ИИ-трейдинг по рыночным режимам: HMM и Random Forest

Рынок не обязан вести себя «как вчера». И вот где ломаются большинство торговых идей: стратегия, которая аккуратно зарабатывает в спокойном тренде, может быстро раздать прибыль, когда начинается турбулентность. Это особенно заметно в криптоактивах, но на акциях и фьючерсах эффект тот же — просто масштабы другие.

В серии «Искусственный интеллект в финансовых инвестициях» я люблю практичные подходы: такие, которые можно проверить, измерить и улучшить. Режимно-адаптивная торговля — ровно про это. Сначала мы определяем, в каком состоянии рынок (условно «тихо» или «штормит»), а затем применяем модель, которая обучалась именно на таком состоянии. В итоге ИИ используется не как «магия прогнозов», а как дисциплина: сегментация, специализация и контроль рисков.

Ниже — понятная архитектура, почему она работает, где она ломается и как превратить её в основу для реального инвестиционного контура.

Почему режимы рынка — не теория, а рабочий инструмент

Ключевая мысль: один и тот же сигнал по-разному ведёт себя в разных режимах волатильности и ликвидности.

Пример из практики: импульсные сигналы (momentum) часто показывают себя лучше в трендовых, «спокойных» периодах, а в высоковолатильных «пилящих» рынках они дают серию ложных входов. Наоборот, mean reversion может «оживать» в боковиках и разваливаться в ускоряющемся тренде.

Режимы удобно мыслить так:

• Низкая волатильность: узкие дневные диапазоны, плавные тренды, меньше гэпов (для крипто — меньше резких выбросов).
• Высокая волатильность: частые «хвосты», быстрые развороты, скачки корреляций, рост проскальзываний.

Если стратегия не различает эти состояния, она наказывает вас в самый неподходящий момент — когда просадка психологически и финансово наиболее болезненна.

Запоминающаяся формулировка: не существует “вечной” альфы — существует альфа, подходящая текущему режиму.

Как HMM (скрытая марковская модель) находит режимы

Ответ первым: HMM группирует дни по скрытым «состояниям» так, чтобы динамика доходностей в каждом состоянии была внутренне похожей.

Скрытая марковская модель (Hidden Markov Model, HMM) исходит из простой идеи:

• наблюдаемое — это, например, дневная доходность;
• скрытое — режим (состояние рынка), который напрямую не измерить;
• переходы между режимами имеют вероятностную структуру (условно «штиль» не обязательно завтра станет «штормом», но вероятность перехода можно оценить).

В прикладной постановке удобно начать с 2 режимов:

1. режим 0: «низкая волатильность»
2. режим 1: «высокая волатильность»

Почему это работает именно как инструмент для ИИ-инвестиций:

• HMM превращает хаотичный поток доходностей в понятную метку режима на каждый день.
• Это даёт «контекст» для последующей модели (классификатора/регрессора).
• А главное — режим можно предсказывать вероятностно: не «завтра будет штиль», а «вероятность штиля 72%». Это идеальная форма для риск-менеджмента.

Практический нюанс: доходности лучше цен

HMM обычно подают не цены, а доходности (процентные изменения). Цены нестационарны и «уходят» со временем, а доходности гораздо ближе к стабильному распределению — модели проще.

Почему Random Forest уместен именно здесь

Ответ первым: Random Forest хорошо держится на «шумных» признаках и нелинейных зависимостях, а также даёт вероятности классов, удобные для фильтрации слабых сигналов.

В режиме-адаптивной схеме Random Forest (случайный лес) — это «специалист», который отвечает на вопрос:

• в этом режиме вероятность роста завтра выше или ниже 50%?

Лес хорош тем, что:

• не требует тонкой нормализации как многие модели;
• устойчив к части мусорных признаков;
• редко «взрывается» от одного-двух аномальных наблюдений;
• возвращает predict_proba, то есть вероятность, а не только класс.

Главная идея: не один универсальный предиктор, а два специалиста

Вместо одного классификатора на всем датасете делаем так:

• HMM размечает историю на режим 0 и режим 1;
• Model_0 обучается только на днях режима 0;
• Model_1 обучается только на днях режима 1;
• завтра выбираем сигнал из той модели, которую HMM считает более вероятной.

Это похоже на команду врачей: кардиолог и невролог могут быть отличными специалистами, но если один будет лечить «всё подряд», качество упадёт.

Архитектура стратегии: от данных до сигналов

Ответ первым: рабочий каркас состоит из 5 блоков — данные, признаки, детектор режима, специализированные модели, фильтрация и бэктест walk-forward.

Ниже — структура, которую реально удобно переносить на разные активы (акции, индексы, крипто).

1) Данные

Минимальный набор:

• OHLCV (цена открытия/закрытия/максимум/минимум/объём);
• дневные доходности close-to-close;
• календарь (для акций — торговые дни, для крипто — непрерывный рынок).

Зимой 2025 года это особенно актуально для крипторынка: ликвидность по отдельным альткоинам «прыгает», и режимы часто меняются быстрее, чем в индексах.

2) Признаки (feature engineering)

Технические индикаторы — нормальная стартовая точка, если вы не делаете фундаментальную модель:

• RSI, MACD, Bollinger Bands;
• признаки волатильности (ATR, rolling std);
• трендовые (скользящие средние, наклоны);
• при желании — объёмные метрики.

Моя позиция: большинство проектов проигрывают не из‑за «слабой модели», а из‑за плохих признаков и утечек данных.

Стационарность: зачем она нужна здесь

Если признак нестационарен (например, «уровень» скользящей средней на растущем рынке), модель может учиться на тренде, а не на паттерне. Практичный приём:

• проверять признаки на стационарность;
• нестационарные превращать в изменения (pct change, diff).

Это не панацея, но резко снижает риск «красивого» бэктеста, который не повторяется в реальности.

3) Разметка цели

Простой вариант для классификации:

• y = 1, если цена завтра выше сегодняшней;
• y = -1 (или 0), если ниже.

В продакшене чаще делают не «вверх/вниз», а:

• прогноз распределения доходности;
• прогноз знака с порогом (например, считать «ростом» только движение выше +0,2%).

4) Walk-forward бэктест (а не один train/test)

Ответ первым: walk-forward делает проверку ближе к реальности: модель постоянно переобучается на доступной на тот момент истории.

Типовая схема:

• берём окно истории, например 4 года;
• обучаем HMM на доходностях этого окна;
• размечаем режимы;
• обучаем два Random Forest на признаках в своих режимах;
• прогнозируем «завтра»;
• сдвигаем окно на 1 день и повторяем.

Плюс этого подхода — адаптивность: если рынок поменялся, модель не застревает в прошлом.

5) Фильтрация слабых сигналов (меньше сделок — часто лучше)

В режиме-специфической модели особенно удобно работать с вероятностями:

• открываем лонг, если P(up) > 0,53 (пример порога);
• иначе — нейтрально.

Это банально, но эффективно: сделки с «уверенностью 51%» чаще добавляют шума, комиссий и проскальзываний, чем доходности.

Сильная мысль для риск-менеджмента: задача модели — не предсказывать каждый день, а выбирать дни, когда она действительно уверена.

Что показывают результаты и как их правильно читать

В исходном примере стратегия сравнивается с Buy-and-Hold на Bitcoin, и на тестовом участке видны метрики, которые обычно хотят инвесторы:

• ниже волатильность у стратегии;
• выше Sharpe и выше Sortino;
• меньше максимальная просадка.

Но я бы интерпретировал это так:

1. Это демонстрация каркаса, а не “готовая кнопка денег”. Один удачный период ничего не доказывает.
2. Главный выигрыш адаптивных схем — контроль хвостовых рисков. Меньше просадка часто важнее, чем чуть выше доходность.
3. На реальном исполнении цифры ухудшатся из-за комиссий и проскальзываний. Значит, фильтр уверенности и контроль частоты сделок — обязательны.

Как улучшить режимно-адаптивную стратегию: практичный чек-лист

Ответ первым: улучшения почти всегда лежат в трёх местах — признаки, риск-менеджмент, устойчивость к смене режимов.

Вот что я бы делал дальше, если цель — превратить учебный код в инвестиционный прототип.

1) Добавить признаки, которые действительно меняют режим

Технические индикаторы — база, но режимы часто «включаются» внешними факторами. Идеи:

• волатильность базового актива и волатильность рынка в целом (для акций — индексная волатильность);
• спреды/ликвидность (если доступны);
• объём и его аномалии;
• для крипто — метрики волатильности по перпетуалам и funding (если вы торгуете деривативы).

2) Риск-менеджмент не должен быть «после модели»

Минимальный набор правил, который реально снижает риск:

• стоп по дневной/недельной просадке;
• ограничение плеча по текущей волатильности;
• позиционирование по target volatility (один из самых практичных подходов).

3) Проверить устойчивость (robustness) на нескольких активах

Если схема работает только на одном тикере — это почти всегда случайность. Адекватная проверка:

• 5–10 активов в одном классе;
• 2–3 разных таймфрейма (день/4ч/1ч — осторожно с издержками);
• стресс-тест на периодах высокой турбулентности.

4) Не застревать в двух режимах

Два режима — отличное начало, но многие рынки живут богаче:

• «тренд низкой волатильности»
• «боковик низкой волатильности»
• «высокая волатильность с трендом»
• «паника/ликвидации»

Увеличение числа режимов — это компромисс: больше выразительность, но выше риск переобучения.

Частые вопросы от инвесторов и аналитиков

Правда ли, что HMM «угадывает» рынок?

Нет. HMM не угадывает будущее, он структурирует прошлое и даёт вероятностный прогноз режима. Это способ принять более разумное решение о том, какую модель включить.

Почему не обучить одну большую нейросеть и не забыть про режимы?

Потому что «большая модель на всё» часто делает две ошибки: выучивает прошлый режим и ухудшается при смене условий. Режимная специализация — простой и прозрачный способ снизить этот риск.

Подходит ли это долгосрочному инвестору?

Да, если цель — сгладить просадки и управлять долей риска. Режимы можно использовать даже без частых сделок: например, менять долю риск-активов в портфеле или хеджирование.

Что делать дальше, если вы хотите внедрить ИИ в инвестиционный процесс

Режимно-адаптивный подход — один из самых понятных способов «приземлить» машинное обучение в финансах: вы объясняете, почему модель меняет поведение, и можете контролировать риск.

Если вы строите личный прототип или командный инвестконтур, я бы начал с трёх шагов на следующей неделе:

1. Взять 2–3 ликвидных актива (например, один индексный ETF, одну голубую фишку и BTC) и проверить стабильность режимов.
2. Добавить фильтр уверенности и простое позиционирование по волатильности.
3. Провести walk-forward тест на нескольких периодах, а не на одном «красивом» участке.

Рынки в 2026 будут меняться не медленнее, чем в 2025. Вопрос не в том, будет ли следующий режим другим, а в том, насколько быстро ваша система это распознает — и что сделает дальше.

Дисклеймер: материал носит образовательный характер и не является индивидуальной инвестиционной рекомендацией. Любые операции на финансовых рынках связаны с риском.