Вероятностный анализ финансовых рынков на основе чистого OHLCV и многомодульной математической модели

Введение: зачем рынку нужна вероятностная модель

Большинство торговых систем работают детерминированно: “если RSI пересёк X — покупай”.Но рынок — стохастическая система. Сигналы не бинарны, они вероятностны.

Это приводит к трём фундаментальным проблемам классических индикаторных систем:

1. Отсутствие нормализацииИндикаторы дают значения в разных единицах, не сопоставимы между собой.
2. Нет учёта рыночных режимовRSI=70 в тренде и RSI=70 в боковике — разные вещи по вероятности разворота.
3. Нет вероятностной оценки результатаТрейдеру нужно не “Buy”, а «Вероятность роста 0.67 при уверенности 0.72». Это более объективная мера

И анализатор, который мы сегодня разберём, решает это, используя:

• только OHLCV-данные
• многовременной анализ (HTF/LTF)
• оценку волатильности
• нормализованные регрессионные признаки
• рыночные режимы как скрытые состояния
• логистическую функцию превращения score → probability
• модель confidence для оценки качества сигналов
• анализ альткоинов через TOTAL/TOTAL2/TOTAL3/OTHERS.D

Система превращает разрозненные технические признаки в унифицированную вероятностную модель рынка.

Чтобы не засорять статью безумным количеством кода, основной скрипт выложен на github

2. Архитектура проекта

Проект состоит из четырёх ключевых модулей:

<code>DataManager               – загрузка данных OHLCV
MTF Analyzer              – анализ разных таймфреймов
Technical Indicators      – расчёт всех raw-метрик
Scoring Engine            – превращение сигналов в вероятность
Alt-Market Analyzer       – анализ TOTAL/TOTAL2/TOTAL3/OTHERS.D

</code>

Модули взаимодействуют так:

1. DataManager скачивает OHLCV через CCXT.
2. AdvancedTechnicalAnalyzer считает индикаторы.
3. MultiTimeframeAnalyzer рассчитывает согласованность трендов между HTF/LTF/Daily.
4. VolatilityRegimeEngine определяет волатильность.
5. IntelligentScoringEngine превращает все признаки в итоговый score.
6. Score → логистическая функция → вероятность направления цены.
7. Alt-Market Analyzer добавляет макрорынок (TOTAL/TOTAL2/TOTAL3, OTHERS.D).
8. Всё сохраняется в JSON/CSV и отображается в summary.

3. Математическая база модели

Разберём фундаментальные блоки, на которых построена модель.

3.1 ATR — оценка истинной волатильности

ATR = EMA(True Range), где True Range =max(high - low, |high - close_prev|, |low - close_prev|)

Это даёт оценку амплитуды движения без направления.

Используется в модуле:

• Volatility Indicators (atr_percent)
• Volatility Regime Engine
• Momentum Risk Adjustment

ATR позволяет системе учитывать:

• низкую волатильность (аккумуляция)
• высокую волатильность (паника, разворот, новости)

3.2 ADX — вычисление трендовости рынка

ADX — ядро определения рыночного режима.Он показывает силу тренда, а не направление.

<code>ADX = EMA(DX)
DX = |+DI − −DI| / (+DI + −DI)
+DI = EMA(high − prev_high)
−DI = EMA(prev_low − low)</code>

Использование в модели:

• market_regime_score (0–1)
• режимы trending / consolidation / mixed

Важный момент: ADX вводит рыночные режимы как скрытые состояния.

3.3 Дисперсия & std доходностей

Историческая волатильность:

<code>σ = std(close.pct_change().rolling(20))</code>

Это используется:

• для текущего режима волатильности
• для Momentum Risk Adjusted Score
• для Volatility Score
• как фильтр всплесков волатильности

3.4 Линейная регрессия как модель тренда

Важнейшая идея:

slope = направление

r² = устойчивость тренда

Использование:

• trend_strength
• trend_consistency
• оценка рыночной структуры
• market_regime_score
• согласованность по таймфреймам

Получаем намного лучшее представление тренда, чем просто EMA50/200.

3.5 Логистическая функция вероятности

Итоговый score переводится в вероятность через логистическую функцию:

Используется классическая сигмоидная модель.

P — итоговая вероятность, s — итоговый score (получен путём свёртки всех факторов), k — коэффициент крутизны кривой — чем выше k, тем резче будет логистическая кривая, т.е. реакция на изменение факторов. Она задаётся в конфиге. Там же задаётся и смещение середины для нашей функции x0. e — числа эйлера, оно обеспечивает нормализацию в диапазон и симметрию кривой.

Плюсы:

• score превращается в интерпретируемое “0.73 вероятности роста”
• небольшие изменения score вокруг x0 дают сильные изменения P
• устойчивость к экстремальным значениям

3.6 Многовременные согласованные тренды (MTF)

Модель использует 3 TF:

• HTF = 1 week
• Daily = 1 day
• LTF = 4h

Согласованность =EMA20>EMA50 + slope >0 + RSI согласованность.

Выход:

• htf_trend
• ltf_trend
• daily_trend
• htf_alignment_score (0→1)

4. Основные функциональные блоки системы

На основе кода разберём ключевые вычислительные ядра.

4.1 Price Action Engine

Использует:

• price_vs_sma20/sma50
• позицию цены в канале (max20/min20)
• расстояние до уровней S/R
• близость к покупке/продажи

Экономический смысл:

• цена ниже SMA20/SMA50 → вероятность роста выше
• цена в нижней части канала → вероятный отскок
• цена у поддержки/сопротивления → вероятностные паттерны разворота

4.2 Volume Engine

Содержит:

• Volume Ratio (V / SMA20)
• Volume Momentum
• Price-Volume Correlation
• OBV & OBV Trend

Сильный рыночный признак: Если цена растёт + объём растёт → рост подтверждён.

Если цена падает + объёмы падают → падение ослабевает.

4.3 Market Structure Engine

Использует:

• Higher Highs / Lower Lows
• trend_strength (регрессия)
• trend_consistency (r²)
• breakout_potential

Смысл: Система понимает, находится ли инструмент в:

• импульсном тренде
• устойчивой консолидации
• предбрейк-аут состоянии

4.4 Momentum Engine

Модуль использует:

• RSI
• Stochastic
• Momentum (5d, 10d, 20d)
• ROC
• Risk-adjusted momentum (momentum / volatility)

Это позволяет системе определять состояние:

• перекупленности/перепроданности
• истинной силы импульса
• согласованности краткосрочного и среднесрочного импульса

4.5 Volatility Engine

Содержит:

• volatility_20d
• ATR %
• Bollinger Bands position (bb_position)

Логика:

• низкая волатильность → вероятность выхода растёт
• высокая волатильность → сигнал хуже для входа
• цена у нижней полосы → вероятное восстановление
• цена у верхней → вероятная коррекция

4.6 Liquidity Engine

На основе:

• volume_ma20 * price
• логарифмической нормализации
• тренда ликвидности (vol_ma5 / vol_ma20)

Смысл:

• низкая ликвидность → модель снижает уверенность сигнала
• высокая ликвидность → рынок более предсказуем

4.7 Market Regime Engine

Режимы:

• trending — трендовые волатильные движения
• consolidation — консолидация, диапазон
• mixed — смешанные режимы

Построен на:

• ADX
• trend_strength — силе тренда
• волатильности

Сигналы усиливаются/ослабляются в зависимости от режима:

5. Итоговый Final Score

Система объединяет:

• Price Action
• Volume
• Market Structure
• Momentum
• Volatility
• Market Sentiment
• HTF alignment
• Volatility regime
• Market regime
• Liquidity score

С двумя наборами весов:

• base (weights)
• v2 (weights_v2)

Итоговая формула:

FinalScore = Σ(score_i * weight_i) / Σ(weight_i)

6. Преобразование в вероятность

Используется логистическая функция:

<code>ProbLong = 1 / (1 + exp(-k(score - x0)))</code>

Где:

• score > 0 → рост
• score < 0 → падение
• k регулирует кривизну

7. Модель Confidence

Confidence учитывает:

• отклонение RSI от 50
• объемную активность
• силу тренда
• magnitude final score

Формула — усреднение нормализованных факторов.

Confidence помогает различать:

• сильные вероятностные сигналы
• неуверенные сигналы

8. Alt-Market Analyzer: TOTAL/TOTAL2/TOTAL3/OTHERS.D

Используются данные CoinGecko:

• market_cap
• price
• volume

Строятся индексы:

1. TOTAL — всё
2. TOTAL2 — без BTC
3. TOTAL3 — без BTC и ETH
4. OTHERS.MCAP — mcaps всех кроме топ N
5. OTHERS.D = OTHERS / TOTAL

Модель позволяет:

• оценивать сезонность альтов
• сравнивать силу альтов против BTC/ETH
• искать корреляции TOTAL2/TOTAL3
• определять ускорение или замедление рынка

Также рассчитываются:

• vol7/vol30 — соотношение обьемов
• vol-adjusted returns — возврат ценовых значений, скорректированный на объём
• относительная сила против BTC/ETH

9. Как интерпретировать результаты

Каждый инструмент получает следующие данные: symbol, price, final_score, prob_long, confidence, category_scores, indicators — тоесть все те фильтры и значения которые мы ранее описали. Вернее, основные из них.

Пример:

• ProbLong = 0.78 → высокая вероятность роста
• Confidence = 0.65 → уверенность средняя
• В ключевых факторах dominate momentum & market_structure

Трейдер или аналитик может принимать решения опираясь не на субъективные индикаторы, а на количественную модель.

Заключение

Мой анализатор — это попытка построить универсальный вероятностный движок для анализа рынка, используя только OHLCV-данные, но объединяя:

• многовременной анализ
• рыночные режимы
• регрессионную статистику
• волатильность и объёмы
• соотношение силы альтов
• нормализованную оценку признаков
• вероятностные функции

Это не торговый бот, а исследовательская модель, похожая на действительно качественные аналитические движки.

Она даёт:

• вероятность роста
• уверенность в сигнале
• ключевые факторы
• устойчивые результаты в разных режимах рынка

Эту систему можно легко интегрировать в алгоритмическую торговлю, Telegram-ботов, дашборды трейдинга или даже как часть ML-модели.