Ансамбли в трейдинге: когда усреднение моделей помогает, а когда просто дороже

Ансамблирование — надёжный дефолт в соревнованиях по машинному обучению и первое рефлекторное улучшение, к которому тянутся. В трейдинге оно срабатывает реже, чем ожидается, и причину стоит понять.

Условие, которое должно выполняться

Усреднение снижает дисперсию пропорционально тому, насколько нескоррелированы ошибки участников. Если каждая модель делает одну и ту же ошибку на одних и тех же входах, усреднение даёт ту же ошибку с большей уверенностью и большими затратами вычислений.

На рыночных данных участники обычно скоррелированы по построению: обучены на одной истории, из одних признаков, с одинаковыми метками. Смена случайного зерна или глубины дерева этого не чинит — они дают разнообразие в шуме, а не в систематической ошибке.

Разнообразие, которое действительно структурно

Участники, чьи ошибки реально различаются:

• Разные горизонты меток. Модель на следующие 30 секунд и модель на следующие 30 минут ломаются в разных условиях.
• Разные семейства признаков. Одна на структуре стакана, другая на потоке сделок, третья на межинструментальном контексте. Недостающая информация разная — значит, разные ошибки.
• Разные целевые функции. Классификация направления и регрессия ожидаемого хода расходятся информативным образом, и само расхождение является признаком.
• Разные режимы обучения. Одна подогнана на периодах высокой волатильности, другая на спокойных, а метка режима выбирает веса.

Наш микроструктурный движок является ансамблем именно в этом смысле: направление, максимальный благоприятный ход и максимальный неблагоприятный — отдельные головы, отвечающие на разные вопросы. Их не усредняют; каждый выход питает свою часть решения. Направление выбирает сторону, MFE задаёт цель, MAE задаёт стоп.

Расхождение как сигнал риска

Самое полезное, что даёт ансамбль, — часто не усреднённое предсказание. Это разброс.

preds = [m.predict(x) for m in members]
mean, spread = np.mean(preds), np.std(preds)

# Сильное расхождение = незнакомый вход. Уменьшить объём, а не усреднять сквозь него.
confidence = 1.0 / (1.0 + spread / CALIBRATED_SPREAD)
size = base_size * min(confidence, 1.0)
if spread > SPREAD_HALT:
    return skip("участники расходятся за пределами калиброванного диапазона")

Это бесплатный детектор выхода за пределы распределения. Когда модели, обученные на одних данных, резко расходятся, вход не похож на то, что видела любая из них, — ровно тогда одиночная модель ошиблась бы уверенно.

Издержки, названные прямо

Ни одна не запретительна. Все реальны, и взвешивать их надо против измеренного улучшения, а не предполагаемого.

Рекомендация

1. Сначала одна хорошо провалидированная модель. Purged, вне выборки, с издержками внутри.
2. Измерьте корреляцию остатков до добавления участников. Если она высока — остановитесь.
3. Предпочитайте структурное разнообразие — разные горизонты, признаки, цели — разнообразию случайных зёрен.
4. Используйте расхождение как сигнал уверенности, даже если не усредняете.
5. Сравните ансамбль с одиночной моделью на той же честной валидации и засчитайте операционные издержки в сравнение.

По нашему опыту сигнал расхождения стоит больше усреднённого предсказания, а честное сравнение часто заканчивается одной моделью и проверкой разброса — что проще эксплуатировать и легче объяснить в четыре часа ночи.