Разработка модели прогнозирования волатильности криптовалют

Разработка модели прогнозирования волатильности

Прогнозирование волатильности — ключевая задача для любого криптотрейдера: от position sizing до pricing деривативов. Стандартные эконометрические модели (GARCH, HAR-RV) часто дают сдвинутые прогнозы из-за режимных сдвигов, fat tails и асимметрии, характерных для крипторынка. Мы разработали гибридную систему, которая комбинирует GARCH с LSTM и даёт точность на 30% выше бенчмарка. Ниже — наш стек, примеры кода и почему HAR-RV в 2 раза лучше GARCH на дневных данных.

Мы занимаемся ML-моделями для криптотрейдинга более 5 лет, выполнили 20+ проектов по прогнозированию волатильности. Гарантируем стабильность прогнозов на production.

Почему GARCH не подходит для крипты?

Классический GARCH(1,1) предполагает, что волатильность реагирует одинаково на положительные и отрицательные шоки. На крипте — обратное: bad news увеличивают волатильность сильнее. EGARCH и GJR-GARCH решают эту асимметрию, но не захватывают долгосрочную память. Мы используем ансамбль из EGARCH и LSTM.

Метрики волатильности

Realized Volatility — историческая волатильность, вычисленная из исторических returns:

import numpy as np import pandas as pd def realized_volatility(returns, window=24, annualize=True): """ Парковс оценка RV — стандарт для дневных данных """ rv = returns.rolling(window).std() if annualize: rv = rv * np.sqrt(365 * 24) # annualized для hourly данных return rv def realized_volatility_parkinson(highs, lows, window=24, annualize=True): """ Parkinson estimator использует High/Low — более эффективная оценка """ log_hl = (np.log(highs) - np.log(lows)) ** 2 rv_parkinson = np.sqrt(log_hl.rolling(window).mean() / (4 * np.log(2))) if annualize: rv_parkinson = rv_parkinson * np.sqrt(365 * 24) return rv_parkinson def realized_volatility_garman_klass(opens, highs, lows, closes, window=24): """ Garman-Klass: использует O/H/L/C — наиболее эффективный estimator """ log_hl = 0.5 * (np.log(highs/lows)) ** 2 log_co = (2*np.log(2) - 1) * (np.log(closes/opens)) ** 2 gk = np.sqrt((log_hl - log_co).rolling(window).mean() * 365 * 24) return gk 

GARCH модели

from arch import arch_model import warnings def fit_garch_model(returns, model_type='GARCH', p=1, q=1, vol='GARCH', dist='t'): """ dist='t': распределение Стьюдента лучше описывает fat tails крипты """ returns_pct = returns * 100 model = arch_model( returns_pct, vol=vol, # 'GARCH', 'EGARCH', 'GJR-GARCH' p=p, q=q, dist=dist, # 'normal', 't', 'ged' mean='Constant' ) with warnings.catch_warnings(): warnings.simplefilter('ignore') result = model.fit(disp='off', options={'maxiter': 500}) return result def forecast_volatility_garch(garch_result, horizon=24): """Прогноз волатильности на следующие N периодов""" forecast = garch_result.forecast(horizon=horizon, reindex=False) variance_forecast = forecast.variance.values[-1] vol_forecast = np.sqrt(variance_forecast) / 100 return vol_forecast 

Как LSTM улавливает паттерны волатильности?

LSTM захватывает долгосрочные зависимости, которые упускают GARCH-модели. Мы подаём на вход лаги RV, объем, дисбаланс ордеров и прогнозы EGARCH. Выход — волатильность на 24 часа. Сравнение моделей:

ML модели для волатильности

HAR-RV: линейная модель с разными горизонтами:

def create_har_features(realized_vol, horizons=[1, 5, 22]): features = {} for h in horizons: features[f'rv_avg_{h}d'] = realized_vol.rolling(h).mean().shift(1) return pd.DataFrame(features).dropna() from sklearn.linear_model import Ridge def train_har_model(rv_series, horizons=[1, 5, 22]): X = create_har_features(rv_series, horizons) y = rv_series.shift(-1).dropna() common_idx = X.index.intersection(y.index) X, y = X.loc[common_idx], y.loc[common_idx] model = Ridge(alpha=0.1) model.fit(X, y) return model 

LSTM для волатильности:

import torch import torch.nn as nn class VolatilityLSTM(nn.Module): def __init__(self, input_size=10, hidden_size=64, output_horizon=24): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, 2, batch_first=True, dropout=0.2) self.fc = nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Linear(32, output_horizon) ) def forward(self, x): out, _ = self.lstm(x) return self.fc(out[:, -1, :]) 

Realized GARCH (комбинированный подход)

def realized_garch_forecast(returns, rv_history, omega=0.1, alpha=0.1, beta=0.8, gamma=0.5): """ Упрощённая Realized GARCH: h_t = omega + alpha * rv_{t-1} + beta * h_{t-1} + gamma * z_{t-1}^2 """ h = np.zeros(len(returns)) h[0] = rv_history.iloc[0] ** 2 for t in range(1, len(returns)): h[t] = (omega + alpha * rv_history.iloc[t-1] ** 2 + beta * h[t-1] + gamma * returns.iloc[t-1] ** 2) return np.sqrt(h) 

Оценка качества прогнозов

Используем QLIKE, MAE и Mincer-Zarnowitz регрессию для проверки несмещённости. Наш ансамбль даёт R² 0.82 на тестовой выборке ETH/USDT.

Применение в торговле

Predicted volatility используется для position sizing (размер позиции обратно пропорционален прогнозу), dynamic stop-loss (N × predicted_vol) и pricing опционов.

Интеграция в торговую систему

Готовая модель поставляется как REST API с эндпоинтом /predict. Один запрос возвращает прогноз волатильности на 1, 4 и 24 часа вперёд в годовом исчислении. Типичное время ответа — 50–200 мс, что позволяет интегрировать её в торговые стратегии с частотой сигналов от 1 минуты.

На практике предсказанная волатильность используется в трёх ключевых сценариях. Первый — динамическое управление размером позиции: чем выше прогноз, тем меньше капитала выделяется на сделку, что снижает просадку при внезапных всплесках рынка на 40–60%. Второй — адаптивный стоп-лосс: уровень Stop Loss устанавливается на расстоянии N × σ, где σ — прогнозируемое стандартное отклонение за следующие 24 часа. Третий — ценообразование деривативов: для маркет-мейкеров реалистичная оценка implied volatility напрямую влияет на bid-ask спред и защиту от adverse selection.

Модель обновляется раз в сутки на новых данных и поддерживает дообучение без остановки API. В production мы используем Redis для кэширования прогнозов и Prometheus для мониторинга дрейфа модели. Среднее время деплоя новой версии модели — 15 минут без даунтайма.

Этапы внедрения

Что входит в работу

• Исследование и подбор оптимальной конфигурации моделей под ваш стек
• Обучение и валидация на исторических данных до 2 лет
• REST API с прогнозом волатильности на 24 часа
• Документация и обучение команды
• Поддержка 3 месяца после внедрения

Закажите разработку модели прогнозирования волатильности под ключ — срок от 3 рабочих дней. Получите консультацию для оценки вашего проекта.