Почему ML-модели ломаются в трейдинге

Привет, на связи Григорий, CTO Trade2Good. Я в трейдинге почти 17 лет, и последние пять из них плотно работаю с машинным обучением — от Random Forest и XGBoost до LSTM и гибридных архитектур.

За эти годы я пришел к выводу: подавляющее большинство ML-моделей не работают в реальной торговле, даже если в отчетах они показывают 80–90% точности.

Когда вы строите модель, она выглядит идеально ровно до того момента, пока вы не включаете её в реальный рынок. Именно там и выясняется, что между красивой метрикой и настоящей торговлей — огромная пропасть.

Как ломаются LSTM

Я когда-то обучил LSTM на пяти годах истории S&P 500. 92% точности. Прекрасные графики.

Но как только модель перешла в live, она буквально «держалась за прошлое»: реагировала на шумы, пропускала сильные тренды, путалась в новостных скачках.

Это было хорошее напоминание: нейросеть может идеально выучить прошлое, но это никак не гарантирует умения ориентироваться в будущем, особенно на рынке, где режимы меняются постоянно. Ситуацию частично спасает фильтрация шума и стресс-тесты на кризисных периодах, но магии тут нет.

Почему XGBoost работает на Kaggle, но не на бирже

Был у меня и период «фиче-мании». Я собрал больше 150 признаков — от индикаторов до данных по опционам. На истории всё выглядело превосходно: высокий Sharpe, красивые equity-кривые.

Но в реальной торговле модель быстро «сдулась». Большинство фичей оказались просто статистическим шумом, а комиссия и проскальзывания буквально съели львиную долю прибыли. Тут я понял простую вещь: рынок — не Kaggle, и огромные фичестеки чаще мешают, чем помогают.

Random Forest и ловушка «стационарности»

У меня была RF-модель, предсказывающая движение BTC. Она отлично работала на истории — ровно до момента, когда волатильность в 2024 году резко сменила поведение. Модель продолжала жить в «прошлом режиме» и за месяц собрала серию убыточных сделок.

Рынок постоянно меняется, а Random Forest — нет. Если модель не обновлять регулярно и не адаптировать под новые данные, она становится бесполезной.

Главная проблема ML в трейдинге

Модели не справляются не потому, что они «плохие». А потому что трейдинг — это:

• нестационарная среда
• шум
• зависимость от новостей
• комиссии
• проскальзывание
• человеческое поведение

Когда игнорируешь всё это и просто веришь красивым графикам — результат предсказуем.

Что действительно работает

За годы экспериментов я понял: стратегия начинает приносить пользу только тогда, когда подход становится максимально честным. Когда ты тестируешь так, как будто торгуешь деньгами, которые тебе дороги.

Когда признаешь, что рынок меняется, и модель должна меняться вместе с ним.

Иногда самые устойчивые результаты дают не LSTM, а простые, интерпретируемые модели — логистическая регрессия, Random Forest с адаптивным окном, гибриды с ручными признаками.
Плюс строгая валидация, внимание к комиссиям и риск-менеджмент, который сохраняет депозит в моменты, когда модель ошибается.

Если вы хотите модель, которая торгует, а не рисует красивые графики, это возможно. Но это всегда путь совместной работы: гипотезы, проверка, стресс-тесты, адаптация, реалистичные модели риска.