Часто трейдери бачать запізнілий сигнал від індикаторів. Ми розробляємо AI-класифікатори напрямку тренду, які передбачають рух ціни на кілька днів вперед. За 5 років ми реалізували 15+ проєктів: від хвилинних даних для інтрадей до денних для довгострокових стратегій. Навіть точність 52-55% дає позитивне матсподівання при правильному управлінні ризиками. Вартість розробки окупається за кілька місяців роботи. Економія від зниження кількості хибних сигналів може сягати десятків тисяч гривень на місяць.
Передбачення напрямку руху ціни (бінарна класифікація: вгору/вниз) простіше, ніж точна оцінка величини зміни. Тому ми фокусуємося на класифікаторах, а не регресії. Наш досвід показує: стабільний edge досягається за рахунок ансамблю моделей та строгого backtesting. Помилки в передбаченні напрямку ведуть до прямих збитків. Якісне калібрування ймовірностей знижує збитки від хибних сигналів.
Постановка як класифікаційна задача
Таргет (бінарний):
df['target'] = (df['close'].shift(-N) > df['close']).astype(int) # 1 = ціна зросте за N днів, 0 = впаде або залишиться Проблема незбалансованих класів: ринки часто мають незначний bias (наприклад, акції в довгостроковому тренді зростання). Ми використовуємо калібрування або балансування weight.
Альтернативна постановка: 3-класова (зростання / бічний рух / падіння) з зоною невизначеності ±0.2% — дозволяє утримуватися від торгівлі при невпевненому сигналі.
Чому бінарна класифікація ефективніша за регресію?
Регресія передбачає величину зміни, що складніше та зашумленіше. Бінарний підхід знижує дисперсію помилки та дозволяє використовувати прості порогові правила. Ми тестували обидва підходи: класифікація стабільніша на out-of-sample.
Feature Engineering
Momentum features (найбільш передбачувальні):
- Relative Strength: дохідність за 1/3/6/12 місяців
- Rate of change (ROC): log return за різні горизонти
- Acceleration: зміна momentum (momentum of momentum)
Mean reversion features:
- Deviation from SMA: (Close - SMA_20) / SMA_20
- Bollinger %B: (Close - Lower) / (Upper - Lower)
- RSI: рівні перекупленості/перепроданості
Volatility-adjusted features:
- Sharp/Smooth: ratio volatility на короткому vs. довгому вікні
- Price position в N-денному діапазоні (Williams %R)
Regime features:
- VIX рівень (risk-on / risk-off)
- Market breadth: % акцій вище SMA200
- Treasury yield curve slope (10y-2y)
Ensemble моделі
Базові класифікатори:
from sklearn.ensemble import VotingClassifier from lightgbm import LGBMClassifier from xgboost import XGBClassifier from sklearn.linear_model import LogisticRegression ensemble = VotingClassifier( estimators=[ ('lgbm', LGBMClassifier(n_estimators=300, class_weight='balanced')), ('xgb', XGBClassifier(n_estimators=300, scale_pos_weight=ratio)), ('lr', LogisticRegression(C=0.1, class_weight='balanced')) ], voting='soft' # імовірнісне голосування ) | Модель | Особливості | Переваги |
|---|---|---|
| LightGBM | Нелінійні взаємодії, висока швидкість | Гарний для великих даних |
| XGBoost | Регуляризація, стійкість до викидів | Надійний при зашумлених даних |
| Logistic Regression | Лінійні сигнали, інтерпретованість | Не перетреновується |
Ensemble стабілізує pred, знижує overfit. Ми гарантуємо, що ансамбль підбирається під конкретний інструмент.
Як уникнути перетренування при торгівлі за сигналами?
Ключові техніки: Combinatorial Purged Cross-Validation (CPCV), регуляризація, моніторинг стабільності. Ми не використовуємо стандартну кросс-валідацію — вона дає зміщені оцінки через часову залежність. Метод CPCV виключає look-ahead bias (див. Cross-validation (statistics)).
Калібрування ймовірностей
Raw передбачення моделей часто погано відкалібровані. Для торгових стратегій це важливо: передбачена ймовірність 0.6 має означати реальну частоту 60%.
Щільність сигналу: нас цікавить правило торгівлі: торгуємо тільки при впевненості моделі > threshold. Precision-Recall крива допомагає вибрати поріг.
from sklearn.calibration import CalibratedClassifierCV calibrated = CalibratedClassifierCV(ensemble, method='isotonic', cv=3) calibrated.fit(X_train, y_train) | Метод калібрування | Коли краще | Особливості |
|---|---|---|
| Isotonic | Нелінійна залежність | Непараметричний, потребує багато даних |
| Sigmoid | Лінійна залежність | Параметричний, стійкий при малій вибірці |
Управління ризиками при торгівлі за сигналом
Умови торгівлі:
- P(up) > 0.55: лонг
- P(up) < 0.45: шорт
- 0.45-0.55: немає позиції
Position sizing за впевненістю:
Position = (2 × P - 1) × Max_Position_Size × Volatility_Adjustment Kelly-подібна формула: чим вище P, тим більше позиція.
Stop-loss: при лонгу, stop при -2 × ATR(14). Це механічний exit, що не залежить від перетренованої моделі.
Метрики та оцінка
| Метрика | Значення | Інтерпретація |
|---|---|---|
| Accuracy | 52-56% | Краще, ніж випадкове |
| Precision Long | > 55% | Лонги прибуткові |
| AUC-ROC | > 0.55 | Ранжування працює |
| IC (prediction correlation) | > 0.03 | Слабкий, але стабільний edge |
Backtesting з реальними параметрами:
- Slippage: 0.05-0.1% на виконання
- Комісія: 0.02-0.05% per side
- Фінансування для шорту: annual rate / 365 per day
Після врахування TC модель повинна показувати Sharpe > 0.8 на out-of-sample для розгляду. Поширені пастки:
- Overfitting до історичних патернів: CPCV допомагає
- Нестабільність: перетренована модель деградує за 1-3 місяці
- Regime change: модель, навчена на бічному русі, руйнується при трендовому ринку
Як вибрати поріг впевненості?
Поріг підбирається за кривою precision-recall на out-of-sample. Для консервативної стратегії вибираємо поріг, що дає precision >60%. Для агресивної — вище recall. Рекомендуємо фіксувати поріг після навчання і не міняти його часто.Що входить у роботу
- Документація моделі (features, архітектура, метрики)
- API для отримання передбачень (REST/WebSocket)
- Monitoring dashboard (ковзна точність, drift detection)
- Навчання команди використанню моделі
- Підтримка 3 місяці після деплою
Оцініть ваш проєкт: зв'яжіться з нами для консультації. Замовте розробку під ключ — від збору даних до продакшн-експлуатації, отримайте консультацію з оптимізації стратегії.
Ми працюємо на ринку AI-рішень понад 5 років, реалізували 15+ проєктів у трейдингу та фінансовому моделюванні. Досвід команди підтверджується сертифікатами провідних ML-платформ.
Терміни: baseline модель з momentum features — 3-4 тижні. Повноцінна система з ensemble, calibration, backtesting та моніторингом — 8-12 тижнів.