Байесовская оптимизация параметров торговой стратегии

Байесовская оптимизация параметров вместо ручного перебора

Ручной подбор параметров торговой стратегии упирается в размер пространства поиска. Шесть параметров по десять значений — это уже миллион комбинаций, и каждая требует отдельного прогона на истории с учётом комиссий и проскальзывания. Сеточный перебор честно обходит решётку, но время считает линейно по числу точек, поэтому на практике диапазоны сужают вручную — и вместе с ними отрезают области, где лежит устойчивый набор.

Хуже другое: перебор не использует структуру отклика. Он одинаково подробно прощупывает и шум, и перспективные зоны, а лучший результат выбирает по одному числу — итоговой доходности на обучающем окне. Так и возникает переобучение стратегии: набор идеален на прошедшем участке и рассыпается, как только меняется режим рынка — волатильность, ликвидность, характер движения. Чем больше параметров, тем охотнее перебор находит случайные совпадения.

Байесовская оптимизация подходит к задаче иначе. Она строит суррогатную модель поверхности отклика — обычно гауссовский процесс — и по критерию ожидаемого улучшения выбирает следующую точку: где-то исследует незнакомую область, где-то уточняет возле уже найденных максимумов. Число прогонов сокращается на порядки: вместо тысяч комбинаций хватает сотен, а бюджет вычислений уходит не на равномерный обход, а на перспективные участки.

Для торговли это важно ещё и потому, что целью можно сделать не пик доходности, а медиану по нескольким режимам и окнам — тогда байесовская оптимизация параметров отбирает наборы, устойчивые к смене условий, а не подогнанные под один удачный отрезок. Разбираем, как это закрывается: как задаём пространство параметров стратегии, какие ограничения ставим против переобучения и как проверяем результат вне выборки.

Эффект от управляемого поиска параметров: скорость и устойчивость

Поиск сходится за сотни прогонов, а не тысячи

Байесовская оптимизация не перебирает сетку значений, а строит суррогатную модель поверхности отклика и выбирает следующую точку там, где ожидается улучшение с учётом неопределённости. Цикл подбора параметров сокращается на порядок: вместо тысяч прогонов стратегии хватает сотен, исследование укладывается в часы. Команда успевает проверить больше гипотез на том же объёме вычислений.

Целевая функция задаёт, что считать хорошим результатом

Качество определяет не число итераций, а то, что мы оптимизируем: доходность с поправкой на просадку, устойчивость к задержке исполнения, поведение на разных участках истории. Заданная явно целевая функция стратегии не даёт оптимизатору гнаться за красивой кривой на одном интервале и переводит работу из «подогнать под прошлое» в «найти режим, переживающий смену условий».

Переобучение становится редким классом отказов

Ручной подбор почти всегда даёт наборы, идеальные на истории и рассыпающиеся на новых данных. Байесовский поиск отбрасывает решения, чувствительные к малейшему сдвигу входных рядов, поэтому снижение переобучения видно в цифрах: доля наборов, не прошедших проверку на удержанном периоде, падает в разы, а устойчивость торговой стратегии становится критерием отбора, а не надеждой.

Байесовская оптимизация или сеточный поиск: сравнение подходов

Выбор метода подбора параметров определяет, во сколько прогонов стратегии обходится результат и насколько он устойчив за пределами обучающего отрезка. Полный перебор даёт исчерпывающий охват, но вычислительные затраты растут произведением числа шагов по каждому параметру: добавили пятый параметр — время подбора выросло кратно.

Байесовская оптимизация вместо перебора строит суррогатную модель целевой функции и выбирает следующую точку по ожидаемой выгоде. Дорогие прогоны не тратятся на заведомо слабые области, поэтому сопоставимая точность достигается при меньшем числе запусков. Вот с чем этот подход реально сравнивают и где у каждого метода предел.

С чем сравниваем байесовский подбор

На практике методы комбинируют: грубый проход случайным поиском очерчивает область, байесовский подбор уточняет её внутри, а устойчивость проверяется на отложенном отрезке данных.

Порядок работ: от постановки цели до передачи результатов

Оптимизация параметров — не перебор сетки, а последовательность решений, где цена ошибки растёт с каждым шагом: слабая целевая функция даёт красивую кривую на истории и развал на живом рынке. Порядок работ одинаков для классических стратегий и связок в блокчейн-контуре.

От данных до регламента пересчёта

1. Разбор стратегии и данных. Фиксируем правила входа и выхода, состав ряда, обработку пропусков. Проверяем смещение выживания и смену режимов рынка — иначе поиск настроится на артефакты истории.
2. Целевая функция и ограничения. Определяем, что максимизируем: доходность на единицу риска или устойчивость просадки. Просадка, частота сделок и издержки входят в функцию штрафами, а не разбором после.
3. Схема поиска. Задаём границы и типы осей параметров, шаг округления. Байесовская оптимизация идёт от суррогатной модели, а не от перебора сетки, — фиксируем стартовую выборку и критерий остановки.
4. Настройка моделей. Калибруем ядро и оценку шума, баланс исследования и уточнения. На выходе — несколько конкурирующих наборов параметров, а не единственный узкий пик.
5. Отложенный период, валидация и стресс-сценарии. Проверяем там, где поиска не было: независимые окна, скользящий пересчёт, сравнение со случайным поиском. Затем — прогон на глубокой просадке, росте издержек и разреженной ликвидности: неустойчивые наборы отсеиваются здесь.
6. Передача результата. Отдаём конфигурацию с зафиксированными значениями, отчёт с метриками до и после, журнал прогонов и регламент пересчёта — и учим команду воспроизводить расчёт.

Комплект поставки: конфигурации, отчёты и регламенты

По итогам работ у заказчика остаётся не подобранный набор чисел, а воспроизводимый контур подбора параметров: результат можно перепроверить и повторить без нашего участия. Ниже — что именно переходит команде.

• Документация по подбору параметров — тип и границы каждого параметра, связи между ними, запрещённые сочетания и происхождение диапазонов.
• Конфигурация поиска — файлы запуска: размер стартовой выборки, число итераций, суррогатная модель, правило остановки; повтор одной командой на тех же данных.
• Целевая функция — метрика с весами и штрафами за просадку и оборот, с обоснованием каждого слагаемого.
• Протоколы проверок — разделение данных на подбор и контроль, схема непересекающихся окон, пороги, при которых результат признаётся негодным.
• Отчёты по устойчивости — карты параметров, где ценятся плато, а не одиночные пики, таблицы деградации между подбором и контролем, проверка чувствительности к сдвигу стартовых условий.
• Регламент переобучения — триггеры (смена рыночного режима, падение метрики ниже порога), периодичность и порядок фиксации новой версии.
• Передача знаний команде — разбор на живых запусках, инструкции по добавлению параметров, чек-лист перед выкатом, указатели на код и данные.

Комплект рассчитан на инженера, который откроет его через полгода после сдачи, — и должен получить тот же результат, что и мы.

Пример из практики: снижение просадки и ускорение подбора

К нам пришла команда, торгующая на криптовалютных парах: в тесте стратегия выглядела устойчиво, а на реальном счёте просадка пробивала расчётную почти сразу после запуска. Параметры подбирали перебором по сетке — порядка сорока тысяч комбинаций, и всё это без понимания, как выбранный набор поведёт себя на данных, которых подбор не видел.

До: перебор по сетке

Полный цикл подбора занимал больше полутора суток, а проверка на отложенном периоде запускалась в самом конце и отсеивала около восьмидесяти процентов наборов. То есть почти два дня машинного времени давали один-два варианта, пригодных к запуску, а глубина просадки на живом счёте доходила до трети депозита. Любая правка логики обнуляла результат и запускала перебор заново.

После: проверка внутри цикла

Мы заменили перебор на байесовскую оптимизацию — Optuna с целевой функцией, где кроме доходности штрафуются просадка и разброс результата между окнами. Проверку на отложенном периоде встроили внутрь цикла: набор, который её не проходит, отбрасывается сразу, а не на финальном шаге, и следующая итерация строится уже с учётом этой отбраковки.

Цикл подбора сократился с тридцати шести часов до трёх-четырёх, доля наборов, не прошедших проверку на новых данных, упала с восьмидесяти до двадцати процентов, глубина просадки на счёте — с трети депозита до двенадцати процентов. Ключевое изменение не в цифрах: найденные параметры перестали разваливаться при переходе на следующий период, и результат воспроизводится на данных, которые в подборе не участвовали.

Что делать, если стратегия уже подобрана вручную?

Параметры, найденные вручную, — уже проверенная гипотеза, и выбрасывать её не нужно. Но такой набор почти всегда найден на одном периоде и не имеет оценки устойчивости: непонятно, где заканчивается закономерность и начинается подгонка под историю. Поэтому первым шагом текущая конфигурация фиксируется как эталон, с которым сравниваются все дальнейшие варианты.

Проверка идёт на удержанных участках: параметры подбирались на одном отрезке, а тестируются на другом, который в подборе не участвовал. Рядом смотрят чувствительность — сдвиг каждого параметра на один шаг не должен обрушивать результат. Если поведение стратегии сохраняется при небольшом смещении, набор отражает свойство рынка, а не шум конкретных данных.

Диагностика переобучения опирается на расхождение между участками: уверенный результат на подобранном отрезке при провале на удержанном — прямой признак подгонки. Второй маркер — узкий оптимум, когда всё держится в одной точке пространства и рассыпается рядом. Третий — резкая деградация при смене режима рынка.

Переход к модельной схеме начинается не с нуля, а от текущей конфигурации: она задаёт центр области поиска и границы разумных значений. Дальше Optuna строит приближённую модель поверхности результата и предлагает следующую точку там, где ожидается улучшение, вместо перебора сетки. На выходе — не одно число, а распределение: видно, какие области устойчивы, а какие держатся на единственном удачном сочетании.

Рабочая версия при этом остаётся включённой. Новые параметры проверяются параллельно, переключение — по заранее заданному правилу, например после подтверждения на удержанном периоде. Конфигурации хранятся с версиями, поэтому возврат к прежнему набору занимает минуты, а не требует повторного подбора.

Технические сомнения и ответы на них

Байесовская оптимизация окупается там, где полный перебор сетки параметров уже не помещается в бюджет времени, а нужен устойчивый набор, а не единичный удачный пик. Ниже — вопросы, которые чаще всего всплывают до старта.

Какую целевую функцию максимизировать?

Доходность напрямую — плохая цель: оптимизатор уходит в редкие крупные ставки. Берём составную метрику из доходности, приведённой к риску, со штрафами за просадку и малое число сделок — тогда наверх поднимаются наборы, которые переживают смену режима.

Можно ли подбирать параметры сразу по нескольким инструментам?

Да: целевая функция агрегируется по портфелю, обычно с поправкой на корреляцию между инструментами — так меньше риск подгонки под один актив. Плата — дороже каждый следующий прогон, поэтому часть задач решаем по группам с финальной совместной проверкой.

Как часто повторять подбор?

Не по календарю, а по событиям: смена режима волатильности, разрыв исторической зависимости, просадка за пределами ожидаемого коридора. Между этим параметры фиксированы — регулярная переоптимизация «для порядка» почти всегда ухудшает результат.

С чего начать: что подготовить к обсуждению задачи

Оценка по байесовской оптимизации параметров опирается на ваши данные, а не на общие соображения: одна и та же стратегия на разных историях упирается в разный потолок качества. Чтобы первый разговор сразу шёл по делу, достаточно прислать следующее.

• Логику стратегии и полный список параметров с границами поиска — что именно оптимизируем и в каких пределах.
• Исторические данные: инструменты, таймфрейм, период, пропуски в котировках, учёт комиссий и проскальзывания.
• Как параметры подбираются сейчас: ручная настройка, полный перебор, случайный поиск — и что в результате не устраивает.
• Целевую метрику: доходность, максимальная просадка, отношение прибыли к убытку или устойчивость на вневыборочных участках.
• Ограничения: допустимое плечо, лимиты по позиции, правила управления риском.
• Где считаются прогоны, сколько времени занимает один проход и есть ли лимиты по ресурсам.

Дальше порядок простой: обсуждаем задачу и уточняем критерии качества, изучаем материалы и воспроизводим текущий результат, после чего возвращаемся с оценкой и планом работ — со схемой разбиения данных, числом прогонов и точками контроля. Готовы начать с описания задачи и имеющихся исходных данных для анализа — остальное уточним в разговоре.