Розробка AI-моделі передбачення розворотів ринку

Розроблення AI-моделі прогнозування розворотів рынку

Прогнозування рыночних розворотів — одна з найскладніших задач у фінансовому ML. "Купуй при дні, продавай на піку" — ідеал, недосяжний повністю. Реалістична задача: детектувати стани ринку, при яких імовірність розвороту значимо вище середньої, та торгувати з керованим ризиком.

Типи розворотів

Короткострокові (2-10 днів):

• Mean reversion після екстремального руху
• Усунення технічних перекупленостей/перепроданості
• Post-earnings drift розворот

Середньострокові (2-8 тижнів):

• Коррекції тренду на 38.2-61.8% по Фібоначчі
• Зміна momentum-режиму
• Зміна макро-позиціонування

Довгострокові (місяці):

• Зміна бізнес-циклу
• Кредитний цикл розворот
• Structural break у фундаментальних умовах

Ознаки розвороту

Технічні індикатори з доведеною передбачливою силою:

• Divergence RSI / ціна: новий максимум ціни при нижчому RSI — bearish divergence
• Bollinger Band squeeze followed by breakout failure
• Exhaustion candles: gap + reversal (hammer, shooting star) на високому обсязі
• Volume-price analysis: ціна росте, обсяг падає = ослаблення тренду

Sentiment-based сигнали:

• Put/Call ratio: екстремально високе → страх → потенційний розворот вверх
• VIX spike > 30: peak fear
• Short interest: екстремально високий → short squeeze ризик
• Insider buying/selling: інсайдери продають на піку

Позиціонування:

• COT (Commitments of Traders) дані: коли commercials максимально нетто-шорт → розворот вниз
• Hedge fund positioning (13F filing analysis): зниження концентрації в топ позиціях

Детектор режиму ринку

Розворот не можна розглядати ізольовано — потрібен контекст режиму:

Hidden Markov Model (HMM) для детекції режиму:

from hmmlearn import hmm
import numpy as np

# features: returns, volatility, volume
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

Стратегія розвороту застосовується тільки в ranging/volatile режимі. У trending — momentum стратегія.

ML-модель розвороту

Composite Reversal Score:

features = {
    # Оverextension
    'distance_from_sma200': (close - sma200) / sma200,
    'rsi_14': rsi(close, 14),
    'z_score_20d': (close - mean20) / std20,

    # Divergence
    'price_rsi_divergence': detect_divergence(close, rsi_14, lookback=5),
    'volume_price_divergence': (volume_trend < 0) & (price_trend > 0),

    # Sentiment
    'put_call_ratio': pcr,
    'vix_level': vix,
    'short_interest_ratio': short_interest / avg_volume,

    # Market structure
    'higher_high': close > prev_swing_high,
    'support_resistance_level': distance_to_nearest_sr / atr
}

Алгоритм: Random Forest Classifier. Таргет: розворот протягом N днів, визначений як зміна тренду на lookback-вікні.

Label Generation (складний момент): Розворот визначається ретроспективно — не можна знати, що поточний пік саме пік до факту. Підхід: swing high/low detection через ZigZag індикатор з мінімальним рухом X% (5-8%). Мітка ставиться на історичні swing точки.

Confidence-based позиціонування

Не входити при будь-якому сигналі — тільки при достатній впевненості:

Ensemble scoring:

• Технічний score (RSI, Bollinger, divergence): 0-1
• Sentiment score (VIX, PCR, short interest): 0-1
• Positioning score (COT, fund flows): 0-1
• Composite = зважене середнє

Позиція відкривається при composite > 0.65. Розмір пропорційний composite.

Risk management для reversal trades:

• Stop loss: за попередній екстремум (swing) — якщо розворот продовжує хід, ми неправі
• Take profit: наступний значимий рівень підтримки/опору
• Maximum holding period: 10 торгових днів — якщо не сработало, вихід

Оцінка на backtesting

Низький win rate нормальний для reversal стратегій при високому R:R (risk:reward) співвідношенні 1:2 та вище.

Строки: модель детектора розвороту з HMM режимами — 4-6 тижнів. Повноцінна система з backtesting, позиціонуванням та моніторингом — 3-4 місяці.