Monte Carlo симуляция торговой стратегии: оценка рисков и доходности

Вы провели backtest стратегии — 40% годовых при просадке 15%. Через месяц реального счёта — минус 30% капитала. Знакомо? Исторический backtest показывает только одну реализацию. Чтобы увидеть полный спектр возможных исходов, нужна Monte Carlo симуляция. Мы разрабатываем систему, которая отвечает на вопросы, недоступные обычному backtest: какова вероятность потерять 20% капитала за полгода, выдержит ли стратегия затяжной drawdown.

В отличие от одиночного исторического пути, Monte Carlo генерирует тысячи альтернативных сценариев из тех же трейдов, давая вероятностную оценку доходности и риска. Например, при 10 000 симуляций вы получаете распределение доходности: медианное значение 40%, но 5-й процентиль — минус 20%. Это меняет подход к управлению капиталом. Такой анализ незаменим для хедж-фондов, проп-трейдеров и частных инвесторов, желающих понять реальные риски.

Зачем Monte Carlo для торговли

Единственная backtest-кривая — случайность. Исторический backtest — один реализованный путь из бесконечного числа возможных. Трейды случались в конкретном порядке, при конкретной рыночной волатильности. Monte Carlo симуляция многократно перемешивает трейды или генерирует новые из статистической модели, создавая распределение возможных исходов.

Ключевые результаты, которые вы получаете:

• Доверительный интервал для ожидаемой доходности (5-й, 50-й, 95-й процентили)
• Вероятность конкретного уровня drawdown (например, 20%)
• Требуемый начальный капитал для выживания с вероятностью 95%
• Ожидаемое время до восстановления после просадки

Какие методы Monte Carlo мы используем?

Мы применяем два основных подхода: рандомизацию трейдов и параметрическое моделирование. Рандомизация проста и не требует предположений о распределении, но не учитывает временные зависимости. Параметрические модели, такие как GBM или Student-t, лучше экстраполируют, но требуют подбора распределения. Выбор метода зависит от ваших данных и целей. Иногда мы используем машинное обучение для оценки параметров распределения.

Randomization по трейдам — самый простой подход: перемешивание исторических трейдов с возвращением.

import numpy as np
import pandas as pd

def monte_carlo_randomize_trades(trade_returns, n_simulations=10000, n_periods=252):
    """
    trade_returns: массив доходностей каждой сделки
    Каждая симуляция — случайная выборка с возвращением
    """
    results = np.zeros((n_simulations, n_periods))

    for i in range(n_simulations):
        sampled_trades = np.random.choice(trade_returns, size=n_periods, replace=True)
        results[i] = np.cumprod(1 + sampled_trades) - 1

    return results

equity_curves = monte_carlo_randomize_trades(historical_trades)

# Статистики
p5, p50, p95 = np.percentile(equity_curves[:, -1], [5, 50, 95])
print(f"5th percentile final equity: {p5:.1%}")
print(f"Median final equity: {p50:.1%}")
print(f"95th percentile final equity: {p95:.1%}")

Maximum Adverse Excursion (MAE) симуляция оценивает распределение максимальной просадки.

def max_drawdown_distribution(equity_curves):
    max_dd = np.zeros(len(equity_curves))
    for i, curve in enumerate(equity_curves):
        running_max = np.maximum.accumulate(1 + curve)
        drawdown = (1 + curve) / running_max - 1
        max_dd[i] = drawdown.min()
    return max_dd

dd_dist = max_drawdown_distribution(equity_curves)
prob_20pct_drawdown = np.mean(dd_dist < -0.20)
print(f"Probability of 20%+ drawdown: {prob_20pct_drawdown:.1%}")

Почему параметрическая симуляция точнее?

Параметрические модели генерируют новые доходности из статистического распределения, что позволяет моделировать сценарии, отсутствующие в истории. Мы используем:

Geometric Brownian Motion (GBM):

def gbm_simulation(mu, sigma, S0, T, n_steps, n_sims):
    dt = T / n_steps
    returns = np.random.normal((mu - 0.5*sigma**2)*dt, sigma*np.sqrt(dt), (n_sims, n_steps))
    price_paths = S0 * np.exp(np.cumsum(returns, axis=1))
    return price_paths

Student-t distribution (лучше для финансов): Нормальное распределение underestimates fat tails. Student-t с 3-7 степенями свободы лучше описывает реальные return distributions.

from scipy import stats
def student_t_simulation(mu, sigma, df, n_steps, n_sims):
    returns = stats.t.rvs(df=df, loc=mu, scale=sigma, size=(n_sims, n_steps))
    return np.cumprod(1 + returns, axis=1)

Bootstrap методы: Stationary Bootstrap (случайные блоки переменной длины) и Block Bootstrap (фиксированные блоки) сохраняют временные зависимости.

Оценка Risk of Ruin

def probability_of_ruin(equity_curves, ruin_threshold=0.5):
    """
    Вероятность потерять >50% капитала хотя бы один раз
    """
    min_equity = equity_curves.min(axis=1)
    return np.mean(min_equity < (1 - ruin_threshold))

prob_ruin = probability_of_ruin(equity_curves, ruin_threshold=0.5)
print(f"Probability of 50% drawdown (ruin): {prob_ruin:.1%}")

Что входит в разработку системы Monte Carlo?

Мы предлагаем услугу под ключ: от анализа вашей стратегии до внедрения автоматического отчёта. Стоимость разработки рассчитывается индивидуально и зависит от объёма данных, требуемой точности и сложности моделей. Экономия за счёт предотвращения крупных просадок может быть значительной. В среднем проект занимает от 2 до 4 недель.

Мы также включаем stress testing по сценариям: кризис (увеличение negative skew и fat tails на 2σ), серия из 10 убыточных трейдов подряд, высокая корреляция убытков. Это позволяет тестировать стратегию в экстремальных условиях.

Monte Carlo также позволяет подобрать размер позиции (например, по критерию Келли) для максимизации роста при заданном уровне риска. Мы реализуем симуляцию с различными долями капитала на сделку и оцениваем вероятность разорения для каждой.

Как интерпретировать результаты Monte Carlo?

Стандартные выводы для trader/investor:

1. Конус вероятности (fan chart): p5/p25/p50/p75/p95 пути капитала
2. Распределение итоговой доходности
3. Распределение максимальной просадки
4. Вероятность различных уровней drawdown
5. Expected time to new equity high

Automated reporting: каждый раз при добавлении новых трейдов — автоматический перерасчёт MC и обновление отчёта. Если вероятность ruin выросла с 3% до 8% — алерт для управляющего.

Наш опыт — более 10 лет в разработке торговых систем и риск-моделей. Мы гарантируем прозрачную методологию и чёткую документацию. Свяжитесь с нами, чтобы оценить ваш проект — получите консультацию за 2-3 дня. Экономия от внедрения Monte Carlo может существенно снизить риски крупных потерь.

Согласно Monte Carlo method, данный подход широко применяется в финансах для оценки риска.

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.