Анализ временных рядов в MQL5: строим GARCH-модели и прогнозируем волатильность

Содержание

Проблема: почему стандартные меры волатильности не работают в MQL5

При разработке торговых советников на MQL5 оценка волатильности часто сводится к расчёту исторического стандартного отклонения или использованию встроенного индикатора ATR. Эти меры имеют фундаментальный недостаток: они показывают только то, что уже произошло, и не учитывают кластеризацию волатильности — свойство финансовых рядов, при котором периоды высокой волатильности сменяются периодами низкой. В результате прогноз на основе исторической волатильности всегда запаздывает, а советник оказывается не готов к резким изменениям рыночных условий. Когда советник использует устаревшую оценку волатильности, страдают два ключевых элемента управления рисками: стоп-лосс и расчёт лота. Стоп-лосс, установленный без учёта текущей волатильности, может быть слишком узким — и позиция будет закрыта по ложному движению, или слишком широким — и риск на сделку превысит допустимый уровень. Расчёт лота по фиксированной формуле без привязки к волатильности приводит к тому, что в спокойные периоды риск занижен, а в волатильные — завышен, что увеличивает просадки и приближает депозит к стоп-ауту.

GARCH и MMAR — математический аппарат для прогноза волатильности

Для решения проблемы прогнозирования волатильности существуют два подхода: GARCH (Generalized Autoregressive Conditional Heteroskedasticity) и MMAR (Multifractal Model of Asset Returns). GARCH моделирует условную дисперсию как функцию прошлых квадратов доходностей и прошлых дисперсий, что позволяет улавливать кластеризацию и эффект рычага. Уравнение GARCH(1,1) имеет вид:

σ²t = ω + α·ε²t-1 + β·σ²t-1

где σ²t — условная дисперсия в момент t, ω — константа, α — коэффициент ARCH (вес прошлого квадрата доходности), β — коэффициент GARCH (вес прошлой дисперсии), ε²t-1 — квадрат доходности в момент t-1. Для устойчивости модели требуется α + β < 1.

MMAR, в свою очередь, учитывает мультифрактальную природу временных рядов — свойство, при котором статистические характеристики ряда меняются в зависимости от временного масштаба. Оценка показателя Хёрста (H) методом R/S-анализа позволяет определить степень персистентности ряда: H > 0,5 указывает на трендовое поведение, H < 0,5 — на возврат к среднему. Обе модели дают прогноз волатильности, который можно использовать в советнике для адаптивного управления рисками. Эффективность каждой модели зависит от свойств конкретного временного ряда; для рядов с выраженной мультифрактальностью MMAR может давать более точные оценки на разных горизонтах, однако это требует дополнительной проверки.

Реализация GARCH(1,1) в MQL5: от оценки до прогноза

Реализация GARCH(1,1) в MQL5 включает несколько этапов:

Сбор логарифмических доходностей за выбранное историческое окно.
Оценка параметров модели — ω, α, β — методом максимального правдоподобия. Для этого в коде советника организуется итеративный поиск, максимизирующий логарифмическую функцию правдоподобия: L = -0.5·Σ(ln(2π) + ln(σ²t) + ε²t/σ²t).
Прогноз волатильности на N шагов вперёд: начальное значение условной дисперсии равно последней оценённой, а каждый следующий шаг вычисляется по формуле σ²(t+1) = ω + α·ε²(t) + β·σ²(t).

Полученный прогноз можно использовать для установки динамических стопов и расчёта лота. После построения модели важно проверить её устойчивость на вневыборочных данных — для этого отлично подходит Валидация модели с помощью Walk-Forward анализа.

Реализация MMAR в MQL5: мультифрактальный анализ

MMAR требует расчёта показателя Хёрста (H) и построения мультифрактального спектра. Основные шаги:

Оценка показателя Хёрста методом R/S-анализа: для ряда доходностей вычисляется размах (R) и стандартное отклонение (S) для различных временных масштабов, после чего строится регрессия log(R/S) от log(масштаба). Наклон регрессии даёт H.
Построение мультифрактального спектра методом MF-DFA (Multifractal Detrended Fluctuation Analysis).
Прогноз волатильности на основе фрактальных свойств: ожидаемая волатильность на заданном горизонте вычисляется как функция от текущего состояния и показателя Хёрста.

Интеграция в советник: динамические стопы и волатильностно-таргетированный лот

Прогноз волатильности от GARCH или MMAR позволяет реализовать два ключевых механизма риск-менеджмента. Первый — адаптивный стоп-лосс: стоп устанавливается на расстоянии, равном, например, двум прогнозным стандартным отклонениям от цены входа. Такой стоп автоматически расширяется в периоды высокой волатильности и сужается в спокойные периоды, снижая количество ложных срабатываний. Второй механизм — волатильностно-таргетированный расчёт лота: размер позиции вычисляется так, чтобы риск на сделку (в денежном выражении) оставался постоянным с учётом текущей волатильности. Например, если целевой риск составляет 1% от депозита, а прогнозное стандартное отклонение — 2%, то лот рассчитывается как (0,01 × баланс) / (2% × стоимость пункта × количество пунктов). Для проверки практической применимости моделей рекомендуется провести тестирование на исторических данных, сравнивая прогнозы с реализованной волатильностью и используя метрики RMSE и MAE.