Прогнозирование волатильности: где ломается ручная оценка риска
Ручная оценка рыночного риска опирается на последнее заметное движение: аналитик берёт дневной размах, сравнивает с прошлой неделей и переносит масштаб на будущий горизонт. Такой подход ломается на смене режима — волатильность криптовалют кластеризуется, и переход от спокойствия к всплеску идёт быстрее, чем обновляется оценка. Запаздывающий сигнал здесь не ошибка исполнителя, а свойство метода: он усредняет уже случившееся.
Вторая точка отказа — одна усреднённая модель на все состояния рынка. Обученная на всей доступной истории, она выдаёт «среднюю» волатильность и системно недооценивает хвосты: в боковике завышает риск и тормозит логику, в каскаде принудительных закрытий занижает и пропускает момент, когда позицию нужно сокращать. Спокойный тренд, боковик и ликвидационный всплеск описываются разными признаками и требуют разной чувствительности срабатывания.
Рабочая модель риска строится на признаках, которые меняются раньше цены: реализованная волатильность на нескольких горизонтах, спред и глубина стакана, ставки финансирования, открытый интерес, доля принудительных закрытий, поведение ведущего актива. Прогнозирование волатильности здесь — не предсказание цены, а оценка разброса: насколько широким будет движение на горизонте от часа до недели и с какой вероятностью он выйдет за заданный порог.
Дальше разбираем, как это закрывается: какие данные собираем, как разделяем режимы рынка и чем проверяем качество прогноза на исторических окнах.
Что даёт модель: точность, устойчивость, скорость реакции
Мы оцениваем прогнозирование волатильности по четырём измеримым свойствам: ошибке оценки на отложенном периоде, устойчивости к смене режима рынка, времени реакции на аномалию и горизонту, на котором прогноз сохраняет силу. Базовые модели семейства GARCH дают неплохую отправную точку, но на разрывах ликвидности и новостных шоках их ошибка растёт кратно — ровно там, где прогноз нужнее всего.
Точность модели считаем долей периодов, где фактическая волатильность попала в предсказанный коридор: средняя ошибка сглаживает всплески, ради которых модель и строится. Горизонт оценки фиксируем заранее и считаем метрики отдельно для каждого — модель, уверенная на коротком окне, часто теряет качество на соседнем.
Устойчивость модели проверяем на исторических стресс-сценариях: обвал, боковик, резкий рост, разрыв ликвидности. Отбор проходит та, у которой ошибка оценки остаётся в рабочем коридоре, а не улетает в разы. Отдельно смотрим деградацию — насколько проседает качество, если модель долго не переобучать на свежих данных.
Время реакции на аномалию чаще всего и решает исход. Система сравнивает реализованную волатильность с прогнозной и поднимает сигнал, когда расхождение выходит за порог; на потоковых данных это секунды вместо ожидания закрытия свечи. За счёт этого уходит целый класс отказов: решения, принятые по модели, которая уже не описывает текущий режим рынка.
Режимы расчёта: статистика, машинное обучение, ансамбли
Режим расчёта определяет, на каком горизонте оценка волатильности остаётся рабочей: на часах, днях или неделях. Сравнение подходов имеет смысл вести не по точности на одном удачном историческом отрезке, а по устойчивости к смене рыночного режима, объяснимости результата и стоимости сопровождения.
На практике мы работаем с тремя классами: статистическая модель, машинное обучение на признаках и ансамбль моделей. Статистика прозрачна и предсказуемо ведёт себя на коротком ряде, но сглаживает нелинейности. Обучение на данных ловит сложные связи, зато требует длинной истории и защиты от переобучения. Ансамбль моделей сглаживает провалы отдельных компонент — ценой усложнения контроля.
| Режим расчёта | Когда подходит | Ограничения |
|---|---|---|
| Статистическая модель условной волатильности | Режим рынка стабилен, истории мало, нужна объяснимость | Слабо реагирует на структурные сдвиги и шоки |
| Машинное обучение на признаках | Длинная история, есть внешние признаки: объёмы, ставки, поток событий | Чувствительно к переобучению, плохо переносит редкие сценарии |
| Ансамбль моделей | Нужна устойчивость на горизонтах от часа до недели | Дороже в сопровождении, требуется контроль расхождения компонент |
| Гибрид: статистика как база, обучение на остатках | Рынок чередует спокойные и турбулентные периоды | Сложнее настройка и валидация на исторических данных |
Выбор фиксируем по задаче: для расчёта залоговых требований важнее устойчивость и объяснимость, для краткосрочной оценки риска ликвидации — реакция на изменения. Дальше показываем, как это соединяется с остальной системой.
Этапы внедрения: от аудита данных до передачи модели
Этапы работ выстроены так, чтобы каждая следующая фаза опиралась на проверенный результат предыдущей: дальше двигаемся только тогда, когда метрики качества зафиксированы и воспроизводимы. Это удлиняет старт, зато снимает переделку модели в момент, когда она уже встроена в торговый или риск-контур.
- Аудит данных. Собираем историю котировок и объёмов, проверяем непрерывность рядов, разрывы на остановках торгов и корректность закрытия пропусков, отдельно ищем утечку будущих значений в исторических признаках.
- Подготовка признаков. Из сырых рядов собираем признаки волатильности и ликвидности, приводим их к одному шагу по времени и считаем на скользящих окнах — модель должна видеть режим рынка, а не отдельную свечу.
- Схема модели. Выбираем класс модели под горизонт прогноза и частоту данных, договариваемся о метриках ошибки и о том, какой результат считаем приемлемым на спокойном и на резком рынке.
- Сборка и обучение. Обучаем на одном отрезке истории, настраиваем параметры на втором, а финальную оценку делаем на третьем — том, который модель не видела ни разу.
- Проверка. Прогоняем прогноз на отложенном периоде и на стресс-участках, сравниваем с простым базовым прогнозом и смотрим, где модель устойчиво проигрывает — такие сценарии уходят в доработку, а не в презентацию.
- Внедрение модели. Оборачиваем расчёт в сервис, настраиваем расписание пересчёта, мониторинг расхождения прогноза и факта и откат на предыдущую версию без остановки работы.
- Передача и обучение команды. Отдаём код, конфигурации и разбор решений, проводим обучение ваших инженеров и аналитиков, чтобы переобучение и правки признаков вы делали сами.
Каждый этап закрывается артефактом: отчётом по данным, набором признаков, спецификацией, результатами проверки, работающим сервисом и документацией. Ни один пункт не считается сделанным «на словах» — у вас остаётся воспроизводимый результат и команда, понимающая, как его поддерживать.
Комплект передачи: код модели, отчёты, регламент пересчёта
Комплект собираем так, чтобы модель можно было перезапустить и перепроверить без нас: от сырых данных до артефакта, по фиксированной команде запуска и на закреплённых зависимостях. Ниже — что именно остаётся у вашей команды и в каком виде это применимо в работе.
- Код модели — обучение и оценка одним запуском, фиксированные зерна генератора, чтобы повторный прогон на тех же данных давал тот же результат.
- Конфигурация окружения — закреплённые зависимости, образ и переменные запуска: разворачивается на вашем железе, без «работает только у автора».
- Документация модели — какие признаки на входе, какой горизонт прогноза, на каком окне считается ошибка и где модель применять нельзя.
- Отчёт по качеству — метрика ошибки на отложенном отрезке, сравнение с простой базовой оценкой, разбивка по спокойному и волатильному рынку.
- Проверки данных — правила на пропуски, выбросы и разрывы котировок, журнал сработавших проверок с указанием источника и времени.
- Регламент пересчёта — по календарю или по сдвигу входных данных, порядок переобучения и приёмки новой версии до её использования.
- Мониторинг расхождений — панель «прогноз против факта», пороги оповещений и порядок отката на предыдущую версию модели.
Кейс: как изменилась точность оценки риска на резких движениях
До: ошибка разъезжалась на штормовом рынке
Модель обучалась на истории спокойных периодов, а пороги срабатывания задавались абсолютной величиной отклонения. На спокойном рынке ошибка прогноза держалась в пределах 4-6%, и риск-служба считала оценку адекватной; на резких движениях разброс ошибки расходился до 30-40%, а доля пропущенных аномалий доходила до 38%. Решения по лимитам принимались постфактум — когда движение уже состоялось.
Что изменили
Схему разбили на два компонента: модель стохастической волатильности для базового уровня и режимное переключение, которое отдельно обучается на периодах сжатия и расширения. Пороги алертов привязали к квантилям распределения остатков вместо абсолютного отклонения, чтобы сигнал не зависел от текущего масштаба цены. Калибровку сверяли с implied-оценками Deribit: расхождение модельной и рыночной ожидаемой волатильности разбирали отдельно, а не усредняли.
Что стало
Доля пропущенных аномалий снизилась с 38% до 9%. На штормовом рынке разброс ошибки сократился примерно вдвое — с 30-40% до 14-18%, и остался управляемым на событиях, когда цена проходит несколько процентов за минуты. На спокойном рынке точность не деградировала: ошибка осталась в пределах 3-5%, то есть улучшение не куплено ценой ложных срабатываний.
Прогнозный интервал начал расширяться за 15-40 минут до роста спреда — такого опережающего сигнала раньше не было. Лимиты снижали заранее, а не экстренно по факту.
Чем отличается прогнозирование волатильности от мониторинга цен
Мониторинг цен отвечает на вопрос «сколько актив стоит прямо сейчас» и обновляется по факту сделки. Прогнозирование волатильности отвечает на другой вопрос: насколько широким будет разброс доходности в следующем окне — часе, сутках, неделе. Это не уточнение первого контура, а отдельная задача с другими входными данными, другой частотой пересчёта и другой ценой ошибки.
Мониторинг — это поток последних сделок и алерты по порогам, то есть реакция на уже случившееся. Оценка разброса строится на опережающих признаках: сжатие диапазона перед импульсом, перекос заявок в стакане, всплеск принудительных закрытий, скачок ставок финансирования по бессрочным контрактам. Отдельный слой — неявная волатильность опционов: на крупной опционной площадке вроде Deribit она котируется напрямую, то есть рынок сам платит за право зафиксировать будущий разброс.
Отсюда разница в применении. Индикаторы риска, построенные на прогнозе разброса, дают запас по времени: предельное плечо снижается до импульса, а не после него, размер позиции пересчитывается заранее, автоматическое хеджирование включается на расширении ожидаемого разброса. Лимиты риска, привязанные только к текущей цене, срабатывают в момент движения — когда решение уже нельзя принять по приемлемой цене.
На практике контуры делят так: мониторинг цен ловит сбои исполнения и аномалии ликвидности, прогноз волатильности защищает от потерь на резком расширении разброса. Смешивать их в один нельзя — иначе пороги либо запаздывают, либо глушат нормальную работу на спокойном рынке: модель, обученная на дневных данных, не увидит внутридневной всплеск, а часовые оценки переоценивают риск на трендовом участке без откатов.
Мы разводим эти контуры на уровне данных, горизонта и порогов, а не на уровне отчётов, — ниже показываем, как это устроено в нашей работе.
Технические сомнения: данные, переобучение, поддержка
Перед стартом работ техническая команда заказчика задаёт почти один и тот же набор вопросов: откуда берутся данные, как мы убеждаемся, что модель не запомнила историю, что происходит при смене режима рынка и кто отвечает за работу модели после передачи. Ниже — прямые ответы, без обещаний «прогноз всегда точный».
Эти вопросы мы закрываем в проектировании, а не после запуска: от ответов зависит схема сбора данных, состав проверок и то, какие метрики качества попадут в отчёт. Если по какому-то пункту договориться не удаётся, это повод не начинать, а не «донастроить по ходу».
Как вы боретесь с переобучением модели?
Проверяем на последовательных временных отрезках: обучаем на прошлом, проверяем на следующем за ним периоде, который не участвовал ни в подборе настроек, ни в отборе признаков. Случайное разбиение ряда здесь не работает — оно подмешивает будущее в обучение и даёт завышенные метрики. Дополнительно сравниваем результат с простым базовым прогнозом: если модель его не обходит устойчиво, в работу она не идёт.
Что с качеством данных и пропусками?
Пропуски — норма, а не сбой: площадки уходят на обслуживание, часть источников отдаёт историю с разрывами. Мы не заполняем их средним, а помечаем, выносим в отдельный слой и фиксируем в отчёте с указанием источника и периода. Качество данных проверяем по формальным правилам — дубли, выбросы, расхождение цен между источниками, — и каждый набор проходит эту проверку до обучения.
Как отслеживаете дрейф данных?
Дрейф — это изменение статистических свойств ряда: спокойный рынок и резкий переход ведут себя по-разному, и модель, настроенная на один режим, теряет точность на другом. Мы держим контроль распределений входных показателей и качества прогноза, пересчитываем модель по расписанию или по срабатыванию порога. При выходе за границы вес прогноза автоматически снижается, чтобы решение не опиралось на устаревшую настройку.
Что входит в поддержку модели?
Регламент переобучения, мониторинг качества, оповещения о деградации, журнал запусков с воспроизводимостью результатов и порядок отката на предыдущую рабочую версию. Отдельно фиксируем, кто и по какому сигналу запускает переобучение. Без этого модель живёт до первого изменения рынка — поэтому поддержку описываем до старта, а не как дополнение к сдаче.
Обсудим задачу: данные, доступы, план работ
Прежде чем называть сроки, нужен состав данных и доступы к ним — от этого зависит, какие модели прогнозирования волатильности применимы и сколько времени займёт их проверка на истории. Ниже минимальный набор, после которого мы вернёмся с оценкой и планом работ, а не с уточняющими вопросами.
- Инструменты и горизонт. По каким активам и парам строим прогноз, на каком временном шаге, какой глубины историю отдаёте — свечи или отдельные сделки, нужен ли стакан и данные срочного рынка.
- Состав данных. Выгрузки из вашего хранилища или биржевые архивы: структура записей, частота, известные пропуски и разрывы, как обрабатывались остановки торгов и делистинги.
- Доступы к данным. Ключи только на чтение, тестовый контур, архивное хранилище; кто на вашей стороне выдаёт и продлевает доступ, на кого завязаны запросы.
- Целевая метрика риска. Что считаем прогнозом: волатильность на шаг вперёд, вероятность превышения порога или момент срабатывания защитного правила. От этого зависит способ проверки качества.
- Режим использования. Отчёт по расписанию, оповещение или автоматическое управление позицией; допустимая доля ложных срабатываний и требуемая задержка отклика.
- Контур запуска и приёмка. Где считаем, куда пишем результат, как часто пересчитываем модель, кто принимает работу и по каким числам сверяем прогноз с фактом.
После этого фиксируем план работ: подготовка рядов и признаков, отбор моделей, проверка на исторических периодах, запуск и наблюдение за расхождением прогноза с фактом. Опишите задачу в этих границах — вернёмся с оценкой, сроками и составом команды; старт работ начинается с согласования метрики и данных, а не с настройки окружения.
