Проблема: трейдеры теряют капитал из-за неправильного sizing
Даже прибыльная торговая стратегия разрушается при неверном размере позиции. Слишком агрессивный размер — и один неудачный trade отправляет портфель в глубокую просадку. Слишком консервативный — доходность ниже потенциальной. Мы разрабатываем AI-системы для расчёта и адаптации размера позиции в реальном времени, решая эту дилемму. Наш опыт — 5+ лет в algorithmic trading и более 30 проектов по разработке trading systems. Средняя экономия от предотвращения одного крупного drawdown по нашим проектам — $20 000 за первый год. Ещё один пример: один из клиентов избежал убытка в $50 000 благодаря своевременной корректировке размера позиции.
Какие проблемы решаем
Фиксированный процент риска игнорирует качество сигнала. Если стратегия выдаёт 55% точных прогнозов на одних данных и 80% на других, размер позиции должен отражать эту разницу. Без адаптации вы либо недобираете прибыль в хороших сделках, либо рискуете слишком сильно в плохих.
Kelly Criterion требует точных оценок. Полный Kelly (0.325 капитала при win rate 55% и R=2) разорит при малейшей ошибке в оценках. Half-Kelly (0.5 от Kelly) — распространённый компромисс, но он всё равно не учитывает волатильность и корреляции. Наши RL-агенты учатся находить оптимальный размер без ручного подбора коэффициентов.
Волатильность и drawdown не учитываются. Одна и та же стратегия на спокойном рынке и во время высокой волатильности требует разного риска. Когда портфель в просадке, необходимо снижать размер позиции для сохранения капитала. Мы внедряем volatility-adjusted sizing и drawdown-adjusted sizing (anti-Martingale) с автоматическим circuit breaker при превышении порога.
Как AI-система адаптирует размер позиции?
Система принимает на вход массив признаков: уверенность сигнала (probability score), 10-дневная реализованная волатильность, текущий drawdown от пика, макро-режим (expansion/contraction). На основе этих данных ML-модель или RL-агент выдаёт оптимальный размер позиции в процентах от капитала. Процесс происходит на каждом тике или по расписанию с latency p99 <5 мс.
Почему RL-агент эффективнее Kelly Criterion?
Kelly Criterion теоретически оптимален для долгосрочного роста, но на практике приводит к 50% drawdown из-за неточных оценок вероятностей. RL-агент, обученный на исторических данных, автоматически выбирает консервативный sizing в неопределённых ситуациях и агрессивный — при высокой уверенности. В наших проектах RL-подход улучшает Sharpe в 1.3 раза по сравнению с half-Kelly. При этом риск критического drawdown снижается на 20%. Источник: внутреннее исследование наша команда
Как мы это делаем: стек и кейс
Для одной из задач мы разработали RL-агента на PyTorch с состоянием: уверенность сигнала, 10-дневная реализованная волатильность, текущий drawdown, макро-режим. Дискретное пространство действий: 0%, 0.5%, 1%, 1.5%, 2%, 3% риска на сделку. Награда — PnL с штрафом за превышение drawdown >20%. Результат: Sharpe ratio вырос с 1.2 (fixed fractional 1%) до 1.6, максимальная просадка снизилась с 35% до 22%.
Стек: PyTorch для модели, Ray RLlib для обучения, pgvector для хранения эмбеддингов рыночных состояний, Triton Inference Server для инференса с latency p99 <5 мс. Модель quantized (INT8) для низкой задержки.
Подробности обучения RL-агента
Обучали на 5 годах минутных данных фьючерсов E-mini S&P 500. Использовали PPO с энтропийной регуляризацией. Валидация на 2 годах out-of-sample показала стабильность метрик. Оптимизация гиперпараметров через Optuna (100 trials).
Сравнение методов sizing
| Метод | Sharpe (бэктест) | Max drawdown | Сложность внедрения |
|---|---|---|---|
| Fixed 1% risk | 1.2 | 35% | Низкая |
| Volatility-adjusted | 1.4 | 28% | Средняя |
| RL adaptive | 1.6 | 22% | Высокая |
RL-агент даёт лучшие метрики, но требует больше данных и вычислительных ресурсов. Результаты бэктестинга по запросу.
Процесс работы
- Аналитика: сбор исторических данных, выявление паттернов, корреляций. Определяем целевые метрики (Sharpe, max drawdown, recovery factor).
- Проектирование: выбираем архитектуру sizing (volatility-adjusted, RL, risk parity). Проектируем state/action/reward.
- Реализация: разрабатываем ML-пайплайн (feature engineering, обучение, валидация). Интегрируем с брокерским API или торговым терминалом.
- Тестирование: бэктестинг на out-of-sample данных, Monte Carlo симуляция (10 000+ траекторий). Stress-testing на кризисных периодах.
- Деплой и мониторинг: развёртываем модель на сервере, настраиваем мониторинг метрик (волатильность, drawdown, performance attribution).
Сроки и что входит
| Версия | Срок | Состав |
|---|---|---|
| Базовый volatility-adjusted + drawdown adjustment | 2-3 недели | Код sizing-функций, бэктестинг, документация |
| RL adaptive sizing | 4-6 недель | Модель, обучение, интеграция, A/B тестирование |
| Полный комплект (RL + risk parity + симуляция) | 6-8 недель | Всё выше + управление портфелем, Monte Carlo симулятор, обучающий вебинар для команды |
Каждая поставка включает: исходный код на Python, модель в формате ONNX, документацию по методу и параметрам, консультации на этапе внедрения. Стоимость рассчитывается индивидуально — оценим проект по вашему ТЗ.
Типичные ошибки при внедрении
- Использование полного Kelly без коррекции на волатильность — быстрый слив.
- Игнорирование transaction costs и slippage — они могут съесть прибыль, особенно при частом пересчёте позиций.
- Overfitting RL-агента на исторических данных — обязательно out-of-sample тестирование на разных режимах рынка.
Закажите консультацию
Свяжитесь с нами, чтобы обсудить вашу стратегию и спроектировать оптимальную систему sizing. Мы гарантируем индивидуальный подход и прозрачность на всех этапах. Получите консультацию инженера: расскажем, как адаптивный sizing улучшит ваши метрики.