Создание движка переключения режимов: XGBoost, честная валидация и решение «Не торговать»

Инженерная полевая заметка. Мы исследуем систему, которая отвечает на более узкий и полезный вопрос, чем «куда пойдет цена?»: какая стратегия, если таковая имеется, в настоящее время достаточно хорошо соответствует состоянию рынка, чтобы заслуживать бумажного теста?

Происхождение концепции: Search Edge от количественного исследователя Владислав Фрейдин. Эта заметка — наше инженерное прочтение этой архитектуры и наши собственные результаты тестирования, а не его статья — его стоит прочитать в первую очередь. Что мы измерили при её создании, находится на табло экспериментов.

Различие важно. Рынки нестационарны. Трендовая система может работать во время расширения и терпеть неудачу в диапазоне; сетка может делать обратное. Цель движка переключения режимов — не короновать одного постоянного победителя. Она состоит в том, чтобы объединить рыночные данные, оценить условное качество нескольких семейств стратегий и сделать Не торговать первоклассным решением, когда доказательства слабы.

Почему статические торговые системы деградируют

Фиксированный набор правил предполагает, что связь между его входами и результатами останется стабильной. Реальные рынки не дают такого допущения. Ликвидность меняется, волатильность кластеризуется, поведение участников адаптируется, а макро- или микроструктурные шоки сдвигают сам процесс генерации данных.

Это не означает, что каждую стратегию нужно перестраивать каждую неделю. Это означает, что система должна измерять, когда исторический контекст стратегии больше не соответствует текущему. Поэтому полезный селектор должен обладать тремя возможностями:

• описывать текущее состояние рынка с помощью каузальных, привязанных к моменту времени признаков;
• оценивать ожидаемый чистый результат каждой допустимой стратегии и направления;
• воздерживаться, когда прогноз устарел, не откалиброван, не подтвержден или экономически отрицателен после учета затрат.

Движок признаков идет перед моделью

Модель бустинга не может спасти утекающий или плохо согласованный набор данных. Движок признаков — это настоящая основа. Кандидатные входы охватывают несколько временных шкал и источников данных:

Семейство признаков	Примеры	Основной риск
Макро и структура	DXY смещение, состояние рынка, нарушение структуры, смена характера, корреляция BTC/ETH	Время публикации и пересмотренные данные
Деривативы	Финансирование, открытый интерес, изменение и соотношение OI	Восьмичасовые наблюдения, привязанные к более быстрым свечам
Объем и волатильность	CVD, VWAP, якорный VWAP, ATR, профиль объема	Охват площадок и несогласованные определения объема
Контекст стратегии	Тренд, диапазон, сжатие, расширение и состояния паники	Утечка будущей информации через пост-хок метки режимов

Каждая строка признаков должна быть воспроизводима с использованием только информации, наблюдаемой на момент принятия решения. На практике это означает as-of-соединение, явную задержку источника, ограничения свежести и тест причинности, который изменяет будущие данные и доказывает, что исторический префикс признаков остается идентичным.

Почему градиентный бустинг

XGBoost, LightGBM, и CatBoost объединяет множество неглубоких деревьев решений. Каждое новое дерево фокусируется на остаточных ошибках, оставленных существующим ансамблем. Для зашумленных табличных рыночных данных это семейство предлагает несколько практических преимуществ:

• нелинейные взаимодействия без необходимости глубокой нейронной архитектуры;
• регуляризация L1/L2 и ограниченная глубина деревьев;
• встроенная обработка пропущенных значений, при этом все же требуются явные правила свежести;
• инструменты атрибуции признаков для исследования, а не как замена валидации.

Модель не является автономным трейдером. Это один кандидатный компонент внутри более крупного конвейера доказательств. Полезным выходом является откалиброванная вероятность для определенного действия, например, вероятность того, что заблокированная трендовая стратегия, открытая в длинную позицию на следующем баре, завершится чисто положительной при фиксированном выходе и контракте затрат.

Контракт решения

Каждая строка обучения должна связывать вместе временную метку, символ, кандидатную стратегию, направление, каузальные признаки, правило входа, барьеры выхода и предположения о затратах. Меткой является реализованный чистый результат этой конкретной гипотетической сделки. Не торговать — это не метка тайм-аута. Это решение, принимаемое, когда ни один кандидат не имеет положительного ожидаемого значения с достаточными доказательствами.

features at time t
 candidate strategy + direction
 next-open entry
 ATR-scaled TP / SL / time barrier
 fees + slippage + funding
 matured outcome
-------------------------------
 calibrated P(net-positive)

Фиксированный порог вероятности, такой как 0,65, может быть исследовательской гипотезой, но это не универсальный закон. Экономический порог зависит от соотношения вознаграждения к риску, затрат, ошибки калибровки и емкости. Мы предпочитаем заблокированное правило ожидаемой чистой стоимости, выбранное внутри данных разработки, а затем оцениваемое вне их.

Честный путь валидации

Случайная k-блочная валидация неприменима для перекрывающихся финансовых меток. Наш предлагаемый путь намеренно сложнее:

1. Внешнее привязанное скользящее окно: обучение расширяется во времени; каждое следующее тестовое окно остается нетронутым.
2. Очистка и эмбарго: удаляются метки обучения, чей торговый горизонт может пересекать границу.
3. Вложенная разработка: ранняя остановка, отбор признаков, калибровка, гиперпараметры и порог решения подбираются только внутри внешнего окна обучения.
4. Сопоставимые нулевые ветви: блочно-переставленные метки и случайные сигналы, согласованные по экспозиции, проверяют, создает ли конвейер преимущество из шума.
5. Запечатанная выборка: после заморозки протокола исследования сейф открывается один раз.
6. Прямая бумажная книга: каждый прогноз, версия модели, результат, предположение о комиссии и состояние дрейфа добавляются в неизменяемую запись.

Отрицательный результат — это валидный инженерный результат. Если кандидат не превосходит свои нулевые ветви после учета затрат, он документируется и не продвигается.

Метрики, которые имеют значение

Одна точность скрывает дисбаланс классов и ничего не говорит об экономике решения. Качество модели должно включать логистические потери, оценку Брайера, ожидаемую ошибку калибровки, PR-AUC, размер выборки и покрытие. Финансовая оценка остается отдельной: чистая ожидаемость, фактор прибыли, коэффициенты Шарпа и Сортино, максимальная просадка, восстановление, оборачиваемость и производительность по сравнению с простыми базовыми линиями.

Публичный интерфейс никогда не должен сворачивать все это в один зеленый процент. Вероятность должна сопровождаться статусом калибровки, возрастом доказательств, версией модели, прямыми наблюдениями и четким состоянием «Бумага» или «Не торговать».

Концептуальный дрейф — это рабочее состояние

Даже модель, прошедшая историческую проверку, может деградировать. Мы отслеживаем сдвиги распределения признаков, отсутствующие и устаревшие источники, а также скользящие вероятностные потери после созревания меток. Производственная безопасная машина состояний консервативна:

HEALTHY → WARNING → DEGRADED
                    ↓
                 NO TRADE

Восстановление требует достаточных свежих доказательств и новой заблокированной оценки. Переобучение не продвигает молча модель-замену; оно создает нового претендента с новой версией и датой начала прямого наблюдения.

От исследовательского ядра к полезному продукту

Полезный интерфейс — это не стена диагностик модели. Трейдер должен видеть наилучшую поддерживаемую стратегию, направление, откалиброванный диапазон вероятностей, ожидаемый результат после затрат, статус доказательств и причину, по которой система решила воздержаться. Более глубокие слои могут открывать складки скользящего окна, нулевые сравнения, атрибуцию признаков, прямую историю и дрейф для исследователей.

Тот же объект решения может питать оптимизатор, бумажную книгу, образовательные пояснения, оповещения и публичные страницы доказательств. Живое исполнение остается отдельной разрешенной возможностью и никогда не подразумевается исследовательским вердиктом.

Создавайте это с нами

Эта работа лежит на стыке нескольких дисциплин. Нас интересуют разговоры с:

• Инженерами ML-квантов работающими над временной валидацией, калибровкой, бустингом и мониторингом моделей;
• Инженерами данных строящими конвейеры point-in-time для финансирования, открытого интереса, рыночной структуры и макроданных;
• Квантовыми исследователями формализующими метки, нулевые гипотезы, контроль множественного тестирования и оценку с поправкой на риск;
• Инженерами торговой инфраструктуры сосредоточенными на бумажных книгах, симуляции с учетом затрат, реестрах моделей и безопасных границах исполнения.

Если это ваша область, свяжитесь с инженерной командой. Если вы хотите сначала изучить текущую исследовательскую поверхность, откройте Оптимизатор стратегий, публичные Edge-кампании и методологию FinEdg.