Почему большинство крипто-стратегий перестают работать

Вы покупаете стратегию за 90 секунд. Красивая equity curve, уверенный Sharpe ratio, трек-рекорд, который уверенно идёт вверх и вправо. Потом подключаете реальные деньги — и начинается слив. Не резкий, поначалу. Просто медленный, стабильно неправильный. Вы списываете на невезение. На сломанный рынок. Настоящее объяснение неудобнее: это никогда не было преимуществом. Это был лотерейный билет, и вам показали выигрышную сторону.

Это описание четырёх хорошо изученных статистических механизмов, которые топят большинство розничных торговых стратегий — механизмов, о которых редко говорят маркетплейсы, таблицы лидеров copy-trading или продавцы преднастроенных grid-ботов. Понимание этих механизмов не сделает вас лучшим трейдером за одну ночь, но поможет отличить проверяемое преимущество от красиво одетого подбрасывания монетки — до того, как на кону окажутся реальные деньги.

Это образовательный анализ, не финансовый совет и не прогноз — ничто здесь не предсказывает будущие цены, а крипто-трейдинг несёт реальный риск потерь (полный дисклеймер в конце).

Бэктест — это лотерея, и вам показывают выигрышный билет

Каждый маркетплейс стратегий работает на одной и той же скрытой механике: кто-то (или какой-то алгоритм) тестирует десятки, сотни, а иногда тысячи комбинаций параметров — условия входа, условия выхода, периоды индикаторов, размеры позиций — и затем выдаёт конфигурацию, давшую лучшую историческую доходность.

Это выглядит как исследование. На деле это — отбор.

В своей статье 2014 года в Notices of the American Mathematical Society Бэйли, Борвейн, Лопес де Прадо и Чжу формализуют эту проблему под названием Pseudo-Mathematics and Financial Charlatanism. Их ключевой результат: когда вы перебираете множество вариантов стратегий и сообщаете о лучшем бэктесте, вы извлекаете максимум из большого набора зашумлённых результатов — а максимум зашумлённых результатов систематически и механически смещён вверх. Даже стратегии с нулевым реальным преимуществом будут давать высокий Sharpe в бэктестах, если было испробовано достаточно вариантов.

> «Бэктест, который перебрал тысячу наборов параметров и сообщает о лучшем, — это не стратегия. Это победитель лотереи.»

Бэйли и Лопес де Прадо также вводят Probability of Backtest Overfitting — формальную меру вероятности того, что выбранная конфигурация превзошла другие in-sample исключительно случайно. Неудобный вывод: при скромном числе испытаний эта вероятность быстро растёт. Чтобы переобучить модель, не нужно быть небрежным. Достаточно просто искать.

Sharpe ratio, который нельзя проверить, — это не число

Стандартная планка значимости, используемая в академических финансах (t-статистика выше 2,0), была откалибрована для одиночных, заранее заданных гипотез — никогда для коллективной среды тестирования стратегий.

Харви, Лю и Чжу (2016) разбирают эту проблему множественного тестирования применительно к кросс-секционной структуре доходностей. Их главная мысль — не новое магическое число, а исправление логики: t-статистика 2 является разумной планкой для одиночной, заранее заданной гипотезы, но как только результат оказывается лучшим из многих стратегий, протестированных на одних и тех же данных, тот же t-stat 2 уже не означает того, чем кажется. Планку значимости нужно поднять с учётом поиска — и чем больше стратегий испробовано, тем выше она должна быть. В любой мультистратегийной среде нескорректированный t-stat 2 слишком мягок.

Deflated Sharpe Ratio Бэйли и Лопес де Прадо (2014) развивает эту идею: он математически дисконтирует заявленный Sharpe ratio с учётом числа испытанных вариантов, длины тестового периода и жирных хвостов распределения доходностей, которые криптовалюты производят особенно активно.

Вот структурная проблема для любого листинга на маркетплейсе: чтобы вычислить Deflated Sharpe, нужно знать число испытанных вариантов. Продавцы почти никогда это не раскрывают. Шестимесячный трек-рекорд, построенный на сотнях перебоев параметров, в рамках подхода Бэйли–Лопес де Прадо статистически пуст.

Концепция Minimum Backtest Length следует той же логике: чем больше вариантов испробовано, тем больше лет чистой out-of-sample истории требуется, прежде чем высокий Sharpe приобретёт какой-либо вес. Шесть месяцев редко проходят этот порог даже при щедрых допущениях.

Рынки меняются. Замороженная стратегия — нет.

Овerfitting объясняет, почему бэктесты лгут. Но даже стратегия с реальным преимуществом для одного периода может перестать работать, когда базовый рыночный режим меняется — а крипто — это рынок, определяемый именно сменой режимов.

Актив резко переключается между трендовыми бычьими забегами, затяжными медведями, каналами низковолатильной консолидации и жёсткими делевериджинговыми шоками. Это структурные разрывы — периоды, когда автокорреляционная структура, режим волатильности и корреляционное поведение цен принципиально отличаются друг от друга. Стратегия, подогнанная под один режим, в другом, как правило, ошибается.

Учебный пример — grid-бот. В ограниченном диапазоне grid-боты механически собирают волатильность — там они действительно эффективны. В сильном направленном тренде или при делевериджинговом обвале та же механика работает против них: проигрышная сторона сетки продолжает заполняться по мере ухода цены, и потери могут быстро накапливаться. Сам бот не знает, в какой среде он находится.

Это не провал логики grid-бота. Это отсутствие режимного фильтра — явного условия, определяющего, когда стратегии следует действовать, а когда стоять в стороне.

> «Стратегия без режимного фильтра тихо ставит на то, что завтрашний рынок будет выглядеть точно так же, как тот срез истории, под который она подогнана. В крипто этого никогда не происходит.»

Лучшие индикаторы — это всё равно просто больше параметров для переобучения. Решение — явный, отдельно проверенный сигнал, который говорит стратегии: это та среда, для которой ты создана — или это не она.

Таблица лидеров лжёт умолчанием

Copy-trading леaderboard добавляет ещё два усугубляющих сбоя поверх овerfitting и слепоты к режиму.

Первый — survivorship bias. Счета, которые вы видите на лидерборде, — это те, что выжили до листинга. Счета, которые взорвались, были делистингованы, брошены или тихо перезапущены. Вы видите правый хвост распределения, представленный так, будто это медиана.

Второй — затухание альфы через crowding и data mining. Наиболее строгие свидетельства здесь приходят с рынков акций: Макклин и Понтифф, публикуясь в Journal of Finance в 2016 году, обнаружили, что значительная часть доходности опубликованной аномалии — порядка половины — исчезает после публикации. Это снижение они объясняют отчасти статистическим смещением в исходном открытии (data mining), отчасти — реальным арбитражем по мере притока капитала. Механизм не специфичен для крипто, но в крипто он, пожалуй, острее: копируемый сигнал стратегии — это самая переполненная сделка из возможных, и это переполнение ускоряет сжатие любого остаточного преимущества.

Три встречных ветра накапливаются: исходное преимущество несёт риск овerfitting; рыночный режим, под который оно подогнано, скорее всего, уже завершился; а копирование стратегии в масштабе ускоряет затухание любого остаточного сигнала. Ничего из этого на лидерборде не раскрывается.

Как выглядит настоящая достоверность

Легитимный стандарт не обещает доходность. Он предоставляет свидетельства, которые можно проверить.

Эти свидетельства состоят из трёх компонентов.

Walk-forward валидация (Пардо, 2008): оптимизируйте стратегию на одном историческом окне, затем тестируйте её на следующем, невиданном окне, затем сдвигайте вперёд и повторяйте. Walk-forward результаты, которые держатся на нескольких невиданных периодах, более достоверны — не определённы, но более достоверны.

Полное раскрытие: доходность, максимальная просадка, win rate, количество сделок и то, как поведение меняется в разных рыночных режимах. Листинг, который показывает equity curve, но скрывает глубину просадки и поведение на медвежьем рынке, показывает вам нарезку лучших моментов, а не аудиторский след.

Явный режимный фильтр: отдельно построенный сигнал, определяющий, когда стратегия работает в предназначенной для неё среде. Без него даже стратегия с walk-forward валидацией не имеет автоматической защиты от режима, для которого она никогда не создавалась.

Как это применяет Anny: бесплатные лаборатории стратегий

Именно этому стандарту следуют лаборатории стратегий Anny. Каждая идея стратегии выходит с полным бэктестом: доходность, Sharpe, win rate, максимальная просадка и количество сделок. Out-of-sample валидация запускается на holdout-выборке, которой оптимизатор никогда не касался — это базовый стандарт, а не опциональный бонус.

Принципиально важно, что каждая стратегия разбивается по режимам CFO Anny Line — сигнала, который Anny использует для классификации рыночных условий на три состояния: Accumulate, Wait и Distribute. Это тот самый режимный фильтр, которого типичному маркетплейсу не хватает: единое прочтение типа рынка, в котором вы находитесь, чтобы стратегию можно было оценивать в той среде, для которой она создана, а не усреднять по всем. Каждая смена режима, которую линия когда-либо фиксировала за годы истории Bitcoin, есть в публичной записи — вы можете прокрутить историю и проверить переходы самостоятельно, а то, как сигнал построен и проверен out-of-sample, задокументировано в методологии.

Когда вы просматриваете библиотеку бэктестированных стратегий, вы видите не просто то, сработало ли что-то исторически — вы видите когда это сработало, при каких режимных условиях и как выглядело, когда условия изменились против стратегии. Потери есть в данных. В этом и суть.

Сравниваете Anny с конкретным инструментом? Сравнительные таблицы ставят этот стандарт рядом с Cryptohopper, 3Commas, Coinrule и другими бот-платформами.

Запустите бесплатное сканирование портфеля, чтобы увидеть, как ваши текущие активы соотносятся с режимными состояниями CFO Anny Line.

Скажу прямо: out-of-sample валидация и режимный фильтр снижают риск овerfitting и повышают достоверность исторического анализа. Они не устраняют просадку. Они не побеждают затухание альфы. Они не являются обещанием будущей доходности. Что они дают — это прозрачность: вы видите свидетельства, включая точки отказа, и сами делаете выводы.

Смотрите методологию — включая то, как проверяется CFO Anny Line и как сообщаются out-of-sample результаты.

Только три вопроса, которые важны перед тем, как рисковать реальными деньгами

Каждая стратегия, которую вам показывают, была найдена кем-то, кто её искал. Вопрос в том, был ли поиск честным, тестировались ли результаты на невиданных данных и знает ли стратегия, что делать, когда рынок меняется.

Задайте их перед тем, как подключать API-ключ:

1. Сколько вариантов было протестировано, чтобы найти этот? Если не можете получить число — предполагайте, что достаточно для овerfitting.
2. Была ли стратегия проверена на данных, которые оптимизатор никогда не видел? Бэктест на тех же данных, что использовались для отбора, не является свидетельством.
3. Есть ли у неё явный режимный фильтр — определённое условие «когда стоять в стороне»? Без него она слепо бежит навстречу следующему структурному разрыву.

Если продавец не может ответить на все три — ответ у вас уже есть.

Стратегия, которую нельзя проверить, — это ставка на чужой лотерейный билет. Вы не знаете, сколько билетов было напечатано, и покупаете уже после того, как выигрышный номер объявлен.

---

Источники

• Bailey, D.H., Borwein, J., Lopez de Prado, M., & Zhu, Q. (2014). "Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance." Notices of the American Mathematical Society, 61(5).
• Bailey, D.H., & Lopez de Prado, M. (2014). "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality." Journal of Portfolio Management, 40(5).
• Bailey, D.H., & Lopez de Prado, M. "The Probability of Backtest Overfitting." Journal of Computational Finance (опубликовано в 2016).
• Harvey, C.R., & Liu, Y. (2015). "Backtesting." Working paper.
• Harvey, C.R., Liu, Y., & Zhu, H. (2016). "… and the Cross-Section of Expected Returns." Review of Financial Studies, 29(1).
• McLean, R.D., & Pontiff, J. (2016). "Does Academic Research Destroy Stock Return Predictability?" Journal of Finance, 71(1).
• Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). Wiley.

---

Этот анализ предназначен исключительно для образовательных целей — не является финансовым советом. Прошлая доходность не является показателем будущих результатов. Приведённая статистика взята из указанных академических исследований по рынкам акций и общим финансовым рынкам; механизмы обсуждаются в контексте их концептуальной применимости к крипто и могут количественно не переноситься. Anny — это аналитическая платформа на базе ИИ, а не зарегистрированный инвестиционный советник. Эта статья создана с помощью ИИ и проверена на точность. Криптоактивы волатильны, и вы можете потерять весь вложенный капитал.