MetaTrader 5 / Индикаторы
English
preview
Рыночная микроструктура в MQL5 (Часть 7): Классификация рыночных режимов

Рыночная микроструктура в MQL5 (Часть 7): Классификация рыночных режимов

MetaTrader 5 — Индикаторы |
37 0
Max Brown
Max Brown

Введение

Часть 1 заложила защитную основу. Во второй и третьей частях мы проверили, обладает ли цена памятью. В четвертой части мы исследовали динамику волатильности и устойчивость ее изменений. В пятой части мы разделили вариацию цены на шум и сигнал. В шестой части мы определили направление информированного потока ордеров. Вместе части 2-6 дают одиннадцать показателей рыночной среды на минутном таймфрейме.

Каждый показатель сам по себе информативен. Однако показатели коррелируют и частично дублируют друг друга; одновременно учитывать их все при принятии решений в реальном времени невозможно. Система расчета размера позиции не может реагировать на одиннадцать отдельных сигналов. Нужно свести показатели к единой составной метке, кратко описывающей текущую рыночную среду сессии, и оценке достоверности, отражающей надежность согласования доступных измерений.

В седьмой части реализовано это сведение к единой классификации. Функция RegimeClassifier() получает результаты частей 2-6 и присваивает одну из шести меток режима (нормальный, стрессовый, шумовой, информированный, трендовый, возврат к среднему). Также она возвращает оценку достоверности в диапазоне [0, 1] и составную оценку направления в диапазоне [-1, +1]. Границы классификации получены эмпирически по 514 сессиям NQ M1. Шесть меток описывают разные торговые условия, требующие соответствующего выбора размера позиции, размещения стоп-лоссов и фильтрации сигналов.

Классификатор использует правила, упорядоченные по приоритету, а не статистическую модель. Это осознанное проектное решение. Классификатор машинного обучения (метод k-средних, случайный лес, скрытая марковская модель) потребовал бы проверки на вневыборочных данных, которую невозможно провести в рамках одной статьи. Классификатор на основе правил полностью прозрачен, напрямую связан с эмпирическими порогами частей 4-6 и может использоваться сразу, без этапа обучения. Правила описаны полностью; читателям рекомендуется заново откалибровать пороги для своих инструментов и периодов выборки.

Результат работы — функция классификации, перечисление MARKET_REGIME, новая структура RegimeAnalysis и функция PopulateRegimeAnalysis(), последовательно вызывающая всю цепочку измерений из частей 2-6. Новый подключаемый файл не создается. Сопутствующая работа доступна на SSRN под номером 6847024.


Шесть режимов

Нормальный

Нормальный режим является остаточным: к нему относятся сессии, не удовлетворяющие пороговым условиям ни одного из пяти остальных режимов. На него приходится 50% сессий в исследовании NQ M1. В нормальных сессиях близки к средним коэффициент шума (0,585), индекс кластеризации (0,142) и достоверность сигнала потока (0,722). Составная оценка направления близка к нулю (0,036) — надежный направленный сигнал отсутствует. Здесь напрямую применимы стандартная оценка реализованной волатильности и расчет размера позиции по порогам четвертой части.

Стрессовый

Стрессовую сессию определяет хотя бы одно условие: flow_confidence равна нулю (сессия со скачками, выявленными в четвертой части); реализованная волатильность выше 90-го процентиля; либо одновременно волатильность и шум выше своих 75-х процентилей. Стрессовые сессии составляют 21% выборки. Их реализованная волатильность в 1,8 раза выше обычной, а достоверность сигнала потока существенно ниже (0,430 против 0,722 в нормальном режиме). Составная оценка направления равна нулю — направленного сигнала в этом режиме нет. Существенно сократите размер позиции или воздержитесь от торговли.

Шумовой

В шумовых сессиях коэффициент шума выше 75-го процентиля (0,632), а достоверность сигнала потока ниже 25-го процентиля (0,679). В этих сессиях доля краткосрочных рыночных трений в колебаниях цены будет выше обычной, а сигнал потока ордеров будет явно помечен как ненадежный. На них приходится 10% выборки. Средний коэффициент шума равен 0,674 — одно из наибольших значений среди режимов. Индекс кластеризации составляет 0,102 — значительно ниже среднего нормального режима (0,142). Значит, высок не только шум: предсказуемость волатильности тоже низка. Увеличьте расстояние до стоп-лосса и меньше полагайтесь на сигнал кластеризации из четвертой части.

Информированный

Для информированных сессий должны одновременно выполняться все четыре условия: VPIN выше 75-го процентиля (0,539), шум ниже 75-го процентиля, индекс кластеризации выше медианы (0,138) и достоверность сигнала потока выше 25-го процентиля. Такое сочетание условий обеспечивает, что повышенный дисбаланс объема возникает скорее в среде с чистым сигналом чем с шумом. Информированные сессии составляют 7% выборки. У них максимальный VPIN (0,559), повышенный индекс кластеризации (0,231) и положительная составная оценка направления (0,270) — все это согласуется с направленной активностью информированных участников. Выбирайте направление позиции по дисбалансу потока и уменьшайте расстояние до стоп-лосса.

Трендовый

Для трендовых сессий индекс кластеризации должен быть выше 75-го процентиля (0,203), ширина мультифрактального спектра ниже медианы (0,875), а шум ниже 75-го процентиля. Высокий индекс кластеризации означает, что волатильность предсказуема от бара к бару. Малая ширина мультифрактального спектра означает, что масштабные свойства сессии ближе к монофрактальным: в ценовом процессе преобладает один показатель Херста, а не смесь противоположных режимов памяти. Такое сочетание согласуется с сессией, где структурно присутствует направленный моментум и можно доверять оценкам волатильности из четвертой части. У трендовых сессий максимальны индекс кластеризации (0,286, вдвое выше нормального режима), составная оценка направления (0,356) и средняя достоверность классификации (0,593). Именно в этих сессиях моментум-стратегии получают наибольшую теоретическую поддержку.

Возврат к среднему

Для сессий в режиме возврата к среднему оценка параметра d модели ARFIMA должна быть ниже 25-го процентиля (-0,061), а индекс кластеризации — ниже 25-го процентиля (0,076). Большое по модулю отрицательное d и низкий индекс кластеризации указывают на антиперсистентность доходностей. В таких сессиях развороты сильнее, чем предполагает случайное блуждание, а автокорреляция квадратов доходностей не обеспечивает предсказуемости от бара к бару. У сессий в режиме возврата к среднему минимальный индекс кластеризации (0,032) и отрицательная составная оценка направления (-0,202), поэтому рекомендуется торговать против направления потока. На них приходится 4% выборки — это самый редкий из выделенных режимов.


Логика классификации

Порядок приоритетов

Классификатор применяет шесть правил в порядке приоритета. Режим определяет первое правило, условия которого выполнены; последующие правила не проверяются. Порядок приоритетов следующий:

  1. стрессовый — проверяется первым, поскольку повышенный риск важнее всех остальных сигналов;
  2. информированный — повышенный дисбаланс объема в среде с чистым сигналом;
  3. трендовый — высокий индекс кластеризации и монофрактальная структура;
  4. шумовой — повышенный шум при низкой достоверности сигнала потока;
  5. возврат к среднему — большое по модулю отрицательное d при низком индексе кластеризации;
  6. нормальный — остаточный.

Такой порядок — проектное решение, а не статистический оптимум. Проверка стрессового режима перед информированным не позволяет ошибочно отнести сессию со скачками и повышенным VPIN к информированному режиму. Проверка трендового режима перед шумовым не позволяет ошибочно классифицировать сессию с высоким индексом кластеризации как шумовую только из-за повышенного шума.

Оценка достоверности

Оценка достоверности объединяет оценку соответствия правилу с множителем надежности, зависящим от качества измерений. Множитель надежности — геометрическое среднее достоверности MFDFA по R² из третьей части и flow_confidence из шестой части. Достоверность оценки Ролла исключена из расчета надежности: как показано в пятой части, на NQ M1 она близка к нулю и занижала бы все оценки достоверности. Это прямое следствие ограничения агрегации на таймфрейме M1, описанного в пятой и шестой частях.

Составная направленная оценка

Составная оценка — направленный сигнал с учетом знака в диапазоне [-1, +1]. В трендовых и информированных сессиях знак соответствует направлению дисбаланса потока, а величина отражает достоверность классификации. В сессиях в режиме возврата к среднему знак противоположен знаку дисбаланса потока — торговля ведется против текущего направления. В стрессовых и шумовых сессиях составная оценка равна нулю — при неблагоприятных условиях направленный сигнал не формируется. В нормальных сессиях составная оценка — слабый положительный сигнал, масштабированный по достоверности сигнала потока.


Реализация

Перечисление MARKET_REGIME и структура RegimeAnalysis 
//+------------------------------------------------------------------+
//| MARKET_REGIME: six-state regime classification.                  |
//| Used in RegimeAnalysis.regime field.                             |
//+------------------------------------------------------------------+
enum MARKET_REGIME
  {
   REGIME_NORMAL         = 0, // Residual - no named regime applies
   REGIME_STRESSED       = 1, // Elevated vol/noise/jumps - reduce size
   REGIME_NOISY          = 2, // High noise + low flow confidence
   REGIME_INFORMED       = 3, // Elevated VPIN in clean environment
   REGIME_TRENDING       = 4, // High clustering + monofractal structure
   REGIME_MEAN_REVERTING = 5, // Anti-persistent d + low clustering
  };

//+------------------------------------------------------------------+
//| RegimeAnalysis: composite regime classification result.          |
//| Populated by RegimeClassifier() or PopulateRegimeAnalysis().     |
//| composite_score: signed directional signal [-1,+1].              |
//|   Trending/Informed: follow flow direction.                      |
//|   Mean-Reverting: fade flow direction.                           |
//|   Stressed/Noisy: zero - no directional signal.                  |
//+------------------------------------------------------------------+
struct RegimeAnalysis
  {
   MARKET_REGIME regime;          // Current regime label
   double        confidence;      // Classification confidence [0,1]
   double        composite_score; // Signed directional score [-1,+1]
  };
RegimeClassifier()

Классификатор принимает заполненные структуры из третьей — шестой частей по константной ссылке и возвращает структуру RegimeAnalysis. Все пороговые константы определены в начале функции, что упрощает повторную калибровку. Множитель надежности использует только геометрическое среднее достоверности MFDFA по R² из третьей части и flow_confidence из шестой; достоверность оценки Ролла исключена, как указано в пятой части.

//+------------------------------------------------------------------+
//| RegimeClassifier: priority-ordered rule-based regime classifier. |
//|                                                                  |
//| Thresholds calibrated from 514 NQ M1 sessions (May 2024 -        |
//| May 2026). Recalibrate on your own instrument and sample period. |
//|                                                                  |
//| Priority (first match wins):                                     |
//|   1. STRESSED      - vol/noise/jump threshold exceeded           |
//|   2. INFORMED      - VPIN + clustering + low noise (all four)    |
//|   3. TRENDING      - clustering P75 + delta_alpha < median    |
//|   4. NOISY         - noise P75 + flow_confidence P25             |
//|   5. MEAN_REVERTING- GPH d P25 + clustering P25                  |
//|   6. NORMAL        - residual                                    |
//+------------------------------------------------------------------+
RegimeAnalysis RegimeClassifier(const RobustFractalAnalysis  &rfa,
                                 const VolatilityAnalysis     &va,
                                 const MicrostructureAnalysis &msa,
                                 const OrderFlowAnalysis      &ofa)
  {
   RegimeAnalysis result;
   result.regime          = REGIME_NORMAL;
   result.confidence      = 0.0;
   result.composite_score = 0.0;

   //--- Thresholds (NQ M1, May 2024-May 2026 calibration)
   const double RV_P75      = 0.000501; // realized_vol 75th pct
   const double RV_P90      = 0.000630; // realized_vol 90th pct
   const double NOISE_P75   = 0.6317;   // noise_ratio 75th pct
   const double NOISE_P25   = 0.5666;   // noise_ratio 25th pct
   const double VPIN_P75    = 0.5393;   // vpin 75th pct
   const double CL_P75      = 0.2026;   // clustering_idx 75th pct
   const double CL_P25      = 0.0756;   // clustering_idx 25th pct
   const double CL_MED      = 0.1376;   // clustering_idx median
   const double DA_MED      = 0.8747;   // delta_alpha median
   const double GPH_P25     = -0.0611;  // gph_d 25th pct
   const double FC_P25      = 0.6790;   // flow_confidence 25th pct

   //--- Input fields
   double rv     = va.realized_vol;
   double noise  = msa.noise_ratio;
   double vpin   = ofa.vpin;
   double cl     = va.clustering_index;
   double da     = rfa.multifractal_width;
   double gph_d  = rfa.arfima_d;
   double fc     = ofa.flow_confidence;
   double flow_i = ofa.flow_imbalance;
   double mfdfa_c= rfa.dimension_confidence;

   //--- Reliability: geometric mean of MFDFA confidence and flow confidence
   //--- Roll confidence excluded - near-zero on NQ M1 (Part 5)
   double mfdfa_safe = MathMax(0.01, MathMin(1.0, mfdfa_c));
   double fc_safe    = MathMax(0.05, fc);
   double reliability= MathSqrt(mfdfa_safe * fc_safe);

   //--- 1. STRESSED
   int s_count = 0;
   if(fc <= 0.0)                             s_count++; // jump-contaminated
   if(rv > RV_P90)                            s_count++; // extreme vol
   if(rv > RV_P75 && noise > NOISE_P75)      s_count++; // vol + noise spike
   if(s_count > 0)
     {
      result.regime     = REGIME_STRESSED;
      result.confidence = MathMin(1.0, 0.55 + 0.15*s_count) * reliability;
      return result;  // composite_score = 0 for stressed
     }

   //--- 2. INFORMED: all four conditions required
   if(vpin  > VPIN_P75
      && noise < NOISE_P75
      && cl    > CL_MED
      && fc    > FC_P25)
     {
      double conf = MathMin(1.0,
                    0.55 + (vpin - VPIN_P75) * 5.0) * reliability;
      result.regime          = REGIME_INFORMED;
      result.confidence      = conf;
      result.composite_score = MathSign(flow_i) * conf * 0.5;
      return result;
     }

   //--- 3. TRENDING: clustering P75 + delta_alpha below median
   if(cl    > CL_P75
      && da    < DA_MED
      && noise < NOISE_P75)
     {
      double conf = MathMin(1.0,
                    0.50 + (cl - CL_P75) / 0.40) * reliability;
      result.regime          = REGIME_TRENDING;
      result.confidence      = conf;
      result.composite_score = MathSign(flow_i) * conf * 0.6;
      return result;
     }

   //--- 4. NOISY: noise P75 + flow_confidence P25
   if(noise > NOISE_P75 && fc < FC_P25)
     {
      double conf = MathMin(1.0,
                    0.50 + (noise - NOISE_P75) * 3.0) * reliability;
      result.regime     = REGIME_NOISY;
      result.confidence = conf;
      return result;  // composite_score = 0 for noisy
     }

   //--- 5. MEAN-REVERTING: GPH d P25 + clustering P25
   if(gph_d < GPH_P25 && cl < CL_P25)
     {
      double conf = MathMin(1.0,
                    0.45 + MathAbs(gph_d) * 1.5) * reliability;
      result.regime          = REGIME_MEAN_REVERTING;
      result.confidence      = conf;
      result.composite_score = -MathSign(flow_i) * conf * 0.4;
      return result;
     }

   //--- 6. NORMAL: residual
   result.regime          = REGIME_NORMAL;
   result.confidence      = MathMin(1.0,
                             0.30 + 0.40*fc) * reliability;
   result.composite_score = 0.05 * MathSign(flow_i) * fc;
   return result;
  }
PopulateRegimeAnalysis()

Функция-обертка полной цепочки измерений последовательно вызывает все шесть функций Populate(), а затем запускает классификатор. Это единая точка входа для пользователей, которым нужна вся цепочка за один вызов. Для пользователей, отдельно вызывающих функции Populate(), предусмотрена перегрузка, принимающая предварительно заполненные структуры.

//+------------------------------------------------------------------+
//| PopulateRegimeAnalysis: full measurement chain + classifier.     |
//| Calls Parts 2-6 Populate() functions in sequence.                |
//| vol_baseline: 20-session rolling mean bar volume (caller).       |
//+------------------------------------------------------------------+
void PopulateRegimeAnalysis(const string symbol, const int tf,
                             const int period,
                             RegimeAnalysis         &regime_out,
                             RobustFractalAnalysis  &rfa,
                             VolatilityAnalysis     &va,
                             MicrostructureAnalysis &msa,
                             OrderFlowAnalysis      &ofa,
                             double vol_baseline = 0.0)
  {
   PopulateHurstAnalysis          (symbol, tf, period, rfa);
   PopulateMultifractalAnalysis   (symbol, tf, period, rfa);
   PopulateVolatilityAnalysis     (symbol, tf, period, va, rfa);
   PopulateMicrostructureAnalysis (symbol, tf, period, msa, rfa);
   PopulateOrderFlowAnalysis      (symbol, tf, period, ofa, msa, va,
                                   vol_baseline);
   regime_out = RegimeClassifier  (rfa, va, msa, ofa);
  }

//+------------------------------------------------------------------+
//| Overload: classifier only (pre-populated structs).               |
//+------------------------------------------------------------------+
void PopulateRegimeAnalysis(const RobustFractalAnalysis  &rfa,
                             const VolatilityAnalysis     &va,
                             const MicrostructureAnalysis &msa,
                             const OrderFlowAnalysis      &ofa,
                             RegimeAnalysis               &regime_out)
  {
   regime_out = RegimeClassifier(rfa, va, msa, ofa);
  }
Эмпирическое исследование — классификация режимов NQ на таймфрейме M1

Классификатор применялся к данным 514 нью-йоркских сессий фьючерсов NQ на таймфрейме M1 (май 2024 г. - май 2026 г.) с использованием объединенных выходных данных из четвертой, пятой и шестой частей. Используются пороги, откалиброванные по этому набору данных и приведенные выше в функции классификатора. В выборке присутствуют все четыре названных стрессовых эпизода из четвертой — шестой частей.

Figure 1 - Regime timeline across 514 NQ sessions with confidence scores

Рис. 1. Вверху — классификация режимов по 514 сессиям NQ (май 2024 г. - май 2026 г.). Каждая точка соответствует одной сессии; размер точки отражает достоверность классификации. Внизу — временной ряд достоверности, окрашенный по режимам. Тарифный шок апреля 2025 года и шок Банка Японии полностью отнесены к стрессовому режиму. Тарифный эпизод апреля 2026 года преимущественно относится к нормальному режиму.

Таблица 1. Частота режимов (514 сессий, NQ M1)
Режим Сессии % Средняя достоверность Средняя составная оценка направления
Нормальный 257 50,0% 0,493 0,036
Стрессовый 110 21,4% 0,444 0,000
Шумовой 51 9,9% 0,484 0,000
Информированный 38 7,4% 0,540 0,270
Трендовый 37 7,2% 0,593 0,356
Возврат к среднему 21 4,1% 0,505 -0,202

Распределение хорошо сбалансировано: ни один режим не пуст, а доля нормального остаточного режима в 50% соответствует рынку, примерно половину времени находящемуся в состоянии без ярко выраженного режима. Доли трендового режима в 7% и режима возврата к среднему в 4% соответствуют их определениям: для срабатывания каждого нужно одновременное выполнение нескольких условий, что намеренно ограничивает число таких сессий. Частота стрессового режима (21%) выше ожидаемой. Это связано с периодом выборки NQ M1, включающим четыре идентифицируемых макроэкономических события и повышенную волатильность с апреля 2025 года.

Figure 2 - Box plots of realized vol, noise ratio, and clustering index by regime

Рис. 2. Реализованная волатильность (слева), коэффициент шума (в центре) и индекс кластеризации (справа) по режимам. Проверка внутренней согласованности: у трендового режима самая высокая кластеризация, у режима возврата к среднему — самая низкая. У шумового режима самый высокий коэффициент шума. У стрессового режима самое широкое распределение волатильности. Эти различия подтверждают, что классификатор выделяет разные рыночные условия, а не произвольные категории.

Таблица 2. Характеристики режимов
Режим Реализованная волатильность Относительно нормального режима Коэффициент шума Индекс кластеризации Достоверность сигнала потока VPIN-60
Нормальный 0,000364 — 0,585 0,142 0,722 0,514
Стрессовый 0,000671 1,8x 0,620 0,123 0,430 0,533
Шумовой 0,000393 1,1x 0,674 0,102 0,621 0,543
Информированный 0,000395 1,1x 0,594 0,231 0,718 0,559
Трендовый 0,000348 0,96x 0,578 0,286 0,726 0,514
Возврат к среднему 0,000311 0,85x 0,585 0,032 0,722 0,519

Внутренняя согласованность классификатора видна в таблице характеристик. Трендовый режим по определению имеет максимальный индекс кластеризации (0,286, в 2,0 раза выше нормального режима): кластеризация выше 75-го процентиля — обязательное условие. Режим возврата к среднему по определению имеет минимальный индекс кластеризации (0,032): требуется значение ниже 25-го процентиля. Шумовой режим по определению имеет максимальный коэффициент шума (0,674). Это не совпадения: они подтверждают, что условия классификатора реализованы правильно.

Три вывода не сводятся к чисто механическим следствиям. В стрессовых сессиях достоверность сигнала потока существенно ниже (0,430 против 0,722), хотя это не задано явным условием. Условие скачков и порог волатильности вместе выявляют сессии с ухудшением сигнала потока ордеров. В информированных сессиях VPIN максимален (0,559), но сам по себе не служит достаточным условием. Совместное выполнение условий отсеивает сессии с высоким VPIN в шумной среде. В трендовых сессиях реализованная волатильность ниже нормального уровня (0,96× нормального режима). Это устойчиво подтверждает, что направленный моментум связан скорее с упорядоченной, чем с турбулентной ценовой динамикой.

Соотнесение стрессовых эпизодов

Классификатор присваивает режимы четырем указанным стрессовым эпизодам:

Эпизод Сессии Стрессовый режим Прочие режимы Интерпретация
Шок Банка Японии (август 2024 г.) 8 8 (100%) 0 Чистый эпизод волатильности — охвачены все сессии
Тарифный шок, апрель 2025 г. 14 14 (100%) 0 Эпизод с наивысшей волатильностью — охвачены все сессии
Решение ФРС (декабрь 2024 г.) 6 3 (50%) 3 (информированный/нормальный) Умеренный эпизод — частичный охват
Тарифный шок, апрель 2026 г. 18 1 (6%) 17 (нормальный/трендовый) Адаптация — рынок не в стрессовом режиме

Эпизоды Банка Японии и апреля 2025 года полностью классифицированы как стрессовые, что соответствует их экстремальной волатильности и шуму, описанным в четвертой и пятой частях. Эпизод решения ФРС в декабре 2024 года охвачен лишь частично. В трех из шести сессий волатильность превышает пороговые значения. Остальные три сессии классифицированы как информированные или нормальные. Это отражает резкий, но кратковременный эпизод, тяжесть которого различалась в пределах шести сессий.

Тарифный эпизод апреля 2026 года преимущественно классифицирован как нормальный (15 из 18 сессий); две сессии трендовые, одна — стрессовая. Это правильный результат с учетом эмпирических данных: в четвертой части волатильность ниже нормы (0,91× нормального режима), в пятой шум ниже нормы (0,564 против 0,603), а в шестой SMI максимален в выборке (0,147). Рынок адаптировался. Классификатор режимов подтверждает эту адаптацию без предварительного задания такого результата: нормальная и трендовая классификации возникают из данных, а не из специального правила для эпизода 2026 года.

Figure 3 - Composite score by regime and regime frequency pie chart

Рис. 3. Слева — средняя составная оценка направления по режимам с полосами стандартного отклонения. Трендовый (0,356) и информированный (0,270) режимы несут положительные направленные сигналы; режим возврата к среднему (-0,202) — отрицательный сигнал (торговля против текущего направления). Стрессовый и шумовой режимы не несут направленного сигнала. Справа — распределение частоты режимов по 514 сессиям.

Ограничения

Классификатор режимов — система на основе правил, откалиброванная по NQ M1 на конкретном 27-месячном периоде. Здесь важны три ограничения.

Во-первых, это эмпирические пороговые значения на основе процентилей для одного инструмента и одного периода выборки. Это не статистически выведенные границы принятия решений и не формально оптимальные значения. Для другого инструмента, таймфрейма или периода выборки распределения волатильности, шума, кластеризации и d будут иными. Перед практическим применением классификатора заново определите все пороги по собственным данным. Именно поэтому пороговые константы сгруппированы в начале функции RegimeClassifier().

Во-вторых, порядок приоритетов правил — проектное решение, а не оптимум. В этом порядке стрессовый режим проверяется первым, а нормальный — последним. Такой консервативный подход отдает предпочтение осторожности, а не сигналу. Другой порядок приоритетов дал бы другие частоты режимов. Например, если проверять трендовый режим перед стрессовым, некоторые сессии с высокой волатильностью и кластеризацией будут отнесены к трендовому, а не к стрессовому. Ни один порядок не является объективно правильным; выбор должен отражать допустимый риск конкретного приложения.

В-третьих, классификатор не проверен на вневыборочных данных. Пороги откалиброваны и применены к одной и той же выборке из 514 сессий. Проверка на вневыборочных данных — предсказывают ли метки режимов будущую доходность или эффективность стратегии на отложенной выборке — описана в сопутствующей работе на SSRN. Эта статья реализует только слой измерений.

Базовые показатели также ограничены агрегацией на таймфрейме M1, как показано в пятой и шестой частях. Спред Ролла и VPIN_OHLC на минутных данных являются приближениями. Классификатор режимов использует эти приближения, поэтому его возможности обнаруживать информированный поток на уровне баров ограничены. При наличии тиковых данных рассчитывайте базовые показатели в тиковом разрешении до классификации. Функция RegimeClassifier() принимает любые заранее заполненные структуры и не зависит от способа их заполнения.

Практическое применение

Пороги в функции RegimeClassifier() определены как локальные константы; их нужно скорректировать под ваш инструмент и таймфрейм. Повторная калибровка проводится так: запустите функции Populate() из четвертой — шестой частей на исторической выборке, вычислите ключевые процентили по результатам и замените значения констант.

//--- Full measurement chain: one call from OnTick() or OnBar()
RobustFractalAnalysis  rfa;
VolatilityAnalysis     va;
MicrostructureAnalysis msa;
OrderFlowAnalysis      ofa;
RegimeAnalysis         reg;

PopulateRegimeAnalysis(Symbol(), PERIOD_M1, 390, reg, rfa, va, msa, ofa,
                       vol_baseline);   // vol_baseline: 20-session rolling mean

//--- Regime-conditioned position sizing
double base_size = 1.0;
switch(reg.regime)
  {
   case REGIME_STRESSED:
      base_size = 0.0;   // stand aside
      break;
   case REGIME_NOISY:
      base_size = 0.3;   // reduce materially
      break;
   case REGIME_TRENDING:
      base_size = 1.2;   // increase modestly
      break;
   case REGIME_INFORMED:
      base_size = 1.0;   // normal, but align with composite direction
      break;
   case REGIME_MEAN_REVERTING:
      base_size = 0.7;   // reduce and fade current direction
      break;
   default:              // REGIME_NORMAL
      base_size = 1.0;
      break;
  }

//--- Scale by confidence and composite direction
if(reg.confidence < 0.40) base_size *= 0.5; // low confidence: halve
double direction = (MathAbs(reg.composite_score) > 0.1)
                    ? MathSign(reg.composite_score) : 0.0;
double final_size = direction * base_size * reg.confidence;

Структура папок и путь к подключаемому файлу

Все дополнения седьмой части вносятся в существующий заголовочный файл базового слоя. Новые файлы не создаются. Структура папок остается прежней:

MQL5\
+-- Indicators\
    +-- HurstProfile\
        +-- HurstProfile.mq5
        +-- Includes\
            +-- MicroStructure_Foundation.mqh

#include "Includes\MicroStructure_Foundation.mqh"


Заключение

Функция RegimeClassifier() сводит одиннадцать показателей из частей 2-6 к одной практически применимой метке и оценке достоверности. Шесть категорий режимов — нормальный, стрессовый, шумовой, информированный, трендовый и возврат к среднему — соответствуют разным рыночным условиям с разными характеристиками волатильности, шума, кластеризации и потока ордеров. Это подтверждает межрежимная статистика по 514 сессиям NQ на таймфрейме M1.

Эмпирическое исследование дает четыре вывода, дополняющих общую логику серии статей. Эпизоды Банка Японии и апреля 2025 года полностью классифицированы как стрессовые — это чистые эпизоды волатильности, для которых составная оценка направления корректно равна нулю. Апрельский эпизод 2026 года преимущественно классифицирован как нормальный и трендовый — адаптация рынка подтверждена на уровне режимов без необходимости в специальной обработке. Трендовый режим имеет наивысшую достоверность классификации (0,593) и наиболее сильную составную оценку направления (0,356). Именно в этих сессиях цепочка показателей из частей 2-6 дает наиболее надежный результат. Режим возврата к среднему, на который приходится 4% сессий, — самый редкий из выделенных режимов и наиболее четко определенный. Сессии с большим по модулю отрицательным d и почти нулевым индексом кластеризации представляют собой действительно отдельное структурное состояние.

Проверка цепочки показателей на вневыборочных данных — правило расчета размера позиции с учетом метки режима в сравнении с безусловным базовым вариантом — описана в сопутствующей работе на SSRN. В восьмой части создается индикатор микротренда, который вводит классификатор режимов в практическое использование.


Как получить исходный код через MQL5 Algo Forge

Algo Forge предоставляет облачный контроль версий на базе Git, поэтому вам будет доступна актуальная версия кода, в том числе обновления и исправления после публикации статьи. Полный репозиторий доступен в MQL5 Algo Forge.

Список литературы


Перевод с английского произведен MetaQuotes Ltd.
Оригинальная статья: https://www.mql5.com/en/articles/22940

Прикрепленные файлы |
Загрузить ZIP
HurstProfile.mq5 (12.98 KB)
MicroStructure_Foundation.mqh (101.67 KB)

Предупреждение: все права на данные материалы принадлежат MetaQuotes Ltd. Полная или частичная перепечатка запрещена.

Данная статья написана пользователем сайта и отражает его личную точку зрения. Компания MetaQuotes Ltd не несет ответственности за достоверность представленной информации, а также за возможные последствия использования описанных решений, стратегий или рекомендаций.

Max Brown
Max Brown

Другие статьи автора

Перейти к обсуждению на форуме трейдеров
Персистентная гомология в MQL5: Алгоритм приведения и диаграмма персистентности Персистентная гомология в MQL5: Алгоритм приведения и диаграмма персистентности
Мы завершаем реализацию персистентной гомологии в MQL5, приводя граничную матрицу Вьеториса-Рипса к диаграмме персистентности. В статье реализованы столбцовое приведение над Z/2 (CTDAReduction), контейнер диаграммы с аналитическими методами (CTDADiagram) и фасад CTDA, запускающий шестиэтапный пайплайн одним вызовом. Результаты проверяются сравнением с Ripser до численного совпадения, что позволяет надежно вычислять метрики по диаграммам.
За пределами GARCH (Часть VII): Прогнозирование волатильности методом Монте-Карло в MQL5 За пределами GARCH (Часть VII): Прогнозирование волатильности методом Монте-Карло в MQL5
Мы реализуем модуль CMonteCarlo, который преобразует подогнанные параметры MMAR в прогноз волатильности методом Монте-Карло. Модуль выполняет N независимых симуляций на выбранном горизонте прогнозирования и возвращает среднее, медиану, стандартное отклонение и 95-процентный доверительный интервал на основе процентилей. При необходимости доступны значения каждого прогона. Адаптивная глубина каскада выбирает минимальное k, при котором b^k покрывает горизонт прогнозирования, обеспечивая быстродействие и согласованность симуляции.
MQL5 Bootstrap (II): Основные валидаторы для надежных торговых систем MQL5 Bootstrap (II): Основные валидаторы для надежных торговых систем
В статье создается переиспользуемый слой валидации для советников MQL5. В ней реализованы правила размера лота и его нормализации, проверки SL/TP и уровня заморозки, нормализация цен по количеству знаков, проверка достаточности маржи, фильтрация неизменных уровней при модификации, контроль лимита ордеров на счете, обнаружение нового бара, проверка доступности символа для торговли, новостные окна экономического календаря и функции определения торговых сессий. В результате код становится чище, а число ошибок терминала в реальной торговле уменьшается.
Рыночная микроструктура в MQL5 (Часть 6): Поток ордеров Рыночная микроструктура в MQL5 (Часть 6): Поток ордеров
В этой статье в MicroStructure_Foundation.mqh добавляются шесть функций анализа потока ордеров и новая структура OrderFlowAnalysis: VPINOHLC, дисбаланс потока с учетом направления, интенсивность торговли относительно базового уровня за 20 сессий, индекс умных денег как разность поздней и ранней внутрисессионной доходности, моментум потока и функция-обертка, возвращающая вес достоверности. Достоверность сигнала потока фильтруется по шуму из пятой части и интенсивности скачков из четвертой. Реализация откалибрована на 602 нью-йоркских сессиях NQ на таймфрейме M1 и формирует готовые внутридневные сигналы потока с описанными пороговыми значениями.