На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению (Machine Learning) в трейдинге. Название мне показалось весьма злободневным: «ML в трейдинге: как выжить, если ты один, а против тебя — хедж‑фонды с бесконечным бюджетом».

Я бы хотел побывать на нём лично, но из Перми ехать далековато и поэтому я отдал билет другу. Так что отдельное спасибо Сергею Степаняну за то, что он приехал в Москву из Ярославля и фактически стал моими глазами и ушами — то, что вы читаете — это его наблюдение, мои размышления и немного здравого смысла. 

Вообще моё текущее представление о ML в трейдинге на Московской бирже довольно прикладное. Смотришь за ценой: волатильность больше или меньше, скорость изменения цены быстрее или медленнее. И если за какой‑то из этих показателей меняется, то продаешь или покупаешь. Так можно попасть в вероятность, но точно определить конечно же невозможно. Ну и приходится постоянно это дело подкручивать под изменяющиеся параметры рынка — играть в догонялки — рынок меняется и всегда вынужден его преследовать. 

На этой встрече мне показалось очень здравой мысль, что современный алготрейдер в России — это один человек, который заменяет целую команду: 

• он ищет и чистит данные;

• придумывает признаки; 

• строит модели; 

• тестирует гипотезы;

• собирает стратегии; 

• считает риски; 

• и всё это выводит в продакшн.

И это принципиальное отличие от фондов когда все роли разделены между людьми, а у тебя просто домашний компьютер с видеокартой чуть мощнее среднего и ИИ помощник. 

Я уже не первый год пишу статьи на Хабре, а читаю уже очень давно, и кроме новостного шума сложно найти что‑то содержательное по теме алго и ML, а по Deep Learning уж и подавно, потому что никто не рассказывает что реально работает, а все обсуждения идут на уровне намёков. В итоге каждый сам изобретает свой собственный велосипед и, конечно же, повторяет чужие ошибки. Просто не знает об этом. 

На встрече был всего один доклад от Антона Абдулгалимова. Я очень извиняюсь перед ним, но упоминания компании где он работает не будет — из‑за подобных вещей у меня блокировали аккаунт однажды — потому что заподозрили рекламу (которой не было).

На встрече проводили небольшой опрос и оказалось что люди в целом знакомы с тем, что такое ML, они экспериментируют, но прибыли не видят и только 30% имеют работающие стратегии которые запущены на реальных деньгах. 

Иллюзия «предсказания цены»

Вообще общепринятое мнение о ML — что ты скармливаешь нейронке график Сбера и она тебе говорит сколько он будет стоить завтра. Но в реальной жизни так не работает. Если просто натравить регрессию на цену, то на выходе получится мусор, а в высокочастотном трейдинге (HFT) ML вообще очень ограниченно используется, потому что там бьются за наносекунды и любая тяжёлая модель просто убивает систему задержками.

В своей практике я тоже уже пытался использовать ML как генератор сигналов (неудачно). 

Зато ML отлично работает в более узких задачах:

• Поиск фазы рынка (режима) — модель не говорит покупай, она говорит: «сейчас жесткий боковик, трендовые стратегии лучше выключить».

• Фильтрация сигналов — какие сделки из вашей базовой стратегии брать, а какие — с высокой долей вероятности убыточны.

• Исполнение — как зайти в позицию так, чтобы не размазать весь свой профит о проскальзывание и комиссию.

• Микроструктура стакана — там, где человеческий глаз просто не успевает увидеть закономерности в потоке ордеров.

Почему граали ломаются о реальность

Но вернёмся к статистике: большинство застревает на этапе тестов. В трейдинге очень легко построить иллюзию что у тебя всё хорошо и Антон нашёл грабли на которые наступает большинство одиночек:

• Garbage in = Garbage out. Данные — это 80% успеха. Если в ваших дневных свечах пропущен один день, или вы криво склеили фьючерсы, модель найдет там закономерность, которой в природе нет. Поиск и чистка данных забирают львиную долю времени.

• Заглядывание в будущее. При обучении модель случайно подсматривает в завтрашний день из‑за ошибки в разбиении выборки (кто копает глубоко — почитайте Маркуса де Прадо на эту тему). На истории вы миллиардер, в проде — получаете маржин‑колл.

• Forecast!= PnL (Прогноз не равен прибыли). Вы создали модель, которая в 60% случаев угадывает направление цены. Бинго? Нет. Пока вы вставали в очередь в стакане, пока словили проскальзывание, а брокер и биржа списали комиссии — ваша математическая альфа ушла в минус по счету.

И тут многие начинают кивать на запад: мол, у них там вендоры альтернативных данных, команды квантов, хедж‑фонды с бюджетами, а у нас что? 

Но по факту, разрыв в значительной степени связан с инфраструктурой. Все остальное: поиск сигнала, переобучение моделей, нестационарность рынка — проблемы абсолютно одинаковые что на Уолл‑Стрит, что в Перми (ну и в Москве).

Чтобы не тратить месяцы на разработку мертворожденной стратегии, Антон предложил отличный подход. Прежде чем открывать Python, прогоните свою идею через 5 вопросов:

1. Есть ли конкретная задача? 

(Не «я хочу прикрутить нейронку, чтобы было», а «я хочу снизить издержки на исполнение заявки»).

2. Есть ли у вас честные данные? 

(Чистые, без заглядывания в будущее и доступные в моменте торгов).

3. Можно ли это проверить? 

(С учетом комиссий и задержек).

4. Превращается ли прогноз в действие? 

(Понятен ли мост между тем, что выдала модель, и реальной сделкой/фильтром).

5. Есть ли экономический эффект? 

(Стала ли система приносить больше денег после уплаты всех издержек).

Если хотя бы на один вопрос ответ «нет» — вы внедряете ML слишком рано.

Вместо итога

Знаете, что мне понравилось больше всего на этой встрече (пусть и в пересказе)? То, к чему призывал Антон в конце.

ML не даёт контроля над рынком и не является магической кнопкой «бабло». Это сложный, капризный инструмент, который работает только там, где он реально нужен. Но главная проблема нашего рынка не в нехватке библиотек или вычислительных мощностей. Проблема в том, что мы сидим по своим углам.

Культура «никому ничего не рассказывать» приводит к тому, что все совершают одни и те же ошибки по кругу. То, что умерло на вашей проверке, ваша ошибка в коде или слитый на тестах депозит — это бесценный опыт, который гораздо важнее историй чужого успешного успеха.

Поэтому давайте общаться. Уважаемые алготрейдеры, кто балуется машинным обучением, как у вас успехи? На каком этапе пути застряли: тестируете гипотезы или уже пустили модель в бой на реальных деньгах? 

Автор: Михаил Шардин
? Моя онлайн‑визитка

31 марта 2026 г.