ИИ и тайминг рынка: как CLI ОЭСР и моментум работают

В бэктестах с 1961 года стратегии на макроиндикаторах периодически обходят «купи и держи» не потому, что они угадывают каждую коррекцию, а потому что системно управляют риском, когда экономический цикл меняется. На этой неделе в подборках Quantocracy всплыла показательная связка: Composite Leading Indicator (CLI) ОЭСР + моментум для переключения режима риск-on/риск-off. И это отличный повод поговорить о том, как такие идеи усиливаются современными методами из серии «Искусственный интеллект в финансовых инвестициях».

Большинство инвесторов пытаются «таймить рынок» интуицией: новости, ощущения, страх и жадность. Результат обычно один — вход на хаях и выход на лоях. Квантиативный подход делает другое: он заранее описывает правила, тестирует их на длинной истории, учитывает издержки и только потом допускает деньги в бой. А ИИ в инвестициях добавляет третий слой: помогает быстрее проверять гипотезы, контролировать переобучение и собирать устойчивый сигнал из шума.

Ниже — практичный разбор: что такое CLI ОЭСР, зачем ему моментум, где именно ИИ реально помогает (а где мешает), и как подойти к построению стратегии аллокации так, чтобы она не развалилась при первом же сменившемся режиме рынка.

CLI ОЭСР как «термометр» цикла: что он даёт инвестору

Короткий ответ: CLI ОЭСР полезен тем, что пытается опередить поворот в экономике, а не зафиксировать его постфактум. Для тайминга рынка это важнее, чем «красивые» объяснения в новостях.

CLI (Composite Leading Indicator) — агрегированный опережающий индикатор, который строится из набора статистик (производство, заказы, ожидания и т. п.) и предназначен для оценки направления экономического цикла. Не стоит относиться к нему как к магическому предсказателю — это скорее сводный сигнал о том, ускоряется ли рост или замедляется.

Практическая ценность для портфеля проста:

• когда цикл улучшается, исторически чаще работает наращивание доли рискованных активов (акции, высокодоходные сегменты, циклические отрасли);
• когда цикл ухудшается, разумнее снижать риск (часть портфеля в облигациях высокого качества, кэше или защитных корзинах — зависит от мандата).

Но есть проблема, о которую спотыкаются многие «макро-таймеры»: макро сигнал медленный, а рынок — быстрый. Поэтому стратегия, основанная только на CLI, может реагировать слишком поздно или «переключаться» в неудобные моменты.

Почему одного макроиндикатора обычно недостаточно

Ответ: потому что макро — это режим, а не точка входа.

CLI хорошо подходит, чтобы сказать «сейчас среда скорее благоприятна/неблагоприятна для риска». Но он слабее в выборе конкретного инструмента и момента. И вот тут появляется второй слой из подборки Quantocracy — моментум.

Зачем добавлять моментум: фильтр качества риска

Короткий ответ: моментум помогает отличать «риск, который сейчас вознаграждается», от «риска, который уже ломается». Это снижает вероятность держать актив, который формально «риск-on», но технически уже пошёл в распад.

В упомянутой идее «Enhanced Global Growth Cycle» логика выглядит так:

1. CLI задаёт режим: можно ли вообще брать риск (risk-on) или лучше уходить в защиту (risk-off).
2. Моментум выбирает, что именно держать внутри выбранного режима: например, какую рискованную корзину предпочесть в risk-on и какой защитный актив — в risk-off.

Почему моментум часто работает как полезная надстройка:

• он отражает агрегированное поведение участников (а это иногда быстрее макростатистики);
• он прост в реализации и прозрачен для контроля ошибок;
• он помогает избегать «ловли падающих ножей» в периоды, когда «по макро ещё не так плохо», а рынок уже переоценивает риски.

Есть и обратная сторона: моментум может выбивать из позиции на «пилящих» рынках и увеличивать число сделок. Поэтому в реальном портфеле важно:

• считать стратегию net of costs (с учётом комиссий/спредов);
• ограничивать частоту ребалансировок;
• закладывать консервативные допущения по ликвидности.

Где ИИ действительно усиливает CLI + моментум (и где он опасен)

Короткий ответ: ИИ полезен как «ускоритель исследовательского цикла» и как инструмент контроля качества сигналов, но опасен, если использовать его как машину для подгонки под историю.

В теме «ИИ в финансовых инвестициях» многие ждут, что нейросеть «предскажет рынок». Я бы ставил цель иначе: ИИ должен помогать принимать более дисциплинированные решения, а не заменять дисциплину.

1) ИИ для обработки макроданных и устойчивости признаков

CLI — это уже композит. Но если вы строите свой аналог (например, для конкретного региона или набора активов), ИИ помогает:

• нормализовать и очищать временные ряды;
• выявлять «ломающиеся» признаки (которые работали до 2008, но не работают после);
• строить ансамбли простых моделей вместо одной сложной.

Практика, которая часто даёт прирост устойчивости: не пытаться улучшить один показатель, а собирать портфель сигналов и следить за тем, чтобы каждый из них приносил вклад в разные периоды.

2) ИИ для динамических порогов и смены режимов

Классический подход: «если CLI выше/ниже нуля — переключаемся». В реальности пороги могут быть несимметричны и зависеть от волатильности.

ИИ-подход (без фанатизма):

• использовать модели режимов (например, кластеризацию или скрытые марковские модели) для определения «мягких» переходов;
• подбирать адаптивные пороги (но с жёсткими ограничениями на сложность).

Ключевое правило: если модель не объясняется одной-двумя фразами, её сложно защищать в период просадки.

3) ИИ для контроля переобучения: честные бэктесты

Второй линк из подборки Quantocracy — про антинаучные тенденции в академической среде — хорошо попадает в боль кванта: красивые результаты часто рождаются не из истинной закономерности, а из системы стимулов (публикации, гранты, карьера). В прикладных инвестициях стимул другой, но ловушка та же: хочется «дожать» Sharpe ещё на 0,2.

Что делать на практике:

• делить историю на in-sample / out-of-sample и не трогать OOS до конца;
• использовать walk-forward и несколько рынков/классов активов;
• тестировать робастность параметров (если стратегия «умирает» при изменении окна моментума с 12 месяцев до 10 — это тревожный сигнал);
• фиксировать гипотезу до бэктеста: что именно вы проверяете и почему это должно работать.

Самая дорогая ошибка в AI-инвестировании — перепутать «нашёл закономерность» с «нашёл способ подогнать».

Как выглядит практический «каркас» стратегии аллокации

Короткий ответ: каркас — это правила режима, правила выбора активов и правила риска. Всё остальное — косметика.

Ниже — примерная схема, которую можно адаптировать под частного инвестора или управляющего (без привязки к конкретным тикерам):

Шаг 1. Определить вселенную активов

Для простоты:

• риск-on корзина: широкий рынок акций (или 2–3 региональных/факторных корзины);
• риск-off корзина: кэш/короткие облигации/длинные облигации высокого качества (в зависимости от инфляционного режима).

Главное — заранее определить, что вы считаете «защитой». В 2022 многие убедились: длинные облигации не всегда защитные, когда инфляция и ставки растут.

Шаг 2. Определить правило режима по CLI

Варианты:

• простое: CLI выше/ниже своего тренда;
• более устойчивое: CLI сглаженный + подтверждение (2–3 месяца подряд);
• «умное, но контролируемое»: режимы через модель классификации с ограничением числа признаков.

Шаг 3. Встроить моментум как выбор внутри режима

Типичный вариант: раз в месяц выбирать актив с лучшим 6–12-месячным моментумом внутри разрешённой корзины.

Важно прописать:

• что делать при отрицательном моментуме у всех кандидатов;
• как часто ребалансировать;
• как учитывать налоги/комиссии.

Шаг 4. Добавить риск-правила, без которых всё бессмысленно

Минимальный набор:

• лимит на максимальную долю одного актива;
• контроль просадки (например, снижение риска при превышении заданного порога);
• волатильностное таргетирование (простое — через историческую волатильность).

ИИ здесь полезен для калибровки, но решения должны быть объяснимыми. Когда рынок «льёт», вам нужно понимать, почему модель делает именно это.

Частые вопросы про ИИ и тайминг рынка

Можно ли «натренировать нейросеть» на CLI и доходностях и просто прогнозировать?

Ответ: технически можно, но в большинстве случаев это приводит к переобучению. Финансовые ряды шумные, режимы меняются, а прошлое плохо повторяется. Надёжнее использовать ИИ как инструмент для режимной логики и контроля качества, а не как оракул.

Что важнее: точность прогноза или дисциплина исполнения?

Ответ: дисциплина. Даже стратегия со средним сигналом, но железным процессом, обычно переживает стратегию с «гениальным» сигналом, который постоянно переоптимизируют.

Почему кванты любят простые модели?

Ответ: потому что простые модели легче переживают смену режимов. Сложность допустима, если она добавляет устойчивость, а не «красоту» в отчёте.

Что делать дальше, если вы хотите применить это в своём портфеле

Если ваша цель — ИИ в финансовых инвестициях не как модный термин, а как рабочий инструмент, начните с малого: возьмите связку «CLI ОЭСР + моментум» как прототип, а затем используйте ИИ для проверки робастности и автоматизации исследования.

Я бы действовал так:

1. Формализовать правила режима и выбора активов.
2. Прогнать честный бэктест с издержками и несколькими периодами кризисов.
3. Проверить устойчивость (окна, пороги, задержки публикаций данных).
4. Только потом думать об усложнении: режимные модели, ансамбли, дополнительные признаки.

Если вы хотите быстрее пройти этот путь без «магии» и без подгонки, можно настроить исследовательский процесс так, чтобы ИИ помогал именно там, где он силён: в данных, в автоматизации тестов и в контроле ошибок.

А теперь вопрос, который я задаю почти всем, кто строит тайминг: вы сможете следовать этой модели 12 месяцев подряд, если она будет отставать от рынка? Если ответ «нет», проблема не в CLI и не в моментуме — проблема в ожиданиях и риск-менеджменте.