В разборе, посвящённом количественной торговле, приведён наглядный пример: стратегия показывает 57% доходности за год и коэффициент Шарпа выше трёх, её код умещается на одном экране, а график выглядит убедительно. При этом никакого умения предсказывать рынок в ней нет — автор сгенерировал две тысячи случайных рядов доходности и выбрал самый удачный. На следующем отрезке та же стратегия теряет 5%, что обнажает разрыв между эффектной кривой на графике и реальной устойчивостью торговой идеи.

Под квантовой торговлей здесь понимается количественный подход, от английского quantitative trading, и к квантовым компьютерам он отношения не имеет. В основе лежит проверяемая гипотеза: исследователь описывает рыночное явление числами, задаёт правила сделки и проверяет, сохраняется ли результат после расходов и на новых данных. Гипотеза может быть простой — например, что после сильного движения цена какое-то время продолжает идти в ту же сторону, — или сложной, когда расхождение цен двух связанных инструментов зависит от стоимости финансирования, доступного объёма и срока до расчётов. Обученная локальная нейросеть, микросекундная скорость и диплом по математике обязательными признаками такой работы не служат: исследование вполне может касаться портфеля, который меняется раз в месяц.

Автор предлагает различать три вещи и при виде слов «квантовая платформа» или «институциональный алгоритм» сначала выяснять, какую конкретную задачу решает продукт. За одним названием могут стоять исследовательская библиотека, торговый терминал, набор индикаторов или готовый робот. Если стратегия обнаружила закономерность, следующий вопрос — почему она вообще может приносить деньги, и здесь возможны разные объяснения, которые ещё предстоит проверить для конкретного случая. Сам по себе индикатор причины заработка не объясняет, а найденное преимущество может ослабнуть: McLean и Pontiff изучили 97 опубликованных признаков прогнозирования доходности акций и обнаружили, что средняя доходность соответствующих портфелей после публикации оказалась на 58% ниже уровня исходных исследований. Часть снижения авторы связывают с торговлей участников, узнавших о результатах.

Даже обычное правило «держать актив, когда средняя цена за 20 дней выше средней за 100 дней» требует договориться о множестве деталей. Нужно определить, что означает цена close, когда она становится известна и в какой момент можно отправить заявку; если решение использует окончательную цену закрытия, исполнение по этой же цене требует отдельного обоснования, а в консервативном тесте заявку исполняют после появления сигнала, например на следующем открытии, с учётом расходов. Дальше возникают практические вопросы: какой объём купить, что делать, если денег хватает только на часть лота, как учитывать дивиденды, можно ли продать инструмент без покрытия, где хранится заявка после перезапуска и как понять, что брокер её принял, если ответ потерялся. Каждый ответ меняет результат, поэтому две программы с одинаковыми скользящими средними могут получить разные сделки из-за порядка обработки событий и правил исполнения, а удобный интерфейс лишь позволяет быстрее выразить правило, не отменяя допущений.

Самый простой способ испортить проверку выглядит почти невинно: в текущую строку попадает цена следующего периода, и программа покупает, уже зная, чем закончится ожидание. В настоящем исследовании будущее обычно просачивается менее заметно: дата отчёта путается с датой публикации, часовая свеча закрывается раньше времени, масштаб признаков вычисляется по всей истории, включая проверочный период, а список инструментов переживает собственное прошлое. В последнем случае сегодня выбирают действующие компании и проверяют, как торговали бы ими десять лет назад, тогда как исчезнувшие, обанкротившиеся и снятые с торгов бумаги в список не попадают — стратегия получает привилегию заранее знать, кто доживёт до конца исследования, что называют ошибкой выжившего. Есть ещё дробления акций, дивиденды, пересмотры данных и склейки фьючерсов: скорректированная цена полезна для расчёта доходности, но при моделировании сделки нужно понимать её связь с ценой, которая действительно существовала в тот день, а у поставщика истории должны быть ясные правила обработки таких событий.

Для российского рынка этот разбор имеет прямое практическое значение, поскольку доступ к количественным инструментам растёт, а вместе с ним растёт и число продуктов, называющих себя квантовыми платформами. Частному инвестору и небольшой команде важно различать исследовательскую библиотеку, торговый терминал, набор индикаторов и готового робота, а также требовать от поставщика данных прозрачных правил корпоративных действий и временных меток. Когда предлагают общедоступное правило с большой и стабильной доходностью, полезно выяснить, что мешает остальным участникам использовать его в большем объёме; иногда ответ существует — ограниченная ликвидность, неприятный риск, сложное исполнение, небольшой доступный объём сделок, — и его стоит услышать до обсуждения доходности.

Открытым остаётся вопрос, как отличить настоящий торговый софт от красивой демонстрации: у всех описанных случаев общий вопрос — какая информация была доступна системе к моменту решения, и дата в строке сама по себе ответа не даёт. Перспективы связаны с тем, что часть задач закрывают готовые программы, но проверять всё равно придётся вручную: устойчивость после расходов, поведение на новых данных, отсутствие утечек и реалистичность исполнения. Именно поэтому случайные две тысячи рядов и выбранный из них самый удачный остаются полезной метафорой — они показывают, насколько легко перепутать везение с закономерностью и насколько осторожно стоит относиться к графику, который выглядит слишком убедительно.