Розробка AI-моделі прогнозування волатильності під ключ

Вступ: опційний трейдер і проблема оцінки IV

Типова ситуація: трейдер отримує implied volatility вищу за історичну, але не може зрозуміти, переоцінена вона чи ні. У торгівлі опціонами різниця між IV та RV може досягати 30% — це volatility risk premium. Вміння точно прогнозувати realised volatility дозволяє захоплювати цей спред і будувати прибуткові стратегії. Потрібен інструмент, що передбачає realised volatility з точністю, достатньою для прийняття рішень. Ми вирішуємо це завдання кастомними AI-моделями, які враховують нелінійні залежності та кластеризацію волатильності. Наш досвід — 10+ років, 15+ впроваджень для хедж-фондів і проп-трейдингу. Оцінимо ваш проєкт за 2 дні.

На відміну від прогнозу ціни, волатильність кластеризується і передбачувана: висока волатильність сьогодні передбачає високу завтра. Це дозволяє будувати точні моделі для опційного трейдингу, управління ризиками та алокації позицій. Ми використовуємо стек PyTorch, HuggingFace Transformers, Ray для розподіленого навчання. Результат — модель з калібруванням Mincer-Zarnowitz R² ≥ 0.9, що підтверджує високу точність прогнозу. Замовте розробку — отримайте консультацію інженера та тестовий прогін на ваших даних. Зв'яжіться з нами, щоб обговорити деталі.

GARCH та його обмеження

GARCH(1,1) описує volatility clustering рівнянням:

σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

Параметри: ω (базова волатильність), α (shock persistence), β (variance persistence). Сума α+β близька до 1. Розширення: GJR-GARCH (асиметрія leverage effect), EGARCH (логарифмічна форма), DCC (кореляційні матриці). Однак GARCH не завжди вловлює складні нелінійні патерни, особливо на високих частотах.

Чому ML моделі перевершують GARCH та HAR-RV?

Порівняйте типові підходи:

HAR-RV — сильний baseline, але ML дає виграш 5-15% по MSE, особливо в періоди різких змін. Нейромережі (LSTM, Transformer) стабільно кращі за HAR-RV на 10-15% при високій волатильності. Наприклад, у кризовий період LSTM показав MSE на 20% нижче, ніж HAR-RV.

Типи волатильності та їх розрахунок

• Historical Volatility (HV): стандартне відхилення log returns × √252 (річна). Вікна: 10d, 21d, 63d дають різні значення.
• Implied volatility (IV): з цін опціонів (обернена задача Блека-Шоулза). VIX — 30-денна implied volatility S&P500.
• Realized Volatility (RV): високочастотна оцінка: RV = √(Σ r_i²). Більш точна, ніж стандартна HV.

Як оцінити точність прогнозу волатильності?

Ми досягаємо Mincer-Zarnowitz R² ≥ 0.9 на тестових періодах, включаючи кризові режими.

Прогноз Volatility Surface

Для опційного desk необхідний прогноз поверхні волатильності (IV по всіх страйках і експіраціях). Використовуємо:

• SVI параметризація (5 параметрів на slice)
• SSVI з no-arbitrage constraints
• PCA + часові моделі для прогнозу прихованих факторів

Autoencoder + LSTM кодує та передбачає поверхню в латентному просторі — це дає реалістичні форми без арбітражу.

Застосування прогнозів

• Options trading: IV > predicted RV → short vega; IV < predicted RV → long vega. Volatility Risk Premium (VRP) становить 10-30%.
• Position sizing: за Kelly Criterion: Position_Size = Risk_Budget / (ATR_multiplier × Forecast_Volatility).
• Risk management: динамічний VaR, CVaR (Basel III), розрахунок залогу для futures/options.

На практиці точна модель дозволяє отримати суттєву економію на хеджуванні портфеля. При великому обороті ROI від впровадження перевищує 200% за півроку.

Які дані потрібні для моделі?

• Історичні ціни (OHLCV) за 5+ років; внутрішньоденні дані (1-min або 5-min) для точної RV.
• Опційні ланцюги (bid/ask по страйках) для IV та поверхні.
• Ми допомагаємо з підключенням джерел: Polygon.io, CBOE, Binance API.
• Дані очищаємо від викидів та нормалізуємо.

import pandas as pd
df = pd.read_csv('options_chain.csv')
# columns: date, strike, expiry, bid, ask, underlying

Процес роботи та що входить

1. Аналітика: збір даних (OHLCV, опційні ланцюги), оцінка якості джерел.
2. Проєктування: вибір архітектури (GARCH, HAR-RV, LSTM, Transformer), визначення метрик (MSE, Mincer-Zarnowitz R²).
3. Реалізація: написання коду на PyTorch/TensorFlow, налаштування hyperparameters.
4. Тестування: backtesting на історичних даних, stress-test за кризовими періодами (наприклад глобальна фінансова криза, пандемія).
5. Деплой: контейнеризація (Docker), оркестрація (Airflow), моніторинг drift у production.

У роботу входить:

• Код моделі з документацією
• ETL-пайплайн для оновлення даних
• REST API для прогнозів
• Аналітичний звіт з метриками та performance
• Навчання команди (2 дні)
• Підтримка 3 місяці (багфікс, донавчання)

Терміни та вартість

HAR-RV baseline + GARCH порівняння — 2-3 тижні. ML-модель з volatility surface та інтеграцією — 8-12 тижнів. Вартість розраховується індивідуально під задачу. Зв'яжіться з нами для оцінки вашого проєкту.

Порівняння моделей проводилося за методологією Hansen and Lunde, що підтверджує репрезентативність результатів.

Чому обирають нас?

• 10+ років досвіду у фінансових AI-моделях
• 15+ успішних впроваджень для хедж-фондів та брокерів
• Використовуємо сучасний стек: QuantLib, PyTorch, ClickHouse, Airflow
• Гарантуємо calibration: Mincer-Zarnowitz R² ≥ 0.9 на тестовому періоді

Зв'яжіться з нами для консультації та демонстрації прототипу на ваших даних.

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.