ИИ в трейдинге: что на самом деле дает машинное обучение

Что ты, вероятно, искал

Если ты искал "ai trading strategies", ты, вероятно, ожидал чего-то вроде обучающейся модели, которая изучает рынок и предсказывает, куда пойдут цены дальше. Это разумное ожидание, потому что слово "AI" используется для множества разных вещей.

То, что ты на самом деле находишь за этим термином в StrategyQuant X, это не одна вещь, а две, и они работают по-разному. Одна это процедура поиска, которая строит и фильтрует большое количество комбинаций правил по историческим данным. Другая это помощник на основе промптов, который превращает письменное описание в набор торговых правил. Ни одна из них не изучает рынок и не говорит тебе, что произойдёт завтра. Обе всё ещё нуждаются в проверке после этого. Остальная часть этой статьи разделяет эти две вещи, чтобы ты знал, на что ты на самом деле смотришь, когда читаешь "AI" на торговой платформе.

Поисковый движок: тестирование комбинаций правил, а не изучение закона рынка

Документация платформы проводит чёткую границу между двумя способами построения стратегии. Классический способ это построение стратегии с нуля вручную, без какой-либо техники data-mining, что соответствует ручному построению в инструменте AlgoWizard. Другой способ это подход data-mining: генерируется и тестируется большое количество правил-кандидатов, и сохраняется стратегия с наивысшей наблюдаемой производительностью на исторических данных.

Именно этот второй подход люди обычно имеют в виду, когда говорят об "AI" в конструкторе стратегий. Проще говоря, программное обеспечение перебирает множество комбинаций правил входа, правил выхода и фильтров, проверяет каждую из них по прошлым данным о ценах и сохраняет комбинации, которые показали лучший результат на этом конкретном отрезке истории. Это процесс поиска и фильтрации. Это не то же самое, что модель, которая выучила общее правило о том, как ведут себя рынки. Стратегия, которая получается на выходе, была выбрана потому, что она хорошо подошла к протестированной истории, а это не то же самое, что стратегия, которая будет продолжать подходить к тому, что рынок сделает дальше.

AI Assistant: превращение предложения в набор правил

Отдельно от поискового движка существует семейство функций, описанных в документации как "AI Assistant" или похожим образом. Они работают от промптов на естественном языке, а не от поиска с генерацией и фильтрацией.

Одна функция, анонсированная как "AI Assistant", описана как способная построить торговую стратегию из промпта для MetaTrader 4, MetaTrader 5, TradeStation или MultiCharts, причём целевая платформа выбирается в момент создания стратегии. На момент анонса этой функции она была в бета-версии.

Отдельный встроенный AI Assistant описан как основанный на языковых моделях ChatGPT и Claude. Он может генерировать торговую стратегию из описания на естественном языке, а также может использоваться пошагово для улучшения существующей стратегии. Когда это документировалось, он был доступен только для движка отбора акций.

Ещё один модуль, называемый SQ AI Wizard, описан как позволяющий пользователям создавать торговые стратегии, вводя простые текстовые промпты.

Что общего у всех трёх, так это основная идея: ты описываешь словами то, что хочешь, и помощник переводит это описание в стратегию на основе правил. Он не строит модель рынка из твоих слов. Он производит такой же тип стратегии на основе правил, какой производит поисковый движок, просто через другую точку входа. Эта стратегия всё ещё нуждается в проверках, описанных далее в этой статье.

Почему компания называет себя бизнесом в области машинного обучения

Компания, стоящая за StrategyQuant X, описывает себя как компанию по разработке финтех-программного обеспечения, специализирующуюся на алготрейдинге и машинном обучении. Это самоописание из собственных материалов компании, а не независимо проверенное техническое утверждение о конкретном методе, используемом внутри программного обеспечения.

Отдельная серия статей из того же источника утверждает, что её содержание основано на исследовании, проведённом в 2019 и 2020 годах, о методологии оценки и отбора стратегий, сгенерированных с помощью этого программного обеспечения. Этому исследованию на данный момент несколько лет, и методология или сам продукт могли с тех пор измениться. Это полезный контекст для понимания того, откуда взялась часть этой терминологии, но это не следует читать как описание текущего поведения без проверки, применимо ли оно ещё.

Проверка того, что получилось: анализ оптимизации и Монте-Карло

Независимо от того, пришла ли стратегия из поискового движка или из AI Assistant, платформа документирует дальнейшие шаги, предназначенные для её проверки, а не для дальнейшего её построения.

Два из них это Optimization Profile и System Parameter Permutation. Оба требуют, чтобы параметры стратегии уже были оптимизированы. Затем методы применяются к результатам всех прогонов оптимизации, а не к одному прогону в изоляции. Иными словами, они смотрят на то, как показал себя целый набор вариаций параметров, а не одна удачная комбинация.

Ещё один документированный метод это анализ Монте-Карло. Он работает путём повторения одной и той же симуляции много раз с небольшими случайными изменениями каждый раз. Согласно документации, большее количество повторений увеличивает статистическую значимость, или надёжность, результатов. Это утверждение о том, как ведёт себя метод, а не обещание, что больше повторений делают стратегию правильной. Большое количество повторных симуляций всё равно может повторять одну и ту же underlying weakness.

Риск, общий для обоих механизмов: подгонка под прошлое

Документация называет curve fitting, то есть переобучение стратегии под конкретные исторические данные, использованные для её построения, самым большим риском для стратегий, полученных через поиск в стиле машинного обучения или data-mining. Это применимо до того, как была проведена какая-либо дальнейшая проверка на устойчивость, независимо от того, пришла ли стратегия из генетического поиска или из AI Assistant, поскольку обе подогнаны под выбранный отрезок исторических данных.

Из-за этой подгонки любой результат бэктеста или оптимизации, показанный для стратегии, построенной через автоматизированный поиск или генератор на основе ИИ, описывает прошлое поведение стратегии только на этих конкретных данных. Сам по себе этот результат не указывает, как стратегия покажет себя в будущих, невиданных рыночных условиях. Хорошо выглядящий бэктест на этом этапе говорит тебе, что стратегия подошла к протестированной истории, он не говорит тебе, что произойдёт дальше.

Что этот метод может тебе сказать, и что не может

Поставь эти два механизма рядом друг с другом, и картина становится проще, чем предполагал поисковый запрос. Поиск в стиле data-mining тестирует множество комбинаций правил и сохраняет те, что показали лучшую наблюдаемую историческую производительность; он не открывает скрытый закон о том, как движется рынок, он находит хорошую подгонку внутри истории, на которой он тестировался. AI Assistant переводит письменное описание в такой же тип стратегии на основе правил; он тоже не строит прогнозную модель. В обоих случаях число, которое ты видишь после построения или после оптимизации, описывает то, что произошло на прошлых данных, а не то, что произойдёт в будущем.

Это ограничение самого метода, а не пробел в том, что тебе о нём рассказали. Стратегия на основе правил, как бы она ни была получена, всё ещё нуждается в том виде проверки, который описан выше, включая тестирование на данных, которые не использовались для её построения, прежде чем ты сделаешь какой-либо вывод о том, как она может вести себя в условиях, которых она не видела.

Эта статья служит обучению и не является инвестиционным консультированием. Прошлые результаты, в том числе результаты бэктестов, не гарантируют будущих результатов. Торговля финансовыми инструментами связана с рисками, ты можешь потерять деньги.