Метод Монте-Карло в трейдинге: практическое руководство

Что такое симуляция Монте-Карло?

Симуляция Монте-Карло — это вычислительная техника, использующая случайную выборку для оценки вероятности различных исходов. Названная в честь знаменитого казино в Монако, она работает путём прогона тысяч смоделированных сценариев на основе статистических моделей и подсчёта того, сколько из них дают определённый результат.

В трейдинге симуляция Монте-Карло отвечает на такие вопросы:

• Какова вероятность того, что BTC будет выше $80,000 через 3 дня?
• Учитывая историческую волатильность, какова вероятность обвала на 10% в течение 1 недели?
• Каков оптимальный размер позиции с учётом распределения вероятностей исходов?

Это именно те вопросы, которые количественные хедж-фонды задают каждый день — и теперь, с правильными инструментами, розничные трейдеры тоже могут их задавать.

Как это работает: геометрическое броуновское движение

Стандартная модель для симуляции цен акций/криптовалют — геометрическое броуновское движение (GBM):

S(T) = S(0) × exp((μ - 0.5σ²)T + σ√T × Z)

Где:

• S(0) = Текущая цена
• μ = Годовой дрифт (ожидаемая доходность), оценённый по историческим данным
• σ = Годовая волатильность, оценённая по историческим данным
• T = Временной горизонт (в годах)
• Z = Случайное число, взятое из стандартного нормального распределения

Генерируя тысячи случайных значений Z, вы создаёте тысячи возможных будущих ценовых траекторий. Процент траекторий, где цена заканчивается выше вашей цели, = вероятность достижения этой цели.

Конкретный пример

Допустим, BTC торгуется на уровне $70,000. Историческая 30-дневная волатильность — 65% в годовом выражении. Вы хотите узнать: какова вероятность того, что BTC достигнет $73,500 (рост на 5%) в течение 3 дней?

Запустите 1500 смоделированных траекторий. Если 980 из них заканчиваются выше $73,500, оценочная вероятность составляет 980/1500 = 65.3%.

Это тот же движок случайной выборки, что лежит в основе нашего симулятора эквити Монте-Карло, который применяет его к вашей собственной стратегии — прогоняя тысячи последовательностей сделок, чтобы показать вероятную кривую эквити, просадку и риск разорения.

Почему стандартного MC недостаточно

Базовый метод Монте-Карло на практике имеет несколько известных проблем:

Проблема 1: Шум

При 1000 симуляциях оценочная вероятность может составлять 65% на одном баре и 58% на следующем, даже при минимальном изменении цены. Это шум выборки из-за конечного числа симуляций.

Решение: методы снижения дисперсии

• Антитетические переменные — Для каждого случайного Z также симулируйте -Z. Эти парные траектории отрицательно коррелированы, что снижает дисперсию примерно на 50% без смещения.
• Контрольные переменные — Используйте вероятность из аналитической формулы Блэка-Шоулза в качестве "контрольной переменной". Корректируйте оценку MC с помощью известного аналитического решения, снижая дисперсию на 50-90% при распределении, близком к логнормальному.
• Стратифицированная выборка — Вместо случайной выборки по всему распределению разделите его на страты и выбирайте из каждой равномерно. Обеспечивает охват всего пространства вероятностей.

Проблема 2: Редкие события

Если истинная вероятность обвала составляет 3%, потребуется 10 000+ симуляций, чтобы получить достаточно образцов обвала для стабильной оценки. При 1000 симуляциях вы можете получить 20-40 таких образцов — слишком мало для надёжной оценки.

Решение: выборка по значимости (Importance Sampling)

Вместо выборки из истинного распределения сдвиньте распределение выборки в сторону области редкого события (обвала). Затем перевзвесьте каждый образец по коэффициенту правдоподобия, чтобы скорректировать смещение выборки. Результат: в 10-100 раз больше образцов обвала при том же числе симуляций.

Проблема 3: Дребезг от бара к бару

MC пересчитывается с нуля на каждом баре, из-за чего оценки вероятности скачут, даже когда рынок существенно не изменился.

Решение: фильтр частиц (байесовская оценка состояния)

Фильтр частиц поддерживает рой вероятностных "частиц", которые обновляются постепенно по мере поступления новых ценовых данных. В отличие от MC, который начинает заново каждый бар, фильтр частиц обучается непрерывно, давая более плавные и отзывчивые оценки вероятности.

От вероятностей к торговым решениям

Сырые значения вероятности бесполезны сами по себе. Надёжная система принятия решений требует нескольких независимых подтверждений:

Движок решений на основе 4 факторов

1. Значимое преимущество MC — У выигрышной стороны вероятность должна быть > 33% (минимум 1.5:1 для безубыточности)
2. Согласие фильтра частиц — PF должен независимо согласовываться с направлением MC на уровне > 54%
3. Смещение (Bias Edge) — Разрыв между P(BULL) и P(BEAR) должен быть > 5 процентных пунктов
4. Сходимость моделей — MC и аналитическое решение Блэка-Шоулза должны совпадать в пределах допуска. Большое расхождение = толстые хвосты или недостаточное число симуляций

Сигнал высокой уверенности срабатывает, только когда совпадают 3-4 фактора. Это устраняет большинство ложных сигналов и шума.

Примените это на практике: симулятор эквити Монте-Карло прогоняет тысячи случайных последовательностей сделок, чтобы показать вероятную кривую эквити вашей стратегии, максимальную просадку и риск разорения.

Определение размера позиции с критерием Келли

Как только у вас есть надёжные оценки вероятности, оптимальный размер позиции определяется естественным образом. Критерий Келли рассчитывает процент капитала для распределения:

f* = (p × b - q) / b

• p = Оценочная вероятность выигрыша
• q = 1 - p (вероятность проигрыша)
• b = Коэффициент ставки (odds ratio)
• f* = Доля капитала для ставки

Важно: Полный критерий Келли математически оптимален, но крайне волатилен. Практическая реализация использует дробный критерий Келли (10-20% от полного) для баланса между ростом и управлением просадками.

Управление рисками: хвостовой риск и VaR

Монте-Карло оценивает не только направленную вероятность. Та же симуляция даёт полное распределение прибылей и убытков (P&L) для управления рисками:

• Стоимость под риском (VaR 95%) — Уровень убытка, который не будет превышен в 95% случаев
• Ожидаемый дефицит (ES 95%) — Средний убыток в худших 5% сценариев
• Вероятность обвала — Конкретная вероятность катастрофического движения (например, BTC -10%)

Когда вероятность обвала превышает специфический для рынка порог, все бычьи сигналы должны подавляться независимо от того, насколько сильным кажется направленное преимущество. Ни одно преимущество не стоит риска, когда хвостовой риск слишком высок.

Калибровка: точны ли вероятности?

Самый важный показатель для любой вероятностной системы — калибровка. Оценка Брайера измеряет точность прогноза:

BS = (1/N) × Σ(прогноз - результат)²

• < 0.10 = Отличная калибровка — прогнозы высокоточные
• 0.10-0.20 = Хорошая калибровка — прогнозы пригодны для торговли
• > 0.20 = Плохая калибровка — параметры требуют корректировки

Перед тем как рисковать реальным капиталом, отслеживайте оценку Брайера на 50+ прогнозах. Растущая оценка Брайера означает, что рыночный режим изменился и модель нуждается в перекалибровке.

Практическое применение: рынки прогнозов

С платформами вроде Polymarket и Kalshi, предлагающими реальные бинарные контракты, оценки вероятности Монте-Карло становятся напрямую торгуемыми:

1. Polymarket показывает "BTC > $80K к пятнице" по 58¢
2. Ваша модель MC оценивает P(BULL) в 72% с оценкой Брайера 0.11
3. Подразумеваемое преимущество = +14 процентных пунктов
4. Расчёт по Келли говорит выделить 8.2% капитала
5. Действие: купить контракт BULL по 58¢, ожидая 72% выигрышных сделок

Это арбитраж между подразумеваемой вероятностью рынка и оценочной вероятностью вашей модели.

Ограничения, которые нужно понимать

• GBM предполагает логнормальную доходность — Реальные рынки имеют толстые хвосты, особенно криптовалюты во время резких обвалов
• Историческая волатильность запаздывает — При смене режимов окно ретроспективного анализа может не отражать текущие условия
• Не для событий — Отчёты о прибылях, решения FOMC и регуляторные объявления создают разрывы, которые ни одна модель MC не может предсказать
• Разрешение фильтра частиц — 200 частиц обеспечивают разумное, но не точное отслеживание вероятности