Кейс: как улучшить торговую стратегию с помощью статистики и Python

Глазами трейдера график может выглядеть безупречно: серия удачных входов, плавный рост капитала. Но стоит прогнать ту же логику через исторические данные с учётом комиссий и проскальзывания, как картинка часто рассыпается. Дело не в том, что идея плоха — ей не хватает статистической проверки, управления риском и корректного бэктеста. Python в этом контексте — не просто язык, а рабочий инструмент, который за минуты превращает интуитивную гипотезу в проверяемую модель и даёт честный ответ: есть ли у стратегии реальное преимущество.

В этом кейсе разберём практический подход: как проверить торговую идею, какие статистические метрики действительно важны, как избежать типовых ошибок и как на Python выстроить полный цикл — от гипотезы до решения о запуске.

Почему стратегия “вроде работает” — это еще не результат

Многие трейдеры оценивают стратегию по нескольким удачным сделкам или по плавной кривой капитала на небольшом отрезке. Это опасный путь. Серия случайных совпадений может выглядеть как закономерность, особенно когда данных мало, а рынок был благоприятным. На практике мы не раз видели, как стратегия, показывавшая 40% годовых на трёхлетнем периоде, сливалась за следующие полгода, потому что её «преимущество» было всего лишь шумом.

Статистика нужна не для усложнения процесса, а для ответов на простые, но жесткие вопросы:

• есть ли у стратегии преимущество над случайностью;
• насколько стабилен результат;
• какой риск сопровождает заявленную доходность;
• не переобучена ли модель под историю;
• выдержит ли стратегия реальный рынок со всеми его издержками, а не идеализированный тест.

Если коротко — цель в том, чтобы отделить сигнал от шума, и для этого нужны не эмоции, а цифры.

С чего начинается улучшение стратегии

Прежде чем писать код, полезно точно зафиксировать, что именно мы улучшаем. У любой торговой стратегии есть четыре слоя, и менять их нужно по одному, иначе будет непонятно, что дало эффект.

1. Сигнал входа — правило, по которому открывается позиция.
2. Сигнал выхода — когда позиция закрывается (по тейку, стопу, обратному сигналу).
3. Управление риском — стоп-лосс, тейк-профит, размер позиции, ограничения на день.
4. Исполнение — комиссии, проскальзывание, задержки, ликвидность.

Частая ошибка — менять сразу всё: и параметры индикатора, и стопы, и таймфрейм. Тогда результат меняется, но непонятно, за счёт чего. Правильнее — улучшать по одному элементу и измерять изменение по заранее выбранным метрикам.

Пример рабочей постановки задачи

Было: простая стратегия на пересечении двух скользящих средних.

Хотим улучшить:

• уменьшить максимальную просадку;
• повысить Sharpe ratio;
• сделать результат стабильнее на разных участках истории;
• проверить, не исчезает ли преимущество после учёта комиссий и проскальзывания.

Это уже не абстрактная «идея ради идеи», а чёткая инженерная задача, которую можно измерять и сравнивать.

Какие данные нужны для нормального анализа

Для качественного теста недостаточно только цен закрытия. Нужен контекст исполнения, иначе тест будет чересчур оптимистичным. На практике мы всегда добавляем реалистичные издержки, иначе стратегия рискует оказаться убыточной уже на первой неделе реальной торговли.

Минимальный набор данных

• OHLCV-данные: open, high, low, close, volume;
• таймфрейм, соответствующий стратегии;
• комиссии брокера (как процент от объёма или фиксированная плата);
• спред или оценка проскальзывания;
• календарь торгов (выходные, праздники, сокращённые сессии);
• список инструментов, если тестируется портфель.

Что часто забывают

• дивидендные разрывы и сплиты — они искажают цены и могут генерировать ложные сигналы;
• различие между close и adjusted close — без корректировки на корпоративные события доходность завышается;
• ликвидность инструмента — на малоликвидных акциях ордер может исполниться по цене, далёкой от расчётной;
• ночные гэпы — особенно важны для стратегий, удерживающих позиции через ночь;
• ограничения на короткие продажи;
• невозможность исполнить ордер точно по цене закрытия свечи без задержки.

Если этих факторов нет в тесте, стратегия почти всегда выглядит лучше, чем в жизни, иногда — в разы.

Статистика, которая реально помогает трейдеру

Для практических целей не нужно уходить в академическую математику. Достаточно нескольких метрик, которые показывают качество торговой идеи с разных сторон.

Почему win rate обманывает

Стратегия может выигрывать в 80% сделок и всё равно терять деньги, если редкие убытки очень крупные. И наоборот: система с win rate 35% бывает стабильно прибыльной, когда средняя прибыльная сделка в несколько раз перекрывает средний убыток. Поэтому гораздо важнее смотреть на матожидание, профит-фактор и распределение результатов, а не гнаться за красивым процентом побед.

Практический workflow в Python

Ниже — стандартная последовательность работы, которая применима к большинству торговых идей и которую мы используем при разработке алгоритмов.

1. Формулируем гипотезу

Пример:

Если цена закрывается выше 20-дневной средней после серии падений, рынок имеет краткосрочный импульс вверх.

Гипотеза должна быть проверяемой. Формулировки вроде «рынок часто разворачивается» бесполезны, потому что их невозможно однозначно подтвердить или опровергнуть на данных.

2. Загружаем и очищаем данные

На этом этапе критически важно:

• привести даты к единому формату;
• убрать дубликаты и строки с пропусками;
• убедиться, что данные отсортированы по времени;
• не использовать будущие значения в признаках (look-ahead bias).

Ошибка на шаге подготовки данных — одна из самых частых причин, почему стратегия выглядит прибыльной на бумаге и проваливается в реальности.

3. Строим правила стратегии

Например:

• вход: цена выше SMA20 и RSI ниже 70;
• выход: цена ниже SMA20 или стоп-лосс 2%;
• размер позиции: 1% капитала на сделку.

Правила должны быть детерминированными, без элементов «если трейдеру кажется».

4. Считаем результат

Оцениваем:

• доходность;
• просадку;
• риск (волатильность доходности, максимальный убыток);
• количество сделок;
• чувствительность к параметрам.

5. Проверяем устойчивость

Проверка должна идти не только на всём периоде сразу, но и на отдельных временных отрезках. Используем:

• train/test split — отделяем период, на котором стратегия не оптимизировалась;
• walk-forward анализ — скользящая оптимизация и тестирование;
• разные рыночные режимы (тренд, флэт, высокая волатильность);
• несколько инструментов — чтобы исключить подгонку под один актив.

6. Принятие решения

Если стратегия хороша только в одном узком отрезке истории, это не система, а удачная подгонка. В реальную торговлю такую модель допускать нельзя.

Мини-пример на Python

Приведённый ниже код — это упрощённая проверка идеи на исторических данных. Он не является полноценным бэктестом, но полезен как первый фильтр: позволяет понять, есть ли у правила хоть какой-то сигнал, прежде чем тратить время на детальную проработку.

Такой сниппет мы часто используем, чтобы быстро отсеять заведомо неработающие гипотезы — иногда нескольких строк на pandas достаточно, чтобы увидеть, что за видимой закономерностью ничего не стоит.

Как улучшить стратегию статистически

После базовой проверки переходят к улучшениям. Здесь главное — не «накрутить» показатели на истории, а повысить реальное качество сигнала.

1. Убрать слабые фильтры

Если входов слишком много и большинство из них случайны, стоит добавить фильтрацию:

• трендовый фильтр (например, разрешать входы только по направлению старшего таймфрейма);
• фильтр волатильности (исключать периоды аномальных скачков);
• фильтр объёма (не торговать на низколиквидных барах);
• ограничение по времени торговли (исключить первые и последние минуты сессии).

Часто добавление одного-двух осмысленных фильтров резко улучшает соотношение профит-фактора и просадки, при этом не усложняя модель до непроверяемой.

2. Оптимизировать параметры аккуратно

Плохой подход:

• прогнать 100 вариантов параметров;
• выбрать самый прибыльный на истории;
• объявить стратегию рабочей.

Хороший подход:

• ограничить разумный диапазон параметров (например, период скользящей средней от 10 до 50, а не от 2 до 200);
• смотреть не только на пик кривой доходности, но и на «плато» устойчивых значений — области, где результат меняется плавно;
• проверять результат на отложенной выборке.

Если прибыль есть только при одном-единственном значении параметра, это подозрительно и почти всегда указывает на переобучение.

3. Добавить риск-менеджмент

Иногда стратегию улучшает не сигнал, а управление позицией. На практике мы видели, как простой трейлинг-стоп превращал убыточную систему в безубыточную, а добавление ограничения на дневной убыток спасало от разовых катастроф.

Рабочие инструменты:

• фиксированный стоп-лосс;
• трейлинг-стоп;
• ограничение дневного убытка;
• уменьшение размера позиции при росте волатильности;
• запрет на усреднение убыточных позиций без чёткой логики.

4. Проверить распределение доходностей

Средняя доходность может быть положительной, но стратегия всё равно нестабильна. Смотрите:

• асимметрию распределения — если левый хвост тяжёлый, возможны редкие, но экстремальные убытки;
• наличие редких крупных убытков, которые способны обнулить прибыль месяцев;
• зависимость результата от нескольких сделок — если 80% прибыли получено за 5% сделок, система неустойчива;
• серию убыточных сделок подряд — её длина важна для психологической устойчивости трейдера.

Типовые ошибки при тестировании

1. Look-ahead bias

В модель случайно попадает информация из будущего. Например, вы используете цену закрытия свечи, хотя решение должно приниматься до её формирования. Или при расчёте индикатора на дне «t» применяете данные, которые станут известны только в «t+1». Это искусственно завышает результаты, и на реальном рынке такая стратегия бесполезна.

2. Overfitting

Стратегия слишком точно подогнана под историю. На тесте она блестит, в реальности — нет. Признаки: слишком много параметров, сложная логика с кучей условий, почти идеальная кривая капитала без единой просадки. Мы всегда настораживаемся, если эквити выглядит как прямая линия вверх — скорее всего, это ошибка, а не предвидение.

3. Игнорирование транзакционных издержек

Даже небольшие комиссии могут уничтожить прибыльность, если стратегия часто торгует. Внутридневные скальперские системы с большим количеством сделок особенно чувствительны к этому. Включайте комиссию и спред в тест с запасом — лучше недооценить доходность, чем переоценить.

4. Тест только на одном рынке

То, что работает на одном тикере, может не работать на другом. Нужна проверка хотя бы на нескольких инструментах и в разных рыночных режимах. Если стратегия показывает прибыль только на акциях Tesla в 2020 году, это не система, а совпадение.

5. Слишком короткий период теста

Если данных мало, выводы ненадёжны. Для внутридневных стратегий и длинных горизонтов требования к объёму истории разные, но принцип один: чем больше и разнообразнее данные, тем лучше. Старайтесь захватить периоды с разной волатильностью и трендовостью.

Что считать хорошим результатом

Хорошая стратегия — это не та, у которой максимальная историческая доходность. Это стратегия, у которой:

• есть понятная экономическая логика;
• сохраняется преимущество после учёта всех издержек;
• приемлемая просадка (такая, которую вы психологически и финансово способны выдержать);
• результат стабилен на разных подвыборках;
• параметры не требуют точечной подгонки;
• есть запас прочности на реальном рынке.

Удобный чек-лист перед запуском

• ☐ Проверены комиссии и проскальзывание.
• ☐ Нет утечки будущих данных.
• ☐ Результат есть на отложенной выборке.
• ☐ Стратегия переживает разные рыночные режимы.
• ☐ Просадка приемлема для капитала.
• ☐ Логика сигнала объяснима без натяжек.
• ☐ Параметры не выглядят «магическими».

Когда Python особенно полезен

Python выигрывает там, где нужно быстро проверить много гипотез и не утонуть в ручной работе. Он не заменяет трейдерское мышление, но радикально ускоряет цикл «придумал — проверил — отбросил — улучшил».

Особенно полезен для:

• загрузки и очистки рыночных данных (pandas, yfinance);
• построения индикаторов (ta, numpy);
• статистической проверки гипотез (scipy.stats);
• бэктестинга (backtrader, vectorbt);
• визуализации equity curve и drawdown (matplotlib, plotly);
• сравнения нескольких вариантов стратегии в одном цикле;
• автоматизации подготовки отчётов.

Для трейдера это означает переход от интуитивного «кажется, работает» к проверяемому «вот цифры, вот риск, вот ограничения».

Как выглядит зрелый подход к улучшению стратегии

Если обобщить практику, рабочий процесс выглядит так:

1. Сначала формулируется простая, проверяемая гипотеза.
2. Потом она проверяется на чистых данных.
3. Затем оценивается не только доходность, но и риск.
4. После этого стратегия тестируется на разных периодах и инструментах.
5. Далее убираются слабые места: издержки, лишние сигналы, переоптимизация.
6. И только потом стратегия допускается к реальному капиталу, и то сначала на минимальном объёме.

Именно такой подход превращает торговлю из набора догадок в инженерную систему, где каждое решение можно обосновать цифрами.

Вывод

Статистика и Python не делают стратегию прибыльной автоматически, но они позволяют быстро отделить рабочие идеи от красивых иллюзий. Если подходить к тестированию системно, можно улучшить не только сам сигнал, но и устойчивость результата, контроль риска и качество принимаемых решений.

Для практикующего трейдера, аналитика или разработчика это ключевой навык: не просто написать стратегию, а доказать, что она выдерживает проверку данными.

FAQ

Можно ли оценивать стратегию только по доходности?

Нет. Доходность без учёта просадки, комиссий и стабильности может ввести в заблуждение. Мы не раз сталкивались с ситуациями, когда годовая доходность в 35% оборачивалась убытком после корректировки на реальные издержки и анализа максимальной просадки. Важно смотреть на риск и устойчивость результата в комплексе.

Сколько данных нужно для бэктеста?

Зависит от таймфрейма и частоты сделок. Чем больше сделок и чем разнообразнее рыночные режимы, тем надёжнее выводы. Для внутридневной стратегии может хватить нескольких месяцев, для недельной — нескольких лет. Главное правило — не тестироваться только на одном типе рынка (например, только на бычьем тренде).

Что важнее: win rate или profit factor?

Обычно profit factor и expectancy полезнее, потому что они учитывают соотношение прибыли и убытков. Высокий win rate сам по себе не гарантирует прибыль. Мы предпочитаем смотреть на матожидание и профит-фактор, а win rate рассматриваем только как дополнительную характеристику.

Нужен ли сложный ML, чтобы улучшить стратегию?

Не всегда. Часто больший эффект дают нормальный бэктест с учётом издержек, фильтрация слабых сделок и корректный риск-менеджмент. Машинное обучение может помочь, но только если уже есть чистая, хорошо подготовленная выборка и понимание, что именно вы хотите предсказать. Добавлять нейросети к плохо протестированной стратегии — верный путь к переобучению.

Почему стратегия хороша на истории, но плоха в реале?

Частые причины — переобучение, утечка будущих данных, игнорирование комиссий и слишком узкая подгонка под один рыночный период. Иногда проблема в том, что тест проводился на adjusted close, а в реальности дивидендные гэпы и сплиты не были учтены. Каждая из этих ошибок по отдельности способна превратить «прибыльную» систему в убыточную.