Ставьте модель в риск-движок, а не в сигнал

По умолчанию считается, что работа модели — находить возможности. Стоит рассмотреть обратное, потому что экономика лучше, а последствия ошибки мягче.

Сигнальная модель, которая ошиблась, теряет деньги. Риск-модель, которая ошиблась, уменьшила объём там, где не требовалось: цена — упущенная возможность, и она восстановима.

Три применения, которые окупаются

Классификация режима. Большинство стратегий работает в одних условиях и не работает в других, и большинство операторов знает, в каких, но не может это точно сформулировать. Классификатор по волатильности, ликвидности, структуре корреляций и фандингу может выдавать метку режима, масштабирующую экспозицию: полный объём в том режиме, где стратегия валидировалась, уменьшенный или нулевой в прочих.

Объём с учётом ликвидности. Размер позиции обычно берётся из волатильности и стопа. Недостающий вход — глубина стакана: та же волатильность в тонком стакане означает куда худший слиппедж на выходе. Модель, предсказывающая реализованный слиппедж по состоянию стакана, размеру сделки и недавнему потоку, позволяет объёму реагировать на то, во сколько обойдётся выход.

Детекция аномалий в собственном поведении. Обучитесь на нормальном режиме работы бота — доля исполнений, задержки, коды отказов, распределение предсказаний, интервалы между сигналами — и алертите на отклонение. Это ловит сломанного бота быстрее любой проверки по P&L и не требует знаний о рынке.

Почему экономика лучше

Вторая строка — главная. Сигнальная модель обязана быть лучше коллективного мнения рынка, а это высокая планка. Риск-модели надо быть лучше константы — «всегда рисковать 1%», — что гораздо более достижимая цель и редко оптимально.

Жёсткие лимиты остаются жёсткими

Модели в слое риска разрешено быть консервативнее правил. Ей никогда не разрешено быть смелее.

def final_size(intent, model, limits):
    base = limits.max_size_for(intent.symbol)
    scaled = base * model.exposure_multiplier(state)   # в [0, 1] — только уменьшает
    # Жёсткие лимиты — это нижняя граница осторожности, а не совет, с которым модель спорит.
    return min(scaled, limits.hard_cap(intent.symbol), limits.remaining_daily_budget())

Причина в том, что модель может ошибаться уверенно, а вероятнее всего она ошибается уверенно в незнакомых режимах — ровно там, где жёсткие лимиты и важны. Риск-модель, способная поднять лимит, убрала ту защиту, которую должна была добавить.

Начните с самой дешёвой версии

Чтобы получить большую часть этого, модель не нужна. По ценности на час работы:

1. Объём, масштабируемый по волатильности. Без модели, большое улучшение против фиксированного.
2. Член ликвидности, уменьшающий объём при истончении стакана. Всё ещё без модели.
3. Грубая метка режима — высокая, обычная, низкая волатильность — с разными множителями объёма.
4. Статистическая проверка аномалий по собственным эксплуатационным метрикам бота.
5. И только затем — обученная модель для любого из перечисленного.

По нашему опыту шаги с первого по четвёртый забирают большую часть выгоды, а пятый стоит делать, только когда первые четыре есть и измеряются. Обученная риск-модель поверх отсутствующей риск-дисциплины — украшение.