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
| Індикатор | Стандартний | ML-покращення |
|---|---|---|
| RSI | Період 14, пороги 30/70 | Оптимізація періоду, multi-timeframe, divergence |
| MACD | (12,26,9) | Bayesian optimisation за Sharpe, histogram trend |
| Bollinger Bands | (20,2) | Adaptive sigma, squeeze prediction, band walk |
Результати на реальних даних
| Метрика | Стандартні налаштування | ML-оптимізація |
|---|---|---|
| Sharpe ratio | 0.6-0.8 | 1.2-1.6 |
| Win rate | 45% | 58% |
| Max drawdown | 25% | 18% |
Процес роботи
- Інструментарій: збираємо історичні дані, перевіряємо якість.
- Feature engineering: генеруємо 50+ ознак на основі RSI, MACD, Bollinger, Stochastic.
- Оптимізація: використовуємо Bayesian search для налаштування параметрів індикаторів.
- Моделювання: LightGBM з крос-валідацією за часом.
- Backtesting: враховуємо комісії, прослизання, overnight swap.
- 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.