Мы делимся реальным опытом работы с алгоритмами оптимизации портфелей. Здесь вы найдете статьи о том, как нейронные сети анализируют рыночные данные, какие подходы работают в условиях Казахстанского рынка, и почему традиционные методы иногда дают неожиданные результаты.
Три года назад мы столкнулись с проблемой: модель отлично работала на тестовых данных, но реальный рынок вёл себя иначе. Пришлось пересмотреть подход к выбору признаков и переобучить систему. Рассказываем, что изменилось.
Читать полностью
Автоматическая ребалансировка может быть и благом, и проблемой. Мы проанализировали 200 портфелей за последние два года и обнаружили, что чрезмерная активность алгоритмов приводит к потерям на комиссиях. Разбираем оптимальные пороги.
Читать полностьюКазахстанский рынок в ноябре-декабре показал резкие колебания. Наши модели адаптировались к новым условиям через корректировку весов признаков. Интересно, что системы с фиксированными параметрами потеряли в эффективности около 15%, в то время как адаптивные алгоритмы сохранили стабильность.
В прошлом году одна из наших нейросетей показывала невероятные результаты на исторических данных. Мы радовались до тех пор, пока не запустили её на реальном рынке. Модель просто запомнила паттерны прошлого и не смогла адаптироваться к новым условиям. Это был ценный урок о важности кросс-валидации.
Недавно мы обнаружили, что одна из наших моделей делала странные прогнозы. Оказалось, в исторических данных были ошибки — пропущенные торговые дни и некорректные цены закрытия. После очистки данных точность выросла на 12%. Это напоминает нам: мусор на входе — мусор на выходе.
Наши коллеги делятся опытом работы с машинным обучением в финансах. Это не советы, а реальные истории о том, что работает, а что приходится переделывать.
В октябре мы столкнулись с интересной ситуацией: модель начала предлагать слишком консервативные стратегии. Копаясь в параметрах, обнаружили, что алгоритм слишком сильно реагировал на краткосрочные просадки. Пришлось переобучить с учётом долгосрочных трендов.
Самое сложное в работе с ML для инвестиций — не написать код, а правильно подобрать признаки. Мы экспериментировали с десятками вариантов, и только после сотни итераций нашли комбинацию, которая работает стабильно. Процесс занял шесть месяцев, но результат того стоил.
Собрали материалы, которые помогут лучше понять, как работает машинное обучение в контексте финансовых рынков. Это не реклама — просто то, чем пользуемся сами.
Список Python-библиотек, которые мы используем ежедневно. От базового NumPy до специализированных решений для бэктестинга. Некоторые из них малоизвестны, но невероятно полезны для работы с временными рядами.
Посмотреть список
Подборка курсов, которые действительно дают практические навыки. Мы отобрали те, где больше кода и меньше теории ради теории.
Узнать большеГде брать качественные исторические данные по казахстанскому рынку. Платные и бесплатные варианты, их плюсы и минусы из нашего опыта.
Смотреть источникиГотовые решения, которые можно адаптировать под свои задачи. Все примеры проверены на реальных данных и работают не только в теории.
Изучить примеры