empenoso

Я побывал на Perm Winter School "26, это такая ежегодная научно‑практическая конференция, объединяющая студентов, ученых и экспертов из финансовой, ИТ и экологической сфер. Она некоммерческая.

И если честно на ней я надеялся услышать что‑то вроде того что «ИИ уже почти научился зарабатывать на рынке, осталось чуть‑чуть шлифануть».

Но получилось наоборот — если обобщить опыт всех спикеров и дискуссии, которые я услышал, то картина будет довольно неприятной для тех кто до сих пор ищет «кнопку бабло» в теме больших языковых моделей (LLM).

На конференции было порядка десяти докладов и в один текст статьи это не оформить — он получится слишком длинный, поэтому в этой первой части статьи о Perm Wesna School '26 я разберу популярный миф о том, что ИИ хорошо предсказывает финансовый рынок.

Конференцию организовали классический и технический университеты города Перми. Меня пригласил участвовать Вячеслав Арбузов.

В тексте речь пойдет о частных трейдерах и типовых подходах.

Ожидания: скормим график — получим прибыль

Вообще я уже не раз видел, что существует определенный сценарий который похоже живёт в голове большинства обывателей: берутся исторические данные акций или фьючерсов, обучается модель, модель выдаёт сигналы и на этих сигналах мы зарабатываем.

Этот сценарий кажется вполне логичным, ведь в других задачах это хорошо работает:

• картинки → распознаются

• текст → генерируется

• голос → понимается

Почему бы фондовому рынку не стать просто ещё одной задачей которую можно решить?

Реальность: рынок это не задача распознавания

Один из докладчиков Игорь Чечет — в своём выступлении очень чётко дал разделение: ИИ хорошо работает там, где есть эталон:

• буква «А» всегда выглядит примерно одинаково;

• кошка остаётся кошкой;

• даже голос можно формализовать.

А вот у будущей цены нет эталона, потому что рынок — это:

• случайность;

• поведение людей;

• распределение денег во времени.

И главное — он не стационарен (стационарность это состояние, при котором статистические свойства рынка не меняются с течением времени). В реальности сегодня работает одно, завтра — другое.

Ключевая проблема переобучения — это не баг, а неизбежность

Когда модель находит закономерности в биржевых котировках, то чаще всего она либо подгоняется под шум, либо находит какой‑то временный эффект и при реальном использовании это не работает.

По словам одного из докладчиков рынок — это не белый шум, а процесс с тяжёлыми хвостами.

Это означает что на рынке присутствуют редкие сильные движения, а ещё длинные тренды и асимметрия прибыли и убытков.

И это усложняет классические ML‑подходы.

Проверка на практике: эксперимент с LLM

Я, Михаил Шардин тоже был докладчиком на конференции — и рассказал о некоторых своих как удачных так и неудачных опытах. Все свои опыты я провожу с позиции частного лица, я не представитель фонда или брокера.

Начал с неудачного — поскольку я часто работаю с текстами, то решил подойти с позиции условного аналитика в вакууме то есть подавать на вход модели не числа, а текст. Котировки переводились в текст: «рост с увеличением объёма», «у сопротивления», «слабый импульс» — и уже эти описания подавались в DistilBERT. BERT это архитектура глубокого обучения, разработанная Google в 2018 году для понимания естественного языка.

Идея выглядела логично: если аналитик мыслит такими категориями, возможно, языковая модель тоже сможет уловить структуру рынка. Все аналитики ведь всегда говорят чистую правду? Частично это даже получилось — модель давала результат чуть лучше случайного (AUC около 0,53), а в отдельных бумагах даже заметно выше.

AUC (Area Under the Curve) — это показатель того, насколько хорошо нейросеть или алгоритм умеет отличать объекты одного класса от другого.

Но с практической точки зрения это не торгуемо: комиссия и шум полностью съедают это преимущество. Подробнее о моём эксперименте можно прочитать в этой статье.

Хорошо, но BERT — это не то. А классический ML?

Как докладчик я рассказал и о другом моём эксперименте — как пробовал использовать машинное обучение (Machine Learning, ML).

В нём я построил ML‑конвейер с CatBoost (библиотека машинного обучения с открытым исходным кодом от компании «Яндекс»), нормализацией данных, лог‑доходностями, сложной разметкой через тройной барьер и walk‑forward тестированием.

Результат оказался почти тем же: AUC около 0,54–0,55.

Формально мои результаты лучше монетки, но этого недостаточно, чтобы перекрыть комиссии и проскальзывание. На одних участках стратегия зарабатывает, на других — всё отдаёт обратно, потому что рынок меняет режим. Подробнее о моём эксперименте можно прочитать в другой статье.

И это неприятный, но важный вывод: проблема не в конкретной модели. Ни LLM, ни классический ML не ломаются — они просто упираются в ограничения самого рынка, где слабый сигнал легко теряется в шуме и издержках.

Самое неприятное: реальные деньги

На конференции обсуждался и более приземленный кейс — когда LLM моделям дали реальные деньги. Речь про платформы вроде Alpha Arena / Nof1.ai, где разные модели и стратегии соревнуются уже не в метриках, а в доходности на реальном рынке.

И вот здесь вся магия ИИ в трейдинге точно рассеивается. Когда появляется реальный капитал, комиссии, проскальзывание и смена рыночных режимов, большинство моделей быстро «схлопывается» к нулю или уходит в минус.

Главный вывод: почему интуиция нас обманывает и заменит ли ИИ трейдера

Самое интересное во всей этой истории не то, что алгоритмы плохие, а то, что рынок не обязан быть предсказуемым. В обычной жизни мы привыкли: если есть много данных, значит, результат можно предсказать. Но фондовый рынок меняет эту логику — здесь данные не равны предсказуемости.

Именно поэтому LLM не справляются с задачей, ML дает слабые и нестабильные сигналы, а живая торговля на реальных деньгах в публичных экспериментах выглядит не очень привлекательно. И это не временный баг развития технологий, а ограничение самой природы рынка.

Так заменит ли ИИ трейдера? На панельной дискуссии эксперты ответили на этот вопрос довольно трезво. Нейросети точно заберут на себя рутину и базовые задачи, но не принятие решений. Во‑первых, запуск и поддержка моделей стоят денег — автоматизировать всё подряд банально невыгодно. А во‑вторых, на рынке всегда остается фактор ответственности. ИИ не несет финансовых рисков. Их несет человек.

И тогда возникает главный вопрос. Окей, если предсказывать рынок нельзя, нейросети не работают как оракул, а заветной «кнопки бабло» не существует...

Тогда где взять деньги частному трейдеру?

Об этом — во второй части моей статьи..

Автор: Михаил Шардин
28 апреля 2026 г.

400 000 строк в файле Excel, а пропущенный день это дырка в истории и отчёты, которые тормозят даже на мощном ПК — именно с этим столкнулся алготрейдер Дмитрий Овчинников. Но он смог при помощи ИИ ассистента создать дашборд, который упрощает управлением его 100+ стратегиями в алготрейдинге. И это, по его словам, как пересесть с запорожца на вертолёт.

На Пикабу вообще очень мало пишут про алготрейдеров, а уж про работающие алгоритмы так и вообще ничего. А есть такая важная для любого сторонника алгоритмов тема как управление и отображение результатов трейдинга и она определенно заслуживает внимания.

Боль: жизнь в эпоху Excel

Хотя Дмитрий является алготрейдером, но он не считает себя программистом. Основной язык его работы MQL (MetaQuotes Language) — это язык для MetaTrader, но все современные инструменты вроде Python или R прошли мимо него: «Когда я запускаю Python — у меня начинается зубная боль».

Вся аналитика Дмитрия последние годы строилась по схеме, когда из работающего терминала производится экспорт данных в Excel, а затем при помощи макросов делались текущие сводки.

На первый взгляд — это вполне рабочая система. Но проблема была не в скорости.

Не было истории в динамике — если, например, забыл сделать экспорт одного дня, то аналитики по этому дню потом не найти.

Проблемой было и то, что количество строк было очень велико: 400 000 строк скапливалось всего за несколько месяцев работы, а такое большое количество строк приводило к тормозам при работе независимо от мощности компьютера.

Сам MetaTrader тоже имеет свои отчёты, но они ломаются на единой денежной позиции и он неправильно считает маржу, выдаёт абсурдные цифры.

Какого‑то стороннего сервиса который бы решал все эти проблемы найти не удалось.

Конечно, Дмитрий и сам успешно решал эти проблемы последние годы через Excel, но это было слегка утомительно.

Идеальная панель управления алготрейдера

Вообще целью Дмитрия было сделать не просто красивый график, для того хвастаться им на Пикабу, а рабочий инструмент для управления своим капиталом.

То есть преследовалось оперативное управление:

• где сейчас деньги

• в каких алгоритмах

• в каких инструментах

• кто «жив», а кто мертв

Например: алгоритм может случайно выключиться, а Дмитрий узнавал об этом через полгода.

Кроме того очень важно было и аналитическое управление:

• разбор по дням / часам

• анализ стратегий

• перераспределение капитала

• поиск слабых мест

Отдельная сложность была в том, как вообще правильно считать результат.

В файле экспорта из MetaTrader, который формируется скриптом на MetaQuotes Language, лежат все сделки — с начала торгов до текущего момента. Но задача не просто в том, чтобы их собрать.

Нужно для каждой связки алгоритм + инструмент посчитать актуальный результат, который включает:

• закрытые сделки (это относительно просто)

• и незакрытые позиции (а вот здесь начинаются нюансы)

Старый MQL‑скрипт Дмитрия считал это только «на сейчас»: запустил сегодня — получил срез на сегодня, запустил через два дня — получил новый срез.

Но истории в динамике при этом не было.

Дашборд же считает этот результат на каждый день от начала торговли до текущего момента, каждый раз пересобирая картину из файла экспорта.

Именно это и оказалось одной из самых сложных частей — корректно восстановить промежуточный P&L во времени.

Чем помог ИИ агент

Поскольку Дмитрий уже выполнял все операции вручную он уже чётко представлял что хочет получить какой результат.

Никакого технического задания для ИИ помощника не было. ИИ‑помощник сгенерировал HTML‑файл который открывается в браузере, работает и на телефоне, не требует установки ничего, а сам Дмитрий «ни строчки кода не написал».

ИИ помощник собрал готовое приложение в одном файле: Дмитрий просто открывает его и получает отчёт. На выходе ИИ помощника получился HTML‑файл, внутри которого одновременно находятся сами данные (которые можно обновлять, подгружая свежий CSV из MetaTrader) и JavaScript‑код, который эти данные обрабатывает и строит визуализацию прямо в браузере.

Как работал Дмитрий: он загружал весь файл данных отправлял скриншоты и куски интерфейса и прямо так и говорил «вот эту кнопку переделай».

То есть было общение как с полноценным помощником программистом который очень внимательно слушает и готов всегда тебе помочь в рамках своих возможностей конечно. «Это совершенно другой уровень взаимодействия».

Технологически это получился один HTML файл с JavaScript, который открывается как на компьютере, так и на телефоне.

Создание прототипа который устроил Дмитрия заняло всего один день, а дальше уже пошла доработка.

Конечно Дмитрий столкнулся с проблемами и самое главная проблема — это корректный расчёт нереализованной прибыли. Её пришлось долго «вдалбливать» модели.

Дмитрий действовал так — брал уже сформированный html‑файл как образец и в новом чате продолжал диалог, чтобы что‑то поменять, если модель начинала галлюцинировать. Это при переходе в новый чат при окончании контекста в текущем. При этом фактически начинаешь все с чистого листа, но Claude очень четко восстанавливал всю логику, просто читая HTML файл текущего проекта и сразу включался в работу. Другие ИИ этого сделать не смогли. Вообще DeepSeek — не справился (теряет контекст), Gemini — ломал структуру, ChatGPT — долго обсуждал ТЗ, а вот Claude за 1–3 итерации сделал что от него хотели.

Итог: что изменилось

Дмитрий стал быстрее и точнее принимать решения о перераспределении денег.

Дашборд помогает видеть картину целиком, быстрее реагировать, не держать всё в голове.

Вообще подобный результат можно получить не только для трейдинга, но и в продажах и в личных финансах — везде можно использовать подобный подход.

Для Дмитрия раньше путь был: Excel → VBA → Визуализация (BI).

То теперь стало: идея → LLM → готовый инструмент.

Как бонус Дмитрий получил персонального разработчика, которому никогда не надоедят новые поручения и который всегда заинтересован в работе.

Открытый вопрос (для обсуждения)

Базовый функционал собран, и уже экономит кучу нервов. Но Дмитрий хочет развивать инструмент дальше. Поэтому обращаемся к коллективному разуму.

Чего, на ваш взгляд, критически не хватает в таком дашборде для полного контроля над стратегиями?

Какие метрики вы бы добавили в такой дашборд?

• контроль риска по стратегиям?

• heatmap по инструментам?

• анализ по времени суток?

• корреляции стратегий?

• что‑то ещё?

Интересно собрать список — возможно, это станет следующим апгрейдом.

Автор: Михаил Шардин

7 апреля 2026 г.

На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению (Machine Learning) в трейдинге. Название мне показалось весьма злободневным: «ML в трейдинге: как выжить, если ты один, а против тебя - хедж-фонды с бесконечным бюджетом».

Я бы хотел побывать на нём лично, но из Перми ехать далековато и поэтому я отдал билет другу. Так что отдельное спасибо Сергею Степаняну за то, что он приехал в Москву из Ярославля и фактически стал моими глазами и ушами - то, что вы читаете - это его наблюдение, мои размышления и немного здравого смысла.

Вообще моё текущее представление о ML в трейдинге на Московской бирже довольно прикладное. Смотришь за ценой: волатильность больше или меньше, скорость изменения цены быстрее или медленнее. И если за какой-то из этих показателей меняется, то продаешь или покупаешь. Так можно попасть в вероятность, но точно определить конечно же невозможно. Ну и приходится постоянно это дело подкручивать под изменяющиеся параметры рынка -  играть в догонялки - рынок меняется и всегда вынужден его преследовать.

На этой встрече мне показалось очень здравой мысль, что современный алготрейдер в России - это один человек, который заменяет целую команду:

• он ищет и чистит данные;

• придумывает признаки; 

• строит модели; 

• тестирует гипотезы;

• собирает стратегии; 

• считает риски; 

• и всё это выводит в продакшн.

И это принципиальное отличие от фондов когда все роли разделены между людьми, а у тебя просто домашний компьютер с видеокартой чуть мощнее среднего и ИИ помощник.

Я уже не первый год пишу статьи на Пикабу, а читаю уже очень давно, и кроме новостного шума сложно найти что-то содержательное по теме алго и ML, а по Deep Learning уж и подавно, потому что никто не рассказывает что реально работает, а все обсуждения идут на уровне намёков. В итоге каждый сам изобретает свой собственный велосипед и, конечно же, повторяет чужие ошибки. Просто не знает об этом.

На встрече был всего один доклад от Антона Абдулгалимова. Я очень извиняюсь перед ним, но упоминания компании где он работает не будет - из-за подобных вещей у меня блокировали аккаунт однажды - потому что заподозрили рекламу (которой не было).

На встрече проводили небольшой опрос и оказалось что люди в целом знакомы с тем, что такое ML, они экспериментируют, но прибыли не видят и только 30% имеют работающие стратегии которые запущены на реальных деньгах.

Иллюзия «предсказания цены»

Вообще общепринятое мнение о ML - что ты скармливаешь нейронке график Сбера и она тебе говорит сколько он будет стоить завтра. Но в реальной жизни так не работает. Если просто натравить регрессию на цену, то на выходе получится мусор, а в высокочастотном трейдинге (HFT) ML вообще очень ограниченно используется, потому что там бьются за наносекунды и любая тяжёлая модель просто убивает систему задержками.

В своей практике я тоже уже пытался использовать ML как генератор сигналов (неудачно).

Зато ML отлично работает в более узких задачах:

• Поиск фазы рынка (режима) - модель не говорит покупай, она говорит: «сейчас жесткий боковик, трендовые стратегии лучше выключить».

• Фильтрация сигналов - какие сделки из вашей базовой стратегии брать, а какие - с высокой долей вероятности убыточны.

• Исполнение - как зайти в позицию так, чтобы не размазать весь свой профит о проскальзывание и комиссию.

• Микроструктура стакана - там, где человеческий глаз просто не успевает увидеть закономерности в потоке ордеров.

Почему граали ломаются о реальность

Но вернёмся к статистике: большинство застревает на этапе тестов. В трейдинге очень легко построить иллюзию что у тебя всё хорошо и Антон нашёл грабли на которые наступает большинство одиночек:

• Garbage in = Garbage out. Данные - это 80% успеха. Если в ваших дневных свечах пропущен один день, или вы криво склеили фьючерсы, модель найдет там закономерность, которой в природе нет. Поиск и чистка данных забирают львиную долю времени.

• Заглядывание в будущее. При обучении модель случайно подсматривает в завтрашний день из-за ошибки в разбиении выборки (кто копает глубоко - почитайте Маркуса де Прадо на эту тему). На истории вы миллиардер, в проде - получаете маржин-колл.

• Forecast != PnL (Прогноз не равен прибыли). Вы создали модель, которая в 60% случаев угадывает направление цены. Бинго? Нет. Пока вы вставали в очередь в стакане, пока словили проскальзывание, а брокер и биржа списали комиссии - ваша математическая альфа ушла в минус по счету.

И тут многие начинают кивать на запад: мол, у них там вендоры альтернативных данных, команды квантов, хедж-фонды с бюджетами, а у нас что?

Но по факту, разрыв в значительной степени связан с инфраструктурой. Все остальное: поиск сигнала, переобучение моделей, нестационарность рынка - проблемы абсолютно одинаковые что на Уолл-Стрит, что в Перми (ну и в Москве).

Чтобы не тратить месяцы на разработку мертворожденной стратегии, Антон предложил отличный подход. Прежде чем открывать Python, прогоните свою идею через 5 вопросов:

1. Есть ли конкретная задача?

(Не «я хочу прикрутить нейронку, чтобы было», а «я хочу снизить издержки на исполнение заявки»).

1. Есть ли у вас честные данные?

(Чистые, без заглядывания в будущее и доступные в моменте торгов).

1. Можно ли это проверить?

(С учетом комиссий и задержек).

1. Превращается ли прогноз в действие?

(Понятен ли мост между тем, что выдала модель, и реальной сделкой/фильтром).

1. Есть ли экономический эффект?

(Стала ли система приносить больше денег после уплаты всех издержек).

Если хотя бы на один вопрос ответ «нет» - вы внедряете ML слишком рано.

Вместо итога

Знаете, что мне понравилось больше всего на этой встрече (пусть и в пересказе)? То, к чему призывал Антон в конце.

ML не даёт контроля над рынком и не является магической кнопкой «бабло». Это сложный, капризный инструмент, который работает только там, где он реально нужен. Но главная проблема нашего рынка не в нехватке библиотек или вычислительных мощностей. Проблема в том, что мы сидим по своим углам.

Культура «никому ничего не рассказывать» приводит к тому, что все совершают одни и те же ошибки по кругу. То, что умерло на вашей проверке, ваша ошибка в коде или слитый на тестах депозит - это бесценный опыт, который гораздо важнее историй чужого успешного успеха.

Поэтому давайте общаться. Уважаемые алготрейдеры, кто балуется машинным обучением, как у вас успехи? На каком этапе пути застряли: тестируете гипотезы или уже пустили модель в бой на реальных деньгах?

Автор: Михаил Шардин

31 марта 2026 г.

Я иногда наблюдаю за людьми которые зарабатывают на рынке. Достаточно часто они выкладывают годовые результаты или даже налоговые отчёты с миллионными выплатами. И при этом все в основном стесняются рассказывать о своих стратегиях даже чуть‑чуть. Правда это вполне естественно, ведь если стратегия приносит деньги зачем о ней говорить?

Правда и то, что со стороны других людей (не наших многомиллионных героев) ситуация может выглядеть по‑другому.

Представьте детский сад. Один ребёнок приносит коробку конфет. Он её открывает. Показывает всем. Но делиться не собирается.

У остальных детей возникает понятная смесь эмоций:

• любопытство

• раздражение

Вот и на некоторых форумах можно наблюдать почти ту же историю.

Чем больше заявленный результат, тем сильнее желание окружающих узнать хотя бы в общих чертах механизмы помогающие извлекать прибыль.

Можно ли зарабатывать на рынке, вообще не пытаясь предсказывать его направление?

Моя позиция

Лично у меня немного другой интерес. Меня не особо интересуют чужие результаты, но мне нравится разбираться в механике рынков. Когда интересен сам рынок как система.

Поэтому меня особенно привлекают идеи, которые выглядят необычно или даже парадоксально.

Например, которые пытаются получить прибыль не через угадывание рынка, а через структуру самой торговли.

Откуда появилась идея

Идея про которую я буду рассказывать появилась из моих разговоров с Дмитрием Шалаевым.

В какой‑то момент наше обсуждение свернуло к тому, что если:

• Не анализировать графики.

• Не строить индикаторы.

• Не искать сигналы.

А просто реагировать на движение цены.

Вот например вы умеете видеть будущее? Я нет (но если вы умеете, то наверное читать дальше смысла нет).

Если выбросить предвидение, то стратегия не должна пытаться угадывать направление или прогнозировать рынок.

Она может делать только две вещи: всегда иметь очень маленькую позицию и увеличивать эту позицию только тогда, когда рынок уже движется в прибыль.

По сути это попытка эксплуатировать редкие сильные движения.

Алгоритм

Пусть текущая цена акции равна P. Открывается очень маленькая позиция — например на 1% капитала. Это своего рода датчик движения рынка.

Каждый раз, когда цена вырастает на фиксированный процент относительно предыдущей покупки, позиция увеличивается.

Например возьмём шаг цены 5%. Тогда последовательность покупок может выглядеть так:

Цена P ➔ покупаем 1 лот (риск 1%)

Цена P * 1.05 ➔ покупаем еще 1 лот

Цена P * 1.05² ➔ покупаем 2 лота

Цена P * 1.05³ ➔ покупаем 4 лота

и дальше ...

Объём позиции растёт: 1 → 1 → 2 → 4 → 8 → 16 → ...

Фактически это экспоненциальное масштабирование позиции.

Ключевое правило системы: позиция увеличивается только тогда, когда рынок уже доказал наличие движения.

А выходить когда? Если цена падает на 10–15% от достигнутого максимума, вся позиция закрывается.

Формально это можно записать так: если Price < MaxPrice * 0.9, то позиция закрывается полностью.

По сути это аналог трейлинг‑стопа.

Вообще эта стратегия — старый добрый анти‑мартингейл с трейлинг‑стопом, но доведенный до абсолюта: мы вообще не используем ничего, кроме изменения цены.

Распределение сделок выглядит конечно, не очень хорошо: от 70 до 95% сделок закрываются в убыток. То есть система большую часть времени ошибается. Но иногда она попадает в очень сильное движение. И именно эти редкие события формируют основную прибыль.

Почему это вообще может работать

Финансовые рынки обладают известной статистической особенностью. Распределение доходностей имеет так называемые толстые хвосты. Это означает, что экстремальные движения происходят гораздо чаще, чем предсказывает нормальное распределение.

Большинство стратегий пытается предсказать такие движения заранее. Эта стратегия действует иначе. Она не пытается их угадывать.

Она просто масштабируется, если движение уже началось.

Самое интересное в этой идее — полный отказ от классического анализа.

Система:

• не использует историю

• не строит индикаторы

• не анализирует графики

• не пытается прогнозировать рынок

Она делает только две вещи: ограничивает убыток и экспоненциально увеличивает прибыль.

Фактически стратегия превращается в покупку редких больших движений.

Моя проверка идеи

Чтобы понять, имеет ли эта гипотеза хоть какой-то смысл, я решил проверить её программно. Был написан простой код.

Алгоритм прогнали на исторических данных акций Московской биржи (выборка только тех, кто имеют фьючерсы). Только лонг акций с учётом комиссий.

Взяли три последних года и параметры:

INITIAL_CAPITAL = 100_000.0  # Стартовый капитал для симуляции
START_FRACTION = 0.01  # 1.0% от текущего капитала на первую сделку
STEP_PCT = 0.03  # +3.0% от последней покупки -> удваиваем позицию
TRAILING_STOP_PCT = 0.20  # -20.0% от максимума -> закрываем ВСЮ позицию
COMMISSION_RATE = 0.0005  # 0.05% на сделку (брокер + биржа)

Результаты оказались довольно необычными:

[Running] python -u "c:\Users\Михаил\SynologyProjects\2026_03_без_предсказаний\iteratio4\up_search.py"
�� Старт поиска экстремальной доходности (Fat-Tail Search)...
⚙️ Параметры: Старт=1.0%, Шаг +3.0%, Стоп -20.0%
�� Комиссия: 0.05% на сделку
�� Найдено parquet файлов: 58

Backtesting: 100%|██████████| 58/58 [00:06<00:00, 9.55it/s]

�� ТОП-10 БУМАГ ПО ДОХОДНОСТИ:
----------------------------------------
1. VTBR | 14367.88 %
2. MDMG | 142.73 %
3. HEAD | 94.31 %
4. FESH | 92.44 %
5. PLZL | 56.49 %
6. SBER | 48.13 %
7. BANE | 38.32 %
8. MOEX | 31.50 %
9. RNFT | 30.99 %
10. SIBN | 26.74 %

�� ХУДШИЕ 10 БУМАГ ПО ДОХОДНОСТИ:
----------------------------------------
1. HYDR | -24.23 %
2. GAZP | -25.85 %
3. CBOM | -26.17 %
4. RTKMP | -27.93 %
5. FEES | -28.77 %
6. BELU | -30.66 %
7. RUAL | -31.65 %
8. SGZH | -35.43 %
9. ABIO | -39.94 %
10. MVID | -41.82 %

На первом месте красуется ВТБ с фантастической доходностью +14 367%. Грааль найден? Думаю нет. Это ловушка алготрейдера: скрипт «съел» сырые данные брокера, где в июле 2024 года по акциям ВТБ прошел обратный сплит (консолидация 5000:1). Алгоритм воспринял это как взрывной рост цены и радостно нарастил позицию.

Если убрать этот баг с данными, картина становится более реалистичной.

Но этот эксперимент подтверждает интересную мысль. Даже очень примитивная система, полностью лишенная прогнозов и индикаторов, способна зарабатывать. Она будет проигрывать по чуть‑чуть большую часть времени, но за счет жесткого риск‑менеджмента и экспоненциального набора позиции иногда ловить те самые экстремальные движения рынка (толстые хвосты).

И именно эти редкие сделки оплачивают все мелкие убытки и формируют прибыль.

Возможно, настоящая задача трейдинга выглядит иначе, чем принято думать.

Не пытаться угадать, куда пойдет рынок. А создать структуру, которая теряет копейки, когда вы неправы, и забирает максимум, когда случается непредсказуемое.

Автор: Михаил Шардин

17 марта 2026 г.