Глава 117: Концептуальные Бутылочные Модели в Трейдинге

Обзор

Концептуальные бутылочные модели (Concept Bottleneck Models, CBM) — это интерпретируемые архитектуры машинного обучения, которые делают предсказания через понятные человеку промежуточные концепции. В трейдинге CBM обеспечивают прозрачность, сначала предсказывая интерпретируемые рыночные концепции (такие как сила тренда, режим волатильности или моментум), а затем принимая торговые решения.

Этот подход решает критическое ограничение “черных ящиков” в финансах: невозможность понять, почему модель принимает конкретные торговые решения.

Ключевые Концепции

Что такое Concept Bottleneck Model?

CBM состоит из двух этапов:

1. Предиктор концепций: Преобразует входные данные X в интерпретируемые концепции C
2. Предиктор меток: Преобразует концепции C в финальные предсказания Y

Сырые данные (X) → [Модель концепций] → Концепции (C) → [Модель задачи] → Предсказания (Y)

Преимущества для Трейдинга

• Интерпретируемость: Понимание, какие рыночные условия влияют на торговые сигналы
• Интервенция: Возможность исправить неверные концепции во время инференса
• Отладка: Определение когда и почему модель ошибается
• Регуляторное соответствие: Объяснимые решения для аудита
• Управление рисками: Человеческий контроль над автоматической торговлей

Архитектура

Примеры Торговых Концепций

Концепция	Описание	Вычисление
trend_strength	Сила текущего тренда	Наклон линейной регрессии за период
volatility_regime	Режим волатильности	Скользящее std vs исторические перцентили
momentum_signal	Сигнал моментума	RSI, пересечения MACD
volume_profile	Объем относительно среднего	Текущий объем / SMA(объем)
support_resistance	Близость к уровням	Расстояние до пивот-точек
market_regime	Бычий/Медвежий/Боковой	Комбинация тренда и волатильности

Архитектура Модели

class ConceptBottleneckTrader:
    def __init__(self):
        self.concept_encoder = ConceptEncoder(input_dim, concept_dim)
        self.task_predictor = TaskPredictor(concept_dim, output_dim)

    def forward(self, x):
        concepts = self.concept_encoder(x)  # Интерпретируемое узкое место
        prediction = self.task_predictor(concepts)
        return prediction, concepts

Реализация

Структура Проекта

117_concept_bottleneck_trading/
├── README.md                    # Документация на английском
├── README.ru.md                 # Этот файл
├── readme.simple.md             # Упрощенный английский
├── readme.simple.ru.md          # Упрощенный русский
├── python/
│   ├── __init__.py
│   ├── concepts.py              # Модуль вычисления концепций
│   ├── model.py                 # Реализация CBM
│   ├── data_loader.py           # Загрузка данных с Bybit
│   ├── backtest.py              # Фреймворк бэктестинга
│   └── train.py                 # Скрипт обучения
└── rust_examples/
    ├── Cargo.toml
    ├── src/
    │   ├── lib.rs
    │   ├── api/                 # Клиент API Bybit
    │   ├── data/                # Обработка данных
    │   ├── models/              # Реализация CBM
    │   └── utils/               # Технические индикаторы
    └── examples/
        ├── basic_cbm.rs
        └── trading_cbm.rs

Источники Данных

Интеграция с Bybit API

Реализация использует биржу Bybit для криптовалютных данных:

# Пример на Python
from data_loader import BybitDataLoader

loader = BybitDataLoader()
df = loader.fetch_klines(
    symbol="BTCUSDT",
    interval="1h",
    limit=1000
)

// Пример на Rust
use concept_bottleneck_trading::api::BybitClient;

let client = BybitClient::new();
let klines = client.fetch_klines("BTCUSDT", "1h", 1000).await?;

Поддерживаемые Данные

• Криптовалюта: Бессрочные фьючерсы Bybit (BTCUSDT, ETHUSDT и др.)
• Фондовый рынок: Интеграция с Yahoo Finance для акций
• Таймфреймы: 1m, 5m, 15m, 1h, 4h, 1D

Процесс Обучения

1. Генерация Меток Концепций

Концепции могут быть сгенерированы через:

• Правила: Технические индикаторы с заданными порогами
• Экспертная разметка: Ручная разметка трейдерами
• Кластеризация: Автоматическое обнаружение рыночных режимов

2. Совместное Обучение

# Loss = Потеря концепций + Потеря задачи
loss = concept_loss(pred_concepts, true_concepts) + \
       alpha * task_loss(pred_signal, true_signal)

3. Интервенция при Инференсе

# Переопределение концепции на основе экспертного знания
concepts = model.predict_concepts(market_data)
if expert_override:
    concepts['volatility_regime'] = 'high'  # Ручная коррекция
signal = model.predict_signal(concepts)

Метрики Оценки

Качество Концепций

• Точность предсказания концепций
• Корреляция концепция-цель

Торговая Эффективность

• Коэффициент Шарпа
• Максимальная просадка
• Процент выигрышных сделок
• Профит-фактор

Научные Работы

1. Koh, P. W., et al. (2020). “Concept Bottleneck Models.” ICML 2020.
2. Chen, Z., et al. (2020). “Concept Whitening for Interpretable Image Recognition.”
3. Losch, M., et al. (2019). “Interpretability Beyond Feature Attribution.”

Быстрый Старт

Python

cd 117_concept_bottleneck_trading/python
pip install -r requirements.txt
python train.py --symbol BTCUSDT --interval 1h

Rust

cd 117_concept_bottleneck_trading/rust_examples
cargo run --example trading_cbm

Лицензия

Этот проект является частью репозитория Machine Learning for Trading.