Почему большинство крипто-стратегий перестают работать

Ты покупаешь стратегию за 90 секунд. Красивая кривая доходности, уверенный Sharpe, трек-рекорд, уходящий вверх и вправо. Потом подключаешь реальные деньги — и начинается слив. Поначалу не резкий. Просто тихий, методичный, безошибочно неправильный. Ты списываешь это на невезение. На сломанный рынок. Настоящее объяснение неудобнее: это никогда не было преимуществом. Это был лотерейный билет — и тебе показали выигрышную сторону.

Это описание четырёх хорошо изученных статистических механизмов, которые топят большинство розничных торговых стратегий — механизмов, которые маркетплейсы, таблицы лидеров copy-trading и продавцы преднастроенных grid-ботов почти никогда не раскрывают. Понимание этих механизмов не сделает тебя лучшим трейдером за одну ночь, но поможет отличить аудируемое преимущество от красиво одетого подбрасывания монеты — до того, как на кону окажутся реальные деньги.

Это образовательный анализ, а не финансовый совет и не прогноз — ничто здесь не предсказывает будущие цены, а торговля криптовалютой сопряжена с реальным риском потерь (полный дисклеймер — в конце).

Бэктест — это лотерея, и тебе 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 и тысячи комбинаций параметров — условия входа, условия выхода, периоды индикаторов, размеры позиций — и затем выводит на поверхность конфигурацию, которая дала лучшую историческую доходность.

Это выглядит как исследование. На самом деле это отбор.

В 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 вывод: когда ты перебираешь множество вариантов стратегии и сообщаешь о лучшем бэктесте, ты извлекаешь максимум из большого набора зашумлённых результатов — а максимум зашумлённых результатов систематически, механически смещён вверх. Даже стратегии с нулевым реальным преимуществом будут давать бэктесты с высоким Sharpe, если перебрать достаточно вариантов.

> «Бэктест, перебравший тысячу наборов параметров и сообщающий 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 остальных на in-sample данных чисто случайно. Неудобный вывод: при скромном числе попыток эта вероятность растёт быстро. Не нужно быть небрежным, чтобы переобучиться. Достаточно просто искать.

Sharpe, который нельзя проверить — это не число

Стандартный порог значимости в академических финансах (t-статистика выше 2,0) был откалиброван для одиночных, заранее заданных гипотез — но никогда для среды коллективного тестирования стратегий.

Харви, Лю и Чжу (2016) сталкиваются с этой проблемой множественного тестирования применительно к кросс-секции доходностей. Их ключевая мысль — не новое магическое число, а исправление логики: t-статистика 2 — защитимая планка для одной, заранее заданной гипотезы, но когда результат является лучшим среди множества стратегий, протестированных на одних и тех же данных, та же самая t-статистика 2 уже не означает того, чем кажется. Планку значимости нужно поднимать, чтобы учесть масштаб поиска — и чем больше стратегий протестировано, тем выше она поднимается. В любой мультистратегийной среде нескорректированная t-статистика 2 слишком мягкая.

Deflated Sharpe Ratio Бэйли и Лопес де Прадо (2014) расширяет эту логику: он математически дисконтирует заявленный Sharpe с учётом числа протестированных вариантов, длины тестового периода и толстохвостых распределений доходностей, которые криптовалюта производит в особенности.

Вот структурная проблема для каждого листинга на маркетплейсе: чтобы вычислить Deflated Sharpe, нужно знать количество протестированных вариантов. Продавцы почти никогда это не раскрывают. Шестимесячный трек-рекорд, построенный на сотнях перебранных параметров, по методологии Бэйли — Лопес де Прадо статистически пуст.

Концепция Minimum Backtest Length следует той же логике: чем больше вариантов протестировано, тем больше лет чистой out-of-sample истории требуется, прежде чем высокий Sharpe что-то значит. Шесть месяцев редко достигают этой планки даже при щедрых допущениях.

Рынки меняются. Замороженная стратегия — нет.

Овerfitting объясняет, почему бэктесты лгут. Но даже стратегия с реальным преимуществом из одного периода может перестать работать, когда рыночный режим меняется — а крипторынок определяется именно сменой режимов.

Актив резко переключается между трендовыми бычьими забегами, затяжными медвежьими рынками, низковолатильными каналами консолидации и жёсткими делеверидж-шоками. Это структурные разрывы — периоды, в которых структура автокорреляции, режим волатильности и корреляционное поведение цен принципиально отличаются друг от друга. Стратегия, подогнанная под один режим, как правило, будет ошибаться в другом.

Классический пример — grid-бот. В ограниченном диапазоне grid-боты механически собирают волатильность — там они действительно эффективны. В условиях сильного направленного тренда или делеверидж-краша та же самая механика работает против них: проигрышная сторона сетки продолжает заполняться, пока цена уходит прочь, и убытки могут нарастать быстро. Бот сам по себе не знает, в какой среде он находится.

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

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

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

Таблица лидеров лжёт умолчанием

Copy-trading таблицы лидеров добавляют ещё два накапливающихся сбоя поверх овerfitting и слепоты к режимам.

Первый — survivorship bias. Счета, которые ты видишь в таблице лидеров, — это те, что дожили до листинга. Счета, которые вылетели в ноль, были удалены из листинга, заброшены или тихо перезапущены. Ты видишь правый хвост распределения, поданный так, словно он и есть медиана.

Второй — распад alpha из-за скученности и data mining. Наиболее строгие свидетельства здесь приходят с рынков акций: Маклин и Понтифф в Journal of Finance в 2016 году обнаружили, что значительная часть доходности опубликованной аномалии — порядка половины — исчезает после публикации. Это снижение они объясняют частично статистическим смещением в первоначальном открытии (data mining), частично реальным арбитражем по мере притока капитала. Механизм не специфичен для крипты, но в крипте он, если угодно, острее: копируемый сигнал стратегии — это самая скученная торговля из доступных, и эта скученность ускоряет сжатие любого оставшегося реального преимущества.

Три встречных ветра накапливаются: исходное преимущество несёт риск овerfitting; рыночный режим, под который оно было подогнано, скорее всего, уже закончился; и его копирование в масштабе ускоряет распад того остаточного сигнала, что был реальным. Ничего из этого в таблице лидеров не раскрывается.

Как выглядит настоящая достоверность

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

Эти доказательства имеют три компонента.

Walk-forward валидация (Пардо, 2008): оптимизируй стратегию на одном историческом окне, затем тестируй её на следующем, невиданном окне, затем двигайся вперёд и повторяй. Walk-forward результаты, которые держатся на нескольких невиданных периодах, более достоверны — не гарантированно, но более достоверны.

Полное раскрытие: доходность, максимальная просадка, процент выигрышных сделок, количество сделок и то, как поведение меняется в разных рыночных режимах. Листинг, показывающий кривую доходности, но скрывающий глубину просадки и поведение на медвежьем рынке, показывает тебе хайлайт-рилл, а не аудиторский след.

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

Применяя стандарт: как работают бесплатные labs Anny

Это тот стандарт, по которому построены strategy labs Anny. Каждая идея стратегии публикуется с полным бэктестом: доходность, Sharpe, процент выигрышных сделок, максимальная просадка и количество сделок. Out-of-sample валидация запускается на holdout-периоде, которого оптимизатор никогда не касался — это базовый уровень, а не опциональная надстройка.

Принципиально важно: 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 режимный фильтр, которого типичному маркетплейсу не хватает: единственное считывание типа рынка, в котором ты находишься, — так что стратегию можно оценивать в той среде, для которой она создана, а не усреднять по всем режимам сразу. Каждое изменение режима, которое линия когда-либо фиксировала на протяжении лет истории Bitcoin, находится в открытом доступе — ты можешь прокрутить историю и проверить переходы самостоятельно, а то, как сигнал построен и валидирован out-of-sample, задокументировано в методологии.

Когда ты просматриваешь библиотеку бэктестированных стратегий, ты видишь не просто то, работало ли что-то исторически — ты видишь когда это работало, при каких режимных условиях, и как это выглядело, когда условия менялись против. Убытки есть в данных. В этом и есть смысл.

Запусти бесплатное сканирование портфеля, чтобы увидеть, как твои текущие позиции соотносятся с режимными состояниями CFO Anny Line.

Чтобы быть прямой: out-of-sample валидация и режимный фильтр снижают риск овerfitting и повышают достоверность исторического анализа. Они не устраняют просадку. Они не побеждают распад alpha. Они не являются обещанием будущей доходности. То, что они дают, — это прозрачность: ты видишь доказательства, включая точки отказа, и делаешь собственную оценку.

Смотри методологию — включая то, как валидируется CFO Anny Line и как публикуются out-of-sample результаты.

Три единственных вопроса, которые важны до того, как ты рискуешь реальными деньгами

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

Задай их перед тем, как подключить API-ключ:

1. Сколько вариантов было протестировано, чтобы найти этот? Если не можешь получить число — считай, что достаточно, чтобы переобучиться.
2. Валидировалось ли это на данных, которых оптимизатор никогда не видел? Бэктест на тех же данных, что использовались для отбора, — это не доказательство.
3. Есть ли явный режимный фильтр — определённое условие «когда стоять в стороне»? Без него стратегия движется вслепую навстречу следующему структурному разрыву.

Если продавец не может ответить на все три, у тебя уже есть ответ.

Стратегия, которую нельзя проверить — это ставка на чужой лотерейный билет. Ты не знаешь, сколько билетов было напечатано, и покупаешь уже после того, как выигрышный номер был 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." Рабочий документ.
• 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. Прошлые результаты не свидетельствуют о будущих. Статистика, на которую ссылается материал, взята из указанных академических исследований по рынкам акций и финансам в целом; механизмы обсуждаются с точки зрения их концептуальной актуальности для крипты и могут не переноситься количественно. Anny — это аналитическая платформа на базе ИИ, а не зарегистрированный инвестиционный советник. Эта статья была подготовлена с помощью ИИ и проверена на точность. Криптоактивы волатильны, и ты можешь потерять все вложенные средства.