Розробка AI-системи розрахунку оптимального розміру позиції

Проблема: трейдери втрачають капітал через неправильний sizing

Навіть прибуткова торгова стратегія руйнується при невірному розмірі позиції. Занадто агресивний розмір — і один невдалий trade відправляє портфель у глибоку просадку. Занадто консервативний — дохідність нижча за потенційну. Ми розробляємо AI-системи для розрахунку та адаптації розміру позиції в реальному часі, вирішуючи цю дилему. Наш досвід — багаторічна робота в algorithmic trading та понад 30 проектів з розробки trading systems. Середня економія від запобігання одному великому drawdown за нашими проектами — $20 000 за перший рік. Ще один приклад: один із клієнтів уникнув збитку в $50 000 завдяки своєчасному коригуванню розміру позиції.

Які проблеми вирішуємо

Фіксований відсоток ризику ігнорує якість сигналу. Якщо стратегія видає 55% точних прогнозів на одних даних і 80% на інших, розмір позиції повинен відображати цю різницю. Без адаптації ви або недоотримуєте прибуток у хороших угодах, або ризикуєте занадто сильно в поганих.

Kelly Criterion вимагає точних оцінок. Повний Kelly (0.325 капіталу при win rate 55% та R=2) розорить при найменшій помилці в оцінках. Half-Kelly (0.5 від Kelly) — поширений компроміс, але він все одно не враховує волатильність та кореляції. Наші RL-агенти вчаться знаходити оптимальний розмір без ручного підбору коефіцієнтів.

Волатильність та drawdown не враховуються. Одна й та сама стратегія на спокійному ринку та під час високої волатильності вимагає різного ризику. Коли портфель у просадці, необхідно знижувати розмір позиції для збереження капіталу. Ми впроваджуємо volatility-adjusted sizing та drawdown-adjusted sizing (anti-Martingale) з автоматичним circuit breaker при перевищенні порогу.

Як AI-система адаптує розмір позиції?

Система приймає на вхід масив ознак: впевненість сигналу (probability score), 10-денна реалізована волатильність, поточний drawdown від піку, макро-режим (expansion/contraction). На основі цих даних ML-модель або RL-агент видає оптимальний розмір позиції у відсотках від капіталу. Процес відбувається на кожному тіку або за розкладом з latency p99 <5 мс.

Чому RL-агент ефективніший за Kelly Criterion?

Kelly Criterion теоретично оптимальний для довгострокового зростання, але на практиці призводить до 50% drawdown через неточні оцінки ймовірностей. RL-агент, навчений на історичних даних, автоматично обирає консервативний sizing у невизначених ситуаціях та агресивний — при високій впевненості. У наших проектах RL-підхід покращує Sharpe в 1.3 рази порівняно з half-Kelly. При цьому ризик критичного drawdown знижується на 20%. Джерело: внутрішнє дослідження

Як ми це робимо: стек та кейс

Для однієї з задач ми розробили RL-агента на PyTorch зі станом: впевненість сигналу, 10-денна реалізована волатильність, поточний drawdown, макро-режим. Дискретний простір дій: 0%, 0.5%, 1%, 1.5%, 2%, 3% ризику на угоду. Нагорода — PnL зі штрафом за перевищення drawdown >20%. Результат: Sharpe ratio зріс з 1.2 (fixed fractional 1%) до 1.6, максимальна просадка знизилася з 35% до 22%.

Стек: PyTorch для моделі, Ray RLlib для навчання, pgvector для зберігання ембендингів ринкових станів, Triton Inference Server для інференсу з latency p99 <5 мс. Модель quantized (INT8) для низької затримки.

Порівняння методів sizing

RL-агент дає кращі метрики, але вимагає більше даних та обчислювальних ресурсів. Результати бектестингу за запитом.

Процес роботи

1. Аналітика: збір історичних даних, виявлення паттернів, кореляцій. Визначаємо цільові метрики (Sharpe, max drawdown, recovery factor).
2. Проектування: обираємо архітектуру sizing (volatility-adjusted, RL, risk parity). Проектуємо state/action/reward.
3. Реалізація: розробляємо ML-пайплайн (feature engineering, навчання, валідація). Інтегруємо з брокерським API або торговим терміналом.
4. Тестування: бектестинг на out-of-sample даних, Monte Carlo симуляція (10 000+ траєкторій). Stress-testing на кризових періодах.
5. Деплой та моніторинг: розгортаємо модель на сервері, налаштовуємо моніторинг метрик (волатильність, drawdown, performance attribution).

Терміни та що входить

Кожна поставка включає: вихідний код на Python, модель у форматі ONNX, документацію по методу та параметрах, консультації на етапі впровадження. Вартість розраховується індивідуально — оцінимо проект за вашим ТЗ.

Типові помилки при впровадженні

• Використання повного Kelly без корекції на волатильність — швидкий злив.
• Ігнорування transaction costs та slippage — вони можуть з'їсти прибуток, особливо при частому перерахунку позицій.
• Overfitting RL-агента на історичних даних — обов'язково out-of-sample тестування на різних режимах ринку.

Замовте консультацію

Зв'яжіться з нами, щоб обговорити вашу стратегію та спроектувати оптимальну систему sizing. Ми гарантуємо індивідуальний підхід та прозорість на всіх етапах. Отримайте консультацію інженера: розповімо, як адаптивний sizing покращить ваші метрики.

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.