LLM для анализа состава портфеля

Классический анализ и ML Классический технический анализ подразумевает поиск определённых шаблонов на графиках. Нельзя сказать, что это совсем не работает, но уместно процитировать Уоррена Баффета: «Я понял, что технический анализ не работает, когда перевернул графики цен „вверх ногами“ и получил тот же самый результат». В противовес ему существует высокочастотная торговля — High Frequency Trading (HFT). Это вполне рабочий метод заработка, однако он накладывает жесткие ограничения: сделки длятся доли секунд, что требует размещения серверов максимально близко к бирже. А так же отличные знания C++. Фундаментальный анализ позволяет достичь хороших результатов на длинном горизонте, но требует обработки огромного объёма данных. Однако можно использовать своего рода симбиоз в виде Machine Learning (ML). При работе с большими данными, модель способна выявить неочевидные корреляции. «Фичами» (признаками) при этом может выступать что угодно: от классических индикаторов вроде SMA до текстов новостей и спутниковых снимков танкеров в океане для оценки запасов нефти. Особенность ML заключается в том, что он находит взаимосвязи там, где человек их просто не замечает. К примеру, влияют ли значения индекса товарного канала (CCI) на акции конкретных нефтедобывающих компаний? Можно ли с уверенностью сказать, что нет или да? С помощью обработки массивов данных можно проверить тысячи гипотез и выявить те самые рабочие паттерны. Конечно, здесь есть свои сложности: подбор признаков, их валидация и выбор архитектуры модели. Тем не менее на выходе мы можем получить систему, которая на коротком горизонте (от пары дней до недель) способна давать достаточно точные предсказания движения цены. Не является индивидуальной инвестиционной рекомендацией. #стратегии #машинное_обучение #программирование

Логистическая регрессия После экспериментов с МНК решил попробовать логистическую регрессию, классика машинного обучения для задач классификации. В отличие от предсказания конкретной цены, этот метод предсказывает направление движения (вырастет акция или упадет). То есть мы решаем задачу классификации, что для рынка выглядит логичнее. Для того что бы алгоритм мог на чём то обучаться, ему нужны какие то признаки бумаги. Я взял несколько разных метрик: скользящую среднюю (тут писал про неё пару постов раньше, не знаю как тут ссылку вставить), моментум, EMA и ещё парочку. Бэктест Обучение: январь 2022 — февраль 2025. Тест: февраль 2025 — февраль 2026. Вот какие результаты получились, стратегия «купи и держи» vs. "логистическая регрессия": LKOH -30.0 vs +23% 🟢 OZON +61% vs +12% 🔴 PLZL +40% vs +63% 🟢 SBER -1% vs-46% 🔴 YDEX +4% vs +16% 🟢 T -3% vs +14% 🟢 SFIN -33.% vs +58% 🟢 VSMO +8% vs 195% 🟢 OZPH 0% vs -18% 🔴 NLMK -32% vs +34% 🟢 GEMC +4% vs +9% 🟢 ALRS -33% vs +19% 🟢 MOEX -19% vs +13% 🟢 Какие выводы я сделал: 1 Есть различные метрики которые у меня не учтены, например санкций (LKOH на них сильно просел) или инсайты (SFIN). Таким образом успех на некоторых акциях, может быть следствием удачной подгонки под конкретный период. 2 В стратегии учитывается комиссия, однако нет стопов-лоссов. На примере того же SBER видно что стратегия просто ушла в минус. 3 VSMO - показал рекордные 195% доходности. Это слишком круто что бы быть правдой😅 Здесь я пока что не знаю как объяснить почему модель так себя повела. На скрие кстати именно она представлены 4 Модель не стабильная, волатильность доходности выше, чем у базового актива. Не является индивидуальной инвестиционной рекомендацией. #программирование #стратегии #python

Регрессия и короткий горизонт. Сегодня проверяю метод наименьших квадратов (МНК) в регрессионном анализе. В прошлом посте я использовал его для расчёта Beta. Сейчас попробовал построить на основе того же метода предсказание поведения цены акции. В текущем варианте за основу были взяты три периода с разными длинами (лагами): от 1 до 3 дней. Период обучения модели — с января по сентябрь 2025 года. Тестовый период — с октября по декабрь. Вот какие результаты получились, стратегия «купи и держи» vs. МНК: OZPH +6.17% vs +24.2% 🟢 T +7.46% vs +19.47% 🟢 OZON +9.29% vs -6.58% 🔴 SBER +4.71% vs +1.23% 🔴 YDEX +18.78% vs +3.65% 🔴 Выводы: 1. Всё же МНК в таком формате пытается предсказать значение (величину доходности), а для торговли нам важнее направление (движение вверх или вниз). 2. Модель нестабильна: в некоторых случаях стратегия даёт значительный прирост, а в некоторых уходит в минус относительно рынка. 3. Результат сильно зависит от количества лагов (параметров), что подтверждает чувствительность модели к входным данным. 4. В расчётах я не учитывал комиссию брокера, но при реальной торговле частая смена позиций может «съесть» значительную часть прибыли. Не является индивидуальной инвестиционной рекомендацией. #технологии #python #программирование #машинное_обучение