ИИ против «купи на просадке»: стратегии и риск

Волатильность американского рынка акций за последние десятилетия заметно выросла: в исследованиях по теме часто фигурирует оценка роста рынковой волатильности примерно с 10% до 20% в год, причём особенно сильно — на коротких горизонтах (день/неделя). Для частного инвестора это означает простую вещь: «эмоциональные» решения становятся дороже, а ошибка тайминга быстрее превращается в реальный убыток.

Мне нравится смотреть на эту историю не как на спор «какая стратегия лучше», а как на задачу инженерии: как сделать правила входа/выхода, отбора активов и размера позиции устойчивыми к режимам рынка. И здесь искусственный интеллект в финансовых инвестициях полезен не тем, что «угадывает будущее», а тем, что дисциплинирует процесс: тестирует гипотезы, ищет режимы, обнаруживает скрытые зависимости, ставит ограничения на риск.

Ниже — разбор четырёх популярных идей из квант-повестки середины декабря 2025 года (моментум- ротации стран, тренд-фолловинг против buy-the-dip, влияние индексных фондов на волатильность, а также размер позиции и критерий Келли) и то, как ИИ помогает их довести до взрослого состояния.

Моментум-ротация «для ленивых»: почему простота опасна

Ключевая мысль: простые стратегии моментума часто выглядят убедительно в бэктесте, но ломаются на смене режимов, издержках и концентрации рисков.

Популярный шаблон выглядит так: раз в полгода взять набор страновых индексов, посчитать доходность за 6 месяцев и купить «верхнюю половину» — например, 11 из 22 лучших. На бумаге это похоже на «пассивный активный» подход: редко ребалансируемся, используем понятную метрику, не усложняем.

Проблема в том, что моментум в страновых индексах — это не только премия за тренд, но и ставка на валюты, сырьевые циклы, политические риски и структуру рынка. В «хорошие» периоды всё это складывается в красивую кривую капитала. В «плохие» — стратегия может внезапно стать концентратом одного фактора (например, сырьевого) и дать глубокую просадку.

Как ИИ делает моментум-стратегию более взрослой

Если вы используете машинное обучение, цель не в том, чтобы заменить правило «топ-11 по доходности». Цель — добавить контроль контекста:

1. Детекция режимов рынка

   • Модель кластеризует периоды по признакам: инфляция/ставки, волатильность, корреляции, трендовость, сила доллара, сырьевой индекс.
   • Дальше вы тестируете моментум отдельно по режимам и видите, где он действительно работает, а где требует фильтра.

2. Мультифакторный скоринг вместо одной доходности

   • Признаки: 6–12M моментум, волатильность, корреляция с глобальным рынком, «качество тренда» (стабильность), риск-метрики (max drawdown), ликвидность/спрэды.
   • Модель ранжирует страны не по одному числу, а по ожидаемому соотношению «доходность/риск».

3. Ограничения на концентрацию

   • Даже самый «умный» скоринг бесполезен, если портфель случайно оказывается на 60–70% в одном макрофакторе.
   • Практика: лимиты на факторы (сырьё/развитые/развивающиеся), лимиты на валютный риск, ограничение доли высоковолатильных рынков.

Запоминающаяся формулировка: моментум без контроля режима — это не стратегия, а ставка на то, что «в этот раз всё будет как раньше».

Trend following vs buy-the-dip: что ИИ умеет лучше человека

Ключевая мысль: buy-the-dip отлично работает при коротких просадках и быстрых V-образных восстановлений, а тренд-фолловинг защищает капитал, когда падение — это не «шум», а начало режима.

Мантра «покупай на просадке» стала особенно популярной после восстановления рынков в 2020 году. Но механика тут простая: стратегия BTD по сути продаёт страховку рынку — вы покупаете риск, когда он уже материализуется, рассчитывая, что всё быстро отыграется.

Тренд-фолловинг (следование тренду) делает противоположное: он чаще опаздывает на разворотах, зато режет большие хвосты убытков. В реальной жизни спор между ними упирается в один вопрос: как понять, что «просадка» превращается в «медвежий рынок»?

Где ИИ даёт практическое преимущество

1. Классификация просадки: «шум» или смена режима

   • Модель (например, градиентный бустинг или простая логистическая регрессия) учится на признаках: ширина рынка, кредитные спрэды, волатильность, наклон кривой доходности, динамика ставок, корреляции.
   • Выход: вероятность того, что рынок в режиме затяжного падения.

2. Адаптивные правила входа

   • Для BTD: вход не «после -5%», а после комбинации сигналов (волатильность + ширина + риск-премии).
   • Для тренда: выход/вход не по одному порогу, а по «прочности тренда».

3. Гибридный подход

   • Мой практический фаворит: базовое ядро по тренду + тактический BTD с маленьким риском, когда модель видит «короткую просадку».

Смысл в том, что ИИ — это способ формализовать здравый смысл: покупать просадку, когда рынок действительно «пугают», а не когда ломается структура.

Индексные фонды и волатильность: почему спор важен в 2025

Ключевая мысль: рост доли индексных продуктов меняет микроструктуру рынка; ИИ помогает измерять, где волатильность становится «структурной», а не новостной.

Дискуссия о том, виноваты ли индексные фонды в большей волатильности, часто превращается в идеологию. Практичный взгляд другой: когда в рынок приходит больше «неценовых» потоков (пассива), меняются корреляции и поведение ликвидности. Даже если индексные фонды не «создают» волатильность напрямую, они могут усиливать синхронность движений, особенно на коротких горизонтах.

Как применить ИИ для анализа структурной волатильности

1. Разложение волатильности по горизонтам

   • Дневная/недельная/месячная волатильность ведут себя по-разному.
   • Модели типа HAR-RV (гетерогенная авторегрессия реализованной волатильности) хорошо показывают вклад разных горизонтов.

2. Аномалии потоков (flow-based signals)

   • Если у вас есть прокси потоков (объёмы, дисбаланс, данные по ETF), ИИ находит периоды, когда потоки объясняют больше движений, чем новости.

3. Сетевой анализ корреляций

   • Графовая модель корреляций (или просто MST/кластеризация) показывает, когда рынок «схлопывается» в один кластер.
   • Это полезно для риск-менеджмента: диверсификация может исчезнуть именно тогда, когда она нужна.

Практический вывод: если корреляции растут, размер позиции должен падать — иначе вы обманываете себя диверсификацией.

Размер позиции: Келли, мартингейл и то, что инвесторы путают

Ключевая мысль: даже хорошая стратегия умирает от неправильного сайзинга; ИИ помогает оценивать распределения доходностей и подбирать «дозу риска».

В квант-подходе слишком много внимания уделяют «альфе» и слишком мало — тому, сколько ставить. Критерий Келли известен как способ максимизировать логарифм капитала при известном ожидании и дисперсии. Но в инвестициях ожидание неизвестно, а распределения жирнохвостые. Поэтому «полный Келли» в чистом виде часто ведёт к агрессивному риску и нервным просадкам.

Мартингейл (удваивать после проигрыша) в рынках почти всегда заканчивается плохо: капитал конечен, а серия неблагоприятных событий может быть длиннее, чем кажется.

Как ИИ помогает с позиционированием без самообмана

1. Оценка «реального» распределения

   • Бутстрэп, байесовские модели, стресс-сценарии по режимам.
   • Цель: не средняя доходность, а хвостовые риски.

2. Fractional Kelly как стандарт де-факто

   • Вместо 100% Келли используйте 25–50% (иногда меньше) — это снижает чувствительность к ошибке в параметрах.

3. Риск-бюджетирование и волатильность-таргетинг

   • Простое правило, которое работает лучше большинства «умных» надстроек: держать целевую волатильность портфеля (например, 8–12% годовых) и уменьшать экспозицию при росте риска.

4. Ограничения, которые нельзя оптимизировать «в ноль»

   • Лимит на максимальную просадку по портфелю.
   • Лимит на плечо.
   • Лимит на концентрацию и на коррелированные позиции.

Чек-лист: как превратить идею из статьи в ИИ-процесс

Ключевая мысль: лучшая защита от красивых бэктестов — системный пайплайн: данные → гипотеза → тест по режимам → риск → мониторинг.

Вот схема, которую я бы рекомендовал частному инвестору или небольшому управляющему, если цель — не «победить рынок любой ценой», а построить устойчивую систему:

1. Формализуйте правила (сигнал, частота ребаланса, вселенная активов, издержки).
2. Тестируйте по режимам, а не «в среднем за 30 лет».
3. Отделяйте сигнал от сайзинга: сначала убедитесь, что сигнал имеет смысл, потом решайте, сколько риска брать.
4. Добавьте защиту от корреляционного коллапса: когда «всё падает вместе».
5. Настройте мониторинг деградации: если статистика стратегии меняется, система должна это фиксировать, а не «терпеть до конца».

Сильная позиция: ИИ в инвестициях — это не про магию прогнозов, а про контроль ошибок: человеческих, статистических и риск-ошибок.

Что делать дальше

Если вы сейчас выбираете между моментумом, buy-the-dip и тренд-фолловингом, я бы не выбирал «одну религию». Я бы выбрал процесс: режимы рынка, измеримый риск, аккуратный сайзинг и дисциплина в исполнении. Тогда любая из этих идей превращается из «совета из ленты» в работающий модуль портфеля.

В серии «Искусственный интеллект в финансовых инвестициях» мне больше всего нравится именно это: ИИ позволяет перестать спорить о лозунгах и начать проверять гипотезы на данных, с учётом того, как рынок меняется.

Если бы вы внедряли ИИ-слой поверх своей стратегии прямо сейчас, что бы вы автоматизировали первым — фильтр режимов, контроль корреляций или размер позиции?