Машинное обучение в трейдинге: предсказание волатильности с помощью ИИ

Индекс RVI оказывался выше фактической волатильности следующего месяца в 92,1% наблюдений, а среднее превышение составило 12,9 процентного пункта (собственный расчёт по дневным данным Мосбиржи за 2018-2026 годы, методика и оговорки ниже). Рынок систематически закладывает в цены опционов больше движения, чем случается на самом деле, и этот зазор кормит целую индустрию прогноза волатильности, куда за последние пять лет пришли машинное обучение, нейросети и предобученные модели временных рядов.

Разберём, что эти модели реально умеют, где они проигрывают регрессии из трёх слагаемых, какие данные доступны российскому трейдеру бесплатно и как проверить любую модель так, чтобы результат на истории не рассыпался на реальных деньгах.

Что на самом деле предсказывают модели волатильности

Слово «волатильность» в трейдинге обозначает две разные величины, и половина путаницы в статьях про машинное обучение растёт именно отсюда. Первая величина смотрит назад и считается по факту движения цены. Вторая смотрит вперёд и извлекается из цен опционов.

Расчёт реализованной волатильности занимает три строки. Берём цены закрытия, переводим их в логарифмические доходности по формуле r(t) = ln(P(t) / P(t-1)), считаем стандартное отклонение этих доходностей за окно в 22 торговых дня и умножаем результат на корень из 252 (число торговых дней в году), чтобы получить привычные проценты годовых.

Подставим настоящие числа. Индекс Мосбиржи 22 февраля 2022 года закрылся на 3084,74 пункта, а 24 февраля на 2058,12 (данные MOEX ISS). Падение за один торговый день составило 33,3%. Реализованная волатильность в окне, куда попал этот день, доходила до 164% годовых, тогда как в спокойном 2019 году она держалась в диапазоне от 7 до 16% годовых. Разброс в двадцать раз между тихим рынком и рынком в шоке и создаёт задачу прогноза.

Модель, обученная предсказывать реализованную волатильность, отвечает на вопрос, насколько сильно инструмент будет колебаться. Подразумеваемая волатильность отвечает на другой вопрос, сколько сейчас стоит страховка от этого колебания. Опционный трейдер зарабатывает на разнице между ними, риск-менеджер использует первую, а продавец волатильности живёт со второй.

Почему прогнозируют волатильность, а не цену

Направление движения цены прогнозируется плохо, и это свойство самого рынка, а не слабость моделей. Волатильность ведёт себя иначе. У неё есть кластеризация, то есть за бурными днями с высокой вероятностью идут бурные, а за спокойными спокойные. Это свойство описал ещё Роберт Энгл в работе про ARCH-модели, за которую получил Нобелевскую премию по экономике 2003 года.

Из кластеризации следует практическое обстоятельство. Предсказать, вырастет ли Сбербанк завтра, почти невозможно. Предсказать, что ближайший месяц будет нервным, вполне реально, и на этом строятся размер позиции, ширина стопа, стоимость хеджа и оценка риска портфеля.

RVI, российский индекс волатильности

Американский рынок читает ожидания через VIX, российский через RVI. Мосбиржа рассчитывает его с 18 ноября 2013 года по ценам опционов на фьючерс на индекс РТС, используя две ближайшие серии и приводя результат к горизонту 30 дней.

С 23 марта 2026 года действует новая редакция методики, по которой индекс считается непрерывно в течение всего торгового дня, включая вечернюю сессию.

История RVI бесплатно доступна через MOEX ISS без регистрации и ключей, что делает его удобной точкой входа для любого эксперимента с прогнозом волатильности на российском рынке.

Что показывает RVI на исторических данных

Я выгрузил всю историю RVI и индекса Мосбиржи с 2014 года и сравнил ожидания рынка с тем, что произошло дальше. Результат оказался устойчивее, чем можно было ожидать от индикатора, который считается по ценам опционов.

За период с января 2018 по июнь 2026 года RVI оказывался выше фактической волатильности следующего месяца в 92,1% наблюдений, а среднее превышение составило 12,9 процентного пункта. Проще говоря, страховка на российском рынке почти всегда стоила дороже, чем реализовавшийся риск. Это не аномалия и не ошибка расчёта, а известная премия за риск, которую покупатель опциона платит продавцу за готовность принять хвостовой сценарий.

Из этой статистики не следует, что продавать волатильность выгодно. Именно так рассуждали продавцы опционов до февраля 2022 года, когда RVI ушёл к 142,66 пункта, а реализованная волатильность превысила 160% годовых. Стратегия, которая девять месяцев из десяти приносит небольшой доход, в оставшийся месяц способна забрать капитал целиком. Механику таких стратегий разбираем отдельно в материалах про стрэддл и стрэнгл.

Текущее состояние рынка читается тем же способом. Сравните значение RVI с фактической волатильностью рынка за последний месяц, посчитанной по дневным изменениям индекса. RVI заметно выше факта означает, что привычная премия на месте, схлопнувшийся или отрицательный разрыв говорит, что рынок недооценивает риск.

В конце июля 2026 года, к примеру, RVI держался у 39 пунктов против фактических 33% годовых по индексу Мосбиржи, то есть привычный зазор заметно сжался. Значение живое, сверять его нужно на текущую дату. Динамику самого индекса удобно смотреть на нашем живом графике, а базовое определение волатильности разобрано в отдельном руководстве трейдера.

Классика прогноза волатильности, которую придётся обыгрывать

Любая модель машинного обучения в задаче прогноза волатильности соревнуется не с пустым местом. У неё есть два соперника из статистики, и оба живут в отрасли не первое десятилетие.

GARCH, модель с памятью о вчерашнем шоке

GARCH-модели строятся на идее, что волатильность наследуется. Если вчера рынок был нервным, сегодня он с высокой вероятностью тоже будет нервным. Математически текущая дисперсия описывается как функция от прошлой ошибки прогноза и прошлой дисперсии. Модель предложил Тим Боллерслев в 1986 году в Journal of Econometrics (оригинал статьи), развив идею ARCH Роберта Энгла.

Здесь σ²(t) означает прогноз дисперсии на период t, ε²(t-1) означает квадрат вчерашней неожиданной доходности, а коэффициенты α и β модель подбирает по истории методом максимального правдоподобия. Коэффициент α отвечает за реакцию на свежий шок, β за инерцию. На практике их сумма у финансовых рядов оказывается близка к единице, что и означает долгую память.

Сильные стороны GARCH сводятся к трём пунктам.

• Прозрачность. Каждый коэффициент имеет экономический смысл, а не прячется в весах скрытого слоя
• Скромные требования. Модель обучается на нескольких сотнях наблюдений за доли секунды
• Устойчивость. Она не разваливается на новых данных так, как это делает переобученная нейросеть

HAR, три средних вместо нейросети

Вторая модель известна гораздо хуже, хотя именно она давно служит стандартом сравнения в академических работах по реализованной волатильности. Фульвио Корси предложил её в 2009 году в Journal of Financial Econometrics (Corsi, том 7, выпуск 2, страницы 174-196). Идея у неё почти обидно простая.

На рынке работают участники с разными горизонтами. Внутридневной спекулянт смотрит на вчерашний день, управляющий смотрит на неделю, пенсионный фонд на месяц. Каждая группа создаёт свою компоненту волатильности. Значит будущую волатильность можно объяснить тремя средними за разные окна.

Это обычная линейная регрессия с тремя объясняющими переменными, которая обучается за миллисекунды и умещается в десять строк кода. Меня самого удивило, насколько тяжело её обойти, когда я прогнал сравнение на данных Мосбиржи.

Проверка прогноза волатильности на данных Мосбиржи

Дальше начинается самое интересное. Я собрал все дневные данные по индексу Мосбиржи и RVI с 2014 года и прогнал семь способов прогноза волатильности на следующие 22 торговых дня, добавив к классике градиентный бустинг и нейросеть.

Результат интересный. Линейная регрессия из трёх средних обошла и градиентный бустинг, и нейросеть, обученные на тех же признаках. Машинное обучение дало 10,7 и 12,8 процента выигрыша у наивной модели, тогда как HAR дал 17,1 процента, а связка HAR с рыночным ожиданием из RVI дала 17,9 процента.

Отдельная история вышла с RVI. В сыром виде индекс оказался худшим прогнозом в таблице и проиграл даже наивному, потому что систематически завышает будущую волатильность на те самые 12,9 пункта премии за риск. Зато корреляция с фактом у него самая высокая среди всех способов, 0,45. Стоит убрать смещение обычной регрессией, и вчерашний аутсайдер поднимается в верхнюю часть таблицы. Информация в ценах опционов есть, её просто нужно очистить от премии.

Где все модели ломаются одновременно

Средняя ошибка за 8 лет скрывает главное. Разложим ту же ошибку по годам.

В 2022 году ошибка выросла в 10 раз у всех без исключения. Прогноз, сделанный 18 февраля 2022 года, давал у HAR 29 пунктов, у GARCH тоже 29, а фактическая волатильность следующего месяца составила 163. Даже опционный рынок, который в те дни уже нервничал и держал RVI около 67, промахнулся почти в два с половиной раза.

Обратная ситуация складывается в спокойные годы. В 2019 и 2023 годах наивный прогноз оказался точнее и GARCH, и HAR. Когда волатильность неделями стоит на месте, любая сложная модель добавляет только собственный шум.

Отдельно про ограничения расчёта. Окна прогнозов пересекаются, поэтому соседние наблюдения не независимы, и на непересекающейся выборке из 97 точек порядок моделей сохранился, но доверие к малым различиям падает. В феврале и марте 2022 года торги на Мосбирже останавливались почти на месяц, из-за чего окно в 22 торговых дня растянулось по календарю.

LSTM и гибриды, что нейросети добавляют к прогнозу волатильности

Из результата предыдущего раздела не следует, что машинное обучение в задаче прогноза волатильности бесполезно. Следует другое. Нейросеть не даёт бесплатного преимущества там, где данных мало, а зависимость близка к линейной.

Применительно к волатильности это означает следующее. Сеть способна уловить, что перед публикацией отчётности или заседанием ЦБ колебания обычно растут, и учесть это без явного указания правила. GARCH такую связь не увидит, потому что не знает календаря.

Гибрид GARCH-LSTM собирается в два этапа. Сначала статистическая модель извлекает из ряда то, что умеет извлекать хорошо, а именно кластеризацию волатильности и реакцию на шоки. Затем нейросеть получает прогноз GARCH как ещё один признак вместе с объёмами, индикаторами и макроданными и корректирует его. Статистика служит опорой, нейросеть надстройкой, и такая конструкция реже переобучается, чем сеть, обученная с нуля.

Публикации по гибридам выходят десятками в год, и заявленные в них улучшения обычно измеряются единицами процентов на конкретном активе, а не разами. Проблема в том, что эти проценты плохо переносятся между рынками. Мой тест на индексе Мосбиржи это подтвердил, нейросеть на тех же признаках отстала от простой регрессии HAR.

Предобученные модели 2026 года

Последние два года главное движение происходит не в архитектурах под конкретную задачу, а в предобученных моделях временных рядов. Логика та же, что у языковых моделей. Модель заранее обучают на огромном наборе рядов из разных областей, после чего она выдаёт прогноз для нового ряда без дообучения, в режиме zero-shot.

Для трейдера это означает, что порог входа обвалился. Вместо сбора датасета, подбора архитектуры и недели обучения достаточно передать модели историю котировок и получить прогноз за секунды.

Кто сейчас на этом рынке

Chronos-2 вышла 17 октября 2025 года и принесла в zero-shot прогноз работу с несколькими рядами сразу и с внешними признаками, чего предыдущее поколение не умело (arXiv, 2510.15821). На сводном бенчмарке GIFT-Eval, где собраны 97 задач из 55 наборов данных, она обошла TimesFM 2.5 и TiRex.

Отдельно стоит семейство TiRex от европейской NX-AI. Оно построено не на трансформере, а на xLSTM, то есть рекуррентная архитектура вернулась в лидеры в облегчённом виде. Базовая версия занимает 35 миллионов параметров и запускается на обычной видеокарте (карточка модели на Hugging Face).

Работают ли предобученные модели на финансовых рядах

Вопрос звучит риторически только до знакомства с результатами. Независимая проверка, опубликованная в июле 2026 года, прогнала предобученные модели против логарифмического HAR на 50 активах из акций, валют и фьючерсов на трёх горизонтах. Устойчиво обойти классику смогла лишь одна небольшая модель, Tiny Time Mixers, и то с минимальным перевесом.

Разброс между самими предобученными архитектурами оказался больше, чем разрыв между ними и эконометрикой, а лучший практический результат дала равновзвешенная комбинация Tiny Time Mixers с HAR, которая вошла в множество лучших моделей на 98-100 процентах активов.

Причина расхождения между бенчмарками и практикой лежит на поверхности. Модели предобучены на рядах вроде энергопотребления, трафика и продаж, где есть выраженная сезонность и структура. Финансовая волатильность устроена иначе, у неё длинная память и толстые хвосты, а полезного сигнала на порядок меньше, чем шума.

Как собрать свою систему прогноза волатильности

Дальше практика. Машинное обучение в трейдинге начинается не с выбора архитектуры, а с данных и эталона. Порядок действий ниже повторяет тот, по которому считался тест из этой статьи, и воспроизводится на домашнем компьютере без платных подписок.

Шаг 1. Данные для модели волатильности

Для российского рынка базовый источник бесплатен и не требует регистрации. Историю индексов, акций и облигаций Мосбиржи отдаёт интерфейс MOEX ISS обычным HTTP-запросом, который возвращает JSON. Дневные цены закрытия индекса и RVI для этой статьи выгружены именно так.

Дополнительно понадобятся объёмы торгов, а при желании расширить набор признаков ещё и макроданные вроде ключевой ставки и инфляции. Для зарубежных инструментов удобен пакет yfinance, который тянет котировки с Yahoo Finance одной строкой кода.

Шаг 2. Целевая переменная

Считаем реализованную волатильность по формуле из первого раздела. Логарифмические доходности, скользящее стандартное отклонение в окне 22 торговых дня, умножение на корень из 252. Важно с самого начала решить, что именно прогнозируется, волатильность следующего дня или следующего месяца. От горизонта зависит и набор признаков, и способ проверки.

Шаг 3. Сначала бенчмарк, потом модель

Это тот шаг, который пропускают чаще всего, и именно он отделяет рабочую систему от красивого графика. До первой нейросети нужно построить два эталона. Наивный прогноз, где будущая волатильность приравнивается к текущей, и HAR-регрессию на трёх окнах. Оба считаются в десяток строк кода, а HAR требует только numpy.

Дальше добавляются GARCH через библиотеку arch, градиентный бустинг и нейросеть через scikit-learn или PyTorch. Каждая новая модель обязана обойти оба эталона, иначе её место в мусорной корзине, а не в торговой системе.

Шаг 4. Разделение данных и валидация

Случайное перемешивание выборки на временных рядах запрещено. Оно даёт утечку будущего в прошлое, после чего модель показывает фантастическую точность на тесте и рассыпается на реальных деньгах.

Правильный способ называется walk-forward. Модель обучается на данных до определённой даты, делает прогноз на следующий отрезок, затем окно сдвигается, модель переобучается и всё повторяется. Именно так считался тест в этой статье, с расширяющимся окном и переобучением раз в 60 торговых дней.

Шаг 5. Метрики и выбор функции потерь

Для регрессии волатильности применяют четыре показателя.

• RMSE, корень из средней квадратичной ошибки, сильнее наказывает крупные промахи
• MAE, средняя абсолютная ошибка, устойчивее к выбросам
• QLIKE, специальная функция потерь для волатильности, наказывающая занижение риска
• Корреляция прогноза с фактом, показывает, ловит ли модель динамику вообще

Выбор метрики определяет победителя, и это не теоретическая тонкость. В тесте на данных Мосбиржи по RMSE и MAE впереди оказалась HAR, а по QLIKE лучшими стали EWMA и наивный прогноз. Риск-менеджеру, которому дороже недооценка риска, и продавцу опционов, которому дороже переплата за хедж, подойдут разные модели на одних и тех же данных.

Чеклист перед запуском модели

• Собрана история минимум за два-три года, пропуски обработаны осознанно
• Целевая переменная посчитана и горизонт прогноза зафиксирован
• Построены оба эталона, наивный прогноз и HAR
• Тестовая выборка не участвовала в обучении ни на одном шаге
• Применена walk-forward проверка, а не случайное разделение
• Функция потерь выбрана под задачу до сравнения моделей
• Результат проверен отдельно на спокойном и на кризисном периоде
• Оценены время обучения и время получения прогноза
• Настроено регулярное переобучение на свежих данных
• Записаны ограничения модели и условия, при которых её выключают

Минимальный старт, 30 строк кода

Ниже полный рабочий скрипт, который качает историю индекса Мосбиржи, считает реализованную волатильность, обучает HAR только на прошлом и проверяет её против наивного прогноза на последних 500 днях. Из зависимостей нужны только pandas, numpy и requests.

import pandas as pd, numpy as np, requests

# 1. Данные Мосбиржи: индекс IMOEX, дневные закрытия
url = "https://iss.moex.com/iss/history/engines/stock/markets/index/securities/IMOEX.json"
rows = []
for start in range(0, 3200, 100):
    r = requests.get(url, params={"from": "2014-01-01", "till": "2026-07-27",
                                  "start": start, "iss.meta": "off"}).json()["history"]
    if not r["data"]:
        break
    rows += r["data"]
df = pd.DataFrame(rows, columns=r["columns"])[["TRADEDATE", "CLOSE"]].dropna()
df.columns = ["date", "close"]

# 2. Реализованная волатильность: прошлые 22 дня и будущие 22 дня, % годовых
ann = np.sqrt(252) * 100
df["ret"] = np.log(df.close / df.close.shift(1))
df["rv_d"] = df.ret.rolling(22).std() * ann
df["rv_w"] = df.ret.rolling(5).std() * ann
df["rv_m"] = df.ret.rolling(66).std() * ann
df["target"] = df.ret.shift(-1).rolling(22).std().shift(-21) * ann
d = df.dropna()

# 3. Обучение только на прошлом, проверка на последних 500 днях
tr, te = d.iloc[:-500], d.iloc[-500:]
X = lambda f: np.column_stack([np.ones(len(f)), np.log(f.rv_w), np.log(f.rv_d), np.log(f.rv_m)])
b = np.linalg.lstsq(X(tr), np.log(tr.target), rcond=None)[0]
har = np.exp(X(te) @ b)

# 4. Сравнение с наивным прогнозом «будет как сейчас»
rmse = lambda p: np.sqrt(np.mean((p - te.target) ** 2))
print(f"наивный  RMSE {rmse(te.rv_d):.2f}")
print(f"HAR      RMSE {rmse(har):.2f}")
print(f"прогноз на следующий месяц: {har[-1]:.1f}% годовых")

При запуске 28 июля 2026 года скрипт выдал следующее.

наивный  RMSE 8.90
HAR      RMSE 7.91
прогноз на следующий месяц: 21.8% годовых

Тридцать строк дали 11,1% преимущества над наивным прогнозом на отложенной выборке. Это и есть тот эталон, который обязана обойти любая нейросеть, прежде чем претендовать на место в торговой системе.

Для GARCH писать код с нуля не нужно, есть библиотека arch Кевина Шеппарда под лицензией MIT с моделями GARCH, EGARCH, TARCH и EWMA (репозиторий проекта). Установка занимает одну команду, а обучение GARCH(1,1) три строки.

Точнее считать волатильность по диапазону дня

Скрипт выше использует только цены закрытия и выбрасывает информацию о том, как далеко цена ходила внутри дня. Эту потерю закрывают диапазонные оценки. Первую предложил Майкл Паркинсон в 1980 году, она берёт логарифм отношения максимума к минимуму. Гарман и Класс в том же году добавили в формулу открытие и закрытие.

В теории выигрыш выглядит огромным. Оценка Паркинсона считается примерно в 5 раз эффективнее расчёта по закрытиям, у Гармана-Класса эффективность около 7,4 (Meilijson, обзор оценщика Гармана-Класса). Только относится эта эффективность к измерению текущей волатильности, а не к качеству прогноза будущей.

Я прогнал обе оценки на индексе Мосбиржи за 2018-2026 годы. Корреляция с фактической волатильностью следующего месяца выросла с 0,389 у расчёта по закрытиям до 0,414 у Паркинсона и 0,408 у Гармана-Класса. Ошибка HAR на отложенной выборке снизилась с 7,75 до 7,69 и 7,62 соответственно.

Выигрыш реальный, но скромный, полтора процента вместо обещанных теорией разов. Считать волатильность по диапазону стоит, ожидать от этого переворота не стоит.

Прогноз в виде интервала, а не одного числа

Скрипт возвращает одно число, 21,8% годовых. Для управления риском этого мало, потому что модель ошибается несимметрично и в кризис занижает результат в разы. Полезнее прогнозировать не точку, а диапазон.

Самый простой способ обойтись без новой модели состоит в том, чтобы взять остатки регрессии на обучающей выборке, посчитать их квантили и растянуть прогноз в интервал. Если 90-й процентиль остатка в логарифмах равен 0,45, верхняя граница прогноза получается умножением точечной оценки на экспоненту этого числа, то есть примерно в полтора раза выше.

Из предобученных моделей квантильные прогнозы выдают TimesFM 2.5 и Chronos-2 штатно, отдельная надстройка для этого не нужна. Риск-менеджеру интервал нужнее точки, поскольку решения принимаются по верхней границе, а не по середине.

Данные и платформы, доступные из России

Практическая часть большинства англоязычных руководств по машинному обучению в трейдинге упирается в сервисы, которые российскому резиденту недоступны. Ниже расклад с учётом этого обстоятельства.

Ключевое отличие российской ситуации в том, что данные достать проще, чем исполнение. Историю для обучения модели MOEX ISS отдаёт бесплатно и в полном объёме, а вот путь от прогноза к сделке проходит через брокерский API, и здесь выбор ограничен российскими компаниями.

Для тех, кто пока не готов писать код, вход выглядит иначе. Индикаторы волатильности вроде ATR и полос Боллинджера считаются в TradingView штатно, а понимание того, как читается волатильность на графике, разобрано в материале про индикатор ATR. Текущее состояние рынка и уровни по инструментам удобно смотреть в нашем скринере акций, а календарь событий, вокруг которых волатильность растёт предсказуемее всего, собран в экономическом календаре.

Как на прогнозе волатильности зарабатывают

Прогноз волатильности сам по себе денег не приносит. Он превращается в результат через три канала, и только один из них связан с прямой ставкой на волатильность.

Первый канал самый массовый и самый скучный, это размер позиции. Когда модель показывает рост ожидаемой волатильности вдвое, позиция того же рублёвого объёма несёт вдвое больший риск. Уменьшение объёма перед бурным периодом и увеличение перед спокойным меняет кривую капитала сильнее, чем поиск идеальной точки входа.

Как прогноз превращается в размер позиции

Первый канал заслуживает формулы, потому что именно он превращает число из модели в конкретное решение. Подход называется волатильностью-таргетингом и в академической форме описан Аланом Морейрой и Тайлером Мюиром в Journal of Finance за 2017 год (Volatility-Managed Portfolios). Доля актива в портфеле масштабируется отношением целевой волатильности к прогнозной.

Подставим числа из скрипта выше. Инвестор держит целевую волатильность портфеля на уровне 15% годовых, модель прогнозирует по индексу 21,8%. Доля вложений в индекс получается 15 / 21,8 = 0,69, то есть при капитале 500 000 ₽ в рынке остаются 345 000, остальное лежит в деньгах. Когда прогноз опускается к 10%, та же формула даёт долю выше единицы, а это уже требует плеча, поэтому долю почти всегда ограничивают сверху единицей.

Смысл приёма не в повышении доходности, а в стабилизации риска. Портфель перестаёт получать двойной удар в тот момент, когда рынок и так штормит.

Второй канал это стоимость защиты. Опционный хедж стоит дорого именно тогда, когда все ждут шторма, и в такие моменты премия, заложенная в RVI, обычно раздута сильнее всего. Модель, которая отличает завышенное ожидание от обоснованного, экономит на страховке или подсказывает момент, когда её стоит купить заранее.

Третий канал это прямая торговля волатильностью через опционы. Покупка стрэддла зарабатывает на росте колебаний независимо от направления, продажа собирает ту самую премию, которую мы измерили в 12,9 пункта. Механика обеих конструкций с расчётами разобрана в материалах про стрэддл и стрэнгл.

Риски машинного обучения в трейдинге

Дальше о том, о чём молчат продавцы готовых решений на машинном обучении. Каждый из рисков ниже я наблюдал прямо в расчётах для этой статьи.

Переобучение

Модель запоминает шум вместо закономерности и показывает превосходный результат на истории. Проверяется это элементарно, разницей между качеством на обучающей и на отложенной выборке. Защита состоит из регуляризации, сокращения числа признаков и честной walk-forward проверки.

Признак беды простой. Если на истории модель даёт корреляцию прогноза с фактом 0,9, а на отложенном периоде 0,3, вы смотрите на переобучение, а не на прорыв.

Смена режима рынка

Модель, обученная на спокойных 2019 и 2021 годах, входит в 2022 год с полностью неверной калибровкой. В расчётах это видно по годовой таблице, ошибка выросла в десять раз у всех моделей одновременно. Лечится частичным переобучением по расписанию и механизмом обнаружения сдвига, который сигналит, когда свежие данные перестают походить на обучающие.

Чёрные лебеди

Обвал индекса Мосбиржи на 33,3% за один день 24 февраля 2022 года не предсказала ни одна модель из тех, что я прогнал. За неделю до события прогнозы держались в диапазоне от 29 до 67 пунктов при факте 163. То же самое было в марте 2020 года, когда пандемия обрушила рынки за считанные дни.

Машинное обучение работает с закономерностями прошлого и по своей природе не видит событий, которых в прошлом не было.

Стоимость вычислений

Здесь картина за последние два года изменилась в пользу частного трейдера. HAR и GARCH считаются на ноутбуке за секунды. Градиентный бустинг и небольшая нейросеть на дневных данных обучаются минуты.

Тяжёлые вычисления начинаются на предобученных моделях и внутридневных данных, но и там появились компактные версии на десятки миллионов параметров, которым хватает одной видеокарты. Расчёты для этой статьи целиком выполнены на обычном компьютере.

Ложная уверенность

Самый дорогой риск не технический. Красивая метрика создаёт ощущение контроля, хотя корреляция лучшего прогноза с фактом в моём тесте составила всего 0,43. Это означает, что модель объясняет меньше пятой части разброса будущей волатильности. Она сдвигает вероятности в вашу пользу, но не сообщает, что произойдёт.

Кому что подходит в прогнозе волатильности

Сведу практический вывод в таблицу, чтобы не пересказывать статью словами.

Общий вывод из всех расчётов складывается в одну фразу. Машинное обучение в трейдинге даёт преимущество там, где его сначала измерили правильным способом, и создаёт иллюзию там, где сравнение подменили красивым графиком на истории. Простая регрессия из трёх средних обошла и бустинг, и нейросеть на индексе Мосбиржи, а рыночное ожидание из цен опционов после снятия премии добавило к результату больше, чем смена архитектуры.

Стоит ли вообще браться за модели волатильности частному трейдеру. Если цель состоит в предсказании завтрашней цены, то нет. Если цель состоит в понимании того, сколько риска вы несёте прямо сейчас и справедливо ли стоит защита от него, то расчёт окупается уже на уровне HAR и бесплатных данных Мосбиржи.

Результаты в этой статье получены на конкретном индексе за конкретный период и не переносятся автоматически ни на отдельные акции, ни на криптовалюту, ни на будущее. Прошлое поведение волатильности не гарантирует будущего, а любые решения о размере позиции и хедже вы принимаете самостоятельно и на свой риск.