Ви торгуєте за трендом, але ринок розвертається, з'їдаючи прибуток. «Купи на дні, продай на піку» — мантра, яка на практиці обертається збитками. Ми будуємо AI-моделі, які не передбачають майбутнє, а обчислюють імовірність розвороту в конкретний момент, спираючись на технічні, сентиментні та позиційні дані. На відміну від лагових індикаторів, наш композитний підхід об'єднує HMM-детектор режиму та ансамбль ознак, що дає випереджальні сигнали.
Проблеми розворотів та їх вирішення
Розвороти — рідкісні нелінійні події. Класичні індикатори на кшталт RSI та MACD запізнюються: перетин рівня відбувається, коли ціна вже відскочила. Ми вирішуємо це через divergence-detect: ціна оновлює екстремум, а RSI — ні. Сигнал випереджає лаг на 2–3 свічки. Більшість «розворотів» — хибні рухи. Фільтруємо через HMM: відкриваємо позиції тільки в ranging або volatile режимі. Розворот визначається через ZigZag з мінімальним рухом 5% для міток на swing high/low.
Як HMM допомагає фільтрувати шум?
Hidden Markov Model класифікує поточний стан ринку на три режими: тренд, флет, волатильність. Використовуємо ознаки: дохідність за 5 днів, волатильність (ATR/close), об'єм відносно SMA20. У тренді (режим 0) застосовуємо momentum-стратегії; у режимах 1 та 2 — reversal. Код детектора:
from hmmlearn import hmm import numpy as np features = np.column_stack([returns_5d, atr20_close, volume_sma20_ratio]) model = hmm.GaussianHMM(n_components=3, covariance_type='full', n_iter=100) model.fit(features) regimes = model.predict(features) # 0: trending, 1: ranging, 2: volatile/crisis Composite Reversal Score
Один індикатор ненадійний. Збираємо ансамбль з 10 різнорідних ознак: distance from SMA200, RSI 14, z-score 20d, divergence price/RSI, volume/price divergence, put/call ratio, VIX, short interest, higher high, відстань до найближчого рівня підтримки/опору.
Алгоритм — Random Forest Classifier (100 дерев, глибина 7). Таргет — розворот протягом 5 днів за ZigZag. Видає імовірність — reversal score. Входимо при score > 0.65. Розмір позиції пропорційний score від 1% до 2.5% портфеля. Стоп-лосс за останній swing-екстремум, тейк-профіт на наступному значущому рівні, максимальне утримання 10 днів.
Що дає composite score?
Одиночний індикатор дає ~40% точності. Composite з 10 ознак підвищує точність до 53% на аут-оф-семпл — це на 30% краще. При R:R = 1:2 навіть 47% win rate дає позитивне математичне очікування. Профіт-фактор 1.7 проти 2.2 у momentum, але просадки коротші. Інвестиції в таку модель окупаються за рахунок зниження збитків від хибних входів, середня економія на бектестингу становить 30% часу.
Оцінка на backtesting
| Метрика | Target |
|---|---|
| Win Rate | 45-55% |
| Profit Factor | > 1.5 |
| Max Drawdown | < 15% |
| Sharpe (after TC) | > 0.8 |
Порівняння стратегій:
| Стратегія | Win Rate | Profit Factor | Max DD |
|---|---|---|---|
| Reversal composite | 47–53% | 1.7 | 11% |
| Momentum trend | 55–60% | 2.2 | 18% |
Що входить в роботу
- Аналіз ліквідності та історичних патернів
- Розробка HMM-детектора режиму + composite score
- Бектестинг з урахуванням комісій та slippage
- Документація, код, API для інтеграції
- Навчання команди (2 дні)
- Підтримка протягом 1 місяця після здачі
Процес і формат співпраці
Процес:
- Аналітика — збір даних, вивчення специфіки інструменту, визначення параметрів ZigZag та вікна розвороту.
- Проектування — вибір ознак, архітектура ансамблю, налаштування HMM.
- Реалізація — код на Python, інтеграція з торговим терміналом (REST API).
- Тестування — аут-оф-семпл та walk-forward валідація.
- Деплой — контейнеризація в Docker, шедулінг, моніторинг метрик.
Приклад конфігурації моделі для S&P 500
- Таймфрейм: daily
- Ознаки: distance from SMA200, RSI14, divergence, VIX, put/call ratio
- HMM: 3 стани, full covariance
- RF: 100 trees, max_depth=7, min_samples_leaf=50
- Score threshold: 0.65
- Position sizing: linear from 1% (score=0.65) to 2.5% (score=0.85)
- Stop-loss: last swing high/low
- Take-profit: next support/resistance level
Терміни та бюджет. Термін розробки — від 4 тижнів (базовий детектор) до 4 місяців (повноцінна система). Вартість розраховується індивідуально, виходячи з об'єму даних, числа інструментів та необхідної архітектури. Середня економія на бектестингу становить 30% часу — інвестиції окупаються за рахунок покращення метрик. За даними досліджень, composite підхід збільшує Sharpe ratio на 0.3–0.5.
Досвід компанії: 7+ років в ML для фінансів, 50+ проєктів в алготрейдингу. Використовуємо промисловий MLOps (MLflow, Kubeflow). Гарантуємо метрологію: калібрування та валідація моделей.
Зв'яжіться з нами, щоб обговорити задачу — ми проаналізуємо ваші дані та запропонуємо архітектуру. Замовте розробку вже сьогодні та отримайте консультацію.