На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению в трейдинге. Название звучало как вызов: «ML в трейдинге: как выжить, если ты один, а против тебя — хедж-фонды с бесконечным бюджетом».

Я не смог присутствовать лично — из Перми ехать далеко. Билет передал другу, Сергею Степаняну, который приехал из Ярославля и стал моими глазами и ушами. То, что вы читаете, — это его впечатления, мои размышления и немного здравого смысла.

Один против всех: алготрейдер в России

Современный алготрейдер в России — это зачастую один человек, выполняющий работу целой команды:

• ищет и чистит данные;
• придумывает признаки;
• строит модели;
• тестирует гипотезы;
• создаёт стратегии;
• оценивает риски;
• выводит всё в продакшн.

Это резко отличается от крупных фондов, где функции распределены между специалистами. У российского трейдера — домашний компьютер с мощной видеокартой и ИИ в помощниках.

Иллюзия «предсказания цены»

Многие считают, что ML работает так: подаёшь график акции — и нейросеть говорит, сколько она будет стоить завтра. На деле это не работает. Простая регрессия по цене даёт мусор. В высокочастотном трейдинге (HFT) ML используется ограниченно — там важны наносекунды, а тяжёлые модели вносят задержки.

Я сам пробовал использовать ML как генератор сигналов — безуспешно. Но в узких задачах машинное обучение эффективно:

• Определение фазы рынка — модель не советует покупать, а говорит: «сейчас боковик, трендовые стратегии лучше отключить».
• Фильтрация сигналов — отбор сделок с высокой вероятностью прибыли.
• Оптимизация исполнения — вход в позицию с минимальным проскальзыванием и комиссиями.
• Анализ микроструктуры стакана — выявление закономерностей в потоке ордеров, недоступных человеческому глазу.

Почему граали ломаются о реальность

Большинство трейдеров застревает на этапе тестирования. Легко создать иллюзию успеха. Антон Абдулгалимов, выступавший на встрече, выделил основные ошибки:

• Garbage in = Garbage out. Данные — 80% успеха. Пропущенный день в свечах или ошибка при склейке фьючерсов порождает ложные закономерности. Подготовка данных занимает большую часть времени.
• Заглядывание в будущее. Ошибка в разбиении выборки позволяет модели «подсмотреть» завтрашние данные. На истории — прибыль, в реальности — маржин-колл.
• Прогноз ≠ прибыль. Даже если модель угадывает направление цены в 60% случаев, проскальзывание, комиссии и задержки могут свести прибыль к нулю или в минус.

Пять вопросов перед запуском ML

Чтобы не тратить месяцы на провальную стратегию, Антон предложил проверить идею по пяти критериям:

1. Есть ли конкретная задача? (Не «прикрутить нейронку», а, например, «снизить издержки на исполнение»).
2. Есть ли честные данные? (Чистые, без утечки будущего, доступные в реальном времени).
3. Можно ли это проверить? (С учётом комиссий и задержек).
4. Превращается ли прогноз в действие? (Понятен ли переход от сигнала модели к реальной сделке).
5. Есть ли экономический эффект? (Приносит ли система больше денег после всех издержек).

Если хотя бы на один вопрос ответ «нет» — внедрять ML слишком рано.

Вместо итога

ML не даёт контроля над рынком и не является волшебной кнопкой «бабло». Это сложный и капризный инструмент, полезный только там, где он действительно нужен.

Главная проблема российского рынка — не в нехватке мощностей или библиотек. Проблема в культуре замкнутости. Все сидят по своим углам, не делятся опытом и повторяют одни и те же ошибки.

Опыт провала — бесценен. Слитый депозит, ошибка в коде, неудачный тест — это знания, которые важнее чужих успехов. Поэтому — давайте общаться.

На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению (Machine Learning) в трейдинге. Название мне показалось весьма злободневным: «ML в трейдинге: как выжить, если ты один, а против тебя — хедж‑фонды с бесконечным бюджетом».

Я бы хотел побывать на нём лично, но из Перми ехать далековато и поэтому я отдал билет другу. Так что отдельное спасибо Сергею Степаняну за то, что он приехал в Москву из Ярославля и фактически стал моими глазами и ушами — то, что вы читаете — это его наблюдение, мои размышления и немного здравого смысла.

Вообще моё текущее представление о ML в трейдинге на Московской бирже довольно прикладное. Смотришь за ценой: волатильность больше или меньше, скорость изменения цены быстрее или медленнее. И если за какой‑то из этих показателей меняется, то продаешь или покупаешь. Так можно попасть в вероятность, но точно определить конечно же невозможно. Ну и приходится постоянно это дело подкручивать под изменяющиеся параметры рынка — играть в догонялки — рынок меняется и всегда вынужден его преследовать.

На этой встрече мне показалось очень здравой мысль, что современный алготрейдер в России — это один человек, который заменяет целую команду:

• он ищет и чистит данные;
• придумывает признаки;
• строит модели;
• тестирует гипотезы;
• собирает стратегии;
• считает риски;
• и всё это выводит в продакшн.

И это принципиальное отличие от фондов когда все роли разделены между людьми, а у тебя простодомашний компьютер с видеокартой чуть мощнее среднегои ИИ помощник.

Я уже не первый год пишу статьи на Хабре, а читаю уже очень давно, и кроме новостного шума сложно найти что‑то содержательное по теме алго и ML, а по Deep Learning уж и подавно, потому что никто не рассказывает что реально работает, а все обсуждения идут на уровне намёков. В итоге каждый сам изобретает свой собственный велосипед и, конечно же, повторяет чужие ошибки. Просто не знает об этом.

На встрече был всего один доклад от Антона Абдулгалимова.Я очень извиняюсь перед ним, но упоминания компании где он работает не будет — из‑за подобных вещей у меня блокировали аккаунт однажды — потому что заподозрили рекламу (которой не было).

На встрече проводили небольшой опрос и оказалось что люди в целом знакомы с тем, что такое ML, они экспериментируют, но прибыли не видят и только 30% имеют работающие стратегии которые запущены на реальных деньгах.

Иллюзия «предсказания цены»

Вообще общепринятое мнение о ML — что ты скармливаешь нейронке график Сбера и она тебе говорит сколько он будет стоить завтра. Но в реальной жизни так не работает. Если просто натравить регрессию на цену, то на выходе получится мусор, а в высокочастотном трейдинге (HFT) ML вообще очень ограниченно используется, потому что там бьются за наносекунды и любая тяжёлая модель просто убивает систему задержками.

В своей практикея тоже уже пытался использовать MLкак генератор сигналов (неудачно).

Зато ML отлично работает в более узких задачах:

• Поиск фазы рынка (режима) — модель не говорит покупай, она говорит: «сейчас жесткий боковик, трендовые стратегии лучше выключить».
• Фильтрация сигналов — какие сделки из вашей базовой стратегии брать, а какие — с высокой долей вероятности убыточны.
• Исполнение — как зайти в позицию так, чтобы не размазать весь свой профит о проскальзывание и комиссию.
• Микроструктура стакана — там, где человеческий глаз просто не успевает увидеть закономерности в потоке ордеров.

Почему граали ломаются о реальность

Но вернёмся к статистике: большинство застревает на этапе тестов. В трейдинге очень легко построить иллюзию что у тебя всё хорошо и Антон нашёл грабли на которые наступает большинство одиночек:

• Garbage in = Garbage out. Данные — это 80% успеха. Если в ваших дневных свечах пропущен один день, или вы криво склеили фьючерсы, модель найдет там закономерность, которой в природе нет. Поиск и чистка данных забирают львиную долю времени.
• Заглядывание в будущее. При обучении модель случайно подсматривает в завтрашний день из‑за ошибки в разбиении выборки (кто копает глубоко —почитайте Маркуса де Прадона эту тему). На истории вы миллиардер, в проде — получаете маржин‑колл.
• Forecast!= PnL (Прогноз не равен прибыли). Вы создали модель, которая в 60% случаев угадывает направление цены. Бинго? Нет. Пока вы вставали в очередь в стакане, пока словили проскальзывание, а брокер и биржа списали комиссии — ваша математическая альфа ушла в минус по счету.

И тут многие начинают кивать на запад: мол, у них там вендоры альтернативных данных, команды квантов, хедж‑фонды с бюджетами, а у нас что?

Но по факту, разрыв в значительной степени связан с инфраструктурой. Все остальное: поиск сигнала, переобучение моделей, нестационарность рынка — проблемы абсолютно одинаковые что на Уолл‑Стрит, что в Перми (ну и в Москве).

Чтобы не тратить месяцы на разработку мертворожденной стратегии, Антон предложил отличный подход. Прежде чем открывать Python, прогоните свою идею через 5 вопросов:

1. Есть ли конкретная задача?

(Не «я хочу прикрутить нейронку, чтобы было», а «я хочу снизить издержки на исполнение заявки»).

1. Есть ли у вас честные данные?

(Чистые, без заглядывания в будущее и доступные в моменте торгов).

1. Можно ли это проверить?

(С учетом комиссий и задержек).

1. Превращается ли прогноз в действие?

(Понятен ли мост между тем, что выдала модель, и реальной сделкой/фильтром).

1. Есть ли экономический эффект?

(Стала ли система приносить больше денег после уплаты всех издержек).

Если хотя бы на один вопрос ответ «нет» — вы внедряете ML слишком рано.

Вместо итога

Знаете, что мне понравилось больше всего на этой встрече (пусть и в пересказе)? То, к чему призывал Антон в конце.

ML не даёт контроля над рынком и не является магической кнопкой «бабло». Это сложный, капризный инструмент, который работает только там, где он реально нужен. Но главная проблема нашего рынка не в нехватке библиотек или вычислительных мощностей. Проблема в том, что мы сидим по своим углам.

Культура «никому ничего не рассказывать» приводит к тому, что все совершают одни и те же ошибки по кругу. То, что умерло на вашей проверке, ваша ошибка в коде или слитый на тестах депозит — это бесценный опыт, который гораздо важнее историй чужого успешного успеха.

Поэтому давайте общаться.Уважаемые алготрейдеры, кто балуется машинным обучением, как у вас успехи? На каком этапе пути застряли: тестируете гипотезы или уже пустили модель в бой на реальных деньгах?

Автор:Михаил Шардин🔗 Моя онлайн‑визитка

31 марта 2026 г.