Замените интуицию проверяемыми расчётами. Пусть каждое решение опирается на код, а не на настроение. Например, простая модель на базе z-score способна выявить перекупленные активы на основе стандартного отклонения доходностей – и не требует шаманства с графиками. Выставляете порог, например ±2, и работаете с отклонениями, а не гаданиями.
Корреляции беспощадны. Если вы отслеживаете десятки параметров одновременно – мультифакторный подход даст вам преимущество. Альфа больше не миф, если вы комбинируете сигналы по моментуму, value и качеству. При этом вес каждого компонента можно оптимизировать с помощью простой линейной регрессии или регуляризации Lasso, чтобы избежать переобучения. Никаких интуитивных «кажется». Только цифры.
Не пренебрегайте очисткой данных. Неполные ряды, пропущенные значения, выбросы – всё это превращает любые расчёты в шум. Простейшие методы фильтрации, Winsorization или median imputation, существенно повысят надёжность итоговых сигналов. Ошибки в данных незаметны до тех пор, пока не начнёте терять деньги.
Портфель – это матрица. А точнее – ковариационная. Минимизация риска через оптимизацию по Марковицу с ограничением на волатильность – стандарт. Но его можно усложнить: добавьте транзакционные издержки и ограничьте оборот. Готовое решение – quadratic programming, ничего сверхъестественного.
И последнее: забудьте про ручную проверку гипотез. Проверяйте каждую идею бэктестом на как минимум десятилетнем интервале с учётом комиссии и проскальзывания. Не работает на истории – не будет работать завтра. Всё.
Как построить факторную модель для отбора акций по заданным критериям
Сначала – определите набор факторов. Не тяните. Примеры: отношение цены к прибыли (P/E), темп роста выручки, рентабельность капитала (ROE), волатильность. Минимум три. Лучше – пять-семь. Каждый должен быть количественным, измеряемым, проверяемым на истории.
Дальше – нормализация. Данные по разным метрикам имеют разный масштаб. Один фактор может варьироваться от 0 до 1, другой – от -500 до 500. Нельзя сравнивать их в лоб. Приводите все к единому масштабу. Z-оценка или ранжирование – два рабочих метода. Второй проще: каждой бумаге присваивается ранг по каждой метрике, и всё.
Затем – взвешивание. Не думайте, что все факторы равны. Иногда рентабельность имеет большее значение, чем объём торгов. Попробуйте равные веса, но готовьтесь тестировать. Альтернатива – оптимизация: минимизация ошибки прогноза доходности на истории. Технически сложнее, но дает результат.
Сборка единого скоринга. Каждой бумаге присваивается итоговый балл – сумма (или средневзвешенное) всех нормализованных факторов. Отсортируйте список. Выберите верхние 10–20%. Это и есть отобранные кандидаты.
Теперь – проверка на истории. Бэктест. Не играйтесь с гипотезами до теста. Возьмите исторические данные, примените модель, проверьте доходность, волатильность, просадки. Сравните с индексом. Если хуже – переделывайте. Не подгоняйте под прошлое слишком точно, иначе всё развалится на новых данных.
Факторные модели не строятся “на глазок”. Библиотека QuantConnect – реальный инструмент, на котором можно собрать и протестировать модель с доступом к историческим данным, Python и инфраструктуре фондового рынка. Или – OpenBB, если хочется быстрее стартовать.
Применение машинного обучения для прогнозирования доходности портфеля
Сначала отсекайте шум. Без фильтрации исторических данных любая модель начнёт питаться случайностями, а не зависимостями. Используйте методы отбора признаков: LASSO, Recursive Feature Elimination или PCA. Это резко снижает переобучение и повышает обобщающую способность алгоритма.
Решающие деревья? Только в ансамбле. Отдельный случай – нестабильность. Но XGBoost и LightGBM – настоящие трудяги при условии настройки. Не забывайте кросс-валидацию по временным окнам, иначе получите не прогноз, а иллюзию. Простой split тут не работает.
Не доверяйте «среднему» – он врёт. Лучше используйте медиану предсказаний нескольких моделей. Объединение градиентного бустинга, линейной регрессии и нейросети на базе stacking или blending часто даёт устойчивый результат, особенно на нестационарных данных.
Нормализация – не мода, а необходимость. Масштабируйте данные через RobustScaler или PowerTransformer, особенно если в портфеле акции из разных секторов и стран. Это снижает перекос весов, когда один актив «заглушает» остальных.
Метрики? Не R². Берите Sharpe ratio, Sortino и максимальную просадку. Они показывают не красоту кривой, а реальный риск. Если модель повышает Sharpe выше 1 – уже хорошо. Но держите порог выше: 1.5 и более – уже повод подключать капитал.
Не забывайте о временных лагах. Доходности с опозданием в 1–5 дней часто несут сигнал, особенно в среднесрочных горизонтах. Используйте лаги как признаки, особенно при обучении RNN или LSTM. Но избегайте прямого feedforward – он глотает время.
И наконец: тестируйте не на одной выборке. Бери rolling window, меняй состав портфеля, проверяй устойчивость. Одна модель – не догма. Делайте ансамбли моделей и ансамбли портфелей. Так вы снизите риски провала и убережёте капитал от внезапной корреляции с шумом.
Оценка рисков и управление позицией с помощью статистических методов
Сначала – всегда вычисляй Value at Risk (VaR) на основе исторической волатильности. Не на глаз, не «по ощущениям», а строго по цифрам: хотя бы 95% доверительный интервал, период – минимум 250 торговых дней. Это покажет, сколько можно потерять при неблагоприятном сценарии.
Не держи равные доли – это лениво. Распределяй капитал пропорционально обратному значению стандартного отклонения доходностей. То есть чем выше разброс – тем меньше доля. Минимизация дисперсии портфеля – не теория, а инструмент, который реально срезает хвосты убытков.
Коэффициент Шарпа? Нет, спасибо
Лучше рассчитывай Sortino Ratio – он игнорирует положительные отклонения, фокусируется на просадках. Если показатель ниже 0.5 – долю позиции нужно урезать. И да, не забывай: без нормального распределения – никакого смысла в этом коэффициенте. Проверь сначала распределение доходностей через тест Шапиро-Уилка.
Регулярно прогоняй модели на автокорреляцию остатков. Если ошибка предсказания упрямо повторяется – твой риск под капотом гораздо выше, чем кажется. Используй тест Ljung-Box и проверяй стационарность через ADF. Нестабильная серия – это всегда потенциальная ловушка.
Динамическое ограничение объёма
Не фиксируй стопы по проценту. Определяй их через доверительные интервалы на основе условной волатильности (например, GARCH(1,1)). Если сигнальная волатильность растёт – автоматически сужай размер позиции. А когда затишье – аккуратно расширяй. Должно быть движение за волной, а не против неё.
И ещё: если максимальная просадка по rolling window за 90 дней превышает медиану за последние два года – пора сбрасывать или хеджировать. Не жди второго удара. Рынок не предупреждает дважды.