Разработка AI-системы ранжирования торговых стратегий
Портфель стратегий работает лучше, чем одна. Но какие стратегии включать и с каким весом? ML-ранжирование решает задачу динамического управления портфелем стратегий.
Многомерная оценка стратегий
Факторы ранжирования
Нельзя ранжировать только по доходности — это классическая ошибка. Многомерный score:
- Risk-adjusted returns: Sharpe, Sortino, Omega (6m rolling)
- Drawdown характеристики: MDD, average drawdown duration, recovery factor
- Consistency: стандартное отклонение месячных returns, worst month
- Capacity: максимальный капитал, который стратегия может абсорбировать без деградации
- Correlation: с другими стратегиями в портфеле и с рыночными бенчмарками
- Turnover: транзакционные издержки при данном объёме
Conditional performance
Стратегия может быть отличной в bull market и ужасной в bear. Conditional performance:
- Return / Sharpe в разных рыночных режимах (trending up/down, high/low vol)
- Tail risk contribution в стрессовых периодах
- Behavior during known crises (2020 COVID crash, 2022 rate hike)
ML-компонент ранжирования
Предсказание будущей performance
Задача: предсказать следующие 90 дней Sharpe стратегии на основе её текущих признаков и рыночного контекста.
Features: скользящие метрики стратегии (3m, 6m, 12m) + текущий макро-режим + correlation features.
Target: realized Sharpe на следующие 90 дней.
Модель: XGBoost regression или LightGBM. Валидация: time-series cross-validation.
Meta-learning
Если у нас 50+ стратегий с историей — можно обучить модель "какие типы стратегий хорошо работают в текущих условиях":
- Momentum стратегии → хорошо в trending low-vol режимах
- Mean-reversion → хорошо в high-vol ranging режимах
- Carry → хорошо в stable macro environment
ML-ансамбль: рыночный режим → оптимальные типы стратегий → allocation.
Dynamic Allocation
Walk-forward optimization
Каждые N недель: переранжирование стратегий → пересмотр allocation. Не торгуйте на основе ранжирования, оцененного на тех же данных, что и backtest (lookahead bias).
Kelly Criterion для allocation
Взвешивание пропорционально ожидаемому advantage каждой стратегии: w_i = edge_i / variance_i (fractional Kelly = safer)
С учётом корреляций: полная формула Kelly для портфеля через матрицу ковариаций.
Risk Parity альтернатива
Каждая стратегия вносит равный contribution к portfolio volatility. Менее aggressive чем Kelly, более robust к estimation errors.
Мониторинг и lifecycle
Strategy Health Monitoring
Регулярная проверка каждой стратегии:
- Performance vs. expectation (statistical significance test)
- Drawdown vs. historical norm
- Behaviour stability (trading pattern изменился?)
Red flags: drawdown > 2σ ниже исторической нормы, win rate значимо снизился, correlation с другими стратегиями резко выросла.
Decay Detection
Все стратегии умирают (alpha decay). ML-детектор: Kalman Filter на rolling Sharpe → обнаружение structural break. При обнаружении — снижение allocation или исключение.
Strategy versioning
Параметры стратегий версионируются. При обновлении параметров — новая "версия" с отдельной историей. Старая версия продолжает трекаться в shadow mode.
Срок разработки: 6–10 недель для системы ранжирования + allocation + monitoring dashboard.