Введение: зачем рынку нужна вероятностная модель

Большинство торговых систем работают детерминированно: “если RSI пересёк X — покупай”.
Но рынок — стохастическая система. Сигналы не бинарны, они вероятностны.

Это приводит к трём фундаментальным проблемам классических индикаторных систем:

1. Отсутствие нормализации
   Индикаторы дают значения в разных единицах, не сопоставимы между собой.

2. Нет учёта рыночных режимов
   RSI=70 в тренде и RSI=70 в боковике — разные вещи по вероятности разворота.

3. Нет вероятностной оценки результата
   Трейдеру нужно не “Buy”, а «Вероятность роста 0.67 при уверенности 0.72». Это более объективная мера

И анализатор, который мы сегодня разберём, решает это, используя:

• только OHLCV-данные

• многовременной анализ (HTF/LTF)

• оценку волатильности

• нормализованные регрессионные признаки

• рыночные режимы как скрытые состояния

• логистическую функцию превращения score → probability

• модель confidence для оценки качества сигналов

• анализ альткоинов через TOTAL/TOTAL2/TOTAL3/OTHERS.D

Система превращает разрозненные технические признаки в унифицированную вероятностную модель рынка.

Чтобы не засорять статью безумным количеством кода, основной скрипт выложен на github

2. Архитектура проекта

Проект состоит из четырёх ключевых модулей:

DataManager               – загрузка данных OHLCV
MTF Analyzer              – анализ разных таймфреймов
Technical Indicators      – расчёт всех raw-метрик
Scoring Engine            – превращение сигналов в вероятность
Alt-Market Analyzer       – анализ TOTAL/TOTAL2/TOTAL3/OTHERS.D

Модули взаимодействуют так:

1. DataManager скачивает OHLCV через CCXT.

2. AdvancedTechnicalAnalyzer считает индикаторы.

3. MultiTimeframeAnalyzer рассчитывает согласованность трендов между HTF/LTF/Daily.

4. VolatilityRegimeEngine определяет волатильность.

5. IntelligentScoringEngine превращает все признаки в итоговый score.

6. Score → логистическая функция → вероятность направления цены.

7. Alt-Market Analyzer добавляет макрорынок (TOTAL/TOTAL2/TOTAL3, OTHERS.D).

8. Всё сохраняется в JSON/CSV и отображается в summary.

3. Математическая база модели

Разберём фундаментальные блоки, на которых построена модель.

3.1 ATR — оценка истинной волатильности

ATR = EMA(True Range), где True Range =
max(high - low, |high - close_prev|, |low - close_prev|)

Это даёт оценку амплитуды движения без направления.

Используется в модуле:

• Volatility Indicators (atr_percent)

• Volatility Regime Engine

• Momentum Risk Adjustment

ATR позволяет системе учитывать:

• низкую волатильность (аккумуляция)

• высокую волатильность (паника, разворот, новости)

3.2 ADX — вычисление трендовости рынка

ADX — ядро определения рыночного режима.
Он показывает силу тренда, а не направление.

ADX = EMA(DX)
DX = |+DI − −DI| / (+DI + −DI)
+DI = EMA(high − prev_high)
−DI = EMA(prev_low − low)

Использование в модели:

• market_regime_score (0–1)

• режимы trending / consolidation / mixed

Важный момент: ADX вводит рыночные режимы как скрытые состояния.

3.3 Дисперсия & std доходностей

Историческая волатильность:

σ = std(close.pct_change().rolling(20))

Это используется:

• для текущего режима волатильности

• для Momentum Risk Adjusted Score

• для Volatility Score

• как фильтр всплесков волатильности

3.4 Линейная регрессия как модель тренда

Важнейшая идея:

slope = направление

r² = устойчивость тренда

Использование:

• trend_strength

• trend_consistency

• оценка рыночной структуры

• market_regime_score

• согласованность по таймфреймам

Получаем намного лучшее представление тренда, чем просто EMA50/200.

3.5 Логистическая функция вероятности

Итоговый score переводится в вероятность через логистическую функцию:

Используется классическая сигмоидная модель.

P - итоговая вероятность, s - итоговый score (получен путём свёртки всех факторов), k - коэффициент крутизны кривой - чем выше k, тем резче будет логистическая кривая, т.е. реакция на изменение факторов. Она задаётся в конфиге. Там же задаётся и смещение середины для нашей функции x0. e - числа эйлера, оно обеспечивает нормализацию в диапазон и симметрию кривой.

Плюсы:

• score превращается в интерпретируемое “0.73 вероятности роста”

• небольшие изменения score вокруг x0 дают сильные изменения P

• устойчивость к экстремальным значениям

3.6 Многовременные согласованные тренды (MTF)

Модель использует 3 TF:

• HTF = 1 week

• Daily = 1 day

• LTF = 4h

Согласованность =
EMA20>EMA50 + slope >0 + RSI согласованность.

Выход:

• htf_trend

• ltf_trend

• daily_trend

• htf_alignment_score (0→1)

4. Основные функциональные блоки системы

На основе кода разберём ключевые вычислительные ядра.

4.1 Price Action Engine

Использует:

• price_vs_sma20/sma50

• позицию цены в канале (max20/min20)

• расстояние до уровней S/R

• близость к покупке/продажи

Экономический смысл:

• цена ниже SMA20/SMA50 → вероятность роста выше

• цена в нижней части канала → вероятный отскок

• цена у поддержки/сопротивления → вероятностные паттерны разворота

4.2 Volume Engine

Содержит:

• Volume Ratio (V / SMA20)

• Volume Momentum

• Price-Volume Correlation

• OBV & OBV Trend

Сильный рыночный признак:
Если цена растёт + объём растёт → рост подтверждён.

Если цена падает + объёмы падают → падение ослабевает.

4.3 Market Structure Engine

Использует:

• Higher Highs / Lower Lows

• trend_strength (регрессия)

• trend_consistency (r²)

• breakout_potential

Смысл:
Система понимает, находится ли инструмент в:

• импульсном тренде

• устойчивой консолидации

• предбрейк-аут состоянии

4.4 Momentum Engine

Модуль использует:

• RSI

• Stochastic

• Momentum (5d, 10d, 20d)

• ROC

• Risk-adjusted momentum (momentum / volatility)

Это позволяет системе определять состояние:

• перекупленности/перепроданности

• истинной силы импульса

• согласованности краткосрочного и среднесрочного импульса

4.5 Volatility Engine

Содержит:

• volatility_20d

• ATR %

• Bollinger Bands position (bb_position)

Логика:

• низкая волатильность → вероятность выхода растёт

• высокая волатильность → сигнал хуже для входа

• цена у нижней полосы → вероятное восстановление

• цена у верхней → вероятная коррекция

4.6 Liquidity Engine

На основе:

• volume_ma20 * price

• логарифмической нормализации

• тренда ликвидности (vol_ma5 / vol_ma20)

Смысл:

• низкая ликвидность → модель снижает уверенность сигнала

• высокая ликвидность → рынок более предсказуем

4.7 Market Regime Engine

Режимы:

• trending - трендовые волатильные движения

• consolidation - консолидация, диапазон

• mixed - смешанные режимы

Построен на:

• ADX

• trend_strength - силе тренда

• волатильности

Сигналы усиливаются/ослабляются в зависимости от режима:

5. Итоговый Final Score

Система объединяет:

• Price Action

• Volume

• Market Structure

• Momentum

• Volatility

• Market Sentiment

• HTF alignment

• Volatility regime

• Market regime

• Liquidity score

С двумя наборами весов:

• base (weights)

• v2 (weights_v2)

Итоговая формула:

FinalScore = Σ(score_i * weight_i) / Σ(weight_i)

6. Преобразование в вероятность

Используется логистическая функция:

ProbLong = 1 / (1 + exp(-k(score - x0)))

Где:

• score > 0 → рост

• score < 0 → падение

• k регулирует кривизну

7. Модель Confidence

Confidence учитывает:

• отклонение RSI от 50

• объемную активность

• силу тренда

• magnitude final score

Формула — усреднение нормализованных факторов.

Confidence помогает различать:

• сильные вероятностные сигналы

• неуверенные сигналы

8. Alt-Market Analyzer: TOTAL/TOTAL2/TOTAL3/OTHERS.D

Используются данные CoinGecko:

• market_cap

• price

• volume

Строятся индексы:

1. TOTAL — всё

2. TOTAL2 — без BTC

3. TOTAL3 — без BTC и ETH

4. OTHERS.MCAP — mcaps всех кроме топ N

5. OTHERS.D = OTHERS / TOTAL

Модель позволяет:

• оценивать сезонность альтов

• сравнивать силу альтов против BTC/ETH

• искать корреляции TOTAL2/TOTAL3

• определять ускорение или замедление рынка

Также рассчитываются:

• vol7/vol30 - соотношение обьемов

• vol-adjusted returns - возврат ценовых значений, скорректированный на объём

• относительная сила против BTC/ETH

9. Как интерпретировать результаты

Каждый инструмент получает следующие данные: symbol, price, final_score, prob_long, confidence, category_scores, indicators - тоесть все те фильтры и значения которые мы ранее описали. Вернее, основные из них.

Пример:

• ProbLong = 0.78 → высокая вероятность роста

• Confidence = 0.65 → уверенность средняя

• В ключевых факторах dominate momentum & market_structure

Трейдер или аналитик может принимать решения опираясь не на субъективные индикаторы, а на количественную модель.

Заключение

Мой анализатор — это попытка построить универсальный вероятностный движок для анализа рынка, используя только OHLCV-данные, но объединяя:

• многовременной анализ

• рыночные режимы

• регрессионную статистику

• волатильность и объёмы

• соотношение силы альтов

• нормализованную оценку признаков

• вероятностные функции

Это не торговый бот, а исследовательская модель, похожая на действительно качественные аналитические движки.

Она даёт:

• вероятность роста

• уверенность в сигнале

• ключевые факторы

• устойчивые результаты в разных режимах рынка

Эту систему можно легко интегрировать в алгоритмическую торговлю, Telegram-ботов, дашборды трейдинга или даже как часть ML-модели.