ML-модель аналізу технічних індикаторів RSI, MACD, Bollinger Bands

Торгова стратегія на основі RSI, MACD або Bollinger Bands — класика, але фіксовані параметри дають збої. На трендовому ринку RSI може висіти в зоні перекупленості тижнями, а Bollinger Bands звужуються, генеруючи хибні пробої. Ми будуємо AI-моделі, які адаптують ці індикатори під конкретний актив та стан ринку. Результат — підвищення Sharpe ratio в середньому в 1.5-2 рази порівняно зі стандартними налаштуваннями, підтверджене на out-of-sample даних.

У реальній торгівлі недостатньо просто використовувати RSI з періодом 14 та порогами 30/70. Навіть для одного інструменту оптимальні параметри змінюються разом із ринковим режимом. Ми вирішуємо цю проблему через ML-оптимізацію: модель навчається на історичних даних і підбирає параметри індикаторів динамічно. Крім того, ми додаємо контекстні ознаки: тренд, волатильність, об'єм. Це дозволяє уникнути хибних сигналів у нестабільні періоди. Наприклад, на волатильному ринку Bollinger Bands розширюються до 3σ, а в боковику звужуються до 1.5σ, що підвищує точність пробоїв. Feature engineering — ключовий етап: ми генеруємо понад 50 ознак, включаючи лаги та крос-індикаторні добутки.

Як ML покращує RSI?

RSI традиційно використовує період 14 та пороги 30/70. Проблема: на трендовому ринку RSI може залишатися нижче 30 тижнями. ML-підхід:

• Оптимізація періоду (7-28) через Optuna для кожного інструменту
• RSI в контексті тренду: rsi_divergence_from_trend = rsi - trend_adjusted_rsi
• Multi-timeframe RSI: 7d, 14d, 21d як окремі фічі
• RSI velocity: зміна RSI за 3 дні (acceleration сигнал)

Ми також застосовуємо нейромережеві енкодери для вилучення прихованих патернів, але базова модель — LightGBM, яка забезпечує інтерпретованість та швидкість.

Чому комбінація MACD та Bollinger Bands дає кращі сигнали?

MACD дає momentum-сигнали, Bollinger — volatility-контекст. ML-модель автоматично вчиться, коли використовувати який сигнал.

Feature matrix — об'єднання всіх індикаторів:

def build_technical_features(df):
    features = {}

    # RSI family
    for period in [7, 14, 21]:
        features[f'rsi_{period}'] = talib.RSI(df.close, period)
    features['rsi_divergence'] = compute_rsi_divergence(df)

    # MACD family
    macd, signal, hist = talib.MACD(df.close, 12, 26, 9)
    features['macd_hist'] = hist
    features['macd_hist_trend'] = hist.diff(3)
    features['macd_cross'] = (macd > signal).astype(int)

    # Bollinger
    upper, middle, lower = talib.BBANDS(df.close, 20, 2, 2)
    features['bb_pct_b'] = (df.close - lower) / (upper - lower)
    features['bb_bandwidth'] = (upper - lower) / middle
    features['bb_squeeze'] = (features['bb_bandwidth'] < features['bb_bandwidth'].rolling(126).min() * 1.1)

    # Stochastic
    slowk, slowd = talib.STOCH(df.high, df.low, df.close)
    features['stoch_k'] = slowk
    features['stoch_cross'] = (slowk > slowd).astype(int)

    return pd.DataFrame(features)

Модель — LightGBM з квантильними втратами. Таргет: forward 5-day return. Feature importance виявить, які індикатори дійсно передбачувані. Ми запускаємо Optuna на 100 ітерацій для підбору гіперпараметрів (learning rate, max_depth, subsample).

Контекст-залежність індикаторів

Індикатори працюють по-різному в різних ринкових режимах:

• Trending market: RSI < 30 = продовження падіння
• Ranging market: RSI < 30 = реальний сигнал розвороту
• При високій волатильності: Bollinger Bands потрібно розширювати (3σ замість 2σ)

Regime-conditional модель:

regime = classify_market_regime(df)  # 'trending', 'ranging', 'volatile'

if regime == 'trending':
    signal = momentum_model.predict(features)
elif regime == 'ranging':
    signal = mean_reversion_model.predict(features)

Hull, J., "Options, Futures, and Other Derivatives"

Порівняння стандартного та ML-підходу

Результати на реальних даних

Процес роботи

1. Інструментарій: збираємо історичні дані, перевіряємо якість.
2. Feature engineering: генеруємо 50+ ознак на основі RSI, MACD, Bollinger, Stochastic.
3. Оптимізація: використовуємо Bayesian search для налаштування параметрів індикаторів.
4. Моделювання: LightGBM з крос-валідацією за часом.
5. Backtesting: враховуємо комісії, прослизання, overnight swap.
6. Деплой: модель у trading-середовищі (SageMaker, Vertex AI або ваш сервер).

Додаткові можливості: інтерпретованість моделі

Feature importance (SHAP) показує, які комбінації індикаторів дійсно працюють. Наприклад, на тесті за ф'ючерсами S&P 500 найбільший внесок дають bb_squeeze (23%), macd_hist (18%) та rsi_divergence (15%). Це дозволяє відсікати шумові ознаки та спрощувати модель без втрати якості. Ми також використовуємо partial dependence plots для валідації логіки моделі — важливо, щоб залежності були економічно осмисленими.

Що входить у роботу

• Базова модель з RSI, MACD, Bollinger, Stochastic
• Параметрична оптимізація (Optuna/Bayesian)
• Regime detection (trending, ranging, volatile)
• Backtesting з урахуванням реальних транзакційних витрат
• Документація та навчання команди
• Гарантія на код та підтримка 3 місяці
• Оцінка: Sharpe > 1.0 на out-of-sample — цільовий показник

Хочете отримати модель, адаптовану під ваш інструмент? Отримайте консультацію — проаналізуємо дані та запропонуємо архітектуру. Наші інженери мають 5+ років досвіду в ML для фінансових ринків та реалізували 30+ проєктів зі створення trading-моделей. Зв'яжіться з нами для обговорення вашого завдання.

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.