Monte Carlo симуляція торгової стратегії: оцінка ризиків та дохідності

Ви провели backtest стратегії — 40% річних при просадці 15%. Через місяць реального рахунку — мінус 30% капіталу. Знайомо? Історичний backtest показує лише одну реалізацію. Щоб побачити повний спектр можливих результатів, потрібна Monte Carlo симуляція. Ми розробляємо систему, яка відповідає на питання, недоступні звичайному backtest: яка ймовірність втратити 20% капіталу за півроку, чи витримає стратегія затяжний drawdown.

На відміну від одиничного історичного шляху, Monte Carlo генерує тисячі альтернативних сценаріїв з тих самих трейдів, даючи ймовірнісну оцінку дохідності та ризику. Наприклад, при 10 000 симуляцій ви отримуєте розподіл дохідності: медіанне значення 40%, але 5-й процентиль — мінус 20%. Це змінює підхід до управління капіталом. Такий аналіз незамінний для хедж-фондів, проп-трейдерів та приватних інвесторів, які бажають зрозуміти реальні ризики.

Навіщо Monte Carlo для торгівлі

Єдина backtest-крива — випадковість. Історичний backtest — один реалізований шлях з нескінченної кількості можливих. Трейди траплялися в конкретному порядку, за конкретної ринкової волатильності. Monte Carlo симуляція багаторазово перемішує трейди або генерує нові зі статистичної моделі, створюючи розподіл можливих результатів.

Ключові результати, які ви отримуєте:

• Довірчий інтервал для очікуваної дохідності (5-й, 50-й, 95-й процентилі)
• Ймовірність конкретного рівня drawdown (наприклад, 20%)
• Необхідний початковий капітал для виживання з імовірністю 95%
• Очікуваний час до відновлення після просадки

Які методи Monte Carlo ми використовуємо?

Ми застосовуємо два основні підходи: рандомізацію трейдів та параметричне моделювання. Рандомізація проста і не потребує припущень про розподіл, але не враховує часові залежності. Параметричні моделі, такі як GBM або Student-t, краще екстраполюють, але вимагають підбору розподілу. Вибір методу залежить від ваших даних та цілей. Іноді ми використовуємо машинне навчання для оцінки параметрів розподілу.

Randomization по трейдам — найпростіший підхід: перемішування історичних трейдів з поверненням.

import numpy as np
import pandas as pd

def monte_carlo_randomize_trades(trade_returns, n_simulations=10000, n_periods=252):
    """
    trade_returns: масив дохідностей кожної угоди
    Кожна симуляція — випадкова вибірка з поверненням
    """
    results = np.zeros((n_simulations, n_periods))

    for i in range(n_simulations):
        sampled_trades = np.random.choice(trade_returns, size=n_periods, replace=True)
        results[i] = np.cumprod(1 + sampled_trades) - 1

    return results

equity_curves = monte_carlo_randomize_trades(historical_trades)

# Статистики
p5, p50, p95 = np.percentile(equity_curves[:, -1], [5, 50, 95])
print(f"5th percentile final equity: {p5:.1%}")
print(f"Median final equity: {p50:.1%}")
print(f"95th percentile final equity: {p95:.1%}")

Maximum Adverse Excursion (MAE) симуляція оцінює розподіл максимальної просадки.

def max_drawdown_distribution(equity_curves):
    max_dd = np.zeros(len(equity_curves))
    for i, curve in enumerate(equity_curves):
        running_max = np.maximum.accumulate(1 + curve)
        drawdown = (1 + curve) / running_max - 1
        max_dd[i] = drawdown.min()
    return max_dd

dd_dist = max_drawdown_distribution(equity_curves)
prob_20pct_drawdown = np.mean(dd_dist < -0.20)
print(f"Probability of 20%+ drawdown: {prob_20pct_drawdown:.1%}")

Чому параметрична симуляція точніша?

Параметричні моделі генерують нові дохідності зі статистичного розподілу, що дозволяє моделювати сценарії, відсутні в історії. Ми використовуємо:

Geometric Brownian Motion (GBM):

def gbm_simulation(mu, sigma, S0, T, n_steps, n_sims):
    dt = T / n_steps
    returns = np.random.normal((mu - 0.5*sigma**2)*dt, sigma*np.sqrt(dt), (n_sims, n_steps))
    price_paths = S0 * np.exp(np.cumsum(returns, axis=1))
    return price_paths

Student-t distribution (краще для фінансів): Нормальний розподіл underestimates fat tails. Student-t з 3-7 ступенями свободи краще описує реальні return distributions.

from scipy import stats
def student_t_simulation(mu, sigma, df, n_steps, n_sims):
    returns = stats.t.rvs(df=df, loc=mu, scale=sigma, size=(n_sims, n_steps))
    return np.cumprod(1 + returns, axis=1)

Bootstrap методи: Stationary Bootstrap (випадкові блоки змінної довжини) і Block Bootstrap (фіксовані блоки) зберігають часові залежності.

Оцінка Risk of Ruin

def probability_of_ruin(equity_curves, ruin_threshold=0.5):
    """
    Ймовірність втратити >50% капіталу хоча б один раз
    """
    min_equity = equity_curves.min(axis=1)
    return np.mean(min_equity < (1 - ruin_threshold))

prob_ruin = probability_of_ruin(equity_curves, ruin_threshold=0.5)
print(f"Probability of 50% drawdown (ruin): {prob_ruin:.1%}")

Що входить в розробку системи Monte Carlo?

Ми пропонуємо послугу під ключ: від аналізу вашої стратегії до впровадження автоматичного звіту. Вартість розробки розраховується індивідуально і залежить від обсягу даних, необхідної точності та складності моделей. Економія за рахунок запобігання великим просадкам може бути значною. В середньому проект займає від 2 до 4 тижнів.

Ми також включаємо stress testing за сценаріями: криза (збільшення negative skew і fat tails на 2σ), серія з 10 збиткових трейдів поспіль, висока кореляція збитків. Це дозволяє тестувати стратегію в екстремальних умовах.

Monte Carlo також дозволяє підібрати розмір позиції (наприклад, за критерієм Келлі) для максимізації зростання при заданому рівні ризику. Ми реалізуємо симуляцію з різними частками капіталу на угоду та оцінюємо ймовірність розорення для кожної.

Як інтерпретувати результати Monte Carlo?

Стандартні висновки для trader/investor:

1. Конус ймовірності (fan chart): p5/p25/p50/p75/p95 шляху капіталу
2. Розподіл кінцевої дохідності
3. Розподіл максимальної просадки
4. Ймовірність різних рівнів drawdown
5. Expected time to new equity high

Automated reporting: кожного разу при додаванні нових трейдів — автоматичний перерахунок MC та оновлення звіту. Якщо ймовірність ruin зросла з 3% до 8% — алерт для керуючого.

Наш досвід — понад 10 років у розробці торгових систем та риск-моделей. Ми гарантуємо прозору методологію та чітку документацію. Зв'яжіться з нами, щоб оцінити ваш проект — отримайте консультацію за 2-3 дні. Економія від впровадження Monte Carlo може суттєво знизити ризики великих втрат.

Згідно Monte Carlo method, даний підхід широко застосовується в фінансах для оцінки ризику.

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.