Опубликовано 03 November 2026 г.

Анатомия иллюзии Price Action: математика случайных блужданий, когнитивные искажения и архитектура эмпирического джорналинга

11 минут чтения •

Оглавление

1. Физика случайного процесса: почему уровни возникают на белом шуме
- Модель геометрического броуновского движения (GBM)
- Закон повторного логарифма Хинчина
2. Когнитивные ловушки и байесовская формализация
3. Математика математического ожидания и трансакционное трение
4. Архитектура реляционной телеметрии торгового журнала
- SQL DDL: Архитектура схемы в SQLite
5. Программный пайплайн: бутстрап-валидация и аудит на Python
- Python-модуль статистического аудита журнала
- Результат бутстрап-анализа типичного сетапа Price Action
6. Мост к автономным AI-агентам: почему LLM без журнала галлюцинируют в квант-трейдинге
- Проблема «галлюцинаций в шуме»
- Роль журнала как фундаментального контекста агента
7. Практический чеклист перехода к дата-дривен торговле

В индустрии розничного трейдинга и технического анализа десятилетиями доминирует аксиома: «Price Action is King» («Цена учитывает всё, график первичен»). Начинающим трейдерам внушают, что достаточно освоить чтение японских свечей, научиться чертить «уровни поддержки и сопротивления», находить формации «пин-бар», «поглощение» или «голова и плечи», чтобы получить устойчивое статистическое преимущество (edge) над рынком.

Однако суровая статистика проп-фирм и брокеров неумолима: от 90% до 95% розничных трейдеров полностью ликвидируют торговые депозиты в течение первого года. Как показывает честный разбор опытного трейдера на канале Price Action vs Journaling, потерявшего пятизначные суммы на чистом графическом анализе, слепая торговля по Price Action выступает главной системной причиной деградации депозитов. Проблема кроется не в нехватке дисциплины или плохом эмоциональном контроле, а в фундаментальной методологической ошибке: попытке строить принятие решений на распознавании визуальных паттернов в стохастическом шуме без замкнутого контура калибровки данных.

Финансовый дисклеймер. Материал носит исключительно исследовательский и инженерно-образовательный характер, не является инвестиционной рекомендацией или индивидуальным финансовым советом. Представленные стохастические модели, метрики математического ожидания и программные симуляции предназначены для анализа данных и не гарантируют прибыльности торговых операций. Любые операции с финансовыми инструментами сопряжены с существенным риском потери капитала.

В настоящем материале мы проведем математическую деконструкцию Price Action с позиций стохастического анализа, разберем байесовскую природу когнитивных иллюзий восприятия графиков, построим строгую реляционную архитектуру сбора телеметрии торговых решений и реализуем Python-пайплайн для бутстрап-валидации торговых гипотез.

1. Физика случайного процесса: почему уровни возникают на белом шуме

Ключевой постулат классического Price Action гласит: если цена актива неоднократно отскакивала от определенной ценовой отметки $P_{\text{level}}$, на этом уровне сосредоточен «крупный лимитный покупатель» или «институциональная зона ликвидности».

Математический аппарат теории вероятностей демонстрирует обратное: кластеризация экстремумов и видимость уровней естественным образом возникают даже в идеальном броуновском движении (Brownian Motion), полностью лишенном памяти и участников.

Модель геометрического броуновского движения (GBM)

Рассмотрим непрерывную модель динамики цены активов $P_t$, описываемую стохастическим дифференциальным уравнением Ито:

$$dP_t = \mu P_t dt + \sigma P_t dW_t$$

где:

$\mu$ — дрифт (математическое ожидание доходности в единицу времени),
$\sigma$ — мгновенная волатильность актива,
$W_t$ — стандартный винеровский процесс, обладающий свойствами независимых нормальных приращений $W_{t} - W_{s} \sim \mathcal{N}(0, t - s)$.

Точное аналитическое решение данного уравнения через лемму Ито имеет вид:

$$P_t = P_0 \exp\left( \left(\mu - \frac{\sigma^2}{2}\right)t + \sigma W_t \right)$$

Если мы положим дрифт $\mu = 0$ (эффективный бестрендовый рынок в масштабе внутридневных флуктуаций), приращения цены логарифмической доходности $\ln(P_t / P_{t-1}) \sim \mathcal{N}(0, \sigma^2 \Delta t)$ представляют собой белый гауссовский шум. В этом процессе каждый шаг абсолютно независим от предыдущего, а автокорреляция доходностей тождественно равна нулю:

$$\text{Corr}(r_t, r_{t-k}) = 0, \quad \forall k \ge 1$$

Закон повторного логарифма Хинчина

Почему же человеческий мозг видит на синтетическом блуждании поддержку, сопротивление и тренды? Ответ дает теорема Хинчина о законе повторного логарифма:

$$\limsup_{t \to \infty} \frac{|W_t|}{\sqrt{2 t \ln(\ln t)}} = 1 \quad \text{п.н. (почти наверное)}$$

Данный закон доказывает, что траектория одномерного случайного блуждания с вероятностью 1 будет бесконечное число раз возвращаться в окрестность нуля и одновременно формировать стохастические локальные осцилляции в пределах огибающей $\pm \sqrt{2 t \ln(\ln t)}$.

Цена
  ▲
  │                  ╭───╮ (Локальный максимум / "Ложный пробой")
  │      ╭──╮        │   │        ╭───╮
  │──────│──│────────┼───┼────────│───│────── Уровень "сопротивления"
  │     ╭╯  ╰╮      ╭╯   ╰╮      ╭╯   ╰╮       (Артефакт стохастической
  │    ╭╯    ╰╮    ╭╯     ╰╮    ╭╯     ╰╮       огибающей шума)
  │────┼──────┼────┼───────┼────┼───────┼───── Уровень "поддержки"
  │   ╭╯      ╰────╯       ╰────╯       ╰╮
  └───┴──────────────────────────────────┴──► Время t

Когда трейдер чертит линию через три точки касания, он выделяет случайные квантили реализации винеровского процесса. Стохастическая волна развернулась не потому, что на уровне стоял скрытый алгоритм хедж-фонда, а потому, что дисперсия случайного блуждания на интервале $\Delta t$ имеет распределение $\sigma \sqrt{\Delta t}$, и в окрестности локального экстремума плотность вероятности смены знака приращения строго равна 50%.

2. Когнитивные ловушки и байесовская формализация

Если паттерны Price Action на тиковых масштабах представляют собой визуализацию шума, почему миллионы трейдеров искренне уверены в их работоспособности? Причина кроется в трех взаимосвязанных байесовских когнитивных искажениях.

flowchart TD
    subgraph S1 ["1. Исходное рыночное событие"]
        RAW["Ценовой график P(t)<br/>Стохастический процесс"]
    end

    subgraph S2 ["2. Когнитивные фильтры восприятия"]
        HB["Hindsight Bias<br/>Апостериорный отбор завершенных фигур"]
        CB["Confirmation Bias<br/>Игнорирование контр-примеров"]
        CP["Cherry-Picking<br/>Фиксация побед в памяти"]
    end

    subgraph S3 ["3. Иллюзорный контур"]
        ILLUSION["Иллюзия предиктивной силы<br/>'Паттерн отработал!'"]
        NO_DATA["Отсутствие телеметрии<br/>Нет журнала, нет базы данных"]
        RUIN["Слив депозита<br/>E[R] < 0 из-за комиссий и спреда"]
    end

    RAW --> HB
    RAW --> CB
    RAW --> CP
    HB --> ILLUSION
    CB --> ILLUSION
    CP --> ILLUSION
    ILLUSION --> NO_DATA
    NO_DATA --> RUIN

1. Ошибка ретроспективного взгляда (Hindsight Bias)

Анализ графика постфактум и принятие решений в реальном времени подчиняются принципиально разным условным вероятностям:

$$P(\text{Pattern Identified} \mid \text{Strong Move Observed}) \approx 1.0$$

$$P(\text{Strong Move} \mid \text{Pattern Identified in Real-Time}) \approx 0.5$$

Когда движение цены уже состоялось, ретроспективный наблюдатель без труда находит на истории предшествующий «пин-бар», «пробой консолидации» или «касание трендовой линии». Мозг связывает эти два события причинно-следственной связью.

Однако в реальном времени, когда бар еще не закрыт, а стакан полон динамических спуфинговых заявок, правый край графика находится в состоянии неопределенности: объем приращений формируется стохастически, и вероятность продолжения движения равна вероятности отката за вычетом трансакционных издержек.

2. Ошибка подтверждения (Confirmation Bias)

Трейдер с сформированным бычьим нарративом (например, после прочтения утренних новостей) сканирует график исключительно на предмет сигналов на покупку:

Любое снижение цены интерпретируется как «тест поддержки перед рывком».
Неудавшаяся покупка списывается на «манипуляцию маркет-мейкера» или «выбивание стопов».
Успешная покупка классифицируется как «подтверждение мастерства чтения свечей».

3. Отсутствие замкнутого контура обратной связи (No Closed Feedback Loop)

В кибернетике любая самообучающаяся система требует датчика ошибки (error signal):

$$e(t) = y_{\text{target}}(t) - y_{\text{actual}}(t)$$

Если трейдер не ведет системный журнал, в его памяти отсутствует метрика ошибки $e(t)$. Графические линии стираются, неудачные сделки забываются, а в оперативной памяти остаются лишь яркие эмоциональные эпизоды взятия тейк-профита. Трейдинг превращается в азартную игру с подкреплением переменным коэффициентом (Variable Ratio Reinforcement Schedule) — именно этот механизм лежит в основе игровой зависимости (лудомании).

3. Математика математического ожидания и трансакционное трение

В количественных финансах ценность торговой стратегии или дискретного сетапа оценивается через распределение случайной величины $R$ (R-multiple) — отношения чистой прибыли или убытка к начальному риску сделки:

$$R_i = \frac{P_{\text{exit}} - P_{\text{entry}}}{P_{\text{entry}} - P_{\text{stop}}}$$

Формула математического ожидания (Expectancy)

Математическое ожидание доходности на одну сделку выражается формулой:

$$\mathbb{E}[R] = p_{\text{win}} \cdot \bar{R}{\text{win}} - (1 - p{\text{win}}) \cdot |\bar{R}{\text{loss}}| - C{\text{friction}}$$

где:

$p_{\text{win}}$ — эмпирический винрейт (доля прибыльных сделок),
$\bar{R}_{\text{win}}$ — среднее значение выигрыша в долях риска ($R$),
$\bar{R}_{\text{loss}}$ — среднее значение проигрыша (при наличии стоп-лосса $\approx 1.0$),
$C_{\text{friction}}$ — суммарные трансакционные издержки, выраженные в единицах риска $R$:

$$C_{\text{friction}} = \frac{2 \cdot \text{Fee} + \text{Slippage}{\text{entry}} + \text{Slippage}{\text{exit}} + \text{Spread}}{\text{Risk}_{\text{USD}}}$$

Разрушительный эффект трения рынка

Большинство адептов Price Action скальпируют на минутных графиках (M1, M5), где величина стоп-лосса составляет скромные 5–15 базисных пунктов ($0.05% - 0.15%$).

Рассмотрим численный пример:

Инструмент: BTC/USDT на споте или деривативах.
Риск на сделку $\text{Risk} = 100\text{ USD}$, дистанция стоп-лосса = $0.20%$.
Комиссия тейкера (Market Order) на открытие и закрытие: $2 \times 0.05% = 0.10%$.
Средний спред стакана: $0.02%$.
Среднее рыночное проскальзывание (Slippage): $0.03%$.
Суммарное трение: $0.10% + 0.02% + 0.03% = 0.15%$.

Относительное трение в долях риска $R$:

$$C_{\text{friction}} = \frac{0.15%}{0.20%} = 0.75 R$$

Если паттерн Price Action дает базовый винрейт $p_{\text{win}} = 0.55$ при соотношении $\bar{R}{\text{win}} = 1.2$ и $\bar{R}{\text{loss}} = 1.0$:

$$\mathbb{E}[R]_{\text{theory}} = 0.55 \cdot 1.2 - 0.45 \cdot 1.0 = 0.66 - 0.45 = +0.21 R$$

$$\mathbb{E}[R]_{\text{real}} = +0.21 R - 0.75 R = -0.54 R$$

Вывод: стратегия с положительным теоретическим математическим ожиданием гарантированно приводит к полному разорению исключительно за счет трения ликвидности. Без точного джорналинга проскальзываний и комиссий трейдер не способен понять, почему «идеальные паттерны» генерируют убыток.

Статистическая значимость и t-критерий Стьюдента

Сколько сделок необходимо зафиксировать в журнале, чтобы подтвердить наличие реального edge? Для проверки нулевой гипотезы $H_0: \mathbb{E}[R] \le 0$ против альтернативы $H_1: \mathbb{E}[R] > 0$ применяется t-статистика:

$$t = \frac{\bar{R} \sqrt{N}}{\sigma_R}$$

где $\bar{R}$ — выборочное среднее, $\sigma_R$ — выборочное стандартное отклонение, $N$ — число закрытых сделок.

Для достижения критического уровня значимости $p < 0.05$ при одностороннем тесте требуется $t > 1.645$. Если стратегия имеет средний $\bar{R} = 0.10$ при $\sigma_R = 1.2$:

$$\sqrt{N} > \frac{1.645 \cdot 1.2}{0.10} = 19.74 \implies N > 390 \text{ сделок}$$

Заявления трейдеров о том, что «я протестировал сетап на 20 сделках и он работает», с математической точки зрения ничтожны: p-value такой выборки превышает 0.35, что эквивалентно случайному подбрасыванию монеты.

4. Архитектура реляционной телеметрии торгового журнала

Обычный файл в Excel или блокнот не решает задачу количественной валидации: данные вводятся неструктурированно, отсутствуют проверки целостности типов, невозможно производить быстрые SQL-выборки и связывать исполнение ордеров с рыночным контекстом.

Для построения доказательного трейдинга необходима нормализованная реляционная схема базы данных (SQLite или PostgreSQL).

erDiagram
    SETUPS ||--o{ TRADES : generates
    MARKET_REGIMES ||--o{ TRADES : contextualizes
    TRADES ||--|{ EXECUTIONS : executes

    SETUPS {
        string setup_id PK
        string name
        string hypothesis
        string entry_rule
        string invalidation_rule
        float target_rr
    }

    MARKET_REGIMES {
        string regime_id PK
        string symbol
        timestamp snapshot_ts
        float atr_14
        float rvol_20
        string trend_state
        string session_name
    }

    TRADES {
        string trade_id PK
        string setup_id FK
        string regime_id FK
        string symbol
        string direction
        timestamp entry_ts
        timestamp exit_ts
        float entry_price
        float exit_price
        float stop_loss
        float take_profit
        float risk_amount_usd
        float gross_pnl_usd
        float net_pnl_usd
        float r_multiple
        float total_friction_usd
        string exit_reason
    }

    EXECUTIONS {
        string execution_id PK
        string trade_id FK
        timestamp exec_ts
        string exec_side
        float price
        float qty
        float fee_usd
        float slippage_bps
        string order_type
    }

SQL DDL: Архитектура схемы в SQLite

Ниже представлена готовая к продакшену схема SQLite с индексами и триггером автоматического расчета R-multiple и трения:

-- Таблица торговых гипотез и формаций
CREATE TABLE IF NOT EXISTS setups (
    setup_id TEXT PRIMARY KEY,
    name TEXT NOT NULL UNIQUE,
    hypothesis TEXT NOT NULL,
    timeframe TEXT NOT NULL,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP
);

-- Таблица рыночного контекста в момент открытия позиции
CREATE TABLE IF NOT EXISTS market_regimes (
    regime_id TEXT PRIMARY KEY,
    symbol TEXT NOT NULL,
    recorded_at DATETIME NOT NULL,
    session TEXT CHECK(session IN ('ASIA', 'LONDON', 'NY_OPEN', 'NY_CLOSE')),
    atr_14 REAL NOT NULL,
    relative_volume REAL NOT NULL, -- RVOL (текущий объем к 20-периодной средней)
    volatility_regime TEXT CHECK(volatility_regime IN ('LOW', 'NORMAL', 'HIGH', 'EXTREME'))
);

-- Таблица торговых сделок (сводная позиция)
CREATE TABLE IF NOT EXISTS trades (
    trade_id TEXT PRIMARY KEY,
    setup_id TEXT NOT NULL REFERENCES setups(setup_id),
    regime_id TEXT NOT NULL REFERENCES market_regimes(regime_id),
    symbol TEXT NOT NULL,
    direction TEXT CHECK(direction IN ('LONG', 'SHORT')) NOT NULL,
    entry_ts DATETIME NOT NULL,
    exit_ts DATETIME NOT NULL,
    entry_price REAL NOT NULL,
    exit_price REAL NOT NULL,
    stop_loss REAL NOT NULL,
    take_profit REAL NOT NULL,
    position_size REAL NOT NULL,
    risk_usd REAL NOT NULL,
    gross_pnl REAL NOT NULL,
    net_pnl REAL NOT NULL,
    r_multiple REAL NOT NULL,
    total_friction_usd REAL NOT NULL,
    exit_reason TEXT CHECK(exit_reason IN ('TAKE_PROFIT', 'STOP_LOSS', 'MANUAL_DISCRETION', 'TIME_STOP')) NOT NULL
);

-- Таблица атомарных биржевых исполнений (ордеров)
CREATE TABLE IF NOT EXISTS executions (
    exec_id TEXT PRIMARY KEY,
    trade_id TEXT NOT NULL REFERENCES trades(trade_id) ON DELETE CASCADE,
    exec_ts DATETIME NOT NULL,
    side TEXT CHECK(side IN ('BUY', 'SELL')) NOT NULL,
    order_type TEXT CHECK(order_type IN ('LIMIT', 'MARKET', 'STOP_MARKET')) NOT NULL,
    price REAL NOT NULL,
    qty REAL NOT NULL,
    fee_usd REAL NOT NULL,
    slippage_bps REAL NOT NULL -- Проскальзывание в базисных пунктах (0.01%)
);

-- Индексы для высокопроизводительной аналитики
CREATE INDEX IF NOT EXISTS idx_trades_setup ON trades(setup_id);
CREATE INDEX IF NOT EXISTS idx_trades_regime ON trades(regime_id);
CREATE INDEX IF NOT EXISTS idx_trades_symbol ON trades(symbol);
CREATE INDEX IF NOT EXISTS idx_trades_entry_ts ON trades(entry_ts);

5. Программный пайплайн: бутстрап-валидация и аудит на Python

Когда журнал заполняется реальными данными, возникает задача: как доказать, что положительный результат конкретного сетапа не является плодом случайности или счастливой серией сделок?

Для решения этой задачи применяется метод непараметрического бутстрапа (Bootstrap Resampling) и перестановочных тестов Монте-Карло.

Python-модуль статистического аудита журнала

Скрипт загружает журнал сделок из базы данных SQLite, производит вычисление метрик математического ожидания, фактора восстановления, потерь на трении и запускает $N = 10,000$ итераций симуляции Монте-Карло для оценки доверительного интервала $\mathbb{E}[R]$:

#!/usr/bin/env python3
"""
Quantitative Trade Journal Telemetry & Bootstrap Validation Engine
Audits trading setups against random walk null-hypothesis.
"""

import sqlite3
import numpy as np
import pandas as pd
from typing import Dict, Any


class JournalAuditEngine:
    def __init__(self, db_path: str):
        self.conn = sqlite3.connect(db_path)

    def load_trades(self, setup_name: str = None) -> pd.DataFrame:
        query = """
        SELECT 
            t.trade_id,
            t.setup_id,
            s.name as setup_name,
            t.symbol,
            t.direction,
            t.entry_ts,
            t.exit_ts,
            t.risk_usd,
            t.gross_pnl,
            t.net_pnl,
            t.r_multiple,
            t.total_friction_usd,
            t.exit_reason,
            r.session,
            r.volatility_regime
        FROM trades t
        JOIN setups s ON t.setup_id = s.setup_id
        JOIN market_regimes r ON t.regime_id = r.regime_id
        """
        if setup_name:
            query += f" WHERE s.name = '{setup_name}'"
        
        df = pd.read_sql_query(query, self.conn)
        df['entry_ts'] = pd.to_datetime(df['entry_ts'])
        df['exit_ts'] = pd.to_datetime(df['exit_ts'])
        return df

    def compute_metrics(self, df: pd.DataFrame) -> Dict[str, Any]:
        n_trades = len(df)
        if n_trades == 0:
            return {"error": "No trades found"}

        r = df['r_multiple'].values
        wins = r[r > 0]
        losses = r[r <= 0]

        win_rate = len(wins) / n_trades if n_trades > 0 else 0.0
        avg_win_r = float(np.mean(wins)) if len(wins) > 0 else 0.0
        avg_loss_r = float(np.mean(losses)) if len(losses) > 0 else 0.0
        expectancy_r = float(np.mean(r))
        median_r = float(np.median(r))
        std_r = float(np.std(r, ddof=1)) if n_trades > 1 else 0.0

        # Расчет Sharpe-like ratio на R-мультипликаторах
        r_sharpe = (expectancy_r / std_r) * np.sqrt(n_trades) if std_r > 0 else 0.0

        # Анализ трения: суммарные потери на комиссиях и спреде к общему риску
        total_risk = df['risk_usd'].sum()
        total_friction = df['total_friction_usd'].sum()
        friction_drag_pct = (total_friction / total_risk) * 100.0 if total_risk > 0 else 0.0

        return {
            "n_trades": n_trades,
            "win_rate": round(win_rate, 4),
            "avg_win_r": round(avg_win_r, 3),
            "avg_loss_r": round(avg_loss_r, 3),
            "expectancy_r": round(expectancy_r, 3),
            "median_r": round(median_r, 3),
            "std_r": round(std_r, 3),
            "r_sharpe": round(r_sharpe, 3),
            "total_friction_usd": round(total_friction, 2),
            "friction_drag_pct": round(friction_drag_pct, 2)
        }

    def run_bootstrap_test(self, df: pd.DataFrame, n_simulations: int = 10000) -> Dict[str, Any]:
        """
        Непараметрический бутстрап выборки R-мультипликаторов.
        Оценивает вероятность того, что истинное ожидание <= 0 (p-value).
        """
        r = df['r_multiple'].values
        n = len(r)
        if n < 5:
            return {"error": "Sample size too small for bootstrap (n < 5)"}

        # Генерация псевдовыборок с возвращением
        np.random.seed(42)
        boot_samples = np.random.choice(r, size=(n_simulations, n), replace=True)
        boot_expectancies = np.mean(boot_samples, axis=1)

        ci_lower = float(np.percentile(boot_expectancies, 2.5))
        ci_upper = float(np.percentile(boot_expectancies, 97.5))
        p_value_ruin = float(np.mean(boot_expectancies <= 0.0))

        verdict = "REJECT_NULL (Edge Confirmed)" if p_value_ruin < 0.05 and ci_lower > 0 else "FAIL_TO_REJECT (Noise/No Edge)"

        return {
            "bootstrap_simulations": n_simulations,
            "mean_boot_expectancy": round(float(np.mean(boot_expectancies)), 3),
            "ci_95_percent": [round(ci_lower, 3), round(ci_upper, 3)],
            "p_value_zero_or_negative": round(p_value_ruin, 4),
            "statistical_verdict": verdict
        }


if __name__ == "__main__":
    import os
    # Демонстрационная инициализация синтетической БД для верификации
    db_file = "/tmp/demo_trade_journal.db"
    if os.path.exists(db_file):
        os.remove(db_file)

    conn = sqlite3.connect(db_file)
    cur = conn.cursor()

    # Создание таблиц
    cur.execute("CREATE TABLE setups (setup_id TEXT PRIMARY KEY, name TEXT);")
    cur.execute("CREATE TABLE market_regimes (regime_id TEXT PRIMARY KEY, session TEXT, volatility_regime TEXT);")
    cur.execute("""
    CREATE TABLE trades (
        trade_id TEXT PRIMARY KEY,
        setup_id TEXT,
        regime_id TEXT,
        symbol TEXT,
        direction TEXT,
        entry_ts DATETIME,
        exit_ts DATETIME,
        risk_usd REAL,
        gross_pnl REAL,
        net_pnl REAL,
        r_multiple REAL,
        total_friction_usd REAL,
        exit_reason TEXT
    );
    """)

    cur.execute("INSERT INTO setups VALUES ('s1', 'Breakout_SMC'), ('s2', 'MeanReversion_RSI');")
    cur.execute("INSERT INTO market_regimes VALUES ('r1', 'LONDON', 'HIGH'), ('r2', 'NY_OPEN', 'NORMAL');")

    # Генерация синтетических сделок:
    # Сетап 1 (Breakout_SMC): видимость успеха, но за вычетом трения ожидание нулевое
    np.random.seed(101)
    for i in range(120):
        # 48% винрейт, R_win = 1.3, R_loss = -1.0, трение = 0.25R
        is_win = np.random.rand() < 0.48
        r = (1.3 if is_win else -1.0) - 0.25
        cur.execute(f"""
        INSERT INTO trades VALUES (
            't{i}', 's1', 'r1', 'BTCUSDT', 'LONG', 
            '2026-10-01 10:00:00', '2026-10-01 11:30:00',
            100.0, {r * 100 + 25}, {r * 100}, {r}, 25.0, '{'TAKE_PROFIT' if is_win else 'STOP_LOSS'}'
        );
        """)

    conn.commit()
    conn.close()

    engine = JournalAuditEngine(db_file)
    df = engine.load_trades("Breakout_SMC")
    metrics = engine.compute_metrics(df)
    boot = engine.run_bootstrap_test(df)

    print("=== METRICS BREAKDOWN ===")
    for k, v in metrics.items():
        print(f"  {k}: {v}")

    print("\n=== BOOTSTRAP AUDIT ===")
    for k, v in boot.items():
        print(f"  {k}: {v}")

Результат бутстрап-анализа типичного сетапа Price Action

При запуске на выборке из 120 сделок мы получаем наглядные метрики:

Метрика	Значение	Анализ влияния
Количество сделок ($N$)	120	Достаточный объем для предварительной оценки
Винрейт ($p_{\text{win}}$)	48.3%	Кажется приемлемым для трендовых пробоев
Средний выигрыш ($\bar{R}_{\text{win}}$)	+1.05 R	Снижен из-за проскальзывания на входном стоп-маркете
Средний проигрыш ($\bar{R}_{\text{loss}}$)	-1.25 R	Превышает 1.0 R из-за комиссии и отрицательного slippage
Expectancy ($\mathbb{E}[R]$)	-0.142 R	Отрицательное математическое ожидание на сделку
Friction Drag	25.0%	Четверть выделенного риска сгорает на спреде и биржевом сборе
95% Доверительный интервал	`[-0.321, +0.038]`	Включает ноль, правый край едва задевает положительную зону
p-value ($H_0: \mathbb{E}[R] \le 0$)	0.938	С вероятностью 93.8% сетап является убыточным шумом
Вердикт	FAIL_TO_REJECT	Сетап подлежит немедленному исключению из торгового пула

Трейдер без джорналинга помнит только красивые импульсные свечи с прибылью в $+2.5 R$ и списывает серию мелких убытков на «случайный шум», продолжая совершать отрицательные ставки. Бутстрап-аудит выявляет математическую реальность за доли секунды.

6. Мост к автономным AI-агентам: почему LLM без журнала галлюцинируют в квант-трейдинге

В эпоху развития автономных агентных систем (таких как Hermes Agent, Jesse MCP, Claude Code) разработчики часто совершают аналогичную методологическую ошибку: подключают языковую модель напрямую к графику цен или генерации Pine Script / Python-кода без датасета верификации.

flowchart LR
    subgraph BAD ["Деструктивный наивный подход"]
        LLM1["LLM Агент"] -->|"Анализирует свечи<br/>и текстовые паттерны"| CODE1["Генерация стратегии"]
        CODE1 -->|"Переобучение на истории<br/>(Hindsight Bias)"| BLOW["Слив капитала на Live"]
    end

    subgraph GOOD ["Доказательный инженерный контур"]
        DB["SQLite Trade Journal<br/>(Телеметрия + Трение + Режимы)"] -->|"SQL Structured Feed"| LLM2["Hermes Agent / Quant Desk"]
        LLM2 -->|"Bootstrap & Permutation Testing"| REGIME["Сегментация по сессиям<br/>и волатильности"]
        REGIME -->|"Отключение сетапов с E[R] <= 0"| LIVE["Калиброванный Live Execution"]
    end

Проблема «галлюцинаций в шуме»

Большие языковые модели обучены находить паттерны и смысловые связи в любых поступающих токенах. Если скормить LLM массив цен OHLCV и попросить найти закономерность, модель сгенерирует сложнейшую теоретическую конструкцию (смесь Фибоначчи, волн Эллиотта и Order Block), которая покажет великолепный оверфиттинг на обучающей выборке, но мгновенно развалится на этапе Out-of-Sample или Live-инкубации.

Роль журнала как фундаментального контекста агента

Автономный агент (например, дежурный торговый агент Hermes) становится эффективным только тогда, когда в его долгосрочную память и контекстный буфер подается структурированная телеметрия:

Автоматическое отключение деградировавших сетапов: агент раз в неделю выполняет SQL-запрос к журналу, пересчитывает p-value по каждому паттерну и при падении $t$-статистики ниже критической отметки переводит сетап в статус PAUSED.
Фильтрация по сессиям: обнаружение аномалий (например: «сетап Breakout имеет $\mathbb{E}[R] = +0.45 R$ в Лондонскую сессию при нормальной волатильности, но $\mathbb{E}[R] = -0.62 R$ в Азиатскую сессию»).
Мониторинг исполнения: выявление деградации брокерского исполнения (рост среднего slippage_bps выше порогового значения активирует алерт инженеру).

Без журнала сделок AI-агент — это просто генератор правдоподобных финансовых галлюцинаций. С реляционным журналом — это строгий квант-аудитор.

7. Практический чеклист перехода к дата-дривен торговле

Для полного отказа от иллюзий субъективного графического анализа рекомендуется внедрить четырехэтапный инженерный протокол:

Нормализация правил входа и выхода:
- Откажитесь от расплывчатых формулировок («покупать при хорошей реакции от уровня»).
- Вход должен описываться детерминированным предикатом: IF (Price cross SMA_200) AND (RVOL > 1.8) AND (Spread < 2 bps) THEN BUY.
Обязательная фиксация трения:
- Каждая сделка в журнале должна логировать точные затраты на комиссию биржи и разницу между расчетной ценой триггера и фактической ценой исполнения ордера (Slippage).
Квантильный аудит объемов:
- Минимальный горизонт оценки гипотезы — не менее 100–150 сделок в стабильном рыночном режиме.
- Если 95%-й бутстрап-интервал пересекает ноль — сетап не имеет статистического преимущества и должен быть отправлен в архив.
Автоматизация через SQLite/CLI:
- Перенесите ведение журнала из таблиц в автоматизированные скрипты или локальную базу данных, интегрированную с торговыми вебхуками биржи.

До тех пор пока торговля строится на субъективном «чтении свечей», трейдер остается заложником случайных блужданий стохастического шума. Переход к строгой телеметрии, расчету математического ожидания и алгоритмической валидации — единственный надежный мост от азартной игры к системному количественному преимуществу.