Ансамблевые методы в финансовой аналитике
Комбинирование нескольких моделей машинного обучения даёт возможность работать с финансовыми данными совершенно по-другому. Вместо одного алгоритма мы используем группу взаимодополняющих подходов, которые вместе видят рыночную ситуацию гораздо объёмнее.
За последние годы такой подход стал стандартом в количественном анализе. И это понятно — финансовые рынки слишком сложны для единственной математической модели.
Как работает ансамблевый подход
Представьте, что три разных аналитика смотрят на одни и те же данные по компании. Один фокусируется на технических индикаторах, второй изучает фундаментальные показатели, третий анализирует новостной фон и настроения рынка.
Каждый из них может ошибаться. Но когда мы собираем их выводы вместе и находим точки согласия, итоговое решение становится намного надёжнее.
Именно так работают ансамблевые методы в машинном обучении. Мы обучаем несколько разных моделей, каждая из которых специализируется на своём аспекте данных. Потом эти модели голосуют или усредняют свои прогнозы.
В финансах это особенно полезно, потому что рынки меняются. Модель, которая хорошо работала полгода назад, может начать давать сбои. А ансамбль моделей адаптируется к изменениям более гибко.
Основные техники ансамблирования
Бэггинг и случайные леса
Обучаем множество деревьев решений на разных случайных выборках данных. Каждое дерево видит немного искажённую картину рынка, но вместе они охватывают разные сценарии развития ситуации.
Градиентный бустинг
Модели обучаются последовательно, каждая следующая исправляет ошибки предыдущей. Получается цепочка всё более точных приближений. XGBoost и LightGBM часто используются в торговых стратегиях.
Стекинг моделей
Комбинируем прогнозы совершенно разных типов моделей — нейронных сетей, регрессий, деревьев. Мета-модель учится оптимально взвешивать их выводы в зависимости от рыночной ситуации.
Ротация признаков
Каждая модель видит только часть доступных индикаторов и переменных. Это помогает избежать переобучения и находить неочевидные зависимости в данных, которые одна модель могла бы пропустить.
Временное окно
Отдельные модели специализируются на разных временных горизонтах — краткосрочном, среднесрочном и долгосрочном. Их комбинация даёт многоуровневый взгляд на динамику актива.
Адаптивное взвешивание
Вес каждой модели в ансамбле меняется со временем в зависимости от её текущей точности. Когда рынок входит в новый режим, более актуальные модели получают больше влияния на финальный прогноз.
Практическое применение в торговле
Начинал с простых скользящих средних в 2019 году. Потом добавил LSTM-сети для прогнозирования волатильности. Сейчас использую ансамбль из пяти разных подходов, и результаты стали стабильнее примерно на треть. Не всегда модели согласны между собой, но именно это разногласие часто указывает на интересные моменты для входа в позицию.
Реальность такова: ни одна модель не даст вам стопроцентной точности. Финансовые рынки слишком динамичны. Но ансамблевые методы помогают снизить количество грубых ошибок и повысить общую устойчивость торговой системы.
К концу 2025 года планируем провести серию вебинаров, где разберём конкретные примеры построения таких систем. Пока же важно понять основной принцип — разнообразие моделей создаёт более надёжный прогноз.
Бронислав Тахир
Ведущий аналитик количественных стратегий