ИИ и энтропия ордеров: как предсказать силу движения

На практике рынки часто ведут себя «двухэтажно»: направление следующего движения цены почти не угадывается, а вот масштаб движения (насколько сильно «дернет») — неожиданно хорошо поддаётся оценке. Это не философия, а прикладная задача: если вы заранее понимаете, что ближайшие 5 минут вероятно будут «громкими», вы по-другому ставите стопы, размер позиции, лимиты на проскальзывание и даже решаете, стоит ли вообще входить.

В декабре 2025 года вышла работа по микроструктуре рынка, которая формулирует это предельно конкретно: энтропия потока сделок в реальном времени (считаемая каждую секунду) способна предсказывать величину внутридневных доходностей, при этом не давая преимущества в угадывании направления. Для серии «Искусственный интеллект в финансовых инвестициях» это важный сигнал: многие сильные AI-подходы в трейдинге не «угадывают завтра», а распознают режим рынка и помогают принимать более качественные решения по риску и исполнению.

Ниже разберём, что именно измеряли, почему это работает, и как это можно перевести в понятные правила для алгоритмической торговли и управления портфелем.

Что показало исследование: направление — нет, амплитуда — да

Короткая суть результата звучит так: низкая энтропия ордерфлоу предвосхищает крупные ценовые колебания.

Автор анализирует поток сделок по SPY (биржевой фонд на S&P 500): 38,5 млн сделок за 36 торговых дней. Энтропия считается на секундных данных, используя марковскую матрицу переходов из 15 состояний (то есть модель того, как «тип» сделки переходит в другой «тип» от секунды к секунде). Затем проверяется, что происходит с ценой в ближайшем окне.

Главный численный результат:

• если энтропия ниже 5-го перцентиля, то последующая 5-минутная абсолютная доходность (то есть модуль изменения цены) в среднем выше в 2,89 раза;
• при этом точность угадывания направления остаётся около 45%, то есть статистически не отличима от случайности.

Сильная формулировка, которую стоит запомнить: «Поток сделок выдаёт наличие информированного давления, но скрывает сторону этого давления».

Для AI в инвестициях это полезнее, чем кажется: не надо пытаться выжать “buy/sell” из шума там, где рынок близок к слабой форме эффективности. Гораздо продуктивнее научиться заранее понимать, что рынок переходит в режим повышенной амплитуды, и управлять ставками на риск.

Почему это не противоречит рыночной эффективности

Слабая форма эффективности говорит: прошлые цены и простые трансформации цены не дают устойчивой прогнозируемости направления. Но эффективность не обещает, что:

• волатильность не кластеризуется;
• микроструктурные «паттерны исполнения» не несут информации;
• состояние рынка (тихий/нервный) нельзя распознать по ордерфлоу.

Именно здесь энтропия и входит в игру как информационно-теоретическая переменная состояния, а не как «магический предсказатель цены».

Энтропия ордерфлоу простыми словами: что измеряется

Энтропия ордерфлоу в данном контексте — это мера «беспорядка» в последовательности микрособытий. Когда поток сделок разнообразен и хаотичен, энтропия выше. Когда рынок «собран» и события повторяются похожими цепочками, энтропия падает.

Интуитивный пример:

• Высокая энтропия: сделки разного размера и направления, очередование «то так, то этак», нет устойчивого рисунка.
• Низкая энтропия: повторяемые микропаттерны (например, серии агрессивных маркет-ордеров, характерные «ступеньки» активности), что часто похоже на исполнение крупного скрытого ордера или действия участника с информационным преимуществом.

Техническая деталь, важная для понимания: автор использует 15-состояний марковский процесс. Это значит, что рынок описывается не одной цифрой «купили/продали», а более богатым алфавитом состояний (по сути — дискретизацией микроструктурных характеристик), а затем смотрится статистика переходов между ними.

Ключевая причина: симметрия по знаку

Работа подчёркивает фундаментальное свойство: энтропия инвариантна к перестановке знаков (условно, если “покупка” и “продажа” поменяются местами, мера хаоса может остаться той же). Поэтому она способна выявлять факт наличия “структуры” — но не обязана сообщать, в какую сторону эта структура давит цену.

В практическом переводе: энтропия — это датчик напряжения, а не компас.

Как это использовать в AI-трейдинге и управлении портфелем

Самая сильная польза таких сигналов — не в направлении, а в решениях по риску, исполнению и выбору тактики.

1) Режимный фильтр для стратегий (volatility gating)

Если у вас есть альфа-стратегия (даже слабая), её результат часто «убивают» периоды:

• слишком тихие (прибыль не покрывает спред/комиссии),
• слишком нервные (проскальзывание и стопы съедают матожидание).

Сигнал энтропии можно использовать как фильтр:

• низкая энтропия → ожидается крупная амплитуда:
  • уменьшить плечо на направленных стратегиях,
  • расширить стопы или перевести в режим “volatility-adjusted stops”,
  • усилить контроль проскальзывания,
  • временно перейти на mean-reversion/market-making только если умеете жить в резких движениях.

• высокая энтропия → вероятно обычный шум:
  • не переплачивать за агрессивное исполнение,
  • снижать частоту входов, если стратегия чувствительна к издержкам.

Это классическая связка «ИИ + риск-менеджмент»: AI не обязан угадывать знак, чтобы приносить деньги — он должен уменьшать стоимость ошибок.

2) Адаптивное исполнение (execution) под ожидаемую амплитуду

Для крупного инвестора (или даже активного частного трейдера на ликвидных инструментах) вопрос «как исполниться» иногда важнее вопроса «куда пойдёт цена». Низкая энтропия как предвестник резкого движения может означать:

• растущую вероятность ухудшения котировок в ближайшие минуты;
• повышенный риск проскальзывания;
• необходимость переключиться с пассивных лимитов на более управляемые алгоритмы исполнения.

Практическая идея: энтропия как триггер смены режима исполнения (например, между пассивным и агрессивным, или между равномерным и “front-loaded” расписанием сделок).

3) Переменная состояния для моделей волатильности

Многие модели волатильности используют только цены (доходности, диапазоны, realized volatility). Здесь предлагается иной источник: микроструктурный сигнал из потока сделок.

Если вы строите AI-модель для:

• прогнозирования intraday VaR/ES,
• динамического позиционирования,
• оптимизации риска по портфелю,

то энтропия может стать полезным признаком, потому что она появляется раньше, чем волатильность успеет «проявиться» в ценах.

4) Тактика для частного трейдера: что делать «руками»

Даже без сложной инфраструктуры можно использовать идею как чек-лист:

1. Если рынок начинает «странно» вести себя на ленте/стакане (серии однотипных принтов, ускорение сделок) — относитесь к этому как к сигналу повышенной амплитуды, а не как к сигналу “buy”.
2. На таких участках:
   • уменьшайте размер позиции,
   • избегайте рыночных ордеров без необходимости,
   • задавайте лимит на дневной убыток жёстче,
   • не усредняйтесь “по привычке”.

Моя позиция простая: большинство сливает не потому, что «не угадал направление», а потому что не пережил амплитуду.

Надёжность результата: что внушает доверие, а что требует проверки

У исследования есть две сильные стороны, которые редко одновременно встречаются в академических работах по трейдингу:

• walk-forward валидация на пяти непересекающихся периодах (то есть проверка вне обучающего окна);
• placebo-тест с перестановкой меток (label-permutation), где эффект сравнивают с «миром без сигнала», и получают статистику уровня z = 14,4.

Это похоже на аккуратную попытку доказать, что сигнал не «пригнался» под данные.

Но есть и честные ограничения:

• 36 торговых дней — маловато, особенно для режима конца года (в декабре структура ликвидности и активность часто меняются из-за ребалансировок и налоговых факторов);
• один инструмент (SPY) — слишком узко для заявления «везде так будет»;
• микроструктурные эффекты зависят от брокера, маршрутизации, торговых сессий и регуляторных нюансов.

Правильный вывод: это не готовая «стратегия для печатного станка», а перспективный тип признака для AI-систем, который стоит валидировать на:

• разных инструментах (фьючерсы, FX, акции),
• разных режимах волатильности,
• более длинных промежутках,
• с учётом реальных транзакционных издержек.

Мини-FAQ: вопросы, которые возникают сразу

Можно ли по энтропии заработать напрямую?

Зарабатывать проще всего не «направлением», а торговлей волатильностью и режимами: настройкой размера позиции, выбором времени входа, продажей/покупкой волатильности (где доступно), оптимизацией исполнения.

Почему точность направления может быть ниже 50%?

Потому что измерение делается на коротком горизонте и в условиях микрошумов, а также из-за того, что сигнал ориентирован на амплитуду. 45% в статье статистически не отличимо от случайности, и это важная деталь: автор не притягивает «альфу по направлению».

Это про ИИ или про статистику?

И то, и другое. Энтропия — это статистическая мера, но встраивается в AI-пайплайн как признак (feature) или как отдельный “state variable”, который улучшает решения модели по риску и исполнению.

Куда двигаться дальше: практический следующий шаг для AI-инвестора

Если вы строите систему в духе «Искусственный интеллект в финансовых инвестициях», то самый ценный урок здесь такой: пытаться угадать знак — не единственный способ быть “умнее рынка”. Нередко лучший результат даёт умение заранее понимать, насколько дорого обойдётся ошибка.

Реалистичный план внедрения:

1. Добавить микроструктурные признаки (включая прокси энтропии) в модель оценки режима: «тихо / нормально / бурно».
2. Привязать к режиму правила риска: размер позиции, максимальное проскальзывание, тип исполнения.
3. Прогнать walk-forward тесты на своих инструментах и периодах, отдельно проверив стабильность эффекта в разные месяцы и в дни новостей.

Финальный вопрос, который стоит задать своей системе: если модель не умеет угадывать направление, умеет ли она хотя бы заранее понять, что сейчас будет “дорого” — и действовать аккуратнее?