Сырые котировки цен и объемов дают точность прогноза (Precision) на уровне 51-53%, что недостаточно для покрытия комиссий и проскальзываний. Внедрение синтетических признаков в модель Инвестор v.1.2.1 позволяет поднять точность до 58-62% за счет эксплицитного указания модели на рыночные неэффективности и волатильность.
Лаги и разности: захват инерции тренда
Для CatBoost критически важно видеть динамику изменения цены, а не просто текущее значение. Использование лагов (Lags) на 1, 3, 5 и 10 периодов для дневного таймфрейма позволяет модели выявить автокорреляцию. Однако эффективнее работают не абсолютные значения, а процентные разности (Log Returns) между текущим баром и лагом. Например, разница между ценой Close(t) и Close(t-5) дает модели сигнал о краткосрочном импульсе.
Кейс: при добавлении лагов на 3 и 5 дней для акций голубых фишек РФ (Сбербанк, Газпром), ошибка MAE снизилась на 12%. Модель перестала «лагать» за ценой и начала предсказывать разворот на 1 бар раньше. Экспертный вывод: используйте логарифмические разности вместо абсолютных цен, чтобы избежать проблемы нестационарности временного ряда.
Волатильность и ATR как фильтры шума
Модели градиентного бустинга часто принимают рыночный шум за сигнал в периоды низкой волатильности. Внедрение Average True Range (ATR) с периодом 14 и его нормализация относительно цены (ATR / Close * 100) позволяет модели Инвестор v.1.2.1 игнорировать сделки в «боковике». Когда нормализованный ATR падает ниже 0.5% для ликвидных акций, точность сигналов падает на 15-20%, что делает такие входы убыточными.
Пример: в периоды низкой волатильности (декабрь 2023) модель без ATR-фильтра генерировала ложные сигналы с винрейтом 46%. После добавления синтетического признака «Относительная волатильность» винрейт вырос до 54% за счет фильтрации флэта. Экспертный вывод: волатильность должна быть признаком, а не просто параметром стоп-лосса.
Моментум-индикаторы и их синтетические комбинации
Одиночные индикаторы вроде RSI или MACD малоэффективны, но их комбинации создают мощные предикторы. Для модели Инвестор v.1.2.1 мы используем «дивергенцию признаков»: разность между RSI(7) и RSI(21). Значение этой разности в диапазоне от -10 до +10 часто сигнализирует о затухании тренда. Также эффективно работает отношение объема текущего бара к среднему объему за 20 дней (Volume / MA_Volume_20).
Практика показывает, что всплеск объема (> 2.0 от среднего) при одновременном выходе RSI из зоны перепроданности (< 30) повышает вероятность успешного лонга на 7-10% в течение следующих 3 торговых сессий. Экспертный вывод: создавайте признаки-индикаторы, которые описывают взаимодействие цены и объема, а не просто их состояние.
Борьба с переобучением через Feature Importance
Избыток синтетических признаков ведет к переобучению, когда модель запоминает шум конкретного периода. Регулярный анализ важности признаков (Feature Importance) в CatBoost позволяет отсечь «мусор». Если признак имеет вклад менее 1-2% в общее дерево решений, он удаляется. В модели Инвестор v.1.2.1 из 150 исходных синтетических признаков обычно остаются 35-40 наиболее значимых.
Кейс: удаление 50 малозначимых признаков (включая редкие осцилляторы) привело к росту точности на Out-of-Sample данных с 56% до 59%. Это подтверждает, что упрощение структуры признаков напрямую влияет на обобщающую способность. Экспертный вывод: всегда проводите чистку признаков после каждой итерации обучения, чтобы избежать overfitting.
Вывод
Для максимального профита в модели Инвестор v.1.2.1 следует отказаться от использования сырых цен в пользу логарифмических разностей и нормализованных индикаторов. Начните с внедрения лагов на 3-5 дней и фильтра по нормализованному ATR. Избегайте перегрузки модели сотнями индикаторов — фокусируйтесь на 30-40 признаках с наивысшим Feature Importance. Это единственный способ получить устойчивую модель, которая не «сломается» при смене рыночной фазы.