Глава 354: InceptionTime для трейдинга — Классификация временных рядов с помощью Inception-сетей

Обзор

InceptionTime — это современная архитектура глубокого обучения, специально разработанная для классификации временных рядов. Впервые представленная Fawaz et al. (2019), она адаптирует концепцию Inception-модуля из компьютерного зрения (GoogLeNet/InceptionNet) к темпоральным данным. В трейдинге InceptionTime превосходно справляется с:

• Классификацией рыночных режимов (бычий, медвежий, боковой)
• Генерацией торговых сигналов (покупка, продажа, удержание)
• Прогнозированием состояния волатильности (высокая, средняя, низкая)
• Распознаванием паттернов (голова-плечи, двойные вершины и т.д.)

Ключевая инновация

В отличие от традиционных CNN, использующих ядра фиксированного размера, InceptionTime применяет множественные параллельные свёртки с разными размерами ядер внутри каждого Inception-модуля. Это позволяет модели захватывать паттерны на множественных временных масштабах одновременно — от краткосрочных сигналов микроструктуры до долгосрочных трендов.

Архитектура

Inception-модуль для временных рядов

Входной временной ряд
       │
       ├──► MaxPooling(3) ──► Conv1D(1) ─────────────┐
       │                                              │
       ├──► Conv1D(kernel=10) ──────────────────────►│
       │                                              │ Конкатенация
       ├──► Conv1D(kernel=20) ──────────────────────►│
       │                                              │
       └──► Conv1D(kernel=40) ──────────────────────►│
                                                      │
                                               BatchNorm + ReLU
                                                      │
                                                   Выход

Полная сеть InceptionTime

┌─────────────────────────────────────────────────────────────────┐
│                        Входной слой                              │
│                    (batch, sequence_length, features)            │
└─────────────────────────────────────────────────────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                     Inception-модуль 1                           │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐            │
│  │MaxPool+  │ │ Conv1D   │ │ Conv1D   │ │ Conv1D   │            │
│  │ Conv1D   │ │ k=10     │ │ k=20     │ │ k=40     │            │
│  └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘            │
│       └────────────┴────────────┴────────────┘                   │
│                         │ Concat                                 │
│                         ▼                                        │
│                   BatchNorm + ReLU                               │
└─────────────────────────────────────────────────────────────────┘
                                │
                          (Повтор 5x)
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Global Average Pooling                        │
└─────────────────────────────────────────────────────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Dense + Softmax                               │
│                    (num_classes выходов)                         │
└─────────────────────────────────────────────────────────────────┘

Остаточные соединения

Каждый третий Inception-модуль включает остаточное (skip) соединение:

Вход ──────────────┐
   │               │
   ▼               │
Inception 1        │
   │               │
   ▼               │
Inception 2        │
   │               │
   ▼               │
Inception 3        │
   │               │
   ▼               │
   + ◄─────────────┘  (Остаточное соединение с 1x1 Conv при необходимости)
   │
   ▼
Выход

Торговая стратегия

Подход: Мульти-таймфреймовый ансамбль сигналов

Основная торговая стратегия использует мультимасштабное извлечение признаков InceptionTime:

1. Входные признаки:

   • OHLCV данные (нормализованные)
   • Технические индикаторы (RSI, MACD, полосы Боллинджера)
   • Дисбаланс книги ордеров (при наличии)
   • Профиль объёма

2. Целевые классы:

   • Класс 0: Медвежий (снижение цены > порог)
   • Класс 1: Нейтральный (цена в пределах порога)
   • Класс 2: Бычий (рост цены > порог)

3. Генерация сигналов:

   • Использование ансамбля из 5 моделей InceptionTime
   • Усреднение предсказаний для робастности
   • Применение порогов уверенности перед торговлей

Преимущество: Почему InceptionTime работает для трейдинга

1. Обнаружение паттернов на множественных масштабах: Рынки демонстрируют паттерны на разных таймфреймах (секунды — дни)
2. Устойчивость к шуму: Ансамблевый подход и глубина обеспечивают регуляризацию
3. Быстрый инференс: Чисто свёрточная архитектура обеспечивает низкую задержку
4. Отсутствие рекуррентности: Параллелизуемые вычисления, в отличие от LSTM

Математическая формулировка

Inception-модуль

Для входного тензора $X \in \mathbb{R}^{T \times C_{in}}$:

$$\text{InceptionModule}(X) = \text{BN}\left(\text{ReLU}\left(\text{Concat}\left[ \begin{array}{l} \text{Conv}{1 \times 1}(\text{MaxPool}(X)) \ \text{Conv}{k_1}(X) \ \text{Conv}{k_2}(X) \ \text{Conv}{k_3}(X) \end{array} \right]\right)\right)$$

Где:

• $k_1, k_2, k_3$ — разные размеры ядер (по умолчанию: 10, 20, 40)
• BN = Batch Normalization (пакетная нормализация)
• ReLU = Rectified Linear Unit (выпрямленная линейная единица)

Функция потерь

Для $N$-классовой классификации с весами классов $w_c$:

$$\mathcal{L} = -\frac{1}{N}\sum_{i=1}^{N} \sum_{c=1}^{C} w_c \cdot y_{i,c} \cdot \log(\hat{y}_{i,c})$$

Ансамблевое предсказание

Для $K$ моделей в ансамбле:

$$\hat{y}{ensemble} = \frac{1}{K}\sum{k=1}^{K} \hat{y}_k$$

Детали реализации

Гиперпараметры

Параметр	По умолчанию	Описание
num_filters	32	Базовое количество фильтров в Inception-модуле
depth	6	Количество Inception-модулей
kernel_sizes	[10, 20, 40]	Размеры ядер свёртки
bottleneck_size	32	Размерность bottleneck-слоя
residual_interval	3	Добавлять остаточное соединение каждые N модулей
ensemble_size	5	Количество моделей в ансамбле

Конфигурация обучения

optimizer: Adam
learning_rate: 0.001
batch_size: 64
epochs: 1500
early_stopping_patience: 100
lr_scheduler: ReduceLROnPlateau
lr_decay_factor: 0.5
lr_patience: 50

Предобработка данных

1. Нормализация: Z-score нормализация по признакам
2. Окно: Скользящее окно со сдвигом
3. Кодирование меток: Классификация форвард-доходности
4. Разбиение Train/Val/Test: 70/15/15 без заглядывания вперёд

Фреймворк бэктестинга

Пайплайн сигнал-сделка

┌─────────────┐    ┌──────────────┐    ┌─────────────┐    ┌────────────┐
│ Сырые       │ ─► │ Feature      │ ─► │ InceptionTime│ ─► │ Размер     │
│ рыночные    │    │ Engineering  │    │ Ансамбль    │    │ позиции    │
│ данные      │    │              │    │             │    │            │
└─────────────┘    └──────────────┘    └─────────────┘    └────────────┘
                                              │
                                              ▼
┌─────────────┐    ┌──────────────┐    ┌─────────────┐
│ Аналитика   │ ◄─ │ Управление   │ ◄─ │ Исполнение  │
│ результатов │    │ рисками      │    │ ордеров     │
└─────────────┘    └──────────────┘    └─────────────┘

Размер позиции

На основе уверенности предсказания и волатильности:

$$\text{PositionSize} = \frac{\text{RiskPerTrade} \times \text{Confidence}}{\text{ATR} \times \text{Multiplier}}$$

Управление рисками

• Лимит максимальной просадки: 15%
• Дневной лимит убытков: 3%
• Лимит позиции: 20% портфеля на сделку
• Стоп-лосс: Динамический на основе ATR

Метрики производительности

Метрики классификации

Метрика	Описание
Accuracy	Общая доля правильных предсказаний
Precision	True positives / (True positives + False positives)
Recall	True positives / (True positives + False negatives)
F1-Score	Гармоническое среднее precision и recall
Cohen’s Kappa	Согласованность сверх случайной

Торговые метрики

Метрика	Цель	Описание
Sharpe Ratio	> 1.5	Доходность с учётом риска
Sortino Ratio	> 2.0	Доходность с учётом нижнего риска
Max Drawdown	< 15%	Максимальное падение от пика
Win Rate	> 55%	Процент прибыльных сделок
Profit Factor	> 1.5	Валовая прибыль / Валовой убыток
Calmar Ratio	> 1.0	Годовая доходность / Max drawdown

Структура проекта

354_inception_time_trading/
├── README.md                    # Основной файл (English)
├── README.ru.md                 # Этот файл (Русский)
├── readme.simple.md             # Простое объяснение
├── readme.simple.ru.md          # Простое объяснение (Русский)
├── README.specify.md            # Техническая спецификация
│
└── rust/                        # Реализация на Rust
    ├── Cargo.toml               # Манифест пакета
    ├── config/
    │   └── default.toml         # Конфигурация по умолчанию
    │
    └── src/
        ├── lib.rs               # Точка входа библиотеки
        ├── main.rs              # Основной исполняемый файл
        │
        ├── data/
        │   ├── mod.rs           # Модуль данных
        │   ├── bybit_client.rs  # Клиент API Bybit
        │   ├── ohlcv.rs         # Структуры данных OHLCV
        │   ├── features.rs      # Feature engineering
        │   └── dataset.rs       # Загрузка датасета
        │
        ├── model/
        │   ├── mod.rs           # Модуль модели
        │   ├── inception.rs     # Inception-модуль
        │   ├── network.rs       # Полная сеть InceptionTime
        │   └── ensemble.rs      # Методы ансамблирования
        │
        ├── training/
        │   ├── mod.rs           # Модуль обучения
        │   ├── trainer.rs       # Цикл обучения
        │   ├── losses.rs        # Функции потерь
        │   └── metrics.rs       # Метрики оценки
        │
        ├── strategy/
        │   ├── mod.rs           # Модуль стратегии
        │   ├── signals.rs       # Генерация сигналов
        │   ├── position.rs      # Управление позицией
        │   └── risk.rs          # Управление рисками
        │
        ├── backtest/
        │   ├── mod.rs           # Модуль бэктеста
        │   ├── engine.rs        # Движок бэктестинга
        │   └── analytics.rs     # Аналитика производительности
        │
        └── utils/
            ├── mod.rs           # Модуль утилит
            ├── config.rs        # Конфигурация
            └── logging.rs       # Настройка логирования

Примеры использования

Rust CLI

# Загрузка данных с Bybit
cargo run --bin fetch_data -- --symbol BTCUSDT --interval 15 --days 90

# Обучение ансамбля InceptionTime
cargo run --bin train -- --config config/default.toml

# Запуск бэктеста
cargo run --bin backtest -- --model models/inception_ensemble.pt --data data/btcusdt.csv

# Живое предсказание (бумажная торговля)
cargo run --bin predict -- --symbol BTCUSDT --interval 15

Пример вывода

InceptionTime Trading System v0.1.0
═══════════════════════════════════════════════════════════════

[DATA] Загрузка BTCUSDT 15m данных с Bybit...
[DATA] Загружено 8640 свечей (90 дней)
[FEATURES] Сгенерировано 15 технических индикаторов
[TRAIN] Обучение ансамбля из 5 моделей...

Модель 1/5: Эпоха 100/1500, Loss: 0.8234, Val Acc: 0.523
Модель 1/5: Эпоха 200/1500, Loss: 0.7123, Val Acc: 0.568
...
Модель 5/5: Обучение завершено. Лучший Val Acc: 0.612

[ENSEMBLE] Точность ансамбля: 0.634
[BACKTEST] Запуск бэктеста на тестовом наборе...

═══════════════════════════════════════════════════════════════
                      РЕЗУЛЬТАТЫ БЭКТЕСТА
═══════════════════════════════════════════════════════════════

Общая доходность:   +34.21%
Sharpe Ratio:       1.87
Sortino Ratio:      2.43
Max Drawdown:       -8.34%
Win Rate:           58.3%
Profit Factor:      1.72
Всего сделок:       234

═══════════════════════════════════════════════════════════════

Ссылки

1. InceptionTime: Finding AlexNet for Time Series Classification

   • Авторы: Fawaz, H. I., Lucas, B., Forestier, G., Pelletier, C., et al.
   • Год: 2019
   • URL: https://arxiv.org/abs/1909.04939

2. Deep Learning for Time Series Classification

   • Авторы: Fawaz, H. I., et al.
   • Год: 2019
   • URL: https://arxiv.org/abs/1809.04356

3. Going Deeper with Convolutions (GoogLeNet)

   • Авторы: Szegedy, C., et al.
   • Год: 2015
   • URL: https://arxiv.org/abs/1409.4842

Лицензия

MIT License — см. файл LICENSE для деталей.

Вклад в проект

Вклады приветствуются! Пожалуйста, ознакомьтесь с руководством по внесению изменений и отправляйте pull requests в основной репозиторий.