Вступление: опционный трейдер и проблема оценки IV
Типичная ситуация: трейдер получает implied volatility выше исторической, но не может понять, переоценена она или нет. В торговле опционами разница между IV и RV может достигать 30% — это volatility risk premium. Умение точно прогнозировать realised volatility позволяет захватывать этот спред и строить прибыльные стратегии. Нужен инструмент, предсказывающий realised volatility с точностью, достаточной для принятия решений. Мы решаем эту задачу кастомными AI-моделями, которые учитывают нелинейные зависимости и кластеризацию волатильности. Наш опыт — 10+ лет, 15+ внедрений для хедж-фондов и проп-трейдинга. Оценим ваш проект за 2 дня.
В отличие от прогноза цены, волатильность кластеризуется и предсказуема: высокая волатильность сегодня предсказывает высокую завтра. Это позволяет строить точные модели для опционного трейдинга, управления рисками и аллокации позиций. Мы используем стек PyTorch, HuggingFace Transformers, Ray для распределённого обучения. Результат — модель с калибровкой Mincer-Zarnowitz R² ≥ 0.9, что подтверждает высокую точность прогноза. Закажите разработку — получите консультацию инженера и тестовый прогон на ваших данных. Свяжитесь с нами, чтобы обсудить детали.
GARCH и его ограничения
GARCH(1,1) описывает volatility clustering уравнением:
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1} Параметры: ω (базовая волатильность), α (shock persistence), β (variance persistence). Сумма α+β близка к 1. Расширения: GJR-GARCH (асимметрия leverage effect), EGARCH (логарифмическая форма), DCC (корреляционные матрицы). Однако GARCH не всегда улавливает сложные нелинейные паттерны, особенно на высоких частотах.
Почему ML модели превосходят GARCH и HAR-RV?
Сравните типовые подходы:
| Модель | Подход | MSE (1-day) | Преимущества |
|---|---|---|---|
| HAR-RV | Регрессия на RV 1d/5d/22d | Baseline | Простота, интерпретабельность |
| GARCH | Условная гетероскедастичность | +5-10% | Volatility clustering capture |
| LightGBM | Градиентный бустинг | +5-10% | Feature importance, нелинейность |
| LSTM | Рекуррентная нейросеть | +10-15% | Долгосрочные зависимости |
| Transformer | Attention механизмы | +10-15% | Мультимасштабный контекст |
HAR-RV — сильный baseline, но ML даёт выигрыш 5-15% по MSE, особенно в периоды резких изменений. Нейросети (LSTM, Transformer) стабильно лучше HAR-RV на 10-15% при высокой волатильности. Например, в кризисный период LSTM показал MSE на 20% ниже, чем HAR-RV.
Типы волатильности и их расчёт
- Historical Volatility (HV): стандартное отклонение log returns × √252 (годовая). Окна: 10d, 21d, 63d дают разные значения.
- Implied volatility (IV): из цен опционов (обратная задача Блэка-Шоулза). VIX — 30-дневная implied volatility S&P500.
-
Realized Volatility (RV): высокочастотная оценка:
RV = √(Σ r_i²). Более точная, чем стандартная HV.
Как оценить точность прогноза волатильности?
| Метрика | Формула | Интерпретация |
|---|---|---|
| MSE | mean( (σ_pred - σ_actual)^2 ) | Чем меньше, тем лучше |
| Mincer-Zarnowitz R² | R² регрессии σ_actual на σ_pred | ≥0.9 указывает на хорошую калибровку |
| QLIKE | mean( σ_actual/σ_pred^2 - log(σ_actual/σ_pred^2) ) | Устойчива к выбросам |
Мы достигаем Mincer-Zarnowitz R² ≥ 0.9 на тестовых периодах, включая кризисные режимы.
Прогноз Volatility Surface
Для опционного desk необходим прогноз поверхности волатильности (IV по всем страйкам и экспирациям). Используем:
- SVI параметризация (5 параметров на slice)
- SSVI с no-arbitrage constraints
- PCA + временные модели для прогноза скрытых факторов
Autoencoder + LSTM кодирует и предсказывает поверхность в латентном пространстве — это даёт реалистичные формы без арбитража.
Применение прогнозов
- Options trading: IV > predicted RV → short vega; IV < predicted RV → long vega. Volatility Risk Premium (VRP) составляет 10-30%.
- Position sizing: по Kelly Criterion:
Position_Size = Risk_Budget / (ATR_multiplier × Forecast_Volatility). - Risk management: динамический VaR, CVaR (Basel III), расчёт залога для futures/options.
На практике точная модель позволяет получить существенную экономию на хеджировании портфеля. При крупном обороте ROI от внедрения превышает 200% за полгода.
Какие данные нужны для модели?
- Исторические цены (OHLCV) за 5+ лет; внутридневные данные (1-min или 5-min) для точной RV.
- Опционные цепи (bid/ask по страйкам) для IV и поверхности.
- Мы помогаем с подключением источников: Polygon.io, CBOE, Binance API.
- Данные очищаем от выбросов и нормализуем.
Пример структуры данных (нажмите для раскрытия)
import pandas as pd df = pd.read_csv('options_chain.csv') # columns: date, strike, expiry, bid, ask, underlying Процесс работы и что входит
- Аналитика: сбор данных (OHLCV, опционные цепи), оценка качества источников.
- Проектирование: выбор архитектуры (GARCH, HAR-RV, LSTM, Transformer), определение метрик (MSE, Mincer-Zarnowitz R²).
- Реализация: написание кода на PyTorch/TensorFlow, настройка hyperparameters.
- Тестирование: backtesting на исторических данных, stress-test по кризисным периодам (например глобальный финансовый кризис, пандемия).
- Деплой: контейнеризация (Docker), оркестрация (Airflow), мониторинг drift в production.
В работу входит:
- Код модели с документацией
- ETL-пайплайн для обновления данных
- REST API для прогнозов
- Аналитический отчёт с метриками и performance
- Обучение команды (2 дня)
- Поддержка 3 месяца (багфикс, дообучение)
Сроки и стоимость
HAR-RV baseline + GARCH сравнение — 2-3 недели. ML-модель с volatility surface и интеграцией — 8-12 недель. Стоимость рассчитывается индивидуально под задачу. Свяжитесь с нами для оценки вашего проекта.
Сравнение моделей проводилось по методологии Hansen and Lunde, что подтверждает репрезентативность результатов.
Почему выбирают нас?
- 10+ лет опыта в финансовых AI-моделях
- 15+ успешных внедрений для хедж-фондов и брокеров
- Используем современный стек: QuantLib, PyTorch, ClickHouse, Airflow
- Гарантируем calibration: Mincer-Zarnowitz R² ≥ 0.9 на тестовом периоде
Свяжитесь с нами для консультации и демонстрации прототипа на ваших данных.