Ярослав Суков – Walk-Forward анализ на финансовых рынках (страница 5)

В 1900 году французский математик Луи Башелье в своей диссертации «Теория спекуляций» предположил, что цены активов следуют броуновскому движению — случайному блужданию с нормально распределёнными приращениями. Эта модель легла в основу всей современной финансовой теории: портфельной теории Марковица, модели ценообразования опционов Блэка-Шоулза, CAPM.

Проблема: реальные доходности активов имеют «толстые хвосты» — экстремальные движения случаются гораздо чаще, чем предсказывает нормальное распределение. Бенуа Мандельброт, один из великих математиков XX века, ещё в 1960-х годах показал, что распределение доходностей лучше описывается устойчивыми распределениями Леви, которые имеют бесконечную дисперсию. Но финансовая индустрия продолжала использовать гауссиану, потому что она удобна. Цена этого удобства — систематическая недооценка риска «чёрных лебедей».

2. Модели линейной зависимости (ARIMA, VAR)

Классические эконометрические модели предполагают, что зависимость между прошлым и будущим линейна и стационарна. ARIMA (авторегрессия интегрированного скользящего среднего) стала стандартом для прогнозирования временных рядов.

Но финансовые рынки демонстрируют нелинейную динамику: режимы, пороги, точки бифуркации. Взаимосвязи между активами не постоянны: корреляции растут во время кризисов (явление, известное как «корреляционный крах»). Линейные модели просто не могут уловить эту сложность.

3. Модели на основе равновесия (CAPM, APT)

Теоретические модели, такие как CAPM (модель ценообразования капитальных активов), предполагают, что рынки находятся в равновесии, а доходность актива определяется его «бетой» — чувствительностью к рынку.

Но равновесие — это миф. Рынки постоянно находятся в процессе поиска равновесия, но никогда его не достигают. Поведенческие финансы показали, что цены определяются не только рациональными ожиданиями, но и эмоциями, когнитивными искажениями, ограничениями арбитража.

4. Модели машинного обучения без учёта нестационарности

В последнее десятилетие появилась волна «квантов», которые применяют нейронные сети, случайные леса и градиентный бустинг к финансовым данным. Без должной регуляризации и учёта нестационарности эти модели — чемпионы по переоптимизации. Они прекрасно работают на истории, где есть чёткие паттерны, но терпят крах, когда распределение данных меняется.

Рынок как эволюционирующая экосистема

Если мы хотим создать стратегии, которые выживают в долгосрочной перспективе, нам нужно изменить ментальную модель. Вместо того чтобы думать о рынке как о физической системе с неизменными законами, полезнее представить его как экосистему, где виды (участники) конкурируют, адаптируются, эволюционируют, вымирают.

В экосистеме нет стационарности. Популяции циклически растут и падают. Появляются новые ниши. Старые стратегии, которые были успешны десятилетиями, могут стать нежизнеспособными за год. Это не дефект системы; это её суть.

В такой экосистеме выживают не те, у кого есть «идеальная модель», а те, кто обладает мета-способностью: способностью быстро распознавать изменения и адаптироваться, не теряя дисциплины.

Это подводит нас к главной идее книги. Walk-Forward анализ — это не просто метод проверки стратегий. Это реализация эволюционного подхода к торговле. Вы не создаёте один раз навсегда зафиксированную модель. Вы создаёте процесс, который постоянно переоценивает себя, отбрасывает устаревшие паттерны, улавливает новые, сохраняя при этом ядро устойчивого преимущества.

Но прежде чем мы двинемся дальше, я хочу, чтобы вы почувствовали нестационарность не на уровне абстракции, а на уровне собственного опыта. Откройте график любого инструмента, которым вы торгуете. Разделите историю на десятилетия: 1990-е, 2000-е, 2010-е, 2020-е. Посмотрите на волатильность, на длину трендов, на частоту кризисов. Они отличаются? Они отличаются радикально. Это и есть нестационарность. И теперь, когда вы её увидели, вы больше не можете делать вид, что её не существует.

Часть II. Walk-Forward анализ: новая парадигма

До сих пор мы двигались по пути отрицания. Мы разобрали анатомию бэктеста, увидели, как переоптимизация превращает код в ловушку, и признали, что финансовые рынки — это нестационарная, эволюционирующая система. Мы словно хирурги, которые сначала исследуют болезнь, прежде чем сделать разрез.

Теперь настало время перейти к главному: к методу, который превращает понимание нестационарности в инженерное преимущество. Этот метод называется Walk-Forward анализ. Он не просто «ещё один способ тестирования». Это смена парадигмы — переход от статического взгляда на историю к динамическому, адаптивному подходу, который отражает саму природу рынков.

В этой части мы разберём Walk-Forward от интуиции до архитектуры, от выбора параметров до «сшивания» торговой кривой. Вы узнаете, почему этот метод стал золотым стандартом в количественных финансах и как он позволяет отделить устойчивые стратегии от статистических артефактов.

Глава 4. Суть Walk-Forward подхода

Интуиция: «скользящее окно» принятия решений

Представьте, что вы капитан корабля, который пересекает океан. У вас есть карта, составленная сотни лет назад, но вы знаете, что океан меняется: течения смещаются, появляются новые отмели, даже береговая линия не остаётся неизменной. Ваша стратегия: вы не полагаетесь слепо на старую карту. Вместо этого вы каждую неделю опускаете лот, измеряете глубину, фиксируете течение, обновляете свои знания о местности. И только потом прокладываете курс на следующую неделю.

Walk-Forward анализ — это тот же принцип, применённый к финансовым рынкам. Вы не строите стратегию один раз на всех исторических данных и не ожидаете, что она будет работать вечно. Вместо этого вы создаёте процесс, который повторяет цикл:

1. Обучайтесь на последнем известном отрезке истории (in-sample).

2. Проверяйте на следующем, ещё не использованном отрезке (out-of-sample).

3. Сдвигайте окно и повторяйте.

В результате вы получаете не одну кривую доходности, а серию последовательных out-of-sample результатов, «сшитых» в единую линию. Эта линия показывает, как стратегия реально вела бы себя, если бы вы перекалибровывали её с определённой периодичностью, используя только ту информацию, которая была доступна на момент принятия решения.

Интуиция проста: прошлое учит нас, но не связывает. Мы используем историю для обучения, но проверяем себя на будущем, которое становится прошлым только после того, как мы его прошли. Это имитация реальной торговли, где каждый день приносит новые данные, а не позволяет нам заглядывать вперёд.

Отличие от классического тестирования

Классический подход (один бэктест на всех данных) напоминает студента, который готовится к экзамену, имея перед собой ответы. Он может идеально «сдать» тест, но не понимает предмета. Walk-Forward — это экзамен без ответов, который принимают каждую неделю.

Различия можно свести к нескольким ключевым пунктам:

| Классический бэктест | Walk-Forward анализ |

| Использует все данные для оптимизации | Использует только in-sample окно для оптимизации |

| Проверка на отдельном out-of-sample отрезке (часто в конце) | Многократная проверка на множестве out-of-sample отрезков |

| Одна кривая доходности | Серия «сшитых» out-of-sample результатов |

| Статическая модель | Динамическая, перестраиваемая модель |

| Подвержен data snooping | Устойчив к data snooping (при правильной архитектуре) |

| Не даёт информации о стабильности во времени | Даёт распределение результатов по периодам |

Наиболее важное отличие — в философии валидации. Классический подход проверяет, может ли стратегия объяснить прошлое. Walk-Forward проверяет, может ли процесс обучения и адаптации генерировать устойчивое преимущество в будущем. Это разница между «знанием истории» и «способностью учиться».

Когда Walk-Forward необходим, а когда — нет

Как и любой инструмент, Walk-Forward не является панацеей. Есть области, где он критичен, и области, где он избыточен или даже вреден.

Walk-Forward необходим, когда:

- Стратегия имеет параметры, которые нуждаются в регулярной калибровке. Если ваша система использует скользящие средние, пороги волатильности, веса факторов — она требует периодической перенастройки. Walk-Forward позволяет найти оптимальную периодичность и проверить, насколько калибровка устойчива.

- Рынки, на которых вы торгуете, демонстрируют явную нестационарность. Форекс, сырьевые товары, криптовалюты — всё это классические примеры сред с меняющимися режимами. Walk-Forward помогает отделить долгосрочное преимущество от временных аномалий.

- Вы используете методы машинного обучения. Нейронные сети, случайные леса, градиентный бустинг — все они склонны к переоптимизации. Walk-Forward с регуляризацией и кросс-валидацией — единственный способ оценить их реальную предсказательную силу.

Walk-Forward не нужен (или нужен в упрощённой форме), когда:

- Стратегия не имеет параметров. Если ваша система основана на неизменных правилах, не требующих калибровки (например, «покупай первый рабочий день месяца»), то Walk-Forward не добавит информации. Но даже здесь полезно проверить устойчивость во времени.