Машинное обучение в трейдинге: что умеет ML и где у него границы
Машинное обучение (ML) в торговле — это не «чёрный ящик, который угадывает цену». Грамотно применённая модель оценивает вероятность того, что конкретная сделка окажется прибыльной, и помогает отфильтровывать слабые сигналы. Разбираем, как это работает и какие у подхода ограничения.
Что именно предсказывает ML-модель
Предсказать будущую цену с высокой точностью практически невозможно: рынок шумный, а закономерности нестабильны. Поэтому в прикладных системах модель решает более узкую задачу. Чаще всего это классификация: по набору признаков в момент сигнала оценить, закончится ли сделка прибылью, или регрессия: оценить ожидаемый результат.
В таком виде ML не заменяет торговую логику, а дополняет её фильтром: сигнал есть, но модель оценивает его качество, и слабые сделки пропускаются или открываются с меньшим объёмом.
Признаки: из чего модель делает выводы
Признаки (features) — числовые описания рыночной ситуации. Типичные примеры: волатильность (ATR в процентах от цены, дневной и недельный диапазон), моментум за разные периоды, индикаторы перекупленности и перепроданности (RSI), расстояние до скользящих средних, время суток, режим рынка. Качество признаков важнее сложности модели: простая модель на информативных признаках часто работает лучше, чем сложная на шуме.
После обучения можно посмотреть важность признаков и понять, какие факторы модель считает значимыми. В личном кабинете AlmoreTrade такой список отображается для каждой пары.
Главная проблема: переобучение
Модель с большим числом параметров легко запоминает историю, включая случайные совпадения, и показывает отличный результат на обучающих данных, а на новых разочаровывает. Защита:
- проверка на данных вне обучающей выборки, то есть Walk-Forward;
- достаточное число обучающих сделок: на малой выборке модель ненадёжна, поэтому её вклад целесообразно наращивать постепенно;
- ограничение сложности модели и регуляризация;
- проверка устойчивости результата симуляциями (Monte Carlo).
Деградация модели и переобучение на новых данных
Рынок меняется: закономерности, найденные год назад, могут перестать работать. Это называют дрейфом или деградацией модели. Хорошая система не просто обучает модель один раз, а постоянно следит за качеством её прогнозов и при ухудшении переобучает или снижает её влияние. Состояние модели («определяется», «в норме», «предупреждение», «деградация») должно быть видно пользователю, а не скрыто.
Как ML применяется в AlmoreTrade
В режимах ML алгоритм AlmoreTrade обучается на закрытых сделках: по мере накопления сделок растёт уверенность модели и её вклад в решения. Платформа показывает число обучающих сделок, степень «набранной мощности», количество переобучений, состояние модели и важность признаков. Если данных мало, система работает в базовом режиме и честно сообщает об этом. Подробнее — на странице адаптивного алгоритма и в статье об алгоритмической торговле.