Рынок изменился, нравится тебе это или нет

Миру известны истории как легендарных квантов с Уолл-стрит, построивших империи на математике, так и новых звёзд, использующих AI для молниеносных сделок . 👑 Легенда индустрии: Джим Саймонс и Renaissance Technologies Основатель Renaissance Technologies, бывший математик, совершил революцию, наняв учёных вместо трейдеров . Феноменальный результат: фонд Medallion с 1988 года показывал среднюю годовую доходность ~39% годовых (после вычета комиссий), что намного превзошло рынок . Подход: поиск слабых закономерностей в данных и автоматизация стратегий . Ключевой фигурой стал Элвин Берлекэмп, переписавший алгоритмы в 1989 году для краткосрочной торговли . 🤖 AI-евангелист: Александр Герко и XTX Markets Российский математик, основатель XTX Markets, сделал ставку на глубокое обучение, перепрыгнув гонку скоростей . Ежедневный оборот его алгоритмов — 250 млрд долларов. В 2024 году прибыль компании достигла £1,3 млрд, а состояние Герко Forbes оценивает в 12 млрд долларов. Подход: Модели AI предсказывают движения на миллисекунды и часы вперёд, а компания строит собственные дата-центры для обучения ИИ. 🚀 Новая волна: Vida и криптоарбитраж 24-летний трейдер с псевдонимом Vida прославился в криптовалютах . Его алгоритм среагировал на новость о листинге токена всего через 2 секунды, принеся 3,4 млн долларов за одну сделку. Начинал с арбитража на информационной асимметрии, а к 24 годам заработал состояние в 18 млн долларов. Эти примеры показывают: успех современного трейдинга строится на фундаментальном научном подходе и использовании технологий.

Бэктест — это проверка торговой стратегии на исторических данных, чтобы понять, как она работала бы в прошлом. В результате можно узнать: - сколько сделок стратегия совершила; - сколько бы заработала или потеряла; - какой была бы максимальная просадка; - как часто сделки были прибыльными; - насколько сильно колебался результат. Признаки переоптимизации стратегии: 1) Резкое ухудшение на тестовом периоде. На данных, которые не использовались при настройке, прибыль превращается в убыток. 2) Почти идеальные результаты на обучении. Например, очень высокая доходность, маленькая просадка и нетипичный процент прибыльных сделок. 3) Параметры должны быть настроены очень точно. Например, период средней 37 работает прекрасно, а 36 и 38 — плохо. Это часто означает подгонку под шум. 4) Слишком много параметров относительно количества сделок. Десятки фильтров и условий на несколько сотен наблюдений — тревожный сигнал. 5) Нестабильность по периодам. Стратегия хорошо работает в одном году, но разваливается в остальных. 6) Сильная зависимость от конкретного инструмента. На одном активе результат великолепный, а на похожих инструментах отсутствует. 7) Отсутствие запаса после расходов. Доходность становится отрицательной при небольшом увеличении комиссии или проскальзывания. 8) Много попыток настройки. Если перебрали сотни комбинаций и выбрали лучшую, её результат почти наверняка завышен. Надёжнее всего использовать не одно разделение «обучение/тест», а схему walk-forward: а) Настроить стратегию на первом отрезке истории. б) Проверить её на следующем, ещё не использованном отрезке. в) Передвинуть окно вперёд. г) Повторять процедуру несколько раз. д) Оценить объединённый результат всех независимых тестовых отрезков. Важно для фьючерсов: не смешивать контракты (не использовать "склейки"), учитывать даты экспирации, ликвидность и стоимость ролловера. Иначе результат может быть следствием ошибки в данных, а не эффективности стратегии.

Kак построить модель прогнозирования гэпов для фьючерса NG Идея простая: гэп в понедельник — это реакция рынка на то, что произошло за выходные. Для газа главный фактор — погода, точнее изменение прогноза градусо-дней (TDD) между пятницей и воскресеньем. Сначала собираем исторические данные: — изменение TDD по моделям GFS и EPS — направление и размер гэпа — запасы — тренд — сезонность Чем больше данных - тем лучше. Дальше пишем модель на Python, обучающуюся с помощью ML-алгоритмов Random Forest и XGBoosting. Модель отвечает на два вопроса: 1. Какова вероятность гэпа вверх/вниз? 2. Какой ожидаемый размер движения? Почему без машинного обучения в таких задачах не обойтись? Потому что взаимосвязи на рынке нелинейные, обычной регрессией их не поймать. ML алгоритмы устанавливают связи через очень умную "подгонку", и тебе даже не обязательно в этом статистическом лесy разбираться, любой ИИ напишет скрипт. Стратегия торговли: вход - в воскресенье, выход - в понедельник, размер позиции определяется степенью уверенности модели. NGU6