Срок годности закономерности: рынок просто перестаёт играть по вашим правилам
Мы живём в эпоху больших данных. Нам кажется, что, собрав достаточно информации, можно найти вечные закономерности и построить на них «железобетонные» системы — от прогноза рынков до рекомендательных лент. Но что, если сама эта вера — опасная иллюзия?
Наш собеседник — Батырхан Садуанов, аналитик данных, который создаёт математические модели для автоматической торговли на финансовых рынках. Его алгоритмы анализируют миллионы котировок и тысячи новостей, чтобы предсказывать движения с высокой точностью. Он — тот самый «квант» (quant), чья работа окружена ореолом сложной математики и сверхприбылей.
Но в этом интервью он говорит не об успехах, а о провалах. О том, как стратегии, которые месяцами показывали идеальные результаты на исторических данных, внезапно, за недели, превращаются в убыточные. Он сравнивает рынок не с машиной, а с живым организмом, который учится и адаптируется, сводя на нет любые, даже самые изощрённые, статистические закономерности.
Это разговор — не только о финансах. Это метафора для тех, кто слишком уверовал в силу прошлых данных для предсказания будущего. Если ваша работа связана с машинным обучением, анализом поведения пользователей или любой системой, построенной на исторических паттернах, — вам стоит это прочитать. Потому что следующей «сломавшейся реальностью» может стать ваша модель.
— Батырхан, ваша работа — находить в данных закономерности и превращать их в деньги. Но центральная мысль вашего опыта звучит парадоксально: вы разуверились в устойчивости этих закономерностей. Как это произошло?
— Это вопрос профессионального взросления. Вначале ты видишь красивую корреляцию на графиках — две акции, валюта и цена на нефть, — и кажется, что ты нашёл скрытый механизм, шестерёнки вселенной. Ты строишь модель, она идеально работает на исторических данных (бэктесте*), и ты запускаешь её в реальную торговлю. А через несколько месяцев она начинает терять деньги. Причём не из-за бага, а потому что связь, которая была основой всей стратегии, просто испарилась. Ты не нашёл закон. Ты просто подстроился под временную моду рынка.
* Бэктест (от англ. backtesting) — метод проверки пригодности математической модели или стратегии на большом массиве реальных исторических данных.
— Вы называете это «режимом» (regime). Что это такое на практике?
— Представьте, что вы научили робота играть в шахматы по определённому набору партий. Он стал гроссмейстером в этих условиях. А потом вдруг правила изменились: пешки стали ходить иначе, или ввели новую фигуру. Ваш робот проиграет с разгромным счётом. На рынке так и происходит. Долгое время была, скажем, эпоха дешёвых денег и низких ставок ФРС. Все модели были заточены под неё. Потом центральные банки резко меняют политику — и это «изменение правил». Ликвидность уходит, участники ведут себя иначе, и твоя «идеальная» модель оказывается слепцом в новой реальности. Рынок формально тот же — тикеры те же, — но, по сути, это уже другой объект.
— Это похоже на проблему любого машинного обучения: модель обучается на старых данных, а мир меняется. Но в финансах это происходит особенно болезненно.
— Да, потому что здесь среда — не пассивная природа, а совокупность умных и жадных агентов. Они тоже смотрят на данные, строят модели и действуют. Как только какая-то закономерность становится общеизвестной и начинает эксплуатироваться, она самоуничтожается. Более того, в кризис происходит ещё более странная вещь — корреляционное слияние. Активы, которые в спокойное время вообще не связаны (например, акции высокотехнологичной компании и какао-бобы), вдруг начинают падать синхронно. Не потому, что у них общая бизнес-модель, а потому что у всех игроков срабатывает один стимул: «Спасай капитал! Продавай всё!». Рынок на время перестаёт быть рынком ценностей и становится рынком ликвидации позиций.
— Получается, бэктест — тестирование на исторических данных — вводит в заблуждение?
— Я перестал воспринимать его как доказательство работоспособности. Бэктест для меня теперь — это инструмент для поиска вопросов, а не ответов. Он отвечает не на вопрос «Будет ли это работать завтра?», а на вопрос «При каких прошлых условиях это когда-то работало?». Всё, что сверх этого, — лишь гипотеза. Опасная иллюзия — смешивать в одной выборке данные из разных «режимов». Ты получаешь красивую, но бессмысленную среднюю температуру по больнице, которой в реальности никогда не было и не будет.
— Как же тогда выстроить надёжную систему, если всё так нестабильно?
— Ключ — в постоянном мониторинге не прибыли, а здоровья самой закономерности. Я перестал смотреть на корреляции как на статичную картинку. Это живой, дышащий объект, который может деградировать. Мы постоянно отслеживаем:
1. Эволюцию связи скользящими окнами: как корреляция менялась последние недели, а не какой она была за пять лет.
2. Точки разрыва (change point detection) — алгоритмы, которые кричат: «Внимание! Здесь что-то фундаментально изменилось!».
3. Стационарность спреда — если разница между двумя активами, которую мы используем, начинает необратимо «уплывать», стратегия мертва, даже если графики выглядят знакомо.
4. И самое важное — поведение в хвостах распределения. Часто в обычные дни связь держится, но в дни высокой волатильности или паники она первой ломается. Если ваша модель не прошла стресс-тест на экстремальных сценариях, она опасна.
— Какой главный вывод вы бы сформулировали для IT-специалистов, не только финансистов?
— Корреляция, паттерн, закономерность — это не закон природы. Это временное соглашение между участниками системы, будь то трейдеры или пользователи соцсети. Оно работает, пока не изменятся правила, стимулы или контекст. Наша работа как инженеров данных и AI-специалистов — не в поиске «вечных истин», а в создании систем, которые умеют вовремя замечать, что «истина» устарела. В мире, где среда адаптируется быстрее модели, главный навык — это управление не предсказуемостью, а распадом предсказуемости. По сути, мы должны строить системы, которые умеют сомневаться в своих основах.