ML-модель анализа технических индикаторов RSI, MACD и Bollinger Bands

Торговая стратегия на основе RSI, MACD или Bollinger Bands — классика, но фиксированные параметры дают сбои. На трендовом рынке RSI может висеть в зоне перекупленности неделями, а Bollinger Bands сужаются, генерируя ложные пробои. Мы строим AI-модели, которые адаптируют эти индикаторы под конкретный актив и состояние рынка. Результат — повышение Sharpe ratio в среднем в 1.5-2 раза по сравнению со стандартными настройками, подтверждённое на out-of-sample данных.

В реальной торговле недостаточно просто использовать RSI с периодом 14 и порогами 30/70. Даже для одного инструмента оптимальные параметры меняются вместе с рыночным режимом. Мы решаем эту проблему через ML-оптимизацию: модель обучается на исторических данных и подбирает параметры индикаторов динамически. Кроме того, мы добавляем контекстные признаки: тренд, волатильность, объём. Это позволяет избежать ложных сигналов в нестабильные периоды. Например, на волатильном рынке Bollinger Bands расширяются до 3σ, а в боковике сужаются до 1.5σ, что повышает точность пробоев. Feature engineering — ключевой этап: мы генерируем более 50 признаков, включая лаги и кросс-индикаторные произведения.

Как ML улучшает RSI?

RSI традиционно использует период 14 и пороги 30/70. Проблема: в трендовом рынке RSI может оставаться ниже 30 неделями. ML-подход:

• Оптимизация периода (7-28) через Optuna для каждого инструмента
• RSI в контексте тренда: rsi_divergence_from_trend = rsi - trend_adjusted_rsi
• Multi-timeframe RSI: 7d, 14d, 21d как отдельные фичи
• RSI velocity: изменение RSI за 3 дня (acceleration сигнал)

Мы также применяем нейросетевые энкодеры для извлечения скрытых паттернов, но базовая модель — LightGBM, которая обеспечивает интерпретируемость и скорость.

Почему комбинация MACD и Bollinger Bands даёт лучшие сигналы?

MACD даёт momentum-сигналы, Bollinger — volatility-контекст. ML-модель автоматически учится, когда использовать какой сигнал.

Feature matrix — объединение всех индикаторов:

def build_technical_features(df):
    features = {}

    # RSI family
    for period in [7, 14, 21]:
        features[f'rsi_{period}'] = talib.RSI(df.close, period)
    features['rsi_divergence'] = compute_rsi_divergence(df)

    # MACD family
    macd, signal, hist = talib.MACD(df.close, 12, 26, 9)
    features['macd_hist'] = hist
    features['macd_hist_trend'] = hist.diff(3)
    features['macd_cross'] = (macd > signal).astype(int)

    # Bollinger
    upper, middle, lower = talib.BBANDS(df.close, 20, 2, 2)
    features['bb_pct_b'] = (df.close - lower) / (upper - lower)
    features['bb_bandwidth'] = (upper - lower) / middle
    features['bb_squeeze'] = (features['bb_bandwidth'] < features['bb_bandwidth'].rolling(126).min() * 1.1)

    # Stochastic
    slowk, slowd = talib.STOCH(df.high, df.low, df.close)
    features['stoch_k'] = slowk
    features['stoch_cross'] = (slowk > slowd).astype(int)

    return pd.DataFrame(features)

Модель — LightGBM с квантильными потерями. Таргет: forward 5-day return. Feature importance выявит, какие индикаторы действительно предсказательны. Мы запускаем Optuna на 100 итераций для подбора гиперпараметров (learning rate, max_depth, subsample).

Контекст-зависимость индикаторов

Индикаторы работают по-разному в разных рыночных режимах:

• Trending market: RSI < 30 = продолжение падения
• Ranging market: RSI < 30 = реальный сигнал разворота
• При высокой волатильности: Bollinger Bands нужно расширять (3σ вместо 2σ)

Regime-conditional модель:

regime = classify_market_regime(df)  # 'trending', 'ranging', 'volatile'

if regime == 'trending':
    signal = momentum_model.predict(features)
elif regime == 'ranging':
    signal = mean_reversion_model.predict(features)

Hull, J., "Options, Futures, and Other Derivatives"

Сравнение стандартного и ML-подхода

Результаты на реальных данных

Процесс работы

1. Инструментарий: собираем исторические данные, проверяем качество.
2. Feature engineering: генерируем 50+ признаков на основе RSI, MACD, Bollinger, Stochastic.
3. Оптимизация: используем Bayesian search для настройки параметров индикаторов.
4. Моделирование: LightGBM с кросс-валидацией по времени.
5. Backtesting: учитываем комиссии, проскальзывание, overnight swap.
6. Деплой: модель в trading-среде (SageMaker, Vertex AI или ваш сервер).

Дополнительные возможности: интерпретируемость модели

Feature importance (SHAP) показывает, какие комбинации индикаторов действительно работают. Например, на тесте по фьючерсам S&P 500 наибольший вклад дают bb_squeeze (23%), macd_hist (18%) и rsi_divergence (15%). Это позволяет отсекать шумовые признаки и упрощать модель без потери качества. Мы также используем partial dependence plots для валидации логики модели — важно, чтобы зависимости были экономически осмысленными.

Что входит в работу

• Базовая модель с RSI, MACD, Bollinger, Stochastic
• Параметрическая оптимизация (Optuna/Bayesian)
• Regime detection (trending, ranging, volatile)
• Backtesting с учётом реальных транзакционных издержек
• Документация и обучение команды
• Гарантия на код и поддержка 3 месяца
• Оценка: Sharpe > 1.0 на out-of-sample — целевой показатель

Хотите получить модель, адаптированную под ваш инструмент? Получите консультацию — проанализируем данные и предложим архитектуру. Наши инженеры имеют 5+ лет опыта в ML для финансовых рынков и реализовали 30+ проектов по созданию trading-моделей. Свяжитесь с нами для обсуждения вашей задачи.

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.