Что такое «импульсивные торговые решения» и как от них защититься: разработка системы раннего предупреждения трейдеров

Современный трейдинг предоставляет широкие возможности для
инвестирования и спекуляций на финансовых рынках. Однако, как и в любой
деятельности, связанной с риском и принятием решений, важно развивать
здоровые торговые привычки, которые способствуют долгосрочному успеху.

В нашем отделе Rapid при поддержке Лаборатории инноваций мы задались
вопросом: можно ли с помощью машинного обучения выявлять признаки
импульсивных торговых решений у трейдеров и предоставлять им
своевременную поддержку?

В этой статье мы расскажем о нашем опыте разработки системы раннего
предупреждения, которая помогает трейдерам избегать эмоциональных и
необдуманных решений.

Реальные торговые данные содержат чувствительную информацию участников
финансового рынка, поэтому свое исследование мы проводили на
синтетических тестовых данных. Тем не менее если в будущем возникнет
запрос регулятора или отдельных участников торгов, мы будем готовы
помочь им с подобной аналитикой.

Почему это важно?

Импульсивные торговые решения --- это действия трейдера, основанные на
эмоциях, а не на рациональном анализе. Такие решения часто приводят к:

1. Увеличению частоты сделок

2. Увеличению размера позиций после убытков

3. Торговле в нерабочее время

4. Частым изменениям стратегии

5. Высокой волатильности результатов

Последствия таких решений могут быть разрушительными как для самого
трейдера (потеря капитала, эмоциональное выгорание), так и для брокера
(потеря клиента).

Наш подход к решению проблемы

Мы решили применить методы машинного обучения для анализа поведения
трейдеров и выявления признаков импульсивных решений. Наш подход включал
несколько этапов:

1. Сбор и анализ данных о поведении трейдеров

2. Выявление ключевых индикаторов риска

3. Разработка модели машинного обучения

4. Создание системы оценки риска и генерации рекомендаций

5. Тестирование

Данные и признаки

Для обучения модели мы использовали набор данных, включающий различные
характеристики трейдеров. Важно отметить, что для этого исследования мы
использовали синтетические данные, сгенерированные на основе типичных
паттернов поведения трейдеров, без использования конфиденциальной
информации реальных клиентов.

Наш набор данных включал следующие характеристики:

1. Опыт трейдера (в месяцах)

2. Финансовые показатели (начальный депозит, текущий баланс)

3. Активность (количество торговых дней, количество сделок)

4. Временные характеристики (средняя продолжительность сделки,
   процент ночной торговли)

5. Управление капиталом (средний и максимальный размер позиции)

6. Результативность (процент прибыльных сделок, соотношение
   риск/прибыль)

7. Поведенческие паттерны (погоня за убытками, частота изменения
   стратегии)

Рис. 1. Корреляционная матрица признаков показывает взаимосвязи между различными характеристиками трейдеров

Модель машинного обучения

После экспериментов с различными алгоритмами (логистическая регрессия,
случайный лес, градиентный бустинг) мы остановились на XGBoost, который
показал наилучшие результаты.

Модель обучалась классифицировать трейдеров на две категории:

1. Трейдеры с признаками импульсивных решений

2. Трейдеры с рациональным подходом к торговле

Рис. 2. Распределение риск-скора импульсивных решений с порогом классификации

Точность модели на тестовой выборке составила более 90%, что подтвердило
эффективность выбранного подхода.

Рис. 3. Матрица ошибок для XGBoost

Профили риска трейдеров

Одним из ключевых результатов нашего исследования стало выявление
различных профилей риска трейдеров. Мы визуализировали эти профили с
помощью радарных диаграмм, которые наглядно демонстрируют различия между
трейдерами с разным уровнем риска.

Рис. 4. Распределение трейдеров по категориям риска импульсивных решений

На диаграмме представлены пять категорий риска:

1. Темно-зеленый: Очень низкий риск

2. Светло-зеленый: Низкий риск

3. Желтый: Средний риск

4. Оранжевый: Высокий риск

5. Красный: Очень высокий риск

Чем больше площадь многоугольника, тем выше общий уровень риска
импульсивной торговли.

Ключевые индикаторы риска

Анализ важности признаков в модели позволил выявить ключевые индикаторы
риска:

Рис. 5. Важность признаков в модели XGBoost

Наиболее значимыми оказались:

1. Погоня за убытками --- увеличение размера позиций после
   убыточных сделок

2. Ночная торговля --- высокий процент сделок в нерабочее время

3. Частота сделок --- чрезмерно высокое количество сделок в день

4. Время удержания позиций --- слишком короткое время удержания
   позиций

5. Размер позиций --- слишком большой размер позиций относительно
   капитала

Рис. 6. Коэффициенты логистической регрессии показывают влияние различных факторов на вероятность импульсивных решений

Система оценки риска и рекомендаций

На основе модели машинного обучения мы разработали систему, которая:

1. Оценивает риск импульсивных решений для каждого трейдера

2. Классифицирует трейдеров по пяти категориям риска (от очень
   низкого до очень высокого)

3. Выявляет ключевые факторы риска для каждого трейдера

4. Генерирует персонализированные рекомендации на основе выявленных
   факторов риска

Вот пример работы системы для трейдера с высоким риском импульсивных
решений:

Результаты оценки для трейдера:

1. Вероятность импульсивных решений: 0.99

2. Категория риска: Очень высокий

3. Ключевые факторы риска:

4. Погоня за убытками: 0.6247

5. Ночная торговля: 0.4832

6. Максимальный размер позиции: 0.3915

Рекомендации:

1. Избегайте погони за убытками. Не увеличивайте размер позиций после
   убыточных сделок.

2. Ограничьте торговлю в нерабочее время. Установите четкие часы для
   торговли и придерживайтесь их.

3. Уменьшите размер позиций. Не рискуйте более чем 1-2% капитала на
   одну сделку.

4. Ведите торговый журнал для отслеживания своих решений и эмоций.

5. Рассмотрите возможность сделать перерыв в торговле на несколько дней
   для переоценки своего подхода.

Практическое применение

Разработанная система может быть со временем внедрена внутренние
процессы и использована для:

1. Раннего выявления трейдеров с признаками импульсивных решений

2. Предоставления персонализированных рекомендаций

3. Мониторинга изменений в поведении трейдеров

4. Оценки эффективности образовательных программ

Технические детали реализации

Для реализации проекта мы использовали следующий стек технологий:

1. Python --- основной язык программирования

2. pandas, numpy --- для работы с данными

3. scikit-learn, XGBoost --- для создания моделей машинного
   обучения

4. matplotlib, seaborn --- для визуализации данных

Архитектура системы включает несколько компонентов:

1. Модуль сбора и обработки данных --- собирает данные о поведении
   трейдеров из различных источников

2. Модуль анализа и оценки риска --- анализирует данные и оценивает
   риск импульсивных решений

3. Модуль генерации рекомендаций --- генерирует персонализированные
   рекомендации

Заключение

Наш опыт показывает, что применение методов машинного обучения для
выявления импульсивных торговых решений может значительно улучшить
результаты трейдеров и снизить риски.

Мы верим, что технологии искусственного интеллекта могут и должны
использоваться не только для оптимизации бизнес-процессов, но и для
помощи людям в принятии более рациональных решений.

Полный код проекта

Полный код проекта доступен в kaggle:
https://www.kaggle.com/code/egorkovalevlanun/impulsive-trading

Приложение: Дополнительные материалы

Для более глубокого анализа взаимосвязей между различными признаками мы
использовали полярные графики:

Рис. 7. Полярные графики показывают взаимосвязи между ключевыми признаками и наличием импульсивных решений

Автор: Ковалёв Егор Дмитриевич