Сигналы, предсказывающие рынок: Новый взгляд на причинность во времени

Автор: Денис Аветисян

В статье представлен метод построения причинно обоснованных сигналов для финансовых временных рядов, способный повысить эффективность стратегий в определенных рыночных условиях.

☕️

Читаем отчёты, пьём кофе, ждём дивиденды. Если тебе надоел хайп и ты ищешь скучную, но стабильную гавань — добро пожаловать.

Бесплатный Телеграм канал

Применение единого порогового значения <span class="katex-eq" data-katex-display="false">\theta = 0.06</span> к ориентированному на будущее причинному наблюдаемому <span class="katex-eq" data-katex-display="false">\mathscr{F}(t)</span> и к исходному составному сигналу <span class="katex-eq" data-katex-display="false">\mathscr{F}_{0}(t)</span> для EURUSDT на минутном интервале демонстрирует сопоставимую динамику кумулятивной доходности относительно стратегии «купи и держи» и кумулятивного числа изменений состояний (сделок), указывая на устойчивость подхода к различным формам входных данных. — Применение единого порогового значения $\theta = 0.06$ к ориентированному на будущее причинному наблюдаемому $\mathscr{F}(t)$ и к исходному составному сигналу $\mathscr{F}_{0}(t)$ для EURUSDT на минутном интервале демонстрирует сопоставимую динамику кумулятивной доходности относительно стратегии «купи и держи» и кумулятивного числа изменений состояний (сделок), указывая на устойчивость подхода к различным формам входных данных.

Исследование посвящено разработке и анализу наблюдаемых величин, учитывающих нестационарность финансовых рынков и зависимость от текущего режима.

Несмотря на широкое использование прогностических моделей в финансах, сохраняется проблема построения надежных сигналов в условиях нестационарности рынков. В статье «Forward-Oriented Causal Observables for Non-Stationary Financial Markets» предложен метод конструирования причинно-следственных наблюдаемых, основанный на комбинации фильтрации Кальмана и адаптивных операторов, для прогнозирования краткосрочной динамики финансовых временных рядов. Показано, что разработанный подход демонстрирует экономическую значимость в определенных рыночных режимах, однако его эффективность снижается при смене этих режимов. Возможно ли создание универсальной стратегии адаптивного построения сигналов, способной эффективно функционировать в условиях постоянного изменения рыночной конъюнктуры?

Нестационарность Финансовых Рядов: Пророчество Сбоя

Анализ финансовых временных рядов сопряжен с рядом специфических трудностей, обусловленных их внутренней нестационарностью. В отличие от многих других типов данных, характеристики финансовых рядов, такие как среднее значение и дисперсия, изменяются во времени, что делает их непредсказуемыми при использовании стандартных статистических методов. $\mu_t$ и $\sigma_t^2$ — среднее значение и дисперсия в момент времени t — не являются постоянными, а подвержены влиянию множества факторов, включая экономические новости, политические события и даже психологические настроения участников рынка. Неучет этой нестационарности может привести к ложным выводам и неэффективным прогнозам, поэтому для адекватного анализа требуется применение специализированных методов, способных адаптироваться к изменяющимся условиям и учитывать динамику этих рядов.

Традиционные методы анализа финансовых временных рядов часто оказываются неэффективными из-за их внутренней динамичности и способности к постоянным изменениям. Статистические модели, разработанные для стационарных данных, испытывают трудности при работе с финансовыми активами, демонстрирующими тренды, сезонность и волатильность, которые постоянно трансформируются. Это приводит к снижению точности прогнозов и, как следствие, к неоптимальным инвестиционным решениям. Неспособность адекватно отразить эволюционирующую природу финансовых данных ограничивает применимость классических подходов и подчеркивает необходимость разработки более гибких и адаптивных методов, способных учитывать нелинейные зависимости и переменчивость рыночной конъюнктуры. В частности, $R^2$ и другие метрики оценки качества модели могут значительно снижаться при экстраполяции прогнозов на периоды, отличающиеся от тех, на которых модель обучалась.

Смещение сигнала <span class="katex-eq" data-katex-display="false">\mathscr{F}_{0}(t)</span> во времени приводит к увеличению суммарной прибыли, что демонстрирует зависимость результатов от временной перспективы. — Смещение сигнала $\mathscr{F}_{0}(t)$ во времени приводит к увеличению суммарной прибыли, что демонстрирует зависимость результатов от временной перспективы.

Причинно-Следственный Анализ: Выявление Скрытых Связей

В анализе финансовых временных рядов мы используем причинно-следственный анализ (Causality Analysis) для выявления прогностических взаимосвязей, выходящих за рамки простой корреляции. Традиционные методы корреляционного анализа лишь измеряют статистическую связь между переменными, не определяя, влияет ли одна переменная на другую. Причинно-следственный анализ, напротив, стремится установить направленную связь, то есть определить, что изменение одной переменной является причиной изменения другой. Для этого применяются методы, позволяющие отделить причинные эффекты от случайных совпадений и ложных корреляций, что позволяет строить более надежные и точные прогностические модели. Определение истинных причинно-следственных связей критически важно для разработки торговых стратегий и управления рисками в финансовых рынках.

Построение причинно-следственных сигналов (Causal Signal Construction) подразумевает создание индикаторов, которые основываются на строгих причинно-следственных связях, исключая использование будущих данных для прогнозирования текущих или прошлых событий. Это критически важно для обеспечения возможности вычислений в режиме реального времени (Online Computability), поскольку позволяет последовательно обновлять сигнал по мере поступления новых данных без необходимости пересчета на основе будущей информации. Такая структура гарантирует, что сигнал может быть надежно использован в алгоритмах автоматической торговли и других приложениях, требующих мгновенной реакции на изменения рыночной ситуации. Отсутствие обратной зависимости от будущих значений делает эти сигналы пригодными для применения в системах, где задержка недопустима.

Для моделирования каскадов событий и захвата временных зависимостей в финансовых временных рядах используются процессы Хоукса. Эти самовозбуждающиеся точечные процессы позволяют описывать влияние прошлых событий на вероятность будущих, учитывая задержки и интенсивность возбуждения. В рамках модели, каждое событие увеличивает мгновенную интенсивность будущих событий, при этом влияние убывает со временем согласно заданной функции ядра. Математически, интенсивность $\lambda(t)$ в момент времени $t$ определяется как сумма базовой интенсивности и взвешенной суммы событий, произошедших в прошлом: $\lambda(t) = \mu + \sum_{t_i < t} g(t - t_i)$ , где μ — базовая интенсивность, а $g(t)$ — функция ядра, определяющая убывание влияния. Применение процессов Хоукса позволяет не только моделировать кластеризацию событий, но и строить прогностические сигналы, учитывающие причинно-следственные связи во временных рядах.

Композитный наблюдаемый показатель формируется путем линейной агрегации причинно-ориентированных индикаторов в исходный сигнал <span class="katex-eq" data-katex-display="false">\mathscr{F}_{0}</span>, который затем сглаживается с использованием одномерного фильтра Калмана, где коэффициенты масштабирования обозначены как α. — Композитный наблюдаемый показатель формируется путем линейной агрегации причинно-ориентированных индикаторов в исходный сигнал $\mathscr{F}_{0}$ , который затем сглаживается с использованием одномерного фильтра Калмана, где коэффициенты масштабирования обозначены как α.

Формирование Надежного Композитного Сигнала

Композитный сигнал формируется путем интеграции нескольких технических индикаторов: Индекса относительной силы (RSI), Индекса денежного потока (MFI), разницы между линиями MACD и процента полосы Боллинджера (BB%). Каждый из этих индикаторов предоставляет уникальную информацию о состоянии рынка. RSI оценивает скорость и изменение ценовых движений, MFI анализирует денежные потоки, MACD Difference отражает изменение импульса, а BB% указывает на относительное положение цены в пределах полос Боллинджера. Объединение этих индикаторов позволяет получить более полное и надежное представление о рыночной ситуации, чем использование какого-либо одного индикатора в отдельности.

В процессе построения причинно-следственных сигналов применяется фильтр Калмана для снижения уровня шума и повышения надежности данных. Фильтр Калмана — это рекурсивный алгоритм, оценивающий состояние системы на основе серии неточных измерений. Он эффективно объединяет априорные знания о динамике системы с текущими наблюдениями, предоставляя оптимальную оценку, минимизирующую среднеквадратичную ошибку. Это особенно важно при работе с техническими индикаторами, подверженными рыночному шуму и кратковременным колебаниям, поскольку позволяет получить более стабильный и точный сигнал для последующего анализа и принятия решений. $\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k (z_k - h(\hat{x}_{k|k-1}))$ — основная формула обновления состояния, где $\hat{x}$ — оценка состояния, $z$ — измерение, а $K$ — коэффициент Калмана.

Оператор прогнозирования (Forward Operator) внедряет в составной сигнал структуру, ориентированную на будущие значения, что повышает его прогностическую способность. В отличие от использования исключительно исторических данных, данный оператор использует предварительные оценки для улучшения точности прогнозов. Ключевым аспектом является сохранение возможности вычислений в режиме реального времени (Online Computability), что достигается за счет использования эффективных алгоритмов и избежания сложных рекурсивных вычислений. Это позволяет использовать составной сигнал для принятия оперативных решений в динамически меняющихся условиях, без задержек, связанных с пересчетом данных.

Адаптивная Торговля с Пороговыми Значениями: Эволюция Стратегии

В основе данной стратегии лежит чёткая система принятия решений, основанная на пороговых значениях. Композитный сигнал, формируемый на основе различных индикаторов, служит основой для генерации торговых сигналов. Когда значение этого сигнала пересекает заранее установленные пороги, система автоматически генерирует указания к покупке или продаже. Такой подход обеспечивает однозначность действий, исключая субъективные оценки и позволяя алгоритму последовательно реализовывать торговые возможности. По сути, система работает как автоматизированный арбитраж, реагируя на изменения в сигнале и мгновенно адаптируя торговую стратегию к текущей рыночной ситуации.

В основе стратегии лежит динамическое изменение пороговых значений, определяющих моменты входа и выхода из позиций. В отличие от статических подходов, эти пороги не фиксированы, а адаптируются к текущему состоянию рынка — его волатильности и преобладающим трендам. Такая “чувствительность к режимам” позволяет системе более эффективно реагировать на меняющиеся условия, увеличивая вероятность успешных сделок в периоды высокой волатильности и снижая риски при затишье. По сути, система постоянно оценивает рыночную ситуацию и корректирует свои параметры, стремясь оптимизировать процесс принятия решений и максимизировать потенциальную прибыль.

В период с 2023 по сентябрь 2024 года разработанная стратегия адаптивной торговли демонстрировала существенное превосходство над пассивной стратегией «купи и держи». Наблюдался устойчивый рост доходности, что свидетельствовало об эффективности подхода к определению точек входа и выхода на рынок. Однако, начиная с октября 2024 года, динамика прибыли стабилизировалась, и стратегия перестала демонстрировать значительное опережение базового сценария удержания активов. Данное выравнивание показателей указывает на необходимость дальнейшей оптимизации и адаптации алгоритма к изменяющимся рыночным условиям, а также на возможность появления новых факторов, влияющих на эффективность торговли.

В период активного превосходства над стратегией «покупай и держи», разработанная система демонстрировала впечатляющую частоту операций — в среднем около 10310³ сделок в месяц. Такой высокий темп торговли указывает на способность алгоритма оперативно реагировать на изменения рыночной конъюнктуры и извлекать прибыль из краткосрочных колебаний цен. Этот показатель подчеркивает динамичный характер стратегии и ее адаптивность к быстро меняющимся условиям, что является ключевым фактором в обеспечении положительных результатов на волатильном рынке.

Исследование демонстрирует, что построение причинно обоснованных сигналов в не стационарных финансовых рынках сопряжено с трудностями, особенно при переходе между режимами. Авторы подчеркивают чувствительность предложенного метода к смене рыночных условий, что заставляет задуматься о природе систем как таковых. В этом контексте вспоминается высказывание Людвига Витгенштейна: «Грань нашего языка — грань нашего мира». Подобно тому, как язык ограничивает наше восприятие реальности, любая модель, созданная для анализа финансовых рынков, неизбежно является упрощением, отражающим лишь определенный фрагмент сложной динамики. Иллюзия контроля над рынком возникает из-за стремления применить статические модели к постоянно меняющейся системе, игнорируя внутреннюю логику ее развития.

Что дальше?

Представленные здесь методы построения причинно-следственных сигналов для нестационарных финансовых рынков, несомненно, демонстрируют работоспособность в определенных режимах. Однако, как и любое пророчество, их сила угасает перед лицом непредсказуемых изменений. Калибровка под конкретный режим — это лишь застывший компромисс, ожидающий своего разрушения. Не стоит забывать, что сама концепция «режима» — это удобная иллюзия, навязанная нашим стремлением к порядку в хаосе.

Настоящая работа, вероятно, лежит не в поиске идеального фильтра, а в создании систем, способных к самоадаптации. Попытки построить «устойчивую» архитектуру обречены на неудачу. Гораздо важнее — вырастить экосистему, способную к эволюции. Упор на калмановскую фильтрацию — лишь один из инструментов, и его эффективность неизбежно снизится по мере изменения рыночной динамики. Технологии сменяются, зависимости остаются.

Будущие исследования, вероятно, должны быть направлены на разработку методов, способных не просто обнаруживать смену режимов, а предвосхищать их. Или, что более реалистично, — на создание систем, способных извлекать выгоду даже из непредсказуемости. Потому что в конечном счете, рынок — это не проблема, которую нужно решить, а состояние, в котором нужно научиться жить.

Оригинал статьи: https://arxiv.org/pdf/2512.24621.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-01 18:54