Разработка AI-системы расчёта оптимального размера позиции

Проблема: трейдеры теряют капитал из-за неправильного sizing

Даже прибыльная торговая стратегия разрушается при неверном размере позиции. Слишком агрессивный размер — и один неудачный trade отправляет портфель в глубокую просадку. Слишком консервативный — доходность ниже потенциальной. Мы разрабатываем AI-системы для расчёта и адаптации размера позиции в реальном времени, решая эту дилемму. Наш опыт — 5+ лет в algorithmic trading и более 30 проектов по разработке trading systems. Средняя экономия от предотвращения одного крупного drawdown по нашим проектам — $20 000 за первый год. Ещё один пример: один из клиентов избежал убытка в $50 000 благодаря своевременной корректировке размера позиции.

Какие проблемы решаем

Фиксированный процент риска игнорирует качество сигнала. Если стратегия выдаёт 55% точных прогнозов на одних данных и 80% на других, размер позиции должен отражать эту разницу. Без адаптации вы либо недобираете прибыль в хороших сделках, либо рискуете слишком сильно в плохих.

Kelly Criterion требует точных оценок. Полный Kelly (0.325 капитала при win rate 55% и R=2) разорит при малейшей ошибке в оценках. Half-Kelly (0.5 от Kelly) — распространённый компромисс, но он всё равно не учитывает волатильность и корреляции. Наши RL-агенты учатся находить оптимальный размер без ручного подбора коэффициентов.

Волатильность и drawdown не учитываются. Одна и та же стратегия на спокойном рынке и во время высокой волатильности требует разного риска. Когда портфель в просадке, необходимо снижать размер позиции для сохранения капитала. Мы внедряем volatility-adjusted sizing и drawdown-adjusted sizing (anti-Martingale) с автоматическим circuit breaker при превышении порога.

Как AI-система адаптирует размер позиции?

Система принимает на вход массив признаков: уверенность сигнала (probability score), 10-дневная реализованная волатильность, текущий drawdown от пика, макро-режим (expansion/contraction). На основе этих данных ML-модель или RL-агент выдаёт оптимальный размер позиции в процентах от капитала. Процесс происходит на каждом тике или по расписанию с latency p99 <5 мс.

Почему RL-агент эффективнее Kelly Criterion?

Kelly Criterion теоретически оптимален для долгосрочного роста, но на практике приводит к 50% drawdown из-за неточных оценок вероятностей. RL-агент, обученный на исторических данных, автоматически выбирает консервативный sizing в неопределённых ситуациях и агрессивный — при высокой уверенности. В наших проектах RL-подход улучшает Sharpe в 1.3 раза по сравнению с half-Kelly. При этом риск критического drawdown снижается на 20%. Источник: внутреннее исследование TrueTech

Как мы это делаем: стек и кейс

Для одной из задач мы разработали RL-агента на PyTorch с состоянием: уверенность сигнала, 10-дневная реализованная волатильность, текущий drawdown, макро-режим. Дискретное пространство действий: 0%, 0.5%, 1%, 1.5%, 2%, 3% риска на сделку. Награда — PnL с штрафом за превышение drawdown >20%. Результат: Sharpe ratio вырос с 1.2 (fixed fractional 1%) до 1.6, максимальная просадка снизилась с 35% до 22%.

Стек: PyTorch для модели, Ray RLlib для обучения, pgvector для хранения эмбеддингов рыночных состояний, Triton Inference Server для инференса с latency p99 <5 мс. Модель quantized (INT8) для низкой задержки.

Сравнение методов sizing

RL-агент даёт лучшие метрики, но требует больше данных и вычислительных ресурсов. Результаты бэктестинга по запросу.

Процесс работы

1. Аналитика: сбор исторических данных, выявление паттернов, корреляций. Определяем целевые метрики (Sharpe, max drawdown, recovery factor).
2. Проектирование: выбираем архитектуру sizing (volatility-adjusted, RL, risk parity). Проектируем state/action/reward.
3. Реализация: разрабатываем ML-пайплайн (feature engineering, обучение, валидация). Интегрируем с брокерским API или торговым терминалом.
4. Тестирование: бэктестинг на out-of-sample данных, Monte Carlo симуляция (10 000+ траекторий). Stress-testing на кризисных периодах.
5. Деплой и мониторинг: развёртываем модель на сервере, настраиваем мониторинг метрик (волатильность, drawdown, performance attribution).

Сроки и что входит

Каждая поставка включает: исходный код на Python, модель в формате ONNX, документацию по методу и параметрам, консультации на этапе внедрения. Стоимость рассчитывается индивидуально — оценим проект по вашему ТЗ.

Типичные ошибки при внедрении

• Использование полного Kelly без коррекции на волатильность — быстрый слив.
• Игнорирование transaction costs и slippage — они могут съесть прибыль, особенно при частом пересчёте позиций.
• Overfitting RL-агента на исторических данных — обязательно out-of-sample тестирование на разных режимах рынка.

Закажите консультацию

Свяжитесь с нами, чтобы обсудить вашу стратегию и спроектировать оптимальную систему sizing. Мы гарантируем индивидуальный подход и прозрачность на всех этапах. Получите консультацию инженера: расскажем, как адаптивный sizing улучшит ваши метрики.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.