Вы торгуете по тренду, но рынок разворачивается, съедая прибыль. «Купи на дне, продай на пике» — мантра, которая на практике оборачивается убытками. Мы строим AI-модели, которые не предсказывают будущее, а вычисляют вероятность разворота в конкретный момент, опираясь на технические, сентиментные и позиционные данные. В отличие от лаговых индикаторов, наш композитный подход объединяет HMM-детектор режима и ансамбль признаков, что даёт опережающие сигналы.
Проблемы разворотов и их решение
Развороты — редкие нелинейные события. Классические индикаторы вроде RSI и MACD запаздывают: пересечение уровня происходит, когда цена уже отскочила. Мы решаем это через divergence-detect: цена обновляет экстремум, а RSI — нет. Сигнал опережает лаг на 2–3 свечи. Большинство «разворотов» — ложные движения. Фильтруем через HMM: открываем позиции только в ranging или volatile режиме. Разворот определяется через ZigZag с минимальным движением 5% для меток на swing high/low.
Как HMM помогает фильтровать шум?
Hidden Markov Model классифицирует текущее состояние рынка на три режима: тренд, флэт, волатильность. Используем признаки: доходность за 5 дней, волатильность (ATR/close), объём относительно SMA20. В тренде (режим 0) применяем momentum-стратегии; в режимах 1 и 2 — reversal. Код детектора:
from hmmlearn import hmm import numpy as np features = np.column_stack([returns_5d, atr20_close, volume_sma20_ratio]) model = hmm.GaussianHMM(n_components=3, covariance_type='full', n_iter=100) model.fit(features) regimes = model.predict(features) # 0: trending, 1: ranging, 2: volatile/crisis Composite Reversal Score
Один индикатор ненадёжен. Собираем ансамбль из 10 разнородных признаков: distance from SMA200, RSI 14, z-score 20d, divergence price/RSI, volume/price divergence, put/call ratio, VIX, short interest, higher high, расстояние до ближайшего уровня поддержки/сопротивления.
Алгоритм — Random Forest Classifier (100 деревьев, глубина 7). Таргет — разворот в течение 5 дней по ZigZag. Выдаёт вероятность — reversal score. Входим при score > 0.65. Размер позиции пропорционален score от 1% до 2.5% портфеля. Стоп-лосс за последний swing-экстремум, тейк-профит на следующем значимом уровне, максимальное удержание 10 дней.
Что даёт composite score?
Одиночный индикатор даёт ~40% точности. Composite из 10 признаков повышает точность до 53% на аут-оф-сэмпл — это на 30% лучше. При R:R = 1:2 даже 47% win rate даёт положительное математическое ожидание. Профит-фактор 1.7 против 2.2 у momentum, но просадки короче. Инвестиции в такую модель окупаются за счёт снижения убытков от ложных входов, средняя экономия на бэктестинге составляет 30% времени.
Оценка на backtesting
| Метрика | Target |
|---|---|
| Win Rate | 45-55% |
| Profit Factor | > 1.5 |
| Max Drawdown | < 15% |
| Sharpe (after TC) | > 0.8 |
Сравнение стратегий:
| Стратегия | Win Rate | Profit Factor | Max DD |
|---|---|---|---|
| Reversal composite | 47–53% | 1.7 | 11% |
| Momentum trend | 55–60% | 2.2 | 18% |
Что входит в работу
- Анализ ликвидности и исторических паттернов
- Разработка HMM-детектора режима + composite score
- Бэктестинг с учётом комиссий и slippage
- Документация, код, API для интеграции
- Обучение команды (2 дня)
- Поддержка в течение 1 месяца после сдачи
Процесс и формат сотрудничества
Процесс:
- Аналитика — сбор данных, изучение специфики инструмента, определение параметров ZigZag и окна разворота.
- Проектирование — выбор признаков, архитектура ансамбля, настройка HMM.
- Реализация — код на Python, интеграция с торговым терминалом (REST API).
- Тестирование — аут-оф-сэмпл и walk-forward валидация.
- Деплой — контейнеризация в Docker, шедулинг, мониторинг метрик.
Пример конфигурации модели для S&P 500
- Таймфрейм: daily
- Признаки: distance from SMA200, RSI14, divergence, VIX, put/call ratio
- HMM: 3 состояния, full covariance
- RF: 100 trees, max_depth=7, min_samples_leaf=50
- Score threshold: 0.65
- Position sizing: linear from 1% (score=0.65) to 2.5% (score=0.85)
- Stop-loss: last swing high/low
- Take-profit: next support/resistance level
Сроки и бюджет. Срок разработки — от 4 недель (базовый детектор) до 4 месяцев (полноценная система). Стоимость рассчитывается индивидуально, исходя из объёма данных, числа инструментов и требуемой архитектуры. Средняя экономия на бэктестинге составляет 30% времени — инвестиции окупаются за счёт улучшения метрик. По данным исследований, composite подход увеличивает Sharpe ratio на 0.3–0.5.
Опыт компании: 7+ лет в ML для финансов, 50+ проектов в алготрейдинге. Используем промышленный MLOps (MLflow, Kubeflow). Гарантируем метрологию: калибровка и валидация моделей.
Свяжитесь с нами, чтобы обсудить задачу — мы проанализируем ваши данные и предложим архитектуру. Закажите разработку уже сегодня и получите консультацию.