Розробка системи Walk-Forward оптимізації торгової стратегії

Коли необхідна Walk-Forward оптимізація торгової стратегії?

Типова ситуація: ви витратили тижні на бектест, стратегія показує ідеальні результати на історії, але на live-рахунку зливає депозит за місяць. Причина — перенавчання під конкретні ринкові умови. Walk-Forward оптимізація вирішує цю проблему, змушуючи стратегію доводити свою ефективність на даних, які вона не бачила. Ми часто стикаємося з ситуацією, коли традиційний бектест вводить в оману: параметри стратегії, ідеально підігнані під історію, провалюються в реальній торгівлі. Ринки змінюються, і оптимальні значення ковзних середніх або RSI для одного періоду не працюють на наступному. Наш підхід — Walk-Forward Optimization (WFO) — імітує безперервне застосування: параметри оптимізуються на одному відрізку, тестуються на іншому, потім вікно зсувається. Так кожен out-of-sample (OOS) відрізок — незалежна перевірка на даних, яких модель не бачила. Це знижує ризик фінансових втрат і економить бюджет компанії.

Наприклад, в одному з проєктів — розробка та оптимізація трендової стратегії на ф'ючерсах — ми використовували WFO з вікнами IS=3 роки, OOS=3 місяці. Після 12 ітерацій Walk-Forward Efficiency (WFE) склала 0.85, що підтвердило робастність. Стратегія показала Sharpe 1.4 на OOS періодах проти 0.9 при звичайному бектесті. Це наочно демонструє, наскільки WFO точніше оцінює майбутню продуктивність.

Запобігання curve fitting за допомогою Walk-Forward

WFO розбиває історію на чергуються in-sample (IS) та out-of-sample (OOS) вікна. Наприклад, при IS=36 міс. та OOS=3 міс. отримуємо 12 ітерацій, де кожна наступна IS зсувається на 3 міс. Кожна OOS оцінка підсумовується, і стратегія вважається робастною, якщо медіана OOS прибутковості близька до IS. Відсутність прив'язки до конкретних дат робить метод універсальним.

Що обрати: Anchored чи Rolling? — розробка системи walk

• Anchored (expanding window): IS починається з фіксованої дати і розширюється. Підходить для стратегій, де старі дані зберігають цінність.
• Rolling (sliding window): IS вікно фіксованого розміру (2-4 роки) зсувається. Переважніше для адаптації до зміни ринкового режиму.

Ефективність WFO

Walk-Forward Efficiency (WFE) = OOS_Return / IS_Return. WFE > 0.7 — відмінно, < 0.3 — сильний overfit.

Розміри вікон

• IS: 2-4 роки.
• OOS: 3-6 місяців.
• Число ітерацій: 8-20.

Які метрики оцінки використовуються в Walk-Forward оптимізації?

Окрім WFE, ми аналізуємо Sharpe Ratio, Calmar Ratio, Sortino Ratio та Profit Factor. Стратегія вважається робастною, якщо медіана OOS прибутковості близька до IS, а розкид метрик не перевищує 20%. Для додаткової перевірки застосовуємо Monte Carlo permutation test та Combinatorial Purged Cross-Validation (CPCV).

Процес оптимізації: від Grid Search до Bayesian

Простір параметрів для типової трендової стратегії може включати десятки тисяч комбінацій. Вибір методу критичний:

Bayesian Optimization (Optuna) у 10-50 разів швидше знаходить оптимум, ніж Grid Search для простору >10 000 комбінацій. Цільова функція — не просто прибутковість, а комбінація метрик: Sharpe Ratio, максимальна просадка, фактор відновлення.

param_space = {
    'fast_ma': range(5, 50, 5),
    'slow_ma': range(20, 200, 10),
    'rsi_period': range(7, 28, 1),
    'stop_loss_atr': [1.0, 1.5, 2.0, 2.5, 3.0],
    'position_size': [0.01, 0.02, 0.03]
}

Отримайте консультацію з налаштування параметрів для вашої стратегії.

Оцінка робастності стратегії

Monte Carlo Permutation Test

Перевіряє, чи перевершує стратегія випадкову торгівлю: якщо p-value < 0.05, результат статистично значущий. Цей тест знижує ризик фінансових втрат від overfitting.

def permutation_test(returns, n_permutations=1000):
    original_sharpe = compute_sharpe(returns)
    random_sharpes = []
    for _ in range(n_permutations):
        shuffled = np.random.permutation(returns)
        random_sharpes.append(compute_sharpe(shuffled))
    p_value = np.mean(np.array(random_sharpes) >= original_sharpe)
    return p_value

Combinatorial Purged Cross-Validation (CPCV)

Метод з книги Marcos Lopez de Prado, "Advances in Financial Machine Learning" генерує безліч бектест-шляхів, даючи розподіл результатів, а не одну точку. Ми застосовуємо CPCV для додаткової перевірки стабільності.

Параметрична стабільність

Стійка стратегія повинна працювати при невеликому відхиленні від оптимальних параметрів. Ми будуємо теплову карту чутливості: якщо навколо оптимуму «плоске плато» — стратегія робастна, гострий пік — overfit. Це знижує ризик перенавчання на 30-40%.

Чому Walk-Forward оптимізація краща за звичайний бектест?

Звичайний бектест оптимізує параметри на всій історії, що призводить до curve fitting. WFO використовує ковзні вікна, кожна OOS оцінка незалежна. Результат — більш реалістична оцінка майбутньої продуктивності та стійкість до зміни ринкових режимів. Крім того, WFO дозволяє вчасно помітити деградацію стратегії та переоптимізувати її, економлячи час і кошти.

Обсяг робіт з впровадження WFO

1. Розробка WFO framework на Python (Optuna, Pandas, NumPy) з використанням Optuna.
2. Налаштування ковзних вікон, цільових функцій та метрик.
3. Реалізація CPCV та Monte Carlo тестів.
4. Pipeline автоматичної переоптимізації раз на квартал з контролем деградації.
5. Версіонування стратегій (MLflow/Git).
6. Документація та навчання вашої команди.

Ми гарантуємо прозорість методології та детальну документацію. Зв'яжіться з нами для попередньої оцінки проекту.

Строки та вартість

Строк розробки системи під ключ: від 3 до 10 тижнів залежно від складності стратегії та кількості інструментів. Вартість розраховується індивідуально після аналізу ваших даних. При цьому економія часу на переоптимізацію може досягати 70% порівняно з ручним підбором, що суттєво знижує витрати на підтримку стратегії та оптимізує бюджет.

Довірте оптимізацію професіоналам

Більше 5 років ми розробляємо алгоритмічні стратегії та реалізували понад 40 проектів WFO для приватних та інституційних інвесторів. Наш досвід гарантує надійну оцінку робастності та запобігання curve fitting. Отримайте консультацію з оптимізації вашої торгової стратегії — зв'яжіться з нами для оцінки.

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.