Каждый трейдер знаком с этим неприятным чувством: цена идеально идет к вашей цели, но за мгновение до этого делает резкий рывок в обратную сторону, выбивает ваш стоп-лосс и только потом разворачивается. Кажется, будто вас специально выбивает Маркетмейкер.

Концепция "Smart Money" (SMC) в трейдинге базируется на идее отслеживания действий крупных, или "информированных", участников рынка. Практические методики, предлагают набор визуальных паттернов (Order Blocks, FVG, Break of Structure) для идентификации зон потенциального интереса этих игроков. Однако для систематической проверки и автоматизации данных подходов требуется переход от качественного визуального анализа к количественной формализации.

Основная задача статьи - не создание торгового успеха, а построение и верификация модели, которая описывает паттерны SMC через призму микроструктуры рынка.

Что такое ликвидность?

Фундаментальным механизмом ценообразования на современных электронных рынках является книга лимитных ордеров (Limit Order Book, LOB). LOB представляет собой динамический список всех активных заявок на покупку и продажу актива по заданным ценам. Для формализации этого механизма мы будем опираться на стохастическую модель, предложенную в работе Cont, Stoikov & Talreja.

Состояние LOB в момент времени t можно описать набором объемов V(p,t), размещенных на каждом ценовом уровне p. Ключевыми характеристиками являются:

Лучшая цена продажи

Лучшая цена покупок

Спред

Понятие "глубина рынка" относится к объему, доступному на лучших ценовых уровнях. Однако для анализа SMC-паттернов требуется более общее определение.

Введем формальное определение "пула ликвидности" L(p,Δ,t). Это суммарный объем отложенных лимитных заявок в диапазоне цен [ p−Δ,p+Δ ] в момент времени t. Математически это выражается как сумма объемов на всех ценовых тиках qi​ внутри данного диапазона:

Эта метрика L(p,Δ,t) является нашим ключевым инструментом. Она позволяет количественно оценить концентрацию ликвидности вокруг интересующих нас ценовых уровней, что является необходимым условием для последующей идентификации Order Blocks и других SMC-паттернов. Величина Δ определяет ширину анализируемой зоны.

Участники рынка открыли свою шорт-позицию от какой-то цены, следовательно их стоп лосс, будет выше локального хая. В случае пробития, у них начнут срабатывать STOP-LOSS, а SL по шорту - всегда покупка. Поэтому, в случае пробития, необходимо искать оптимальную точку входа в лонг.

Гипотеза «Smart Money»

Если первая часть была про статику, то здесь мы переходим к динамике. Как действия "умных денег" оставляют следы на графике, которые мы и называем паттернами?

Паттерны SMC, такие как Order Blocks (OB) и Fair Value Gaps (FVG), являются макроскопическими проявлениями фундаментальных процессов в LOB. Эти процессы управляются действиями информированных трейдеров, чье поведение моделируется в классических работах по микроструктуре рынка.

Модель Кайла (Kyle, 1985) постулирует, что информированные трейдеры (аналог "Smart Money") обладают частной информацией о будущей стоимости актива. Их последовательные действия по исполнению ордеров (order flow) не являются случайными и постепенно сдвигают рыночную цену к новому равновесному уровню.

Ключевым механизмом, связывающим действия крупных игроков с ценовыми движениями, является ценовое влияние (price impact). Исполнение крупного рыночного ордера приводит к потреблению ликвидности из стакана, что вызывает немедленное изменение цены. Эмпирические исследования, обобщенные в обзорах Ж.-Ф. Бушо (J.-P. Bouchaud), показывают, что это влияние нелинейно. Для крупных ордеров (метаордеров) среднее изменение цены ΔP часто описывается степенным законом, известным как "square-root law":

где V — это объем исполняемого метаордера. Эта зависимость означает, что "сбор ликвидности", наблюдаемый в паттернах OB, где концентрируются и исполняются крупные заявки, должен приводить к статистически значимому и измеримому ценовому импульсу. Следовательно, паттерны OB и FVG можно интерпретировать как "следы" исполнения метаордеров информированными участниками, а величина нашего ранее введенного индекса ликвидности L(p,Δ,t) в зоне перед импульсом может служить прокси-метрикой для оценки размера этого метаордера.

Практика

Переход от теории к практике требует трансляции визуальных правил из методички в формальный алгоритм.

Препроцессинг и идентификация структурных точек (свингов). На вход подаются исторические данные OHLCV. Первым шагом является определение локальных экстремумов — Swing High и Swing Low. Согласно правилам, Swing High — это свеча, максимум которой выше максимумов N предыдущих и N последующих свечей. Swing Low определяется зеркально. Эти точки формируют базовую структуру рынка.

Order Block (OB). Order Block формализуется как последняя свеча противоположного направления перед сильным импульсным движением, которое приводит к слому структуры (BoS/CHoCH). Алгоритмически, это свеча, в диапазоне которой наблюдалась высокая концентрация ликвидности, оцененная через метрику L(p,Δ,t) или через аномальный объем.

Бычий OB - Красной свечей цена поставила лой, а следующей свечой уже полноценно заполнила красную и ушла еще выше - видим структуру OB, но это не все. В следующий раз цена вернулась к этому OB и получила моментальный отскок. Настоящий OB всегда находится на открытии свечи и поэтому реакцию мы получаем также оттуда. Реакцию получили, следовательно можем на него опираться и рассматривать его как подтвержденный OB.

Медвежий OB - Зеленой свечей цена поставила хай, но следующей свечой заполнила предыдущую неполноценно. При возврате к OB тенью ушли выше OB, тень не означает пробитие. А после подтвердили его значимость, захватили ликвидность и пошли вниз снова.

Fair Value Gap (FVG). FVG (или ценовой дисбаланс) представляет собой зону неэффективного ценообразования. Он идентифицируется по паттерну из трех последовательных свечей. Для бычьего FVG, максимум первой свечи находится ниже минимума третьей. Формальное условие существования бычьего FVG: pmax(i−1)​<pmin(i+1)​ где i — индекс центральной свечи.

Cлома структуры (BoS и CHoCH). Break of Structure (BoS) фиксируется, когда цена обновляет структурный максимум (в восходящем тренде) или минимум (в нисходящем).

Обновление локального максимума или минимума внутри структуры. Если структура восходящая, то BOS будет обозначаться на локальных хаях и каждое их обновление будет сигнализировать о продолжении текущего тренда (структуры).

Если движение нисходящие, то BOS будет находиться на локальных лоях.

Change of Character (CHoCH) — это первый слом структуры в противоположном направлении, сигнализирующий о потенциальной смене тренда. Алгоритмически это сводится к сравнению текущей цены с уровнями предыдущих идентифицированных свингов.

Сигнал о смене текущей структуры. При восходящем движении, CHoCH будет в виде локального лоя, который был пробит

При нисходящем движении, CHoCH будет в виде локального хая, который также был пробит.

Композитные и контекстуальные паттерны

На основе базовых элементов строятся более сложные формации, которые учитывают не только форму, но и контекст рыночного движения.

Balance Prime Range (BPR). Данная структура формализуется как область, где два последовательных FVG противоположных направлений частично или полностью перекрывают друг друга. Например, за бычьим FVG следует медвежий FVG, который возникает в том же ценовом диапазоне. Это указывает на зону, где доставка цены была осуществлена эффективно в обе стороны, создавая временный баланс, который может выступать в качестве сильной поддержки или сопротивления.

Breaker Block (BB). Этот паттерн является формализацией неудачной попытки удержать уровень поддержки/сопротивления с последующим захватом ликвидности. Алгоритм детекции бычьего BB:

Полноценная структура Breaker Block считается подтвержденной, если цена пробила eqh и образовала BB. В основном, пробой eqh (далее уже BB) всегда осуществляется импульсным движением.

Mitigation Block (MB). Вариация Breaker Block, которая сигнализирует о слабости одной из сторон. Алгоритм детекции бычьего MB отличается от BB ключевым шагом:

1.     Идентифицируется Swing Low (SL1) и Swing High (SH1).
2.     Цена формирует следующий минимум Swing Low (SL2), который не пробивает SL1 (failed swing).
3.     Затем происходит импульсивный пробой уровня SH1.
4.     Зона SH1 классифицируется как Mitigation Block. Неспособность продавцов обновить минимум указывает на их слабость и повышает вероятность отработки данной зоны в качестве поддержки.

Order Flow (OF). Потоки ордеров представляют собой институциональные зоны интереса. Алгоритмически они детектируются как фазы консолидации (бокового движения) внутри выраженного тренда. Эти зоны характеризуются высоким объемом торгов при малом изменении цены, что свидетельствует о процессе накопления/распределения крупных позиций. При последующем возврате цены к таким зонам, они часто выступают в роли поддержки или сопротивления из-за наличия неисполненных лимитных ордеров.

Временные закономерности и циклы рынка
Эффективность вышеописанных паттернов не является равномерно распределенной во времени. Активность алгоритмов крупных игроков часто концентрируется в определенные временные окна. Торговые сессии (Kill Zones). Анализ волатильности показывает ее всплески во время ключевых торговых сессий: Лондон (02:00-05:00 UTC-4) и Нью-Йорк (07:00-10:00 UTC-4). Паттерны, формирующиеся внутри этих "Kill Zones", имеют статистически более высокую вероятность отработки. Азиатская сессия (20:00-00:00 UTC-4) часто характеризуется более низкой волатильностью и формированием диапазона (накопления).

Модель AMD (Накопление, Манипуляция, Распределение). Этот цикл представляет собой обобщенный шаблон внутридневного или внутринедельного движения цены:

• Накопление (Accumulation): Период низкой волатильности, формирование торгового диапазона (часто в Азиатскую сессию).

• Манипуляция (Manipulation): Ложный пробой границ диапазона накопления с целью активации стоп-ордеров (захват ликвидности). Часто происходит на открытии Лондона.

• Распределение (Distribution): Истинное направленное движение дня/недели, которое следует за фазой манипуляции. Это движение характеризуется формированием неэффективностей (FVG) и движением к противоположному пулу ликвидности.

Автоматизация

Статический, основанный на жестких правилах, бэктест показывает среднюю эффективность SMC-паттернов. Однако не все идентифицированные зоны (OB/FVG) отрабатывают одинаково. Логичным шагом является применение моделей машинного обучения (ML) для оценки вероятности реакции цены на ту или иную зону.

Постановка задачи: Задача формулируется как бинарная классификация. Для каждой обнаруженной SMC-зоны мы хотим предсказать, произойдет ли от нее ожидаемая реакция (класс 1) или зона будет пробита (класс 0).

Формирование признакового пространства (Feature Engineering): В качестве предикторов для модели используются количественные характеристики зоны и рыночного контекста:

• Характеристики зоны: Глубина FVG, объем и размер OB, наличие ликвидности (старых high/low) рядом.

• Контекст: Волатильность (ATR), время суток (торговая сессия), кумулятивная дельта объема (CVD), дисбаланс в LOB.

Архитектура модели: Для решения задачи классификации временных последовательностей могут быть применены рекуррентные нейронные сети (RNN/LSTM). Работа Dixon et al. (2017) демонстрирует успешное применение RNN для предсказания следующего движения цены ("price flip") на основе данных LOB. Аналогичная архитектура может быть адаптирована для нашей задачи: на вход подается последовательность состояний рынка (признаков), предшествующих формированию OB/FVG, а на выходе модель выдает вероятность отработки зоны.

Для более простой и быстрой оценки значимости признаков можно использовать градиентный бустинг (XGBoost), обученный на "плоском" наборе признаков, описывающих зону в момент ее формирования.

Оценка модели: Качество классификатора оценивается с помощью стандартных метрик, таких как Precision, Recall и ROC-кривая (Receiver Operating Characteristic), которая наглядно демонстрирует способность модели отделять "сильные" сигналы от "слабых".

Сравнение с эмпирикой метаордеров

Наши рассуждения о price impact и Order Blocks находят прямое подтверждение в эмпирических исследованиях исполнения метаордеров. Метаордер — это крупный институциональный ордер, который для минимизации своего влияния на цену исполняется постепенно, серией более мелких дочерних ордеров, в течение определенного времени.

Работы, такие как "A million metaorder analysis", детально анализируют такие последовательности сделок и их влияние на рынок. Ключевой вывод этих исследований заключается в том, что исполнение метаордера оставляет четко идентифицируемую "подпись" в данных:

1.     Концентрация объема: В определенном ценовом диапазоне происходит аномальное увеличение торговой активности. Это в точности соответствует нашей концепции Order Block как зоны с высокой концентрацией ликвидности L(p,Δ,t).

2.     Устойчивый Price Impact: Исполнение метаордера вызывает направленное и статистически значимое смещение цены, которое хорошо описывается степенным законом (∣V∣​), упомянутым ранее. Этот импульс является тем, что в SMC называется "движением, снимающим ликвидность" и формирующим FVG.

Таким образом, визуальные паттерны SMC не являются случайными формациями. Они представляют собой макроскопическое отражение микроструктурного процесса исполнения метаордеров крупными игроками.

Заключение

Мы продемонстрировали, что ключевые паттерны SMC, такие как Order Blocks, FVG и их производные (Breaker и Mitigation Blocks), могут быть строго формализованы через анализ книги лимитных ордеров (LOB), динамики ликвидности и ценового влияния.

В статье отражена не полная информация, которую я хотел бы вам преподнести. Скорее всего я чуть-чуть попозже выложу полноценную методичку по всему этому уже в канал, и дополню эту статью со временем. И если вы искренне оценили сам прочтенный материал, то приглашаю вас к нам в канал(ссылка). У нас в чате и в канале рабочая атмосфера 24/7, помогаем друг другу выходить из плохих сделок, делимся сетапами, аналитикой и полезным обучающим материалом.

Основной вывод заключается в том, что данные паттерны не являются случайными формациями, а представляют собой макроскопические "следы" фундаментальных рыночных процессов, а именно — исполнения метаордеров информированными участниками. Введение контекстуальных фильтров, таких как временные циклы (Kill Zones, AMD), позволяет повысить прогностическую ценность этих формаций.

Список литературы на которые ссылался

1. Bouchaud, J. P. (2017). Price Impact. Capital Fund Management.

2. Cont, R., Stoikov, S., & Talreja, R. (2010). A stochastic model for order book dynamics. Available at SSRN 1127302.

3. Dixon, M. (2017). Sequence Classification of the Limit Order Book using Recurrent Neural Networks. arXiv preprint arXiv:1707.05642.

4. Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica, 53(6), 1315-1335.