Машинное обучение в трейдинге: переоценённое и практичное

💡 момент озарения

ML — не самостоятельная стратегия. Это ФИЛЬТР. Сетапы у тебя уже есть (свипы Janus). ML предсказывает, у каких из них вероятность 68 %, а не 55 %. Торгуй те, что дают 68 %, пропускай те, что дают 55 %. В этом и есть преимущество.

🎯 Практическое задание: внедри ML-конструирование признаков для фильтрации сделок

Цель: Построй ML-модель, которая фильтрует твои текущие сетапы и повышает матожидание на 10-15 % за счёт избирательного входа.

Часть 1: конструирование признаков (самый важный шаг)

Для каждой из своих исторических сделок рассчитай эти признаки НА МОМЕНТ СИГНАЛА (без заглядывания в будущее!):

Шаблон набора признаков (рекомендуется 20+):

ЦЕНОВЫЕ ПРИЗНАКИ:
1. Расстояние до VWAP (%): (цена - VWAP) / VWAP
2. Расстояние до 50-периодной EMA (%): (цена - EMA50) / EMA50
3. Расстояние до максимума ПРЕДЫДУЩЕГО дня (%): (максПред - цена) / максПред
4. Расстояние до минимума ПРЕДЫДУЩЕГО дня (%): (цена - минПред) / минПред

ПРИЗНАКИ МОМЕНТУМА:
5. RSI (14): значение 0-100
6. ADX (14): сила тренда
7. Отношение +DI / -DI: направленный индикатор
8. Rate of Change (10): изменение цены за последние 10 свечей

ПРИЗНАКИ ВОЛАТИЛЬНОСТИ:
9. Отношение ATR / цена: нормированная волатильность
10. Ширина полос Боллинджера %: (верхняя - нижняя) / средняя
11. Недавнее расширение диапазона: текущий ATR / средний ATR за 20 периодов

ПРИЗНАКИ ОБЪЁМА:
12. Объём против среднего: текущий / среднее за 20 периодов
13. CVD (накопленная дельта объёма): чистое давление покупателей
14. Расстояние между VWAP и POC: соответствие справедливой цене

ВРЕМЕННЫЕ ПРИЗНАКИ:
15. Время суток: минуты с открытия (нормировать 0-390)
16. День недели: пн=1, пт=5
17. Время с последнего сигнала: минуты

ПРИЗНАКИ РЕЖИМА:
18. Уровень VIX: текущее значение VIX
19. Оценка режима: комбинация ADX + ATR + ширина полос
20. Изменение DXY %: макровстречный или попутный ветер

ТВОИ ПРИЗНАКИ (рассчитай для 50+ исторических сделок):
Сделка 1: [признак 1: ___, признак 2: ___, ..., признак 20: ___, исход: прибыль/убыток]
Сделка 2: [...]

Часть 2: разделение на обучение и тест (ТОЛЬКО по времени)

НИКОГДА не перемешивай данные временных рядов. Используй скользящие окна:

Walk-forward-проверка ML:

Окно 1:
Обучение: янв.-июн. 2023 (сделки 1-30)
Тест: июл.-сен. 2023 (сделки 31-40)
Модель: Random Forest, max_depth=5
Точность на тесте: ___%
Результат на тесте: ___%

Окно 2:
Обучение: апр.-сен. 2023 (сделки 15-50)
Тест: окт.-дек. 2023 (сделки 51-65)
Модель: переобучить на новом окне
Точность на тесте: ___%
Результат на тесте: ___%

Окно 3:
Обучение: июл.-дек. 2023 (сделки 35-75)
Тест: янв.-мар. 2024 (сделки 76-90)
Точность на тесте: ___%
Результат на тесте: ___%

Средний результат на тестах: ___% успешных
Сравни с базой (без фильтра): ___% успешных
Улучшение: +___% (цель: минимум +10%)

Часть 3: выбор модели и профилактика переобучения

Проверь 3 модели. Побеждает самая простая из работающих:

Тревожный сигнал: Если точность на обучении 90 %, а на тесте 60 % — ты переобучаешь. Снизь сложность модели или добавь данных.

Часть 4: анализ важности признаков

Какие признаки действительно важны? Используй важность признаков из модели:

Важность признаков в Random Forest:

Топ-10 признаков (по оценке важности):
1. Уровень VIX: 0,18 (самый важный)
2. Расстояние до VWAP: 0,15
3. ADX: 0,12
4. Время суток: 0,10
5. CVD: 0,09
6. RSI: 0,07
7. Отношение ATR: 0,06
8. Объём против среднего: 0,05
9. Ширина полос: 0,04
10. Изменение DXY: 0,03

Хвостовые признаки (< 0,02): день недели, время с последнего сигнала
→ Убери эти признаки (шум, а не сигнал)

Упрощённая модель (только 6 главных признаков):
Точность на тесте: ___% (сравни с моделью из 20 признаков)
Если расхождение меньше 2%, бери модель попроще (меньше переобучения)

Часть 5: вывод в продакшен с порогами уверенности

Не торгуй ВСЕ прогнозы. Бери только те, где уверенность высокая:

Выход модели = вероятность (от 0,0 до 1,0)

Пороги уверенности:
Вероятность > 0,65 = высокая уверенность (берём сделку)
Вероятность 0,45-0,65 = нейтрально (пропускаем)
Вероятность < 0,45 = низкая уверенность (пропускаем или разворачиваем)

Результаты backtest по порогам:
Все сделки (без фильтра): 55% прибыльных, в среднем 0,5R
Уверенность > 0,60: ___% матожидания, в среднем ___R
Уверенность > 0,65: ___% матожидания, в среднем ___R
Уверенность > 0,70: ___% матожидания, в среднем ___R (меньше сделок)

Оптимальный порог: 0,___ (максимизируй матожидание, а не точность)

ТВОИ РЕЗУЛЬТАТЫ:
Сделок взято с ML-фильтром: ___ / 100 сигналов всего
Улучшение доли успешных: с ___% → ___% (+___%)
Улучшение матожидания: с ___ $ за сделку → ___ $ за сделку

Часть 6: протокол мониторинга и переобучения

ML-модели со временем деградируют. Следи за ними и переобучай:

График мониторинга:

Недели 1-4: следи за реальным результатом против тестовых прогнозов
Ожидалось: 60% точности
Фактически: ___% точности
Дрейф: ___% (< 5% нормально)

Недели 5-8: продолжай наблюдение
Фактически: ___% точности
Дрейф: ___% (если > 10%, переобучай)

Триггер переобучения:
1. Точность падает > 10% ниже тестовой базы
2. Меняется рыночный режим (всплески VIX, новый цикл)
3. Минимум раз в 3 месяца (обновление свежими данными)

Порядок переобучения:
- Добавь данные по сделкам за последние 3 месяца
- Заново прогони walk-forward-проверку
- Сравни новую модель со старой на одном и том же тестовом наборе
- Выкатывай только если новая лучше на 3% и больше

Цель внедрения: Построй ML-фильтр за 4-6 недель на своих последних 50-100 сделках. Обкатай его на бумаге на 20 сигналах. Пример цели: поднять матожидание минимум на 10 % за счёт избирательной фильтрации. Если получится, ML измеримо поднял твоё матожидание, помогая пропускать сетапы с низкой вероятностью. Именно так профессионалы используют ML — не как магию, а как системное усиление преимущества.