Розробка AI-моделі прогнозування розворотів ринку

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

Порівняння стратегій:

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:

1. Аналітика — збір даних, вивчення специфіки інструменту, визначення параметрів ZigZag та вікна розвороту.
2. Проектування — вибір ознак, архітектура ансамблю, налаштування HMM.
3. Реалізація — код на Python, інтеграція з торговим терміналом (REST API).
4. Тестування — аут-оф-семпл та walk-forward валідація.
5. Деплой — контейнеризація в Docker, шедулінг, моніторинг метрик.

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.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.