Торговые сигналы, адаптирующиеся к рынку: новый подход к управлению рисками

Автор: Денис Аветисян

В статье представлен метод построения торговых стратегий, способный динамически подстраиваться под изменяющиеся рыночные условия и обеспечивать более стабильную динамику капитала.

"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

Для обеспечения сопоставимости и агрегации различных технических индикаторов (MFI, RSI, BB%, и MACD) при анализе EURUSDT и BTCUSDT, применяется каузально-устойчивая нормализация, включающая центрирование индикаторов посредством вычитания 5000-минутного каузального скользящего медианного значения [latex]I~^{(k)}\_{t}=I^{(k)}\_{t}-m^{(k)}\_{t}[/latex], оценку устойчивой локальной шкалы [latex]s^{(k)}\_{t}[/latex] как скользящего медианного абсолютного отклонения центрированной серии, и последующее преобразование индикаторов к безразмерной шкале [latex]Z^{(k)}\_{t}=\tilde{I}^{(k)}\_{t}/s^{(k)}\_{t}[/latex]. — Для обеспечения сопоставимости и агрегации различных технических индикаторов (MFI, RSI, BB%, и MACD) при анализе EURUSDT и BTCUSDT, применяется каузально-устойчивая нормализация, включающая центрирование индикаторов посредством вычитания 5000-минутного каузального скользящего медианного значения $I~^{(k)}\_{t}=I^{(k)}\_{t}-m^{(k)}\_{t}$ , оценку устойчивой локальной шкалы $s^{(k)}\_{t}$ как скользящего медианного абсолютного отклонения центрированной серии, и последующее преобразование индикаторов к безразмерной шкале $Z^{(k)}\_{t}=\tilde{I}^{(k)}\_{t}/s^{(k)}\_{t}$ .

Предлагается метод построения причинно-следственных торговых сигналов, использующий гетерогенные финансовые индикаторы, перспективные наблюдаемые данные и оптимизацию методом последовательной переоценки для адаптации к нестационарным рынкам.

Нестационарность финансовых рынков представляет собой серьезную проблему для традиционных торговых стратегий, требуя адаптивных подходов к построению прогностических сигналов. В работе «Performance-Driven Causal Signal Engineering for Financial Markets under Non-Stationarity» предложен новый метод, основанный на создании строго причинно-следственных, ориентированных в будущее наблюдаемых, комбинирующих разнородные индикаторы и производные компоненты. Данный подход демонстрирует способность генерировать опережающие сигналы, особенно в периоды смены режимов, и позволяет сгладить траектории капитала, снижая просадки. Возможно ли, используя принципы причинно-следственного инжиниринга сигналов, создавать устойчивые и эффективные стратегии для динамично меняющихся финансовых рынков?

Неуловимая Природа Финансовых Рынков

Финансовые рынки по своей природе представляют собой не стационарные системы, что означает, что статистические зависимости между различными активами и показателями постоянно изменяются во времени. Это фундаментальное свойство делает многие традиционные финансовые модели, основанные на предположении о стабильности этих зависимостей, ненадежными и неэффективными в долгосрочной перспективе. Например, корреляция между двумя акциями, которая была положительной в прошлом, может стать отрицательной в будущем из-за изменений в макроэкономической ситуации или специфических факторах, влияющих на компании. Игнорирование не стационарности может привести к значительным ошибкам в прогнозировании и, как следствие, к убыткам при торговле. Поэтому, для успешного функционирования на финансовых рынках, необходимо использовать адаптивные методы анализа и моделирования, способные учитывать изменяющийся характер статистических связей и постоянно переоценивать параметры моделей.

Финансовые рынки характеризуются не только постоянными изменениями, но и частыми переходами между различными режимами функционирования. Эти переходы, известные как смены режимов, могут быть вызваны макроэкономическими шоками, геополитическими событиями или даже изменениями в настроениях инвесторов. Традиционные модели, основанные на предположении о стационарности рыночных данных, часто оказываются неэффективными в условиях таких смен. Поэтому для успешной торговли и управления рисками необходимы адаптивные стратегии, способные оперативно реагировать на изменяющуюся рыночную конъюнктуру и учитывать текущий режим функционирования рынка. Такие стратегии используют методы машинного обучения и статистического анализа для выявления и прогнозирования смен режимов, позволяя инвесторам своевременно корректировать свои портфели и извлекать выгоду из новых возможностей.

Понимание динамики финансовых рынков и роли волатильности является основополагающим для создания устойчивых торговых систем. Рынки постоянно эволюционируют, подвергаясь влиянию множества факторов — от макроэкономических изменений и геополитических событий до настроений инвесторов и технологических инноваций. Волатильность, как мера этих колебаний, не просто отражает риски, но и предоставляет возможности для получения прибыли. Эффективные торговые стратегии учитывают нелинейный характер рыночных процессов и адаптируются к меняющимся условиям, используя инструменты управления рисками для защиты капитала и максимизации доходности. σ — стандартное отклонение, часто используемое для измерения волатильности — позволяет оценить потенциальные колебания цены актива и, следовательно, уровень риска, связанного с инвестициями. В конечном счете, способность понимать и прогнозировать динамику рынка и эффективно управлять волатильностью определяет успех любой торговой системы.

Результаты тестирования стратегии на исторических данных без учета транзакционных издержек показывают, что изменение параметра θ влияет на кумулятивную доходность по сравнению с стратегией «Купи и держи» и количество совершенных сделок.

Причинно-Следственная Связь: Основа Надежных Торговых Сигналов

Фреймворк построения причинно-следственных сигналов (Causal Signal Framework) представляет собой решение для создания торговых сигналов, исключающее предвзятость, связанную с использованием будущих данных (look-ahead bias). Данная предвзятость является критической проблемой при разработке алгоритмов для реального времени, поскольку приводит к нереалистично высокой производительности на исторических данных и неработоспособности в реальной торговле. Фреймворк обеспечивает построение сигналов, опирающихся исключительно на информацию, доступную на момент времени, для которого генерируется сигнал, что гарантирует возможность его применения в реальных торговых системах без искажений, связанных с использованием будущих данных. Отсутствие look-ahead bias является необходимым условием для надежной оценки и валидации торговых стратегий.

В основе данной структуры построения сигналов лежат каузальные наблюдаемые — переменные, предназначенные для отражения текущего состояния рынка без использования информации из будущего. Это критически важно для предотвращения ошибки “look-ahead bias”, возникающей при использовании данных, недоступных в момент принятия торгового решения. Каузальные наблюдаемые строятся исключительно на основе прошлых и текущих данных, обеспечивая возможность реализации стратегий в реальном времени и исключая искажения, связанные с предвидением будущих событий. Фактически, это означает, что любые вычисления, используемые для определения сигнала, должны основываться только на данных, доступных на текущий момент времени или в прошлом.

В рамках построения причинно-следственных сигналов используются три ключевых компонента. Robust Normalization (Робастная Нормализация) стандартизирует индикаторы, приводя их к единому масштабу для корректного сравнения и предотвращения доминирования показателей с большими значениями. Causal Smoothing (Причинная Сглаживающая фильтрация) уменьшает шум в данных, используя только прошлые и текущие значения, что обеспечивает реалистичность сигнала для применения в реальном времени. Наконец, Derivative-Based Enhancement (Улучшение на основе производных) позволяет включать информацию о тенденциях, вычисляя производные индикаторов, что дает возможность более оперативно реагировать на изменения рыночной ситуации, не нарушая принципов причинности.

Использование масштабированной причинной производной [latex]df/dt[/latex] позволяет сдвигать сигнал вперед по фазе, особенно вблизи нулевых пересечений, при этом адаптивное управление вкладом производной посредством параметра [latex]λ₂[/latex] позволяет подавлять его влияние вне этих точек, приближаясь к сигналу, усиленному производной, при [latex]λ₂ = 0[/latex]. — Использование масштабированной причинной производной $df/dt$ позволяет сдвигать сигнал вперед по фазе, особенно вблизи нулевых пересечений, при этом адаптивное управление вкладом производной посредством параметра $λ₂$ позволяет подавлять его влияние вне этих точек, приближаясь к сигналу, усиленному производной, при $λ₂ = 0$ .

Составной Анализ: Многогранность Рыночных Сигналов

Композитный наблюдаемый показатель (Composite Observable) представляет собой агрегированный индикатор, формируемый на основе нескольких технических индикаторов, включая индекс относительной силы (RSI), индекс денежного потока (MFI), MACD и процентный индикатор полос Боллинджера (BB%). Сочетание этих индикаторов позволяет получить более полную картину рыночной ситуации, учитывая различные аспекты, такие как импульс, объем и волатильность. Каждый из индикаторов предоставляет уникальную информацию, и их объединение призвано снизить вероятность ложных сигналов и повысить надежность анализа рыночных условий.

Интеграция нескольких технических индикаторов в единый композитный показатель позволяет улавливать разнообразные рыночные сигналы, которые могут быть упущены при использовании отдельных индикаторов. Комбинирование, например, осцилляторов, таких как RSI и MFI, с индикаторами тренда, такими как MACD, и волатильности, такими как полосы Боллинджера ( $BB%$ ), создает более полную картину рыночной ситуации. Это, в свою очередь, снижает зависимость торговой стратегии от сигналов одного конкретного индикатора и повышает ее устойчивость к ложным сигналам и рыночному шуму, тем самым улучшая общую надежность и прибыльность стратегии.

Фреймворк причинно-следственной связи (Causal Signal Framework) обеспечивает эффективное использование составных наблюдаемых показателей (Composite Observables) посредством проверки их причинной валидности. Это достигается путем анализа взаимосвязей между входными сигналами — такими как `RSI`, `MFI`, `MACD` и `BB%` — и генерируемым сигналом, гарантируя, что наблюдаемые изменения действительно являются следствием анализируемых индикаторов, а не случайными корреляциями или внешними факторами. Подтверждение причинной связи критически важно для предотвращения ложных сигналов и повышения надежности торговых стратегий, основанных на этих составных показателях. Валидация включает статистический анализ и проверку на соответствие установленным причинно-следственным моделям.

Сопоставление композитного индикатора [latex]F_0(t)[/latex] (серый), его опережающей версии [latex]F_0(t+6)[/latex] (синий) и трендового индикатора на основе горизонта [latex]\Delta^{(10)}(t)[/latex] (красный) демонстрирует, что опережающий сигнал хорошо согласуется с трендом, особенно вблизи нулевых пересечений, указывающих на смену локальных режимов. — Сопоставление композитного индикатора $F_0(t)$ (серый), его опережающей версии $F_0(t+6)$ (синий) и трендового индикатора на основе горизонта $\Delta^{(10)}(t)$ (красный) демонстрирует, что опережающий сигнал хорошо согласуется с трендом, особенно вблизи нулевых пересечений, указывающих на смену локальных режимов.

От Сигнала к Стратегии: Управление Решениями в Торговле

Функционалы принятия решений представляют собой ключевой элемент автоматизированных торговых систем, обеспечивая преобразование сырых рыночных сигналов в конкретные действия. Эти математические конструкции анализируют поступающую информацию — колебания цен, объемы торгов, индикаторы — и формируют на ее основе четкие указания к покупке или продаже активов. По сути, они выступают в роли «моста» между пассивным наблюдением за рынком и активным участием в нем, позволяя алгоритмам автоматически реагировать на изменения ситуации. $f(x) = y$ — типичное представление функционала, где $x$ — входные рыночные данные, а $y$ — соответствующее торговое решение. Эффективность этих функционалов напрямую влияет на прибыльность и стабильность торговой стратегии, определяя, насколько быстро и точно система способна адаптироваться к меняющимся условиям и извлекать выгоду из рыночных возможностей.

В основе эффективной торговой стратегии часто лежит принцип гистерезиса, предотвращающий излишнюю активность и повышающий стабильность системы. Этот механизм, подобный сопротивлению возврату в исходное состояние после небольших колебаний, не позволяет алгоритму мгновенно реагировать на каждый незначительный сигнал рынка. Вместо этого, требуется определенное изменение рыночной ситуации, прежде чем будет принято решение о покупке или продаже. Такой подход позволяет избежать ложных срабатываний, вызванных случайным шумом, и снизить транзакционные издержки. Благодаря этому, стратегия становится более устойчивой к краткосрочным колебаниям и ориентирована на долгосрочные тренды, обеспечивая более предсказуемые результаты и минимизируя риски, связанные с импульсивными решениями.

Функционалы принятия решений, ориентированные на горизонт тренда, позволяют адаптировать торговые стратегии к конкретным инвестиционным срокам. Вместо слепого реагирования на краткосрочные колебания рынка, данный подход позволяет учитывать долгосрочные тенденции и строить стратегии, соответствующие временному горизонту инвестора. Например, для долгосрочных инвестиций функционал может фокусироваться на выявлении устойчивых трендов и игнорировать незначительные ценовые колебания, в то время как для краткосрочной торговли он будет более чувствителен к изменениям рыночной конъюнктуры. Такая гибкость позволяет оптимизировать торговые решения, максимизируя потенциальную прибыль и минимизируя риски в зависимости от целей и предпочтений инвестора, делая систему более адаптивной к различным рыночным условиям и инвестиционным задачам.

В ходе протокола walk-forward частота выбора каждого гиперпараметра различается для торговых пар EURUSDT и BTCUSDT, что отражает их статистическую значимость в процессе оптимизации.

Проверка и Развертывание Надежных Торговых Стратегий

Метод последовательной оптимизации, известный как “Walk-Forward Selection”, позволяет провести реалистичную оценку эффективности торговой стратегии, имитируя процесс торговли в реальном времени на исторических данных. В отличие от простой обратной оптимизации, данный подход последовательно обучает стратегию на части исторических данных, а затем тестирует ее на следующей, ранее невидимой, части временного ряда. Этот процесс повторяется, “продвигаясь вперед” во времени, что позволяет оценить, насколько хорошо стратегия адаптируется к меняющимся рыночным условиям и избежать переобучения под конкретный исторический период. В результате, “Walk-Forward Selection” дает более надежную оценку будущей производительности стратегии и повышает уверенность в ее способности успешно функционировать в реальной торговле.

Метод, известный как Walk-Forward Selection, играет ключевую роль в оценке торговых стратегий, существенно снижая риск переобучения. Переобучение — распространенная проблема, когда стратегия показывает отличные результаты на исторических данных, но терпит неудачу в реальной торговле. Используя Walk-Forward Selection, стратегия тестируется на последовательных, не пересекающихся отрезках исторических данных, имитируя реальные рыночные условия. Это позволяет оценить, насколько хорошо стратегия адаптируется к новым, ранее не виденным данным, и дает уверенность в ее способности приносить прибыль в будущем. В результате, появляется обоснованное представление о том, как стратегия будет функционировать в реальной торговле, а не только на оптимизированных исторических данных.

Исследование демонстрирует разработанную причинно-следственную систему разработки торговых сигналов, направленную на изменение характеристик риска. Эта система позволяет добиться более плавных изменений капитала и улучшенного контроля над просадками, при этом сохраняя конкурентоспособную производительность. Анализ показывает, что медианное время удержания позиции составляет приблизительно 22-23 минуты как для EURUSDT, так и для BTCUSDT. Данный показатель указывает на сочетание краткосрочных колебаний и более долгосрочных рыночных режимов, что свидетельствует о гибкости стратегии и ее способности адаптироваться к различным временным рамкам и динамике рынка.

Анализ эмпирического распределения длительности позиций для EURUSDT и BTCUSDT показывает выраженную правостороннюю асимметрию, характеризующуюся преобладанием краткосрочных позиций и наличием значительного числа устойчивых режимов.

Исследование демонстрирует, что адаптация к непостоянству финансовых рынков требует не просто анализа исторических данных, но и построения моделей, способных предвидеть и учитывать смену режимов. Авторы предлагают подход, основанный на причинно-следственном анализе и оптимизации стратегий с учетом релятивистского эффекта изменения рыночной конъюнктуры. В этой связи примечательна мысль Симоны де Бовуар: «Старение — это процесс, который начинается с рождения». Аналогично, любая торговая стратегия начинает устаревать с момента ее создания, требуя постоянной адаптации и пересмотра в условиях динамично меняющейся рыночной среды. Эффективность предложенного подхода, основанного на причинно-следственной инженерии сигналов, заключается в возможности смягчения динамики капитала и контроля просадок, что соответствует необходимости постоянной корректировки моделей в условиях непостоянных систем.

Что дальше?

Представленная работа, стремясь укротить непредсказуемость финансовых рынков, неизбежно сталкивается с фундаментальным вопросом: насколько вообще возможно предсказать будущее сложной системы? Каждый вычисленный причинный сигнал — это попытка удержать свет в ладони, но он ускользает сквозь пальцы, меняясь вместе с постоянно эволюционирующей реальностью. Оптимизация по историческим данным, даже с учётом сдвига во времени, всегда остаётся лишь приближением, а горизонт событий непредсказуемости неумолимо приближается.

Будущие исследования, вероятно, будут направлены на разработку ещё более адаптивных алгоритмов, способных не просто реагировать на смену режимов, но и предвосхищать их. Однако, следует помнить, что любое усложнение модели — это лишь временное отсрочивание неизбежного столкновения с её ограничениями. Искать универсальные закономерности в хаосе — занятие благородное, но иллюзорное.

Возможно, истинный прогресс лежит не в совершенствовании прогнозов, а в развитии методов управления рисками, способных смягчить последствия неточностей. Ведь в конечном счете, рынок — это не головоломка, которую нужно разгадать, а поток, в котором нужно научиться плавать, признавая собственную ограниченность.

Оригинал статьи: https://arxiv.org/pdf/2603.13638.pdf

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

Смотрите также:

2026-03-17 20:58