Нейросети могут предсказывать волатильность на 60–80% точнее классических методов. При этом ни одна модель не угадает вершину или дно — она лишь снижает ошибку. Ключ — не искать идеальный прогноз, а встроить оценку неопределённости в размер позиции и стоп-лосс.
Волатильность — размах ценовых колебаний за период (день, неделю, месяц). Инвесторы отслеживают её, потому что она влияет на стоимость опционов, маржу в фьючерсах и риск просадки портфеля. VIX — самый известный индекс волатильности на фондовом рынке; на крипто его аналоги считаются реже, но майнинг-пулы и биржи отслеживают внутреннюю волатильность через исторические разбросы и книги заявок.
Модель анализирует исторические цены (OHLCV), объёмы торгов, спред bid-ask, корреляцию с макроиндексами и новостной фон. LSTM и трансформеры лучше всего выявляют нелинейные паттерны: например, волатильность часто скачет после отчётов о ключевой ставке или неожиданных заявлений. На РФ-данных точность падает из-за выходных и асимметричной информации между брокерами.
Да, но с оговорками. Модели хорошо ловят рост волатильности за 4–12 часов, если паттерны повторяются. Однако экстремальные события (банкротство крупного игрока, геополитический шок) часто новы и попадают вне исторической выборки. Доверять прогнозу нужно только на 70–80%, а не на 100%.
Раздели выборку: тренировка (60%), валидация (20%), тест (20%). Если на тестовой выборке метрика MAE (средняя абсолютная ошибка) в 2–3 раза хуже, чем на валидации — модель переобучена. Дополнительно: проверь, что модель не коррелирует с случайным шумом (тест Шапиро–Уилка на остатки).
Основные: MAE, RMSE, MAPE (средняя абсолютная ошибка в процентах) и коэффициент Дарбина–Уотсона (проверка автокорреляции остатков). Для трейдера важнее всего — выбирал ли бы ты размер позиции так же, если бы знал истину в начале дня? Если да, модель полезна.
Главная: принимают точность 75% за гарантию. Вторая: игнорируют смещение модели (bias) — если модель систематически недооценивает или переоценивает скачки. Третья: запускают торговку на реальные деньги без бэк-теста на несовпадающих данных.
Нет. Волатильность зависит от шока, который модель не видела, и от микроструктуры рынка. 80% — это уже хороший результат; держи реалистичные ожидания.
| Модель | MAE | MAPE (%) |
|---|---|---|
| GARCH | 0,45 | 8,2 |
| LSTM (однослойный) | 0,38 | 6,9 |
| Трансформер с вниманием | 0,32 | 5,4 |
| LSTM + внешние признаки (макро) | 0,29 | 4,8 |
| Параметр | Готовые API | Собственная модель |
|---|---|---|
| Время до результата | 1–5 минут | 2–8 недель на R&D |
| Стоимость | 50–500 $/месяц | 5–30 $/месяц на облаке |
| Точность на новых данных | 65–75% | 72–85% (если настроена правильно) |
| Прозрачность | Чёрный ящик | Можешь отладить и интерпретировать |
| Скорость адаптации к изменениям рынка | Зависит от провайдера | Контролируешь ты через переобучение |
Используй открытые API бирж (Binance, MOEX, Kraken), историческую базу в Yahoo Finance или локальный дата-лейк. Убедись, что данные чистые: нет перекрытия выходных, учтены сплиты и дивиденды.
Возьми LSTM или градиентный бустинг (LightGBM), раздели выборку 60/20/20, вычисли MAE на тесте. Добавь как фичи: исторические волатильности за 5, 20, 60 дней и макроиндексы (например, рост цены за сессию).
Используй walk-forward validation: тренируй на данные до дня N, прогнозируй на день N+1, затем сдвигай окно на шаг. Это имитирует реальную торговлю, когда ты всегда работаешь с будущим.
Если модель предсказала высокую волатильность (например, 20% на месяц), снизь лот на 30–50%. Если низкую (5%), можешь увеличить. Используй Kelly criterion: размер позиции = (точность × профит − убыток × ошибка) / (коэффициент убытка).
Добавь свежие данные, пересчитай весы. Если точность упала ниже 70% на тесте — остановись, проверь, не произошёл ли сдвиг режима на рынке (например, централизованный обвал, смена волатильного периода).
Нет. Волатильность зависит от шока, который модель не видела, и от микроструктуры рынка. 80% — это уже хороший результат; держи реалистичные ожидания.
LSTM и GRU хорошо ловят зависимости в последовательности цен. Трансформеры быстрее обучаются, если данных много (>100 тыс. свечей), и лучше на очень дальних предсказаниях. Начни с LSTM, если ощущаешь медлительность — переходи на трансформер.
Да, в среднем на 3–8%. Но нужен качественный парсер новостей и модель их классификации. На практике часто проще добавить объёмы торгов и индекс RSI, чем возиться с NLP.
Нет, можешь отложить. Если волатильность неожиданно выросла или упала в два раза — переобучи в ту же неделю. Добавляй новые данные каждый месяц, чтобы модель видела свежие паттерны.
Минимум 250 торговых дней (≈1 год) для GARCH, 500+ дней для LSTM. Если берёшь часовые данные — 5000+ свечей. Чем больше, тем лучше, но следи, чтобы выборка была релевантна текущему рынку (не берись за данные 2008 года, если прогнозируешь 2026).
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
