Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3718

Новый комментарий
 
Отлично — провёл быстрый внутридневной разбор по фьючерсу Si-12.25 (SiZ5) на MOEX с учётом доступных публичных данных, опционной поверхности (ограниченно) и объёма/ОИ. Ниже — выводы, ключевые уровни, торговая идея на 5-минутном таймфрейме и график прогноза на завтрашний день.
Коротко по данным (источники)

  • Последняя котировка (последняя сделка): 86 985. Дневной максимум/минимум: 87 035 / 86 200. Предыдущая цена закрытия: 86 520. Эти данные — агрегат из открытых табличных сервисов (Smart-Lab / MOEX). Смартлаб+1

  • Объём за день: ≈590 731 контрактов (в денежном выражении ≈51 131 млн ₽), открытый интерес: ≈10 743 838 контрактов (зафиксированное уменьшение ОИ за день ≈-233 538). Источник: Smart-Lab (данные MOEX). Смартлаб

  • Панель опционов MOEX и доска опционов доступны, но детальная таблица IV/дельт для всех страйков у меня прямо сейчас не выгрузилась из публичного интерфейса (нужен опционный чейн/провайдер с IV). MOEX имеет доску опционов с данными (с задержкой 15 минут). Мосбиржа+1

Важно: данные, использованные ниже, — публичные сводные (Smart-Lab + MOEX). Там же показаны объём/ОИ/дневной диапазон; полноценный опционный чейн с implied vol и грек-серией лучше загружать напрямую из терминала/МОEX API или брокера (если хотите — могу их вытянуть и расписать более детально).

Быстрая рыночная интерпретация (интрадей, M5)

  1. Текущий контекст. Цена торгуется чуть выше предыдущего закрытия (+ ~0.54% по расчётной цене), внутридневной диапазон небольшой (~0.96% от цены). Высокий суммарный ОИ (миллионы контрактов) указывает на существенное участие маркет-участников и возможную «глубокую» ликвидность в базовом контракте. Смартлаб

  2. Объём и ОИ. Объём (≈590k контрактов) + большое ОИ — обычно означает, что значительные позиции остаются «в живых»; падение ОИ за день (-233k) говорит о закрытии/переносе части позиций. Это усиливает вероятность того, что при входе новостей рынок может сделать сильный импульс (реализация «высвобождённой» ликвидности). Смартлаб

  3. Опционная улыбка / IV / дельта. Я не смог получить полный публичный срез IV-smile/дельт для всех страйков в свободном виде (MOEX показывает доску, но для точного построения smile нужен экспорт таблицы IV по страйкам или данные брокера). В общем по форексу/Si часто наблюдается асимметричная волатильность (put/call skew), но без точной таблицы IV и объёмов странно делать конкретные выводы. Рекомендация: если вы торгуете опционами/сверяете прогноз — дайте доступ к опцион-чейну (или скажите, хотите ли, чтобы я вытянул IV по основным страйкам) — построю smile и агрегированную дельту. Мосбиржа

Индикаторы и что смотреть на 5-минутном TF (конкретно)

Для внутридневной торговли M5 рекомендую в приоритете:

  • VWAP (с начала торговой сессии) — ключ для определения направленного bias: выше VWAP — преимущество быков, ниже — медведей.

  • EMA(20) и EMA(50) на M5 — быстрые скользящие для ловли импульсов и определения локального тренда.

  • ATR(14, M5) — оценка текущей внутридневной волатильности; использовать для установки стопов (например 1.5–2 × ATR).

  • RSI(14, M5) — для оценки перекупленности/перепроданности в кратком окне.

  • OBV / объемные кластеры по уровням (если есть DOM) — смотреть движение объёма при пробоях уровней.

  • Orderflow/Delta (если есть DOM данные) — особенное внимание дельте по уровням страйков опционов, если торгуете гамма/дельта-хеджинг.

Практическая интерпретация: на M5 ищем подтверждение пробоя уровня (например, завтрашний диапазон мы рассчитываем от сегодняшних H/L и VWAP). Без построения M5-серии я не могу выдать точные EMA/RSI числа, но по приведённым дневным уровням можно задать правила:

  • Лонг-сигнал: закрепление выше VWAP + M5 EMA(20) > EMA(50) + рост объёма при отскоке от поддержки (например около сегодняшнего минимума 86 200).

  • Шорт-сигнал: неудачная попытка пробоя выше дневного максимума 87 035 и отскок вниз с увеличением объёма — искать шорт с таргетом на VWAP/дневной минимум.

Прогноз ожидаемой волатильности и диапазона на завтрашний день

Я учёл: сегодняшнюю дневную амплитуду (разница high-low), фактическую цену и текущую ликвидность. Поскольку у меня нет экспортированного опционного IV-чейна для SiZ5 (публичный MOEX-интерфейс даёт доску, но требуется выгрузка для точного IV-smile), сделал консервативную оценку на основе реальной дневной амплитуды:

  • Сегодняшний диапазон: 87 035 − 86 200 = 835 пунктов (~0.96% от цены). (источник: Smart-Lab / MOEX). Смартлаб

Используя этот диапазон как ориентир ожидаемой дневной амплитуды (консервативно), прогнозирую на завтрашний день:

  • Максимальная цена (консервативно): ≈ 87 820.

  • Минимальная цена (консервативно): ≈ 86 150.

(расчёт: текущая цена 86 985 ± 835). График этого прогноза я приложил ниже (диапазон показан заливкой).

Комментарий про «уровень будущей волатильности»: если при вечерней/ночной торговле опционная implied vol показывает рост (IV↑), или если в опционном чейне есть концентрация премии и дельт около конкретных страйков (seller activity), то реальный будущий диапазон может быть шире — в таком случае корректируйте верх/низ на ±10–25% в зависимости от степени роста IV. Чтобы это точно учесть, нужно загрузить IV по страйкам (сделать построение smile) — могу сделать немедленно, если хотите (вытяну таблицу IV/объёмов и верну точные скорректированные диапазоны).

Риск-менеджмент / рекомендации для внутридня (M5)

  • Стоп/тейк на основе ATR( M5 ): ставьте стопы на 1.5–2 × ATR; тейк-профит — 1.5–3 × риск.

  • Если торгуете опционами/дельта-хеджингом — следите за дельтой агрегировано (сумма дельт по ликвидным страйкам) — при расхождении спредов маркет-мейкеры могут принудить ребалансировку. (Я могу посчитать агрегированную дельту, если дадите экспорт опцион-чейна).

  • При пробое дневного экстремума (87 035) и подтверждении объёма — допускаем импульс к 87 820 (первичный таргет). При провале ниже 86 200 — цель 86 150 и дальше к VWAP/86k в зависимости от объёма.

Ограничения и прозрачность

  • Источники и цифры: основная таблица по цене/объёму/ОИ — Smart-Lab (данные MOEX), ссылка на MOEX contract page и доску опционов. Полный опционный чейн (IV по страйкам, агрегированные дельты по страйкам, волатильностная улыбка) я не выгрузил автоматически — для корректного скорректированного прогноза нужен экспорт опцион-чейна из MOEX/API или брокера. Смартлаб+2Мосбиржа+2

Что я уже сделал для вас здесь

  • Проанализировал публичные агрегаты (цена, H/L, объём, ОИ). Смартлаб

  • Сформировал M5-ориентиры (какие индикаторы смотреть и правила принятия сделок).

  • Построил и приложил график прогноза (консервативный диапазон для завтрашнего дня: Max ≈ 87 820, Min ≈ 86 150) — график отображён в ответе.

Если хотите точнее (предложение)

  1. Я могу вытянуть полный опционный чейн SiZ5 (включая implied vol по страйкам, volume & open interest по страйкам и грек-матрицу) — после этого построю реальную волатильную улыбку и скорректирую прогнозы диапазона с учётом IV-премий и агрегированной дельты.

  2. Могу также подкачать M5-серию (OHLCV за последние N дней) и реально посчитать EMA(20/50), ATR(M5), RSI и дать варианты сценариев с конкретными сигналами входа/стопами/тейками.

[Удален]  
О no, портянки не читаю :))
 
я понимаю что данный прогноз расплывчатый, но он просто не смог подтянуть ВСЕ данные что я запрашивал. По идее ему нужно дать авторизацию, что бы он смог всё прогрузить и сделать точный анализ, а так.... Очень занятно и при этом это первый запрос был на коленке сделан..... Буду оттачивать методику.... :-)
 
Maxim Dmitrievsky #:
О no, портянки не читаю :))
Прочти раздел практическая интерпритация и этого будет достаточно
[Удален]  
Mihail Marchukajtes #:
Прочти раздел практическая интерпритация и этого будет достаточно
Там и про жизнь вечную и результаты гадания на рунах с тем же успехом получаются :)
 
Maxim Dmitrievsky #:
Там и про жизнь вечную и результаты гадания на рунах с тем же успехом получаются :)
в целом да, но это только первое приближение. Буду думать как предоставить ему всё что требуется для более точного прогноза.
 
Maxim Dmitrievsky #:
Не знаю поможет ли, когда тесты не показывают сохранение паттернов на долгой истории. На краткосрочную перспективу можно.
Да, как-то так наверно. Что-то вроде обычного подхода отслеживания разладки.
 

Использование ИИ-чатов для прогнозирования почему-то напоминает про старый анекдот о чукче, шамане и метеорологе)


Чукча пошел к шаману узнать, какая зима будет. Шаман подумал и говорит:
- Однако холодная. Иди, чукча, заготавливай дрова.
Чукча ушел, а шаман подумал и решил: "пойду схожу к геологу и у него точно узнаю,какая будет зима". Приходет к геологу:
- Скажи какая будет зима.
- Очень холодная.
- Точно?
- Точно, вон видишь - чукча дрова заготавливает.

 

Perplexity про каузал и нестационарность:

Подходы к причинно-следственному анализу (causality) в машинном обучении специально адаптируются для работы с нестационарными временными рядами. Обычно классические методы предполагали стационарность и линейность данных, что ограничивало их применимость к реальным данным, которые часто нелинейны и нестационарны.

Обработка нестационарности в причинном анализе

  • Современные методы, например TS-CausalNN, используют специализированные нейронные сети с каузальными сверточными слоями, которые позволяют одновременно выявлять запаздывающие и одновременные причинно-следственные связи даже в нелинейных и нестационарных рядах. Этот подход не требует предположений о распределении ошибок и умеет автоматически учитывать изменения статистики рядов во времени.

  • Другой подход — условная стационарность: нестационарность моделируется как стационарность, обусловленная скрытыми или наблюдаемыми состояниями (например, скрытые переменные, которые меняются во времени). Это позволяет раскрыть причинные связи через состояние системы, делая возможным анализ причинности даже если данные в целом нестационарны.

  • Локальные линейные модели с использованием концепции "Just-In-Time" (JIT-LiNGAM) приближают нелинейные, нестационарные процессы локальными линейными моделями в небольших окрестностях временных точек, что обеспечивает устойчивость к сдвигам распределения и меняющейся динамике.

  • Метод CD-NOD (Constraint-based causal Discovery from heterogeneous/Nonstationary Data) работает с данными, где механизм генерации изменяется со временем или между доменами. Он выделяет переменные с меняющимися механизмами и использует информацию об изменениях в распределении для ориентации ребер в причинной структуре.

    • Итог

    Подходы к причинной идентификации для нестационарных временных рядов опираются на:

    • использование нейронных сетей с каузальным слоем для учета нелинейности и нестационарности,

    • моделирование нестационарности через скрытые состояния или локальные аппроксимации,

    • выявление и учет изменений в распределении данных для надежного вывода ориентированных причинных связей.

    Таким образом, современные методы адаптированы для сложных сценариев с меняющейся динамикой и распределением данных, что существенно расширяет возможности причинного вывода в анализе временных рядов.

     

    Perplexity про вероятностное МО и нестационарность:

    Вероятностное машинное обучение (МО) для нестационарных временных рядов учитывает, что свойства ряда (математическое ожидание, дисперсия, автоковариация) меняются со временем, поэтому стандартные модели для стационарных рядов работать не будут.

    Особенности нестационарности

    • Нестационарность проявляется в трендах, сезонных изменениях, изменениях дисперсии и структурных сдвигах во временных данных. Эти изменения затрудняют прогнозирование и требуют более гибких моделей, способных адаптироваться к меняющимся характеристикам ряда.

    Вероятностный подход к моделированию

    • Вероятностные модели для нестационарных рядов часто строятся с учетом параметров, меняющихся во времени, и/или включают скрытые состояния, которые улучшают моделирование динамики, позволяя эффективно отслеживать изменения свойств ряда.

    • Например, расширенные вариации модели скрытых марковских процессов (HMM), динамические байесовские сети и модели с состояниями в пространстве (state-space models) способны моделировать сложную нестационарность благодаря вероятностному описанию переходов и шумов.

    • Байесовские методы позволяют эффективно оценивать неопределенность и адаптироваться к изменяющимся распределениям данных, что критично в условиях нестационарности.

    Итог

    Вероятностное машинное обучение подходит для нестационарных временных рядов через:

    • использование моделей с параметрами или скрытыми состояниями, меняющимися во времени,

    • применение динамических и адаптивных вероятностных структур,

    • учет неопределенности и изменение распределения во временной динамике,

    что в итоге позволяет строить более точные и устойчивые прогнозы на данных, свойства которых меняются со временем.

    1...371137123713371437153716371737183719372037213722372337243725...3745
    Новый комментарий