2026), обеспечивает эволюцию программных решений путём извлечения исходных и вдохновляющих программ из базы данных, запроса к ансамблю больших языковых моделей, оценки полученных кандидатов с помощью бэктестера и последующего обновления популяции, что демонстрирует итеративный процесс, основанный на сочетании алгоритмической эволюции и возможностей генеративного искусственного интеллекта.

В статье демонстрируется, что LLM-управляемый эволюционный поиск значительно улучшает торговые стратегии и модели прогнозирования, превосходя базовые подходы и решая проблемы, связанные с p-хакингом и обобщением.

Традиционные методы разработки торговых стратегий часто сталкиваются с ограничениями при адаптации к быстро меняющимся рыночным условиям. В данной работе, посвященной ‘MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models’, представлен фреймворк, использующий возможности больших языковых моделей для эволюционной оптимизации алгоритмов торговли. Полученные результаты демонстрируют значительное улучшение эффективности стратегий на симуляциях и бэктестинге, включая оптимизацию признаков и стратегий исполнения, при одновременном контроле вероятности ложных открытий. Возможно ли дальнейшее расширение применения подобных агентных и эволюционных алгоритмов для решения широкого спектра задач в области количественных финансов?

Постоянно меняющийся ландшафт генерации альфы

Традиционные методы прогнозирования альфа, исторически полагавшиеся на статические модели, сталкиваются с растущими трудностями в современных финансовых рынках. Их эффективность снижается из-за беспрецедентного объема данных, высокой скорости транзакций и постоянно меняющейся рыночной динамики. Эти модели, разработанные для более предсказуемых условий, часто не способны эффективно отфильтровать рыночный шум и выявить истинные сигналы, приводя к ошибочным прогнозам и снижению прибыльности. В результате, стратегии, основанные на устаревших подходах, все чаще демонстрируют нестабильность и неспособность адаптироваться к новым реалиям, что подчеркивает необходимость разработки более гибких и динамичных систем прогнозирования.

В условиях постоянно меняющейся рыночной конъюнктуры, традиционные методы прогнозирования альфа-факторов демонстрируют свою неэффективность, сталкиваясь с возрастающей сложностью и шумовым фоном. Статичные модели, не способные к самообучению и адаптации, все чаще дают сбои, что обуславливает потребность в разработке динамических стратегий. Эти стратегии должны обладать способностью к непрерывному анализу поступающей информации, автоматической коррекции параметров и оптимизации торговых алгоритмов в режиме реального времени. Подобный подход позволяет не только снизить риски, связанные с волатильностью рынка, но и существенно повысить потенциальную доходность инвестиций, адаптируясь к новым условиям и выявляя скрытые закономерности.

Для успешной адаптации к изменяющимся рыночным условиям необходим переход к более устойчивым и гибким алгоритмическим платформам. Исследования показывают, что совместная эволюция признаков и стратегий позволяет достичь пикового тестового коэффициента Шарпа в 5.65. Этот подход предполагает одновременную оптимизацию как отбора наиболее релевантных факторов, влияющих на ценообразование, так и стратегии их использования для генерации прибыли. В отличие от традиционных методов, где признаки и стратегия разрабатываются независимо, со-эволюция позволяет выявлять скрытые взаимосвязи и создавать более эффективные алгоритмы, способные адаптироваться к новым данным и минимизировать риски в условиях повышенной волатильности. $\text{Sharpe Ratio} = \frac{R_p - R_f}{\sigma_p}$ — ключевой показатель эффективности, демонстрирующий способность стратегии генерировать доход с учетом риска.

Анализ сходимости Optuna показывает, что эволюционирующий прогнозист достиг более стабильной и высокой прибыли с учетом риска (PnL) по сравнению с базовым, что подтверждается результатами 120 испытаний.

MadEvolve: Эволюционный фреймворк, управляемый большими языковыми моделями

MadEvolve использует инновационный эволюционный процесс, управляемый большими языковыми моделями (LLM), для оптимизации торговых стратегий. В основе подхода лежит использование LLM не для прямого прогнозирования рыночных движений, а для генерации разнообразных и ранее не рассматривавшихся стратегий. LLM выступает в роли “креативного агента”, исследующего пространство возможных стратегий, что позволяет выйти за рамки традиционных, основанных на технических индикаторах и исторических данных, методов. Этот процесс позволяет создавать стратегии, которые адаптируются к меняющимся рыночным условиям и потенциально превосходят по эффективности традиционные подходы к алгоритмической торговле.

В основе MadEvolve лежит использование “Ансамбля LLM” (LLM Ensemble) для генерации разнообразных торговых стратегий. Этот ансамбль состоит из нескольких больших языковых моделей (LLM), каждая из которых независимо генерирует кандидаты на стратегию. Использование множества LLM, а не одной, позволяет существенно расширить пространство поиска оптимальных решений и избежать зацикливания на локальных оптимумах. Разнообразие стратегий, генерируемых ансамблем, обеспечивает более полное исследование возможных подходов к торговле и повышает вероятность обнаружения стратегий с высокой доходностью и низким риском.

Методы управления популяцией являются неотъемлемой частью MadEvolve, обеспечивая поддержание разнообразия и качества эволюционирующих торговых стратегий. Эти методы предотвращают преждевременную сходимость алгоритма к локальным оптимумам, что критически важно для поиска глобально оптимальных решений. В ходе тестирования, применение данных техник позволило добиться стабильного улучшения коэффициента Шарпа (Sharpe Ratio) на 0.6 — 1.8 пункта по сравнению с базовыми стратегиями, что подтверждает эффективность подхода к управлению популяцией в процессе оптимизации.

В ходе эксперимента Run 1 лучшая эволюционировавшая стратегия продемонстрировала более высокую кумулятивную прибыль с учетом рисков как на валидационном (2024 год), так и на тестовом (2025 год) наборах данных по сравнению с базовой стратегией.

Строгое бэктестирование и оценка эффективности

Бэктестинг является критически важным этапом оценки эффективности стратегий, генерируемых MadEvolve, посредством анализа исторических рыночных данных. Этот процесс позволяет смоделировать поведение стратегии в прошлом, выявив её потенциальную прибыльность и риски в различных рыночных условиях. Использование исторических данных позволяет оценить, насколько стабильна стратегия и как она реагирует на изменения в ценах, объеме торгов и других рыночных факторах. Отсутствие бэктестинга значительно повышает риски при реальном применении стратегии, поскольку не позволяет заранее оценить её надежность и прибыльность.

Процесс бэктестинга стратегий MadEvolve осуществляется в реалистичной среде торговой симуляции, имитирующей динамику рынка и потенциальное влияние сделок. Данная среда учитывает такие факторы, как спред, комиссии, проскальзывание и ликвидность, что позволяет получить более точную оценку эффективности стратегий в реальных рыночных условиях. Точное моделирование рыночных взаимодействий необходимо для корректной оценки прибыльности и рисков, а также для выявления потенциальных проблем, которые могут возникнуть при реальной торговле. Использование реалистичной симуляции позволяет избежать переоптимизации стратегий под исторические данные и повышает вероятность успешной работы в будущем.

Оценка прибыльности и эффективности стратегий осуществляется посредством расчета $Pnl$ (прибыли и убытков) и учета влияния стратегии на рынок (Market Impact). Анализ этих ключевых метрик позволяет комплексно оценить производительность эволюционирующих прогнозных моделей. В частности, на валидационной выборке достигнуто значение коэффициента детерминации $R^2$ равное 0.0105, что демонстрирует улучшение по сравнению с исходным значением 0.0021. Данный показатель отражает долю дисперсии зависимой переменной, объясняемую моделью, и служит индикатором точности прогнозов.

В ходе эволюции стратегии размещения ордеров (Run 2) наилучшая стратегия продемонстрировала превосходящую скорректированную прибыльность по сравнению с базовой как на валидационном наборе данных (2024), так и на тестовом (2025).

Реализация ордеров и стратегическое внедрение

Реализация ордеров является важнейшим звеном в преобразовании успешной торговой стратегии в реальную прибыль. Недостаточно лишь разработать эффективный алгоритм — необходимо обеспечить его точное и своевременное исполнение на рынке. От качества реализации ордеров напрямую зависит итоговый результат, поскольку даже незначительные проскальзывания или неполное исполнение могут существенно снизить прибыльность. Оптимизация этого процесса включает в себя выбор наиболее подходящего типа ордера, анализ ликвидности рынка и использование современных технологий исполнения, направленных на минимизацию влияния на цену и максимизацию скорости исполнения. Именно эффективное управление исполнением ордеров позволяет извлечь максимальную выгоду из тщательно разработанной стратегии, превращая теоретический потенциал в ощутимый финансовый результат.

Пассивное исполнение лимитных ордеров представляет собой стратегию, направленную на минимизацию влияния на рынок и повышение вероятности успешного исполнения сделок. В отличие от агрессивных методов, при которых ордера немедленно исполняются по текущей рыночной цене, пассивные ордера выставляются как лимитные, что позволяет трейдеру указать желаемую цену исполнения. Это снижает риск резкого изменения цены при крупном объеме сделки и позволяет избежать проскальзывания. Эффективное применение данной стратегии требует тщательного анализа ликвидности рынка и установки лимитных ордеров вблизи текущей цены, обеспечивая баланс между скоростью исполнения и оптимальной ценой. Успешное применение пассивного исполнения лимитных ордеров способствует повышению прибыльности торговой стратегии за счет снижения транзакционных издержек и улучшения показателей заполнения ордеров.

Интеграция MadEvolve с передовыми системами исполнения ордеров формирует мощное и адаптивное решение для торговли. Результаты валидации, превышающие 103.2 стандартных отклонения, и тестовые показатели, превышающие 44.9 стандартных отклонения, свидетельствуют о статистической значимости полученных данных и крайне низкой вероятности того, что наблюдаемые результаты обусловлены случайностью. Это указывает на высокую эффективность и надежность системы в реальных рыночных условиях, позволяя ей успешно адаптироваться к меняющимся обстоятельствам и обеспечивать стабильную прибыль.

Улучшение прогнозов с помощью экспоненциальных скользящих средних

Внедрение методов экспоненциального скользящего среднего в процесс ‘Alpha Forecasting’ системы MadEvolve значительно повышает её способность улавливать краткосрочные тенденции. В отличие от простых скользящих средних, которые одинаково взвешивают все предыдущие значения, экспоненциальное скользящее среднее придает больший вес последним данным, что позволяет более оперативно реагировать на изменения рынка. Такой подход особенно важен при прогнозировании волатильных активов, где даже небольшие колебания могут существенно повлиять на будущие результаты. Использование $EMA = α <i> Current Price + (1 - α) </i> Previous EMA$ , где α — сглаживающий коэффициент, позволяет системе адаптироваться к текущей динамике и фильтровать шум, обеспечивая более точные и своевременные прогнозы.

Сочетание эволюционных возможностей больших языковых моделей (LLM) и динамических технических индикаторов формирует надежный и адаптивный механизм прогнозирования. LLM, обучаясь на исторических данных, способны выявлять сложные закономерности и подстраиваться к меняющимся рыночным условиям, в то время как технические индикаторы, такие как экспоненциальные скользящие средние, оперативно реагируют на краткосрочные тренды. Эта синергия позволяет системе не только предсказывать будущие значения, но и автоматически корректировать свои стратегии в ответ на новые данные, обеспечивая высокую точность и устойчивость прогнозов даже в условиях волатильности. Такой подход позволяет значительно превзойти традиционные методы, основанные на статичных моделях, и открывает новые возможности для оптимизации торговых стратегий и управления рисками.

Дальнейшие исследования направлены на усовершенствование применяемых методик и расширение возможностей MadEvolve за счет интеграции дополнительных источников данных и рыночных сигналов. Планируется детальный анализ влияния различных типов данных — от макроэкономических показателей до новостного фона — на точность прогнозов. Особое внимание будет уделено разработке алгоритмов, способных эффективно фильтровать шум и выявлять наиболее значимые сигналы, что позволит повысить адаптивность системы к изменяющимся рыночным условиям. В перспективе, ожидается создание самообучающейся системы, способной автоматически определять оптимальные комбинации данных и параметров для достижения максимальной точности прогнозирования в различных временных горизонтах.

Результаты трех дополнительных тестов показывают, что улучшение производительности алгоритма не связано с простым изменением размера позиций, поскольку наблюдается рост как скорректированной прибыли [latex]PnL[/latex] по сравнению с контрфактической прибылью, полученной при равномерном масштабировании (что подтверждается коэффициентом выше 1.0), так и коэффициентов Шарпа и Кальмара, которые не зависят от масштаба сделок. — Результаты трех дополнительных тестов показывают, что улучшение производительности алгоритма не связано с простым изменением размера позиций, поскольку наблюдается рост как скорректированной прибыли $PnL$ по сравнению с контрфактической прибылью, полученной при равномерном масштабировании (что подтверждается коэффициентом выше 1.0), так и коэффициентов Шарпа и Кальмара, которые не зависят от масштаба сделок.

Исследование демонстрирует, что эволюционный поиск, управляемый большими языковыми моделями, способен значительно улучшить торговые стратегии, превосходя базовые подходы. Этот процесс не просто оптимизирует существующие параметры, но и генерирует новые, часто нетривиальные решения. Как заметил Мишель Фуко: “Власть не подавляет, она производит”. В данном контексте, власть — это способность LLM создавать новые торговые стратегии, а не просто подавлять неэффективные. Этот подход позволяет преодолеть ограничения традиционных методов бэктестинга и снизить риск p-hacking, поскольку LLM способен генерировать широкий спектр признаков и стратегий, выходящих за рамки предвзятых представлений исследователя. По сути, система MadEvolve создает не просто модель прогнозирования, а своего рода коллективный разум, способный адаптироваться к постоянно меняющимся условиям рынка.

Куда же это всё ведёт?

Представленная работа демонстрирует, что эволюционный поиск, управляемый большими языковыми моделями, способен улучшить торговые стратегии. Однако, не стоит обольщаться. Инвесторы не учатся на ошибках, они просто ищут новые способы повторить старые. Успех в бэктестинге — это лишь иллюзия контроля над системой, подверженной непредсказуемым колебаниям. Более того, вопрос обобщения полученных стратегий остаётся открытым: адаптация к новым рыночным условиям, вероятно, потребует постоянной переоптимизации, что нивелирует первоначальные преимущества.

Будущие исследования, скорее всего, будут сосредоточены на решении проблемы «чёрного ящика». Понимание логики, лежащей в основе решений, генерируемых языковой моделью, критически важно для повышения доверия и контроля. Игнорирование когнитивных искажений, заложенных в алгоритмах, — опасная практика. Важно исследовать, как эти модели воспроизводят и усиливают существующие рыночные неэффективности, а не создают принципиально новые.

В конечном счёте, предложенный подход — это не панацея, а лишь инструмент. Иллюзия автоматизированной прибыли всегда соблазнительна, но рынок — это не математическая задача, а сложное социальное явление, определяемое иррациональными страхами и надеждами. Попытки его предсказать обречены на неудачу, но попытки понять — всегда полезны, хотя бы для того, чтобы осознать границы собственного знания.

Оригинал статьи: https://arxiv.org/pdf/2605.23007.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-05-25 09:23