ИИ в инвестициях: как ловить спуфинг и брать моментум

26.11.2025 в одной короткой подборке квант‑ссылок всплыли три темы, которые на практике определяют, кто в 2026 году будет зарабатывать на рынках, а кто — читать отчёты «почему не сработало». Первая — спуфинг в крипте (манипуляция лимитными заявками). Вторая — моментум, фактор, который «живёт» уже больше века. Третья — календарные аномалии вокруг праздников (на примере недели Thanksgiving).

Общий знаменатель простой: скорость и масштаб данных. Человеку не под силу руками отследить миллионы событий в стакане, прогнать 150 лет истории по 40 странам и одновременно понять, когда сезонность «настоящая», а когда это шум. Поэтому в серии «Искусственный интеллект в финансовых инвестициях» я всё чаще формулирую мысль жёстко: ИИ — это не украшение стратегии, а инфраструктура принятия решений.

Дальше разберём три сюжета из подборки и главное — как превращать их в прикладные решения для инвестора, трейдера или управляющего.

Спуфинг в крипте: почему без ИИ вы его просто не увидите

Спуфинг — это когда участник рынка ставит крупные лимитные ордера, создаёт иллюзию спроса/предложения, двигает ожидания других, а затем быстро снимает заявки. В крипте это особенно заметно из‑за фрагментированной ликвидности, высокой доли алгоритмической активности и сравнительно «тонких» книг заявок в отдельные моменты.

В исследовании, пересказанном в подборке, приводятся конкретные цифры: спуфинг на Coinbase распространён, а эффект измерим — «каждый +1 юнит объёма спуфинга» связан с краткосрочной прибылью около +27 б.п. по bid и +55 б.п. по ask при ограниченном риске. Параллельно спуфинг расширяет спред bid‑ask — то есть ухудшает качество рынка.

Как ИИ реально помогает детектировать спуфинг

«Посмотреть на стакан» недостаточно. Нужен потоковый анализ событий уровня order book events: выставление, частичное исполнение, снятие, изменение цены/объёма.

Практическая схема детекта обычно выглядит так:

1. Сбор микроструктурных признаков (по каждому инструменту и горизонту):
   • отношение выставленных к снятым объёмам,
   • время жизни крупных заявок (например, < 300–800 мс),
   • асимметрия глубины стакана (дисбаланс),
   • «ступеньки» крупных заявок на одинаковых расстояниях от mid‑price,
   • реакция цены и спреда на появление/исчезновение крупных уровней.
2. Модели аномалий: Isolation Forest, автоэнкодеры, One‑Class SVM — когда нет идеальной разметки.
3. Супервизорное обучение (если есть метки/эвристики): градиентный бустинг или нейросети на последовательностях событий.
4. Онлайн‑скоринг: модель должна работать в реальном времени, иначе это не защита, а посмертный отчёт.

Вот фраза, которую я бы вынес в рамку: спуфинг — это задача распознавания паттернов во времени, а значит это родная территория ML.

Что может сделать инвестор и управляющий уже сейчас

Даже если вы не HFT‑команда, ИИ даёт пользу в двух практичных форматах:

• Фильтр качества исполнения (execution quality): стратегия не торгует, когда вероятность манипуляций и расширения спреда высока.
• Риск‑контроль по микроструктуре: динамически снижать размер заявки и переходить на лимитное исполнение/разбивку, если стакан «подозрителен».

Если упростить: ИИ не обязан «ловить злодея». Ему достаточно защитить вашу цену входа.

Моментум на горизонте 150+ лет: почему фактор живучий и где ИИ сильнее классики

Моментум — это устойчивое наблюдение: активы, которые были лидерами в недавнем прошлом, часто продолжают опережать; аутсайдеры — отставать. В подборке упоминается работа с крупнейшим датасетом: 150+ лет и 40 стран. И главный вывод там прямой: моментум работает на разных рынках, периодах и конструкциях портфелей.

Здесь важна не романтика «фактор вечен», а инженерная деталь: моментум почти всегда ломается не потому, что «перестал существовать», а потому что:

• его неправильно измерили (горизонты, лаги, ребаланс),
• забыли про издержки и проскальзывание,
• не учли режим рынка (волатильность/трендовость),
• переоптимизировали параметры на истории.

Где ИИ усиливает моментум‑подход

ИИ полезен в моментуме не как «магическая кнопка прогнозирования», а как способ сделать фактор более адаптивным.

1) Режимная адаптация (market regimes)

Моментум лучше работает в трендовых режимах и хуже — в рваных, возвратных. ML‑классификатор режима можно строить по:

• волатильности и её кластеризации,
• автокорреляции доходностей,
• наклону кривой тренда и устойчивости пробоев,
• кросс‑активным сигналам (акции/облигации/сырьё).

Дальше правило простое: в «плохом» режиме снижать риск, расширять диверсификацию, менять частоту ребаланса.

2) Оптимизация портфеля с учётом нелинейностей

Классический моментум часто строят как ранжирование + равные веса. ИИ позволяет:

• прогнозировать distribution доходности (квантили), а не только среднее,
• вводить ограничения на хвостовые риски (например, CVaR),
• учитывать взаимодействия факторов: моментум + качество + низкая волатильность.

3) Контроль «крахов моментума»

Есть периоды, когда моментум резко разворачивается (особенно после экстремальных падений и последующих отскоков). Практичный ML‑риск‑сигнал может учитывать:

• скорость роста рынка после просадки,
• рост корреляций,
• сжатие спредов и резкий возврат «мусорных» активов.

Смысл: ИИ помогает не «выжать больше» любой ценой, а не потерять всё на редком, но болезненном режиме.

Праздничные паттерны и сезонность: как не перепутать сигнал со статистическим шумом

Вторая ссылка из подборки касается статистики вокруг недели Thanksgiving для SPX. Такие сезонные эффекты любят пересказывать каждый год — и примерно каждый год часть людей делает одну и ту же ошибку: воспринимает календарную таблицу как торговую систему.

Сезонность действительно бывает полезна, но только если вы проверили три вещи:

1. Стабильность эффекта (не только среднее, но и разброс/процент положительных периодов).
2. Вневыборочную проверку (walk‑forward, перекрёстная проверка по эпохам).
3. Объяснимость хотя бы на уровне гипотезы (ликвидность, ребаланс фондов, поведение маркет‑мейкеров, налоговые/отчётные периоды).

Как ИИ превращает календарную аномалию в рабочий инструмент

ИИ здесь хорош тем, что умеет «приземлять» сезонность, встраивая её как фичу, а не как догму.

• Feature engineering: день недели, неделя месяца, близость праздников, торговые сессии, объёмы, волатильность.
• Модели: градиентный бустинг/временные модели, которые оценивают вклад сезонности при контроле остальных факторов.
• Калибровка уверенности: модель может сказать не «рынок вырастет», а «вероятность роста 56% при ожидаемой волатильности X».

Практичный вывод: сезонность — это не стратегия, а корректировка риска и ожиданий. Например, вы можете:

• уменьшать плечо в периоды, где исторически спреды шире,
• менять тип исполнения (лимит/маркет),
• сдвигать ребаланс портфеля на дни с лучшей ликвидностью.

Как связать всё в одну AI‑систему инвестирования

Три темы кажутся разными, но архитектура решений почти одинакова: данные → признаки → модель → контроль качества → риск‑правила.

Мини‑чеклист: что внедрять в первую очередь

1. Мониторинг микроструктуры для крипто‑сделок
   • цель: не «поймать манипулятора», а защитить цену исполнения;
   • метрика: улучшение implementation shortfall и снижение проскальзывания.
2. Факторный слой (моментум) с режимным фильтром
   • цель: сохранить премию фактора, сгладив провалы;
   • метрика: рост Sharpe/Sortino при ограничении максимальной просадки.
3. Календарные фичи как модификатор риска
   • цель: не торговать «по примете», а учитывать ликвидность и статистический фон;
   • метрика: снижение хвостовых потерь в «плохие» дни/недели.

Люди часто спрашивают: «А ИИ может гарантировать доходность?»

Нет. ИИ гарантирует другое: дисциплину и скорость обработки информации, которые человеку недоступны. Он снижает вероятность, что вы:

• войдёте в рынок в момент манипуляции,
• переоцените фактор на одном удачном отрезке истории,
• примете сезонность за железное правило.

Это и есть практическое преимущество.

Что делать дальше (если вы хотите превратить идеи в лиды и результат)

Если вы управляете капиталом или строите личную систему инвестиций, начните с вопроса не «какую модель взять», а где у вас максимальные потери от слепых зон:

• в крипте — это качество исполнения и манипуляции стаканом;
• в акциях — это режимные провалы факторов (особенно моментума);
• в портфельных решениях — это игнорирование календарных эффектов как источника риска ликвидности.

Я бы поставил цель на ближайшие 30 дней простую: собрать данные и настроить мониторинг, который ежедневно отвечает на три вопроса: «рынок честный? режим какой? риски ликвидности где?» Дальше уже появляется почва для модели, бэктеста и аккуратного запуска.

А вы на каком уровне сейчас — ищете точку входа в ИИ для инвестиций или уже упёрлись в ограничения классических факторных стратегий?