Por Qué las Redes Neuronales No Predicen los Mercados del Intercambio de Moscú y Dónde el ML Realmente Ayuda a los Traders

На встрече о машинном обучении в трейдинге в Москве прозвучал трезвый тезис: нейросети почти бесполезны как инструмент прямого прогноза цены. Зато ML реально помогает в более узких задачах — определить режим рынка, отфильтровать плохие сделки и снизить потери на исполнении.

Иллюзия прогноза цены

На рынке до сих пор живёт популярная фантазия: достаточно показать модели график Сбера или индекса, и она выдаст точную цену на завтра. На практике это разваливается очень быстро. Цена слишком шумная, рынок постоянно меняется, а любая закономерность, найденная на истории, часто исчезает в тот момент, когда стратегия выходит на реальные деньги. В высокочастотной торговле ситуация ещё жёстче: там важны наносекунды, и тяжёлая модель может просто убить систему задержками.

«ML не даёт контроля над рынком и не является магической кнопкой „бабло“».

Именно поэтому опытные участники рынка смотрят на машинное обучение не как на генератор готовых сигналов, а как на вспомогательный слой над базовой стратегией. Даже если модель угадывает направление движения чаще случайного, этого мало. Между красивым прогнозом и деньгами лежат очередь в стакане, проскальзывание, комиссии брокера и биржи. В результате формально сильная модель может показывать минус там, где на бэктесте всё выглядело почти идеально.

Где ML работает

Самая здравая мысль из обсуждения проста: машинное обучение приносит пользу там, где задача узкая и проверяемая. Вместо попытки предсказать сам рынок, модель помогает разобрать его на компоненты: в каком режиме он находится, какие сигналы стоит пропустить, а где издержки съедят потенциальную прибыль. Такой подход гораздо ближе к реальной практике одиночного алготрейдера, который не может позволить себе инфраструктуру хедж-фонда.

• Определение фазы рынка: тренд, боковик, всплеск волатильности Фильтрация сигналов: какие сделки базовой стратегии лучше не брать Оптимизация исполнения: как войти в позицию с меньшим проскальзыванием * Анализ микроструктуры стакана: поиск паттернов в потоке ордеров Для частного трейдера это особенно важно, потому что он часто совмещает сразу все роли: ищет данные, чистит их, придумывает признаки, собирает модель, тестирует гипотезы, считает риски и затем сам же выводит результат в продакшн. В такой конфигурации ML полезен не как витрина с громкими обещаниями, а как инструмент для конкретного узкого улучшения — например, выключить трендовую стратегию в жёстком боковике или не брать сделку с плохим ожидаемым исполнением.

Почему стратегии умирают

Большинство проблем начинается не в модели, а раньше — на этапе данных и проверки гипотез. Если в свечах пропущен день, фьючерсы склеены с ошибкой или признаки случайно содержат информацию из будущего, алгоритм моментально находит несуществующую закономерность. На истории это выглядит как грааль, но в реальной торговле заканчивается очень быстро.

Отсюда и главный принцип: garbage in, garbage out. Качество данных и честность эксперимента здесь важнее выбора между модными библиотеками и архитектурами. Из обсуждения вытекает полезный фильтр из пяти вопросов, который стоит прогнать до написания кода: есть ли конкретная задача, есть ли честные данные, можно ли проверить идею с учётом комиссий и задержек, превращается ли прогноз в реальное действие и даёт ли всё это экономический эффект.

Если хотя бы на один вопрос нет уверенного ответа, ML подключают слишком рано. Иначе получается типичная ловушка: прогноз вроде есть, а прибыли после всех издержек — нет.

Что это значит Для рынка это хороший сигнал трезвости.

Нейросети не заменяют торговую систему и не отменяют риск, зато помогают точечно улучшать процессы там, где человек уже упирается в объём данных или скорость реакции. Ещё один важный вывод — рынку не хватает обмена опытом: пока одиночки повторяют одни и те же ошибки по отдельности, ML остаётся не ускорителем прибыли, а ускорителем дорогих экспериментов.