15.11.2026 — Стресс-тесты, VAL и пересмотр исследовательской концепции

Стресс-тестирование
Проверил модель на нескольких группах стресс-сценариев.
Торговые издержки
- extra_10bps: CAGR +25,25%, MDD −33,08%
- extra_15bps: CAGR +24,65%, MDD −33,29%
- extra_20bps: CAGR +24,05%, MDD −33,51%
- extra_25bps: CAGR +23,45%, MDD −33,72%
- extra_30bps: CAGR +22,86%, MDD −33,94%
Устойчива.
Проскальзывания
- slip_5bps: CAGR +25,85%, MDD −32,86%
- slip_10bps: CAGR +24,65%, MDD −33,29%
- slip_15bps: CAGR +23,45%, MDD −33,72%
- slip_20bps: CAGR +22,27%, MDD −34,15%
- slip_25bps: CAGR +21,09%, MDD −34,57%
- slip_50bps: CAGR +15,38%, MDD −37,01%
Устойчива.
Результаты по годам
- 2018: CAGR +15,37%, MDD −4,80%
- 2019: CAGR +28,23%, MDD −16,12%
- 2020: CAGR +55,62%, MDD −12,95%
- 2021: CAGR +21,87%, MDD −11,18%
- 2022: CAGR −11,97%, MDD −28,40%
- 2023: CAGR +63,95%, MDD −8,23%
Высокая концентрация результата в двух годах — уязвимость.
Однодневный шок
CAGR +16,29%, MDD −53,48%.
GARCH не спасает.
Сдвиг даты входа
- baseline: CAGR +28,30%, MDD −31,99%, Sharpe 1,645
- shift_1: CAGR +28,54%, MDD −31,99%, Sharpe 1,656
- shift_5: CAGR +28,05%, MDD −31,99%, Sharpe 1,631
- shift_10: CAGR +28,36%, MDD −31,99%, Sharpe 1,644
- shift_20: CAGR +27,82%, MDD −31,99%, Sharpe 1,616
Устойчива.
Задержка исполнения
Проверены задержки в 1 и 2 дня.
- delay_1d: CAGR +28,54%, MDD −31,99%, Sharpe 1,656
- delay_2d: CAGR +28,53%, MDD −31,99%, Sharpe 1,656
Устойчива.
Cash Carry
Доходность кэша рассчитывается как разница RGBITR − RGBI за предыдущий год, без look-ahead. Применяется к доле cash: (1 − exposure).
CAGR +30,91%, MDD −31,34%, Sharpe 1,865.
Ошибка выжившего
Источник сценарной поправки — исследование Харджота Сингха Рансе «Ошибка выжившего в индексах малой капитализации развивающихся рынков».
Тезис: бэктестинг только по выжившим компаниям завышает годовую доходность NIFTY Smallcap 250 на 4,94%.
Для теста применил двукратное ухудшение — сценарную поправку.
CAGR +15,63%, MDD −36,86%, Sharpe 0,992.
Фильтр объёма торгов
Проверил использование TOP N по показателю объёма торгов.
- top_25: CAGR +13,74%, MDD −36,12%
- top_50: CAGR +12,98%, MDD −38,96%
- top_75: CAGR +22,55%, MDD −30,34%
- top_100: CAGR +22,48%, MDD −35,96%
Зависит от неликвида. Ликвидностный риск реален, но не катастрофичен.
Shuffle-тест
CAGR +14,27%, MDD −43,78%.
Модель, обученная на перемешанном target, теряет Sharpe с 1,645 до 0,62.
VAL
Результат модели:
- CAGR: −13,42%
- MDD: −42,97%
- VOL: +15,42%
- Sharpe: −0,533
Лучший бенчмарк из трёх — RGBITR:
- CAGR: +10,06%
- MDD: −13,72%
- VOL: +7,11%
- Sharpe: 1,384
MCFTR (справочно):
- CAGR: +5,03%
- MDD: −27,13%
- VOL: +22,43%
- Sharpe: 0,330
Модель не состоятельна. VAL результат деградировал. Лайв не требуется.
Рефлексия
EDA показал значимость риск-компоненты.
Концепция «риск предсказуем» не подтверждена и не опровергнута.
Второе — явный оверфит. Возможны два источника: модель и фичи.
Третье — таргет.
Нельзя разбирать и диагностировать VAL. Если сделаю это, потеряю данные для валидации модели. Поэтому буду ждать накопления датасета.
Мультитестирование имеет место быть.
И здесь возникает ещё одно интересное направление — генеративка. Но пока по этапам.
Новая исследовательская программа
1. Проверка концепции риска
Без обучения. Несколько примитивов, фиксированный набор акций, например TOP10 по объёму. 10 — эвристика.
Сравнить без правил сайзинга.
Гипотеза — преимущество в умной бете, а не в альфе.
2. Проверка важности фичей
Такой ресерч уже выполнялся на корейском рынке. Реплика.
Нашёл близкую по содержанию работу:
Sungwoo Kang — Stock Price Prediction Using Triple Barrier Labeling and Raw OHLCV Data: Evidence from Korean Markets (2025).
В исследовании сравниваются модели на сырых OHLCV-данных и модели с техническими индикаторами. Автор показывает, что LSTM на raw OHLCV может достигать сопоставимых результатов с XGBoost, использующим технические индикаторы.
Это близко к моей гипотезе.
План эксперимента:
- нейронке — чистый OHLCV;
- бустингу — фичи;
- сравнить результат.
Гипотеза — модель без признаков сможет работать с таким же уровнем эффективности.
3. Бустинг и пул фичей
Бустинг на пуле фичей. Ретреин модели на каждом фолде — 6 месяцев. Скользящее окно.
По этому вопросу есть исследования. В целом для финансовых рядов выделяют оптимальный период 2–4 года. Беру среднее — 3 года.
Модель сама выбирает признаки из пула.
4. N = 10 — эвристика
Пусть модель учится выбирать от 4 до 10 бумаг.
5. Таргет
За меня уже изобрели таргет — тройной барьер.
Marcos López de Prado подробно описывает Triple Barrier Method в книге Advances in Financial Machine Learning (2018).
Значение сигм требует EDA. Ансамбль, две модели.
6. Горизонт прогнозирования
Рынок слишком динамичен, чтобы прогнозировать на 20D.
7. Ограничение по ликвидности
Нужно ограничение по ликвидности. На мусоре весело, но опасно.
Нужно рассмотреть TOP50/TOP100 бумаг по объёму торгов за квартал. Требуется EDA.
Это регламент Мосбиржи — не переизобретаю.
Я вижу так. И новые пакеты вопросов.