Индекс коробок: как ИИ находит сигнал для рынка

Рынок чаще «переваривает» новости быстрее, чем мы успеваем открыть терминал. Квартальная отчётность, прогнозы менеджмента и даже часть макростатистики нередко уже отражены в цене к моменту публикации. Поэтому в 2025 году инвесторы всё чаще смотрят в сторону альтернативных индикаторов — данных, которые ближе к реальной экономике и приходят с меньшим «медийным шумом».

Один из таких сигналов звучит почти буднично: индекс цен производителей (PPI) в отрасли производства гофрокоробов и паллет. На практике это прокси для того, насколько активно бизнес «упаковывает и отгружает» товары. Больше коробок и паллет в цепочках поставок — больше движения в торговле и логистике. И вот здесь начинается самое интересное: ИИ-модели умеют превращать такие бытовые метрики в системные инвестиционные решения — особенно в задачах ротации секторов и управления риском.

Почему «коробки» вообще могут предсказывать рынок

Короткий ответ: упаковка — это тень спроса. Когда компании отправляют больше товаров, они покупают больше гофротары и паллет. А рост спроса на отгрузки обычно совпадает с периодами расширения экономики, когда выручки и маржа бизнеса чувствуют себя лучше.

Но важно не путать причину и следствие. Мы не говорим, что цена на коробки «двигает» акции. Мы говорим, что коробки отражают пропускную способность цепочек поставок:

• рост заказов в e-commerce и ритейле,
• активность складов и фулфилмента,
• давление на логистику (объёмы отгрузок),
• более уверенное потребление.

Для кампании «Искусственный интеллект в финансовых инвестициях» это почти учебный пример: альтернативные данные хороши тем, что их можно склеивать с другими признаками (инфляция, ставки, кредитные спрэды, транспортные индексы, поисковые тренды) и строить модели, которые ловят сдвиги режима раньше «официальных» новостей.

Что именно берётся из данных

В исходном исследовании используется месячная серия PPI по производству гофрокоробов и паллет, доступная с 1980 года. Частота важна: сигналы обновляются раз в месяц, и решения принимаются с задержкой примерно в месяц.

С практической точки зрения это означает:

• стратегия будет «медленной» (низкая частота сделок),
• шум меньше, чем в дневных данных,
• но нужен дисциплинированный процесс исполнения (ребаланс раз в месяц по календарю).

Почему простые модели ломаются: урок про гетероскедастичность

Ключевой вывод исходного материала: попытка строить правила на месячных изменениях индекса (AR/пороговые модели) быстро упирается в проблему непостоянной волатильности.

Говоря проще: амплитуда колебаний индекса меняется со временем. То, что в 1995 году было «большим движением», в 2022 году может стать рутиной. Если вы используете фиксированный порог «покупай при росте выше X», вы начинаете торговать не экономику, а смену масштаба данных.

Стабильный сигнал — это не тот, который часто срабатывает, а тот, который одинаково интерпретируется на разных отрезках истории.

Почему сглаживание работает лучше

Вместо порогов по приростам исследование переходит к моделям на скользящих средних (MA). Логика понятная: сглаживание снижает чувствительность к тому, что волатильность индикатора «гуляет».

Самая рабочая идея — сравнивать текущее значение индекса с его N-месячной скользящей средней и использовать это как триггер режимов «риск включён / риск выключен».

Где сигнал действительно полезен: ротация секторов вместо тайминга рынка

Самый практичный вывод: пытаться таймить широкий рынок (например, индекс S&P 500) по коробочному PPI — слабая идея по доходности. Причина простая: широкий индекс слишком диверсифицирован, и потребительский/логистический импульс там размывается.

Зато на уровне секторов связь проявляется ярче. В исследовании особенно хорошо работает ротация между:

• Consumer Discretionary (циклическое потребление, «хочу»),
• Consumer Staples (товары первой необходимости, «надо»).

Когда индикатор показывает более сильную экономическую активность, стратегия предпочитает циклический сектор. Когда сигнал слабеет — переходит в защиту.

Конкретные цифры (чтобы было за что зацепиться)

На горизонте с 12.1998 по 08.2025 простая ротация «циклика ↔ защита» с окнами 6–24 месяца дала заметно более ровный профиль риска.

Например, один из сильных вариантов (6 месяцев) в исходных расчётах показал:

• среднегодовую доходность около 11,12%,
• при волатильности около 16,23%,
• и максимальной просадке около -33,02%,
• Sharpe около 0,69.

А ещё важнее то, что ансамбль окон (например, 3+6+9+12 месяцев) улучшал устойчивость:

• доходность около 10,42%,
• волатильность около 14,76%,
• максимальная просадка около -26,57%,
• Sharpe около 0,71.

Это и есть подход «похоже на ИИ» даже без нейросетей: не верить одному параметру, а усреднять несколько режимов.

Усиление защиты: почему одной «защитной» отрасли мало

Ещё один практичный шаг — не прятаться только в Staples, а собрать защитный блок из нескольких секторов: Staples + Utilities + Health Care. Исторически это снижает зависимость от одного источника риска.

В исследовании смешанная защита улучшала метрики ещё сильнее. Ансамбль (3+6+9+12 месяцев) для схемы «циклика ↔ защитный микс» показывал:

• среднегодовую доходность около 11,51%,
• волатильность около 14,23%,
• максимальную просадку около -31,83%,
• Sharpe около 0,81.

Если вы строите лидогенерацию для продукта про ИИ-инвестиции, это отличный тезис: ИИ полезен не магией прогнозов, а дисциплиной в выборе режимов и диверсификацией сигналов.

Как ИИ превращает «коробки» в рабочую систему

Сигнал «PPI по коробкам выше/ниже скользящей» — это только скелет. Реальная ценность появляется, когда вы ставите вокруг него машинное обучение и нормальный MLOps-процесс.

1) Инженерия признаков, которые дают модели «контекст»

Вот что я бы добавил к одному коробочному индексу, чтобы модель не была одноглазой:

• темпы изменения (MoM/YoY) и их сглаженные версии;
• спрэды доходностей облигаций (как прокси стресса);
• инфляционные компоненты (энергия/логистика);
• сезонные фиксы (Q4 почти всегда особенный из‑за пиков отгрузок);
• «режимные» признаки: волатильность рынка, тренд индекса, ширина рынка.

Для российского читателя аналогия простая: в декабре логистика и упаковка живут по другим правилам — как и потребление. Модели, которые игнорируют сезонность, часто платят за это ложными переключениями.

2) Модели, которые подходят под задачу «переключателя»

Для ротации секторов лучше всего работают не «прогнозы цены», а классификация режима:

• risk_on (держим циклические активы),
• risk_off (уходим в защитные),
• иногда neutral (миксуем или сокращаем риск).

Под это хорошо ложатся:

• логистическая регрессия/градиентный бустинг (интерпретируемо),
• модели со сменой режимов (Markov switching),
• простые нейросети на табличных данных (если есть много признаков).

Главное — оптимизировать не «точность», а utility-функцию портфеля: просадка, turnover, риск-лимиты.

3) Ансамбли и «голосование» — лучший антидот от переобучения

Исходное исследование прямо показывает риск переобучения: если окно MA подобрано идеально под историю, в будущем оно может разочаровать. Ансамбль окон — уже хороший шаг.

ИИ позволяет пойти дальше:

• сделать веса окон динамическими (например, по недавней стабильности);
• использовать stacking (метамодель, которая решает, какому сигналу верить);
• вводить штраф за частые переключения (чтобы снизить транзакционные издержки).

Можно ли применять сигнал к отдельным акциям (например, Amazon)

Ответ: да, но осторожно. На уровне одной акции шум выше: корпоративные события, конкуренция, регуляторика, байбеки, смена маржи — всё это может перекрыть «макро‑упаковку».

В исходных тестах на Amazon стратегия с переключением улучшала риск-профиль (волатильность и просадки снижались), но часто ценой более низкой номинальной доходности на длинных окнах. Дальше добавили «парковку» денег в короткие казначейские бумаги (аналог денежного рынка) — и профиль стал аккуратнее.

Практическое правило такое:

• сектора — лучшая область применения альтернативного макро-сигнала;
• одиночные акции — только если вы добавляете больше признаков (бизнес-метрики, оценки, качество прибыли, поведение отрасли).

Мини-чеклист: как внедрить стратегию на альтернативных данных

1. Определите решение, а не индикатор. Вы хотите ротацию секторов, защиту от просадок или повышение Sharpe?
2. Выберите частоту. Месячные данные требуют месячных ребалансов — не пытайтесь «додумывать» между публикациями.
3. Начните с ансамбля окон. 3/6/9/12 месяцев как базовая «корзина» — разумный старт.
4. Проверьте устойчивость. Walk-forward, out-of-sample, стресс‑периоды (2008, 2020, 2022).
5. Считайте издержки. Даже при месячной частоте проскальзывание и налоги меняют картину.
6. Дайте ИИ задачу режима, а не цены. Классификация «risk-on/off» обычно устойчивее.

Что делать дальше (и почему это особенно актуально в конце 2025)

Декабрь — месяц, когда рынки одновременно живут отчётами, ребалансами и сезонным всплеском потребления. В такой момент «шумных» сигналов становится больше, а вот медленные индикаторы реальной активности часто дают более трезвую картину. Поэтому индекс коробок как альтернативный сигнал — удачная отправная точка для тех, кто строит системный процесс и хочет, чтобы ИИ работал на управляемый риск, а не на красивую презентацию.

Если вы хотите применить это у себя, начните с простого: соберите прототип ротации «циклика ↔ защитный микс», добавьте ансамбль окон и посмотрите, как меняются просадки и стабильность доходности. А дальше уже подключайте машинное обучение — там начинается самое полезное: отбор признаков, контроль переобучения и автоматизация решения.

На какой альтернативный сигнал вы бы поставили следующий эксперимент — логистика, платежи, вакансии или сырьевые цепочки?