Собрал кастомную модель: XGBoost поверх нейросети, которая извлекает фичи из макроданных, настроений и ончейн-активности. Оптимизировал под горизонт в полмесяца, бэктест показывает альфа на 12 пунктов выше бенчмарка.

Я все настроил по последнему слову: скользящая перекрестная проверка, ранняя остановка на валидационной выборке, L1/L2 регуляризация для весов дерева и строгий лимит глубины. Еще я отбрасываю любые признаки, у которых лаг превышает горизонт прогноза, чтобы модель не выучила шаблоны, которые есть только в исторических данных.

Конечно. Установил стоп-лосс на 2 процента ниже эталона. Если прогноз модели отклонится настолько, возвращаюсь к эталонному распределению и переобучаю на свежих данных. Плюс, провожу стресс-тесты на рыночных скачках каждый квартал, чтобы заранее знать потенциальные убытки в худшем сценарии. Если в течение дня убыток достигнет 1% капитала, система автоматически закроет позиции и запустит проверку.