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.
Подробиці навчання RL-агента
Навчали на 5 роках хвилинних даних ф'ючерсів E-mini S&P 500. Використовували PPO з ентропійною регуляризацією. Валідація на 2 роках out-of-sample показала стабільність метрик. Оптимізація гіперпараметрів через Optuna (100 trials).
Порівняння методів sizing
| Метод | Sharpe (бектест) | Max drawdown | Складність впровадження |
|---|---|---|---|
| Fixed 1% risk | 1.2 | 35% | Низька |
| Volatility-adjusted | 1.4 | 28% | Середня |
| RL adaptive | 1.6 | 22% | Висока |
RL-агент дає кращі метрики, але вимагає більше даних та обчислювальних ресурсів. Результати бектестингу за запитом.
Процес роботи
- Аналітика: збір історичних даних, виявлення паттернів, кореляцій. Визначаємо цільові метрики (Sharpe, max drawdown, recovery factor).
- Проектування: обираємо архітектуру sizing (volatility-adjusted, RL, risk parity). Проектуємо state/action/reward.
- Реалізація: розробляємо ML-пайплайн (feature engineering, навчання, валідація). Інтегруємо з брокерським API або торговим терміналом.
- Тестування: бектестинг на out-of-sample даних, Monte Carlo симуляція (10 000+ траєкторій). Stress-testing на кризових періодах.
- Деплой та моніторинг: розгортаємо модель на сервері, налаштовуємо моніторинг метрик (волатильність, drawdown, performance attribution).
Терміни та що входить
| Версія | Термін | Склад |
|---|---|---|
| Базовий volatility-adjusted + drawdown adjustment | 2-3 тижні | Код sizing-функцій, бектестинг, документація |
| RL adaptive sizing | 4-6 тижнів | Модель, навчання, інтеграція, A/B тестування |
| Повний комплект (RL + risk parity + симуляція) | 6-8 тижнів | Все вище + управління портфелем, Monte Carlo симулятор, навчальний вебінар для команди |
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.