StarkovDV

13

подписчиков

0

подписок

https://github.com/dstark713-oss

Не является индивидуальной инвестиционной рекомендацией

StarkovDV
StarkovDV

вчера в 20:12

17.11.2026: Фин.рез.(дэйли): +0,05% Бенчмарк (SBMX): +0,92% Фикс: 20:04 (МСК) Актив вес T 10% X5 10% ASTR 5% GCHE 2,5% Кэш 72,5% Коммит датасет делистинги учтены ошибка выжившего исправлена интересно влияние проверка на всей истории в конце после распаковки VAL аудит и чистка данных всего 1167 тикеров в метадату попало по историческим данным проверка торгуемых (хотя бы один день) После фильтрации 417 тикеров Выгрузка Это будет долго 727 840 сырых строк выгружены 2005–2024 IS — расширенная история для обучения 2024-01-30 — 2026-10-30 VAL — замороженная финальная оценка 1997–2004 архив, не использовать Фактический объём выборки: 604 017 строк, 371 тикер 525 880 строк - Активные торговые записи 72 выброса Сплиты и бэк-сплиты Большая часть памп-энд-дампы на эшелонах $T $X5 $ASTR $GCHE #машинное_обучение #машинноеобучение #алготрейдинг #ии_анализ
1
StarkovDV
StarkovDV

16 ноября в 20:32

16.11.2026 Фин.рез.(дэйли): +0,04% Бенчмарк (SBMX): -1,34% Фикс: 19:32 (МСК) ticker вес BSPB 10,355% TGKN 5,1775% MSNG 5,1775% Cash 79,29% Торговая модель оформлена в репозитарий. Доступна на ГитХаб В конфиг агента вставлять свой ключ $BSPB $TGKN $MSNG #машинноеобучение #машинное_обучение #алготрейдинг
1
StarkovDV
StarkovDV

15 ноября в 15:32

15.11.2026 Результаты стрессов: Косты Сценарий | CAGR | MDD extra_10bps | +25.25% | -33.08% extra_15bps | +24.65% | -33.29% extra_20bps | +24.05% | -33.51% extra_25bps | +23.45% | -33.72% extra_30bps | +22.86% | -33.94% Устойчиво Проскальзывания: Сценарий | CAGR | MDD slip_5bps | +25.85% | -32.86% slip_10bps | +24.65% | -33.29% slip_15bps | +23.45% | -33.72% slip_20bps | +22.27% | -34.15% slip_25bps | +21.09% | -34.57% slip_50bps | +15.38% | -37.01% Устойчиво По годам Год | CAGR | MDD 2018 | +15.37% | -4.80% 2019 | +28.23% | -16.12% 2020 | +55.62% | -12.95% 2021 | +21.87% | -11.18% 2022 | -11.97% | -28.40% 2023 | +63.95% | -8.23% высокая концентрация результата в двух годах уязвимость Однодневный шок CAGR | MDD +16.29% | -53.48% GARCH не спасает Сдвиг даты входа: Сценарий | CAGR | MDD | Sharpe baseline | +28.30% | -31.99% | 1.645 shift_1 | +28.54% | -31.99% | 1.656 shift_5 | +28.05% | -31.99% | 1.631 shift_10 | +28.36% | -31.99% | 1.644 shift_20 | +27.82% | -31.99% | 1.616 Устойчиво Задержка исполнения: [1, 2] дня. Сценарий | CAGR | MDD | Sharpe | delay_1d | +28.54% | -31.99% | 1.656 | delay_2d | +28.53% | -31.99% | 1.656 | Устойчиво Cash Carry Доходность кэша: (RGBITR - RGBI) за предыдущий год, без look-ahead. Применяется на долю cash (1 - exposure). CAGR | MDD | Sharpe +30.91% | -31.34% | 1.865 Ошибка выжившего Источник поправки: исследование Харджота Сингха Рансе Ошибка выжившего в индексах малой капитализации развивающихся рынков Тезис: бэктестинг только по выжившим компаниям завышает годовую доходность NIFTY Smallcap 250 на 4,94 процента для теста - икс два ухудшения сценарная поправка CAGR | MDD | Sharpe +15.63% | -36.86% | 0.992 Фильтр объема торгов, использование ТОП N по показателю Фильтр | CAGR | MDD top_25 | +13.74% | -36.12% top_50 | +12.98% | -38.96% top_75 | +22.55% | -30.34% top_100 | +22.48% | -35.96% зависит от неликвида ликвидностный риск реален, но не катастрофичен Шафлед CAGR | MDD +14.27% | -43.78% Модель, обученная на перемешанном target, теряет Sharpe с 1.645 до 0.62 VAL Модель CAGR -13.42% MDD -42.97% VOL +15.42% Sharpe -0.533 Лучший бенчамрк из трех - RGBITR CAGR +10.06% MDD -13.72% VOL +7.11% Sharpe 1.384 MCFTR (справочно) CAGR +5.03% MDD -27.13% VOL +22.43% Sharpe 0.330 Модель не состоятельна. VAL результат деградировал. Лайв не требуется. Рефлексия: EDA показал значимость риск компоненты Концепция риск предсказуем - не подтверждена. и не опровергнута. Второе - явный оверфит. могут быть два источника - модель и фичи. Третье - таргет. нельзя - разбирать и диагностировать VAL. Если сделаю - потеряю данные для валидации модели. И буду ждать накопления датасета. мультитестирование имеет место быть. И здесь возникает еще одно интересное направлениt - генеративка. Но пока. По этапам. 1 - проверка концепции риска. Без обучения. несколько примитивов, фиксированный набор стоков, типа ТОП10 по объему (10 - эвристика) сравнить без сайзинг правил. Гипотеза - преимущество в умной бете, а не в альфе. 2 - проверка важности фичей. Такой ресерч уже выполнялся на корейском рынке. реплика. Взять бустинг и нейронку. нейронке чистый OHLCV. бустинг на фичах. сравнить результат. Гипотеза - модель без признаков сможет работать с таким же уровнем эффективности 3 бустинг тупо пул фичей Ретреин модели каждый фолд - 6 мес. Скользящее окно. По этому вопросу есть ресерчи, в целом для фин рядов выделяют оптимальным период 2-4 года Беру среднее = 3 года. Модель сама выбирает признаки из пула. 4 - N=10 эвристика. пусть учится от 4 до 10 бумаг 5 - за меня изобрели таргет. тройной барьер. Значение сигм требует EDA. Ансамбль, две модели. 6 - рынок слишком динамичен, чтобы прогнозировать на 20Д 7 - нужно ограничение по ликвидности, на мусоре весело, но опасно нужно рассмотреть ТОП50/ТОП100 бумаг по объему торгов за квартал. Требуется EDA. Это регламент мосбиржи не переизобретаю. я вижу так И новые пакеты вопросов. #машинное_обучение #машинноеобучение #алготрейдинг
1
StarkovDV
StarkovDV

13 ноября в 18:07

13.11.2026 Фин.рез.(дэйли): +0,11% Бенчмарк (SBMX): +0,58% Время фиксации: 18:43 (МСК) Тонкие стаканы Нагружают не полный объем Модельная аллокация: ticker weight MSNG 0.0950 ASTR 0.0950 MRKS 0.0950 DVEC 0.0950 KUZB 0.0950 TASB 0.0950 Линейный бейзлайн для сравнения с Гарч-модулем. Обычная линейная регрессия. CAGR +26.14% MDD -32.49% VOL +21.05% Sharpe +1.212 Sortino +1.642 Calmar +0.804 Прямолинейное таргетирование волы портфеля CAGR +25.37% MDD -24.82% VOL +17.43% Sharpe +1.386 Sortino +1.919 Calmar +1.022 Режимная модель по статистике EDA-этапа. CAGR +23.57% MDD -23.65% VOL +15.67% Sharpe +1.431 Sortino +1.984 Calmar +0.997 НО Это лукахид Нужен WF CAGR +16.75% MDD -24.27% VOL +15.53% Sharpe +1.076 Sortino +1.428 Calmar +0.690 Теперь бейзлайны для Гарч-модели честные. CAGR +38.10%, Sharpe 1.504, MDD −32.34% - баг некорректная обработка NaN и дубликатов после исправления: CAGR +31.83%, Sharpe 1.334, MDD −34.97% С применением ГАРЧ-сайзинга: CAGR +28.30% MDD -31.99% VOL +15.93% Sharpe +1.645 Sortino +2.405 Calmar +0.885 Стресс-тесты Прогон идет, интерпретация завтра. $MSNG $ASTR $MRKS $DVEC $KUZB $TASB #машинноеобучение #машинное_обучение #алготрейдинг
1
StarkovDV
StarkovDV

12 ноября в 19:19

12.11.2026 Фин.рез.(дэйли): -0,36 Бенчмарк (SBMX): +0,44 Фиксация: 20:09 (МСК) Крипта размотала, модель полностью переобулась. Аллокация: ticker weight MSNG 0.0941 ASTR 0.0941 RGSS 0.0941 TORS 0.0941 DVEC 0.0941 MTSS 0.0941 MRKS 0.0941 Cash: 0.3415 Коммит Тест прошел с багами Первичные цифры Доля random, превзошедших ML по CAGR: 1.6% Доля random, превзошедших ML по Sharpe: 0.0% Доля random, превзошедших ML по Calmar: 0.1% Доля random с меньшим |MDD|: 0.4% Баги: Бутстрап пустой Критический один, остальное - не влияет на решение, только на структуру отчета. Дебаг. Есть результат, но только на сотке рандомов (тайм-экономия) mean diff = +0.168% CI = [−0.818%, +1.359%] с нулем в диапазоне median p = 0.469 frac p<0.05 = 16% ML percentile = 0% frac random better MDD = 0.4% С учетом Монте-Карло ML лучше рандома по MDD И не значимо превосходит по дохности Приемущество за счет контроля просадки? (это лишь гипотеза). Сортино исправлен, тест не прогонял (не критично, достаточно Шарпа и Кэлмара). GARCH модель. Стандартная. Обучение на портфельной аллокации. 20Д горизонт Базовая модель: CAGR +38.10% MDD -32.34% VOL +23.34% Sharpe +1.504 Sortino +2.062 Calmar +1.178 Гарч модель: CAGR +28.16% MDD -26.05% VOL +19.30% Sharpe +1.385 Sortino +1.890 Calmar +1.081 Почему изменились метрики базовой модели? Считались 20-дневные дохожности на датах ребаланса При пересчете на дневные доходности результат перестал быть красивым и аккуратным. Баг был в расчете распределения доходностей, а не в реализации теста. WF модели переписан. $MSNG $ASTR $RGSS $TORS $DVEC $MTSS $MRKS #машинноеобучение #машинное_обучение #алготрейдинг
1
StarkovDV
StarkovDV

11 ноября в 20:46

11.11.2026 Фин.рез.(дэйли): +0,77% Бенчмарк (SBMX): +1,58% Время фиксации: 19:49 (МСК) Аллокация: ticker weight IMOEXF 0.0816 SBER 0.0816 XRP 0.0816 OZON 0.0816 GMKN 0.0816 SOL 0.0816 GAZP 0.0816 Состав без изменений, риск-сайзинг повышен. Коммит Портфельный тест модели. Ребалансировка раз в 20 дней - аналогично бенчмарку. [portfolio] метрики: CAGR : +21.97% MDD : -15.32% VOL : +17.10% Sharpe : 1.2434 Sortino=0.542 Calmar : 1.4344 Turnover : +976.06% Оборот непозволительно высокий - он уничтожит доходность издержками. Сортино - требуется проверка корректности расчета. А результат чересчур аккуратный. Проверка теста. Да, утечка на фичах проверялась. Но сейчас требуется проверка всего WF с ре-чеком признаков. [7/10] Независимая реконструкция портфеля... ERROR: 'Series' object has no attribute 'intersection' Дебаг модуля, изолированный запуск. Результат: target использует только будущие цены prediction date предшествует target horizon causality test: 10 дат, фичи на t не меняются при обрезке после t нет shift(-n) / center=True последние 20 дат target = NaN target-интервалы train/val не пересекаются rank-gauss per-date (одинаковые ранги - одинаковый gauss на разных датах) rank-gauss не фитится на данных make_folds совпадает с независимой реконструкцией нет shuffle val не пересекается с train early stopping не на val все даты ребаланса в val-фолдах нет дубликатов дат независимый пересчёт метрик совпадает future-data mutation: 5 дат, мутация будущего не меняет фичи на t Target permutation test - IC не упал >50%, тест фэил, shuffled не потерял сигнал Возможные причины: - Если фича коррелирует с распределением а не с рангом, то shuffle не ломает связь - Фича имеет структуру, которая коррелирует с target не через ранг, а через уровень. нет ни одного делистингованного тикера - ошибка выжившего реальный результат хуже среднего random модель не лучше случайного выбора из доступных акций бэктест воспроизводится независимо ре-чек рандом_бейзлайна независимым прогоном 10К Монте-Карло симуляций Блочный бутстрап по времени Две вечных вечности по времени ожидания результата спустя час: [4] Scenario A: uniform random (10000 sims)... done: 10000 portfolios, 1694.3s [5] Scenario B: persistent random (10000 sims × 5 levels)... persistence=0.0: 10000 portfolios persistence=0.25: 10000 portfolios оставлено на ночь, гитхаб сегодня не обновлен. $IMOEXF $SBER $XRX6 $OZON $GMKN $S3Z6 $GAZP #машинноеобучение #машинное_обучение #алготрейдинг
2
3
StarkovDV
StarkovDV

10 ноября в 20:34

10.11.2026 Фин.рез.(дэйли): -0,14% Бенчмарк (SBMX): -0,73% Время фиксации: 19:53 (МСК) Аллокация: ticker weight IMOEXF 0.0529 GMKN 0.0529 SBER 0.0529 SOL 0.0529 XRP 0.0529 OZON 0.0529 GAZP 0.0529 Вылетели LKOH и DOMRF - заменены на крипто Общий вес порезан риск-оверлеем Коммит Модель для ранжирования Кэтбуст дает симметричные деревья ограничение сложности и риска подгонки под шум лиф-вайс на слабом сигнале рискует оверфитнуть Таргет Ранг по RS на регрессоре сохраняет непрерывность информации на полном пуле инструментов Ети-ранк дополнительно для проверки эффективности оценки релевантности И ансамбль из пяти разных сидов для проверки зависимости от конкретного запуска Признаки в процентильные ранги для относительных, а не абсолютных значений Глубина = 3 Ограничение сложности на слабом сигнале До 1500 итераций - надо найти плато WF Расширяющееся окно IS only Пурж 21 CatBoostRegressor aggregate: IC=+0.0720, NDCG@10=0.483 TOP10 mean RS +0.0154 SEED ENSEMBLE (5 seeds) aggregate: IC=+0.0739, NDCG@10=0.484 TOP10 mean RS +0.0150 YetiRank aggregate: IC=+0.0719, NDCG@10=0.500 TOP10 mean RS +0.0155 NDCG@10 слабый на всех GRID best config: {'depth': 4, 'l2_leaf_reg': 100, 'random_strength': 3, 'learning_rate': 0.03}, IC=+0.0763 ЕтиРанк на лучшем конфиге без ансамбля сидов. mean IC: +0.0698 NDCG@10: 0.500 TOP10 mean RS: +0.0147 hit_rate: 69.1% Оверфитнулся Возврат к регрессору. Тест итераций 1500 с шагом 100 на 6 фолдов - дорого режу до 1К. mean IC: +0.0759 NDCG@10: 0.486 TOP10 mean RS: +0.0164 hit_rate: 73.3% median best_iter: 300 Выхода на плато в начале, после 500 деградация Лучшая область 200-300 Лучшее значение 300 $IMOEXF $GMKN $SBER $S3Z6 $XRX6 $OZON $GAZP #машинное_обучение #машинноеобучение #алготрейдинг
4
5
StarkovDV
StarkovDV

9 ноября в 19:54

09.11.2026 Фин.рез. дэйли: +0,09% Аллокация сегодня: ticker weight IMOEXF 0.0816 SBER 0.0816 GMKN 0.0816 GAZP 0.0816 OZON 0.0816 LKOH 0.0816 DOMRF 0.0816 По 8,16% 7 имен. Аллокационная модель фикс. База: Sharpe 1.4497 Sortino 2.2308 CAGR 0.3397 MDD -0.2532 Calmar 1.3415 Vol 0.2178 С риск-оверлеем: Sharpe 1.3313 Sortino 2.0417 CAGR 0.1364 MDD -0.1282 Calmar 1.0637 Vol 0.0998 Загрузка с риск-контролем. Необходима валидация модели на живой дистанции. Хотя бы 3 месяца, в идеале 6. После можно смотреть в сторону повышения агрессии. Проект. Генетика на поиск фичей. преобразования одной переменной fitness падает от поколения к поколению gpl деградирует схлопнулась в локальный оптимум можно переписать но скрипт прходит очень долго смок проходит нормально но реальный перебор длится вечность мультпроцессинг в gp (-1) поставлен векторизация, где возможно, сделана переписать медленные циклы на плюсах - не стоит того, чтобы выбрать фичи чинить или ждать еще одну вечноть - дорого по времени быстрее по старинке с LLM-генерацией 413 штук исходник Выбор по IC и IR на первой фазе. Втарая фаза отсев по ортогональности. Работа пачками по полтинику до набора минимального пула под модель. Хватило двух прогонов. Всего 16 ортогональных признаков. Тесты: Утечки: чисто Корреляции: 1 пара дубль IS Стабильность: нет стабильности Фолды 1 и 3,4, 5 ок Фолды 2 и 6 размазало - IC 0.021 и 0.012 соответственно Режимная зависимость: нет фич, которые теряют знак во всех режимах, но есть перевороты Выбросы: ок, устойчиво Покрытие: нет концентрации, сигнал распределен, ок Негативный контроль: пройден Пертурбация (тест проходит вечную вечность, выношу результат отдельно): пройдена, чисто системного схлопывания нет Посе чистки остаток 11 признаков. $IMOEXF $SBER $GMKN $GAZP $OZON $LKOH $DOMRF #машинное_обучение #машинноеобучение #алготрейдинг
1
2
StarkovDV
StarkovDV

8 ноября в 19:07

08.11.2026 Проверка: устройство хвостов долгие и короткие свойства динамика риска меняется риск или распределение доходностей tail_ratio_1pct = 1.368 bowley_skew = −0.009 α 2.0–2.7 α растёт с порогом skew std = 1.40, kurt std = 12.1 ret: |ACF(1)| = 0.071 |ACF(10)| = 0.017 abs: |ACF(1)| = 0.33 |ACF(10)| = 0.10 sq: |ACF(1)| = 0.22 |ACF(10)| = 0.024 ret: decay_lag = 2 ACF(20) = 0.009 abs: decay_lag = 19 ACF(20) = 0.066 VR < 1 на всех горизонтах, падает до 0.797 на 60 днях Hurst = 0.621, std по окнам = 0.025 GARCH persist = 0.9877 GJR gamma = +0.0444 EGARCH gamma = −0.0192 IMOEX: persist = [0.975, 0.937, 0.979] IMOEX: std ratio = 4.76 skew: [−8.99 .. +2.38] kurt max = 111.7 10% акций имеют p < 0.05 правый хвост длиннее левого средняя часть распределения симметрична хвосты тяжёлые экстремальные хвосты тяжелее, чем умеренные экстремумы хвост не однороден асимметрия и эксцесс меняются во времени доходности почти непредсказуемы вола предсказуема абсолютная доходность более информативна, чем квадрат предиктить завтрашнюю доходность по вчерашней почти бесполезно вола помнит прошлое гораздо дольше слабая персистентность свойство сохраняется во времени GARCH-модели применимы GARCH-параметры не константны рынок неоднороден во времени вола, асимметрия и эксцесс меняются в разы средняя доходность стабильна, нет сдвигов рынок меняет не уровень доходности, а уровень риска волатильность и асимметрия связаны PCA PC1: 41.6% PC2: 30.4% PC3: 16.3% PC4: 5.6% PC5: 2.4% 3 компоненты описывают 88% дисперсии 4 компоненты 94% PC1 (41.6%) downside_vol +0.383 acf_abs_1 +0.333 kurt +0.331 vol_asym +0.313 std +0.306 PC2 (30.4%) hurst +0.379 vr_5 +0.364 vr_20 +0.327 upside_vol +0.316 mean +0.306 PC3 (16.3%) tail_ratio +0.536 vr_5 −0.344 vr_20 −0.305 vol_asym −0.301 Кластеры через KMeans Cluster 0 89% времени std = 0.0235 skew = +0.77 kurt = 6.6 acf_abs_1 = 0.21 vr_5 = 0.88 hurst = 0.579 vol_asym = 0.74 Cluster 1 11% времени std = 0.0364 skew = +0.08 kurt = 22.2 acf_abs_1 = 0.37 vr_5 = 0.78 hurst = 0.595 vol_asym = 0.91 волатильность выше, хвосты тяжелее, память сильнее, асимметрия исчезает не левоскошенный, а симметрично хаотичный P(остаться в Cluster 0) = 0.997 P(остаться в Cluster 1) = 0.980 P(из 0 в 1) = 0.003 P(из 1 в 0) = 0.020 Cluster 0: mean = 199 окон, max = 354 Cluster 1: mean = 50, max = 50 Кластеры залипают Переходы редкие асимметричные возможен артефакт перекрытия в цифрах Но направление вывода не меняется Ведущие и запаздывающие изменения skew отстаёт от std на 1 окно kurt отстаёт на 1 окно Вола растёт раньше, чем хвосты тяжелеют Сильная связь corr = +0.719 hurst опережает std на 6 окон Первой меняется персистентность Потом вола Затем хвосты Последней ассиметрия Кластеры через KMeans k=3,4,5 подрежимы k=3 Cluster 0 std=0.021, kurt=5.9, vr5=0.87, hurst=0.57 Cluster 1 std=0.036, kurt=22.2, acf_abs=0.37 Cluster 2 std=0.027, skew=+0.84, vr5=0.99 k=4 добавляет Cluster 0 std=0.032, skew=+1.77 Cluster 3 std=0.027, vr5=1.01 k=5 silhouette падает (0.424) оверфит Спектральный анализ не показывает реальных циклов ряд слишком короткий перекрытие не искажает уровень признаков, только устойчивость Silhouette: overlap 0.537, non-overlap 0.463. Этого хватит для построения модели. НО. Это модель только для риск-контроля и сайзинга. Она не отвечает какие ТОП10 купить. Она ответит только на вопрос "сколько грузить в риск". Нужен EDA для поиска значимых закономерностей кросс-секционного распределения. Winsorized (1%/99%) mean = +0.010, median = −0.007, std = 0.116 skew = +1.82, kurt = +6.0 Большинство акций проигрывают IMOEX редкие выигрыши тянут среднее вверх кластеров нет PC1 = 9.1% Rank autocorr на лаге 20 = 0.022 нет персистентной альфы модель должна переранжировать каждые 20 дней top-20% persistence = 0.259 26% лидеров остаются в top-20 через 20 дней Условное распределение vol_60 U-образное Нужна нелинейная модель. #алготрейдинг #машинноеобучение #машинное_обучение
1
StarkovDV
StarkovDV

7 ноября в 11:49

07.11.2026 Старт нового проекта. Задача - построить ML-пайплайн, превосходящий бенчмарки по доходности и MDD одновременно. Бенчмарки: MCFTR MCFTR/RGBITR 50/50 RGBITR использование только акций Живая валидация 01.01.2027 - 30.06.2027 Дневные бары. benchmark MCFTR_100 CAGR 0.1211 MDD -0.7357 VOL 0.2973 Sharpe 0.5352 Sortino 0.6419 Calmar 0.1646 Turnover 0.0000 RGBITR_100 CAGR 0.0829 MDD -0.2691 VOL 0.0846 Sharpe 0.9847 Sortino 0.9408 Calmar 0.3082 Turnover 0.0000 MIX_50_50 CAGR 0.1115 MDD -0.4846 VOL 0.1616 Sharpe 0.7365 Sortino 0.8446 Calmar 0.2301 Turnover 0.1677 Датасет акций В базе: 213 тикеров, 484694 строк Источник: ISS Аудит данных: GAZC 5 2014-12-17 2023-11-30 GAZT 4 2019-12-02 2023-11-30 GAZS 3 2015-02-16 2023-11-30 Мусор - снести Выбросы: Жёсткие выбросы (|ret| > 100%): 10 ticker date close ret AFKS 2014-12-18 13.6300 1.062027 EUTR 2026-07-20 51.0500 1.017787 IRAO 2015-01-20 0.7641 106.317416 LPSB 2014-12-15 3.3500 1.093750 LPSB 2015-05-08 8.9600 2.829060 LPSB 2024-12-09 63.9000 1.180887 PHOR 2013-08-15 1371.8000 1.198750 PRFN 2023-07-19 4.4100 2.178378 USBN 2015-11-05 0.0850 1.522255 VTBR 2024-07-15 92.9500 4662.823382 Удалено баров: 10 Мягкие выбросы (30% < |ret| <= 100%): 885 Помечено в outliers: 885 Ретурны жестких выбросов на NaN Для корреляций чистый IMOEX Чистый RGBI GOLD BRENT И CNYRUB_TOM Сплит IS/VAL 80/20 Все дальнейшие действия только на IS куске EDA Skew = +1.87 Kurt = 26.5 JB p < 0.05 у 100% тикеров 1.71% >3σ, 0.5% — >5σ Hill α в районе 2.2 Mean excess q95 = 4.4% |ACF(1)| = 0.071 VR(5) = 0.922 VR(20) = 0.865 Variance Ratio < 1 Ljung-Box p < 0.05 у 84% Runs test |z| > 1.96 у 62% ARCH-LM p < 0.05 у 98% vol_asym = 0.682 ADF p < 0.05 у 100% KPSS p < 0.05 у 10.65% ADF и KPSS согласны (стационарно) у 89.35% ADF и KPSS согласны (нестационарно) у 0% Hurst R/S = 0.594 DFA = 0.600 Hurst |ret| = 0.722 IMOEX: median corr = +0.28, у 46% акций |corr| > 0.3 RGBI: median corr = +0.19, у 26% |corr| > 0.3 GOLD: median corr = -0.08 BRENT: median corr = +0.05 CNYRUB_TOM: median corr = -0.13 медиана R квадрата = 0.092 beta_IMOEX median = +0.48 beta_RGBI median = +0.46 beta_GOLD, beta_BRENT почти нулевые beta_CNYRUB_TOM median = -0.068 данные стаститстически не нормальные. Любая модель, которая предполагает нормальность, будет недооценивать риск. хвосты настолько тяжёлые, что стандартные риск-метрики неприменимы слабый мин-реверс GARCH-модели применимы асимметрия волатильности у акций нестандартная доходности стационарны, но неоднородны во времени Доходности имеют слабую персистентность Волатильность имеет сильную долгую память Модели, которые предсказывают волатильность будут работать лучше IMOEX и RGBI главные факторы для акций факторная модель слабая большая часть движения акций идиосинкратическая #машинное_обучение #машинноеобучение #алготрейдинг
1
StarkovDV
StarkovDV

6 ноября в 14:55

06.11.2026 Дэйли фин.рез: +0,24 Аллокация: LKOH 0.0815 SBER 0.0815 GMKN 0.0815 IMOEX 0.0815 GAZP 0.0815 Набор по чистой методичке "Сбер, Газпром, Лукойл и ГМК". Еще и сверху IMOEX. Хуже и забавнее не придумать. Ансамбль блен, две ML, а аллокация ... All tickers by score: LKOH p_tp=0.2227 p_sl=0.3195 score=0.1515 SBER p_tp=0.2082 p_sl=0.3246 score=0.1406 GMKN p_tp=0.2072 p_sl=0.3318 score=0.1384 IMOEX_CONT p_tp=0.1974 p_sl=0.3081 score=0.1366 GAZP p_tp=0.1940 p_sl=0.2992 score=0.1359 ROSN p_tp=0.2069 p_sl=0.3863 score=0.1270 CHMF p_tp=0.1834 p_sl=0.3231 score=0.1241 OZON p_tp=0.1903 p_sl=0.3605 score=0.1217 YDEX p_tp=0.1957 p_sl=0.3872 score=0.1199 SOL p_tp=0.1926 p_sl=0.3785 score=0.1197 MOEX p_tp=0.1712 p_sl=0.3059 score=0.1188 X5 p_tp=0.1642 p_sl=0.2898 score=0.1166 AFLT p_tp=0.1622 p_sl=0.2849 score=0.1160 XRP p_tp=0.1692 p_sl=0.3694 score=0.1067 DOMRF p_tp=0.1524 p_sl=0.3148 score=0.1044 CNYRUB_TOM p_tp=0.1694 p_sl=0.3873 score=0.1038 ALRS p_tp=0.1314 p_sl=0.2621 score=0.0970 NVTK p_tp=0.1312 p_sl=0.2638 score=0.0966 SILVER p_tp=0.1425 p_sl=0.3279 score=0.0958 RTKM p_tp=0.1314 p_sl=0.2729 score=0.0956 BTC p_tp=0.1493 p_sl=0.3889 score=0.0912 NASDAQ100 p_tp=0.1494 p_sl=0.4165 score=0.0872 GLDRUB_TOM p_tp=0.1153 p_sl=0.2881 score=0.0821 RAGR p_tp=0.1334 p_sl=0.3988 score=0.0802 COPPER p_tp=0.1504 p_sl=0.4710 score=0.0795 BRENT p_tp=0.1039 p_sl=0.3032 score=0.0724 HH_GAS p_tp=0.0950 p_sl=0.2506 score=0.0712 $SBER $LKOH $GAZP $GMKN $IMOEXF #машинное_обучение #машинноеобучение #алготрейдинг
1
2
StarkovDV
StarkovDV

5 ноября в 19:48

05.11.2026 Финрез (дэйли) +0,26 Аллокация ticker w_final CNYRUB_TOM 0.0543 SBER 0.0543 DOMRF 0.0543 LKOH 0.0543 MOEX 0.0543 ROSN 0.0543 GMKN 0.0543 IMOEX 0.0543 метрики: AUC: 0.5826 IC daily: mean=+0.0158 NDCG@5: mean=+0.2255 Sharpe: 0.9754 Sortino: 1.2364 CAGR: 0.1712 MDD: -0.2627 Calmar: 0.6518 Vol(ann): 0.1784 Model: CatBoost 50/2/lr=0.03/l2=20 Target: TP-first 1.5σ/1.0σ Purge/Embargo: 10/10 Portfolio: TOP-5, weight 1/5, daily rebalance проблемы. IC daily: mean=+0.0158 std=0.3670 Шум NDCG@5: mean=+0.2255 ТОП5 чуть лучше рандомного выбора мусорные фичи надо пересобирать. Выкидывать всё, что айси ниже 0,02 Диагностика pos_rate = 0.1638, TP 16.4%, SL 28.9%, TIMEOUT 54.7% Target — корректен. Permutation importance realized_vol_20 +0.0511 trend_efficiency_20 +0.0111 rsi_14 +0.0050 kurtosis_60 +0.0013 parkinson_vol_20 +0.0007 max_drawdown_60 +0.0001 linear_slope_tstat_60 -0.0001 high_low_range_20 -0.0014 return_60 -0.0013 realized_vol_60 -0.0026 return_20 -0.0026 избыточно AUC по фолдам: от 0.5187 до 0.7297 Нестабильно AUC: 0.5826 PR-AUC: 0.2095 (prev 0.1654, модель лучше случайного) LogLoss: 0.4624 (prev baseline 0.4485) Brier: 0.1427 (prev baseline 0.1380) p_tp std: 0.0211 Модель недообучена? Пересобирка фич. Дубли убрать. К оставшимся ортогональный пак Значение каждой фичи для таргета. Дополнительно связь с доходностью на горизонте. Далее пересобрать пул признаков и два прогона - на таком же обучении. И на более глубоком. МЕТРИКИ AUC 0.6182 PR-AUC 0.2254 LogLoss 0.4370 Brier 0.1350 IC +0.0157 Sharpe 0.8350 Sortino 1.0835 CAGR 0.1659 MDD -0.2822 Calmar 0.5878 Vol 0.2103 Модель доучилась. уровень шума ниже. Ансамбль. Базовая на TP Вторая на SL Параметры одинаковые AUC: 0.5728 Корреляция с базовой daily Spearman: mean=+0.4925 Ортогональность есть Ансамблирование Score p_tp*(1-p_sl) Sharpe 1.1546 Sortino 1.7721 CAGR 0.3249 MDD -0.3261 Calmar 0.9965 Просадка выше целевой Риск оверлей к целевой MDD Sharpe 1.1918 Sortino 1.7404 CAGR 0.1312 MDD -0.1553 Calmar 0.8449 Vol 0.1084 $CNYRUBF $SBER $DOMRF $LKOH $MOEX $ROSN $GMKN $IMOEXF #машинное_обучение #машинноеобучение
1
StarkovDV
StarkovDV

5 ноября в 5:35

04.11.2026 Вчерашняя ачивка. Аллокация без изменений. Бейз-модель. [ML metrics] AUC: 0.5761 IC (daily): mean=0.0220 std=0.3683 IR=0.0597 n_days=3770 NDCG@8: mean=0.3412 n_days=3227 [portfolio] TOP-8 by P(TP), H=5d holding, weight 1/H per active position, cost=0 days: 3856 Sharpe: 1.1073 Sortino: 1.4512 CAGR: 0.2855 MDD: -0.4819 Calmar: 0.5924 Vol(ann): 0.2562 total_ret: 45.6399 [benchmark IMOEX] Sharpe: 0.2950 CAGR: 0.0412 MDD: -0.5529 [fixation] (N, history_start, asof) N (universe): 26 history_start: 2011-06-22 asof: 2026-10-30 WF pretrain: 3y retrain=6m purge=5 embargo=5 model: CatBoost 50/2/lr=0.03/l2=20 frame: {'n_features': 14, 'n_positions': 8, 'horizon': 5, 'n_models': 1} features: ['return_5', 'return_20', 'return_60', 'trend_efficiency_20', 'linear_slope_tstat_60', 'rsi_14', 'adx_14', 'realized_vol_20', 'realized_vol_60', 'parkinson_vol_20', 'high_low_range_20', 'max_drawdown_60', 'skewness_60', 'kurtosis_60'] barriers: TP=1.5σ SL=1.0σ модель че то понимает. это видно из AUC. Этого не достаточно, чтобы хорошо торговать - это видно из Calmar Результат логичен и соответствует метрикам. несколько проблем - сама постановка таргета как бинарный исход. Модели плевать - сколько заработает. Модель смотрит заработает или нет. И уровень пробабилити. То есть уверенность не в сайзе роста. А в том, что вырастет. То есть модель ведет себя корректно, правильно? Правильно. Ей не сказали заработай. Ей сказали вырастет или нет? Она права в 57% случаев. На рыночном шуме - это хорошо. То есть. Проблема 1) Реализация таргета 2) Сам по себе таргет 3) Недостаточность информации 4) Фичи - видно что модель подстроилась под таргет - что она делает - у нее 1,5 сигмы тейка. она смотрит на сколько актив валовый и понимает хватит ли ему амплитуды каснуться тейка. Это абьюз дырявой постановки задачи. Минмимальные проверки: Соответствие пробабилити модели фин.резу [1.5] economic consistency: p_tp vs realized_ret: rho=+0.0257 p=8.913e-12 p_tp vs MFE: rho=-0.2272 p=0.000e+00 p_tp vs MAE: rho=-0.2619 p=0.000e+00 Связи пробабилити модели с фин.резом нет. Модель умеет только определять вероятность TP. Добавляю регрессор. Sharpe: 0.8770 Sortino: 1.1703 CAGR: 0.2727 MDD: -0.5898 Calmar: 0.4623 Vol(ann): 0.3401 IC daily: mean=+0.0108 std=0.3638 IR=+0.0296 Сигнала нет Удачно попадает в бету Шум. Классификатор как есть. С наложением риск-контроля. CAGR 0.1584 MDD -0.1268 Calmar 1.2496 Vol 0.1203 Пока так. #машинное_обучение #машинноеобучение #алготрейдинг
1
StarkovDV
StarkovDV

3 ноября в 17:12

03.11.2026 Аллокацию размотало на 1,15% в минус. XGB EV_IC_spearman: 0.014959837236464863 EV_IC_pearson: 0.010994147501980172 pos_ev_share: 0.4906893848634098 CAGR 0.158944 Vol 0.145482 Sharpe 1.086825 Sortino 1.450074 Calmar 0.527048 MDD -0.301573 Cигнал слабый По годам плохо ExtraTreesRegressor IC_spearman_mean 0.010002 IC_spearman_median 0.009504 IC_pearson_mean 0.018274 MAE 0.047818 RMSE 0.08137 top4_precision_mean 0.503417 top4_fwd_ret_mean 0.010121 CAGR 0.321378 Vol 0.314647 Sharpe 1.042337 Sortino 1.390006 Calmar 0.607859 MDD -0.528705 сигнал очень слабый. погранично с шумом. top4_precision чуть выше случайного. Интересно заходить через не очень шумный таргет. RS ранкинг? Но размотает, модели будет плевать, если рынок летит в ад, она просто выберет тех, кто летит медленнее (и будет права!). Тогда. Нужно выбрать то. Что не размотает. Но то, что устойчиво. И то, что не будет шуметь выбросами. А если и будут выбросы (а они будут) - чтобы они делали модель аккуратнее, а не агрессивнее Тогда. Просдка от цены входа. LGB NDCG@7_mean: 0.6279361407287756 IC_spearman_mae_mean: 0.17063681144336224 IC_spearman_mae_median: 0.18238231517460746 CAGR 0.241861 Vol 0.317170 Sharpe 0.841453 S ortino 1.000537 Calmar 0.420496 MDD -0.575179 ML-метрики ТОП, просадка - какашка. XGB базовая загрузка 0.5 оверлап с лямбдаранком = 1.5 CAGR 0.174272 Vol 0.157973 Sharpe 1.095996 Sortino 1.427548 Calmar 0.501979 MDD -0.347171 2026ой вытащила в плюса плечом. 22ой все еще убивает. Но учитывая что рынок расхреначило Как будто и ок. Шарп конечно лучше _0.75_1.25 здесь Но плечо выводит все года в плюс. Так что. В сигнал. Аллокация с правкой на целевую MDD: Тикер Вес DOMRF 8,5566% CNYRUB_TOM 8,5566% SBER 8,5566% GAZP 7,9509% LKOH 2,8539% X5 2,6589% GLDRUB_TOM 2,5357% SILVER 2,0994% HH_GAS 1,9094% $DOMRF $CNYRUBF $SBER $GAZP $LKZ6 $X5 $GLDRUB_TOM $SVU7 $NGZ6
1
2
StarkovDV
StarkovDV

2 ноября в 19:57

02.11.26 Стейт stock_ret − macro_ret = h5 +0.0149, h20 +0.1264, h60 +0.2589 breadth_diff (stocks − macro): h5 −0.182, h20 +0.636, h60 +0.545 (акции растут против макро-слоя) corr(energy, non_energy): h20 −0.155, h60 −0.157 (энергия отрицательно коррелит с остальным макро) median_vol 0.0163 Тесты Ручная Логика: Вход: ret_20 > 0, adx_14 > 20, positive_day_fraction_20 > 0.5, close_location > 0.5, macd_histogram_slope > 0. Штрафы: вес × (1 - ES/median_ES) clip [0.5,1], вес × (1 - ulcer/median_ulcer) clip [0.5,1]. Риск-режим: если volatility_percentile_250 > 0.8 -> вес × 0.5. TOP-5 EW, cap 25%, min_cand 3, cash если < 3. CAGR 0.070386 Vol 0.135917 Sharpe 0.564682 Sortino 0.433814 Calmar 0.289345 MDD -0.243260 Паралитик Ridge alpha=10, StandardScaler. Target: y = close[t+20]/close[t] - 1. WF: rolling 756 train / 126 OOS / шаг 126, purge 20 + embargo 20. Портфель: TOP-5 EW, cap 20%, min 3, cash < 3, плечо 0. IC_spearman_mean -0.015621 IC_spearman_median -0.021988 IC_pearson_mean -0.004108 MAE 0.083867 RMSE 0.155614 top5_precision_mean 0.479755 top5_fwd_ret_mean 0.016573 CAGR 0.227644 Vol 0.333071 Sharpe 0.782176 Sortino 0.96196 Calmar 0.319117 MDD -0.713356 Инверсия сигнала Слепой камикадзе XGBoost Classifier + Triple Barrier + EV-ранжирование EV_IC_spearman: 0.0013559079819349476 EV_IC_pearson: 0.006761931892922942 decile_means: {0: 0.00149, 1: 0.00133, 2: 0.00214, 3: 0.00193, 4: 0.00163, 5: 0.00149, 6: 0.00163, 7: 0.00071, 8: 0.00264, 9: 0.00238} pos_ev_share: 0.4912760104133971 n_pos_ev: 54161 Абсолютно тупая Но как то зарабатывает CAGR 0.201826 Vol 0.193481 Sharpe 1.046876 Sortino 1.404816 Calmar 0.541554 MDD -0.372679 На EV ранжировании? Больше нет идей. Риск-контроль. CAGR 0.200075 Vol 0.171561 Sharpe 1.148498 Sortino 1.573923 Calmar 0.692265 MDD -0.289014 Сигнал: instrument ev p_tp p_sl w_base es_ratio es_mult w_final HH_GAS 0.0054 0.1530 0.2167 0.2000 0.9521 1.0000 0.2000 X5 0.0049 0.2166 0.2945 0.2000 1.3758 0.6242 0.1248 GAZP 0.0047 0.2060 0.2875 0.2000 0.8086 1.0000 0.2000 GLDRUB_TOM 0.0040 0.1760 0.2697 0.1768 1.1675 0.8325 0.1472 RTKM 0.0035 0.1914 0.2967 0.1537 0.6960 1.0000 0.1537 Сведение к целевой просадке 0,26 Тикер Целевой вес HH_GAS 17.99% X5 11.23% GAZP 17.99% GLDRUB 13.24% RTKM 13.83% $NGZ6 $X5 $GAZP $GLDRUBF $RTKM
2
3