Разработка AI-модели предсказания разворотов рынка

Вы торгуете по тренду, но рынок разворачивается, съедая прибыль. «Купи на дне, продай на пике» — мантра, которая на практике оборачивается убытками. Мы строим AI-модели, которые не предсказывают будущее, а вычисляют вероятность разворота в конкретный момент, опираясь на технические, сентиментные и позиционные данные. В отличие от лаговых индикаторов, наш композитный подход объединяет HMM-детектор режима и ансамбль признаков, что даёт опережающие сигналы.

Проблемы разворотов и их решение

Развороты — редкие нелинейные события. Классические индикаторы вроде RSI и MACD запаздывают: пересечение уровня происходит, когда цена уже отскочила. Мы решаем это через divergence-detect: цена обновляет экстремум, а RSI — нет. Сигнал опережает лаг на 2–3 свечи. Большинство «разворотов» — ложные движения. Фильтруем через HMM: открываем позиции только в ranging или volatile режиме. Разворот определяется через ZigZag с минимальным движением 5% для меток на swing high/low.

Как HMM помогает фильтровать шум?

Hidden Markov Model классифицирует текущее состояние рынка на три режима: тренд, флэт, волатильность. Используем признаки: доходность за 5 дней, волатильность (ATR/close), объём относительно SMA20. В тренде (режим 0) применяем momentum-стратегии; в режимах 1 и 2 — reversal. Код детектора:

from hmmlearn import hmm
import numpy as np

features = np.column_stack([returns_5d, atr20_close, volume_sma20_ratio])
model = hmm.GaussianHMM(n_components=3, covariance_type='full', n_iter=100)
model.fit(features)
regimes = model.predict(features)
# 0: trending, 1: ranging, 2: volatile/crisis

Composite Reversal Score

Один индикатор ненадёжен. Собираем ансамбль из 10 разнородных признаков: distance from SMA200, RSI 14, z-score 20d, divergence price/RSI, volume/price divergence, put/call ratio, VIX, short interest, higher high, расстояние до ближайшего уровня поддержки/сопротивления.

Алгоритм — Random Forest Classifier (100 деревьев, глубина 7). Таргет — разворот в течение 5 дней по ZigZag. Выдаёт вероятность — reversal score. Входим при score > 0.65. Размер позиции пропорционален score от 1% до 2.5% портфеля. Стоп-лосс за последний swing-экстремум, тейк-профит на следующем значимом уровне, максимальное удержание 10 дней.

Что даёт composite score?

Одиночный индикатор даёт ~40% точности. Composite из 10 признаков повышает точность до 53% на аут-оф-сэмпл — это на 30% лучше. При R:R = 1:2 даже 47% win rate даёт положительное математическое ожидание. Профит-фактор 1.7 против 2.2 у momentum, но просадки короче. Инвестиции в такую модель окупаются за счёт снижения убытков от ложных входов, средняя экономия на бэктестинге составляет 30% времени.

Оценка на backtesting

Сравнение стратегий:

Что входит в работу

• Анализ ликвидности и исторических паттернов
• Разработка HMM-детектора режима + composite score
• Бэктестинг с учётом комиссий и slippage
• Документация, код, API для интеграции
• Обучение команды (2 дня)
• Поддержка в течение 1 месяца после сдачи

Процесс и формат сотрудничества

Процесс:

1. Аналитика — сбор данных, изучение специфики инструмента, определение параметров ZigZag и окна разворота.
2. Проектирование — выбор признаков, архитектура ансамбля, настройка HMM.
3. Реализация — код на Python, интеграция с торговым терминалом (REST API).
4. Тестирование — аут-оф-сэмпл и walk-forward валидация.
5. Деплой — контейнеризация в Docker, шедулинг, мониторинг метрик.

Сроки и бюджет. Срок разработки — от 4 недель (базовый детектор) до 4 месяцев (полноценная система). Стоимость рассчитывается индивидуально, исходя из объёма данных, числа инструментов и требуемой архитектуры. Средняя экономия на бэктестинге составляет 30% времени — инвестиции окупаются за счёт улучшения метрик. По данным исследований, composite подход увеличивает Sharpe ratio на 0.3–0.5.

Опыт компании: 7+ лет в ML для финансов, 50+ проектов в алготрейдинге. Используем промышленный MLOps (MLflow, Kubeflow). Гарантируем метрологию: калибровка и валидация моделей.

Свяжитесь с нами, чтобы обсудить задачу — мы проанализируем ваши данные и предложим архитектуру. Закажите разработку уже сегодня и получите консультацию.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный 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 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    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"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.