AFL · Aflac Incorporated
Stock Universe · глобальний фондовий ринокАлгоритмічна стратегія AFL 15m: аналіз низькочастотної моделі з коефіцієнтом виграшу 91.3% та прибутковістю +1153.18%
Детальний кількісний аналіз алгоритмічної торговельної стратегії для акцій AFL на 15-хвилинному часовому інтервалі. Дослідження охоплює 23 завершені угоди за 6.99 року історичних даних, протягом яких алгоритм досяг сукупного результату +1153.18% та ануалізованої прибутковості 126.31%. Стратегія демонструє надзвичайно високу частку прибуткових угод (91.3%) та фактор прибутку (Profit Factor) 6.25, проте характеризується вираженою позиційною тривалістю зі середнім часом утримання 2166.44 години і концентрацією 55.16% валового прибутку у трьох найбільших угодах. Матеріал висвітлює торговий ритм, профіль ризику, річну динаміку та особливості активізації алгоритму у період після 1 червня 2024 року.
Аналіз станом на 13.09.2026. Дані стратегії оновлюються окремо.Читати повний аналіз
1. Профіль алгоритмічної стратегії AFL
Представлена алгоритмічна стратегія розроблена для торгівлі акціями AFL на 15-хвилинному таймфреймі (15m). Попри використання короткого базвого інтервалу графіку, алгоритм функціонує не як високочастотна система чи скальпінг, а як надзвичайно вибіркова позиційна модель. Загальний період бектесту охоплює майже сім років (6.99 року, з 16 вересня 2019 року по 13 вересня 2026 року), протягом яких було згенеровано та закрито лише 23 угоди. За шкалою оцінювання DevioLab даний алгоритм отримав 74.50 балів, посівши 1-ше місце в рейтингу серед стратегій для даного тикера. Загальний історичний результат системи становить +1153.18% сукупного приросту, що еквівалентно ануалізованій прибутковості 126.31% річних. Головною статистичною рисою стратегії є вкрай висока точність входів: із 23 виконаних операцій 21 виявилася прибутковою, що дає виняткову частку виграшних угод у 91.30%. Фактор прибутку (Profit Factor) за весь період спостереження досяг позначки 6.25. Логіка даного алгоритму може слугувати математичною основою для налаштування автономних торгових роботів, торгових ботів та алгоритмічних агентів, орієнтованих на позиційне утримання активів із високим ступенем фільтрації ринкового шуму.
2. Торговий ритм та тривалість утримання позицій
Статистичний аналіз часових параметрів демонструє суттєву розбіжність між таймфреймом розрахунку (15m) та реальним часом перебування в позиції. Середня тривалість утримання угоди становить 2166.44 години (понад 90 календарних днів), тоді як медіанна тривалість дорівнює 812.75 години (близько 33.8 дня). Таке перевищення середнього значення над медіанним свідчить про наявність у вибірці декількох наддовгих позицій, які алгоритм утримував протягом багатьох місяців для максимізації трендового руху. Ритм виходу з позицій також підтверджує низьку частоту операцій: середній інтервал між закриттям угод складає 107.93 дня, а медіанний — 46.89 дня. У середньому система здійснює лише 3.29 угоди на рік, або 1.15 угоди на активний місяць. Це означає, що автоматизований торговий бот під управлінням цієї стратегії більшість часу перебуває у стані очікування або утримує раніше відкриту позицію, не здійснюючи хаотичних внутрішньоденних операцій. Для торгових агентів такий ритм мінімізує потенційний вплив проковзування, хоча вимагає значного терпіння та капітальної стійкості.
3. Структура та якість історичних результатів
Якість результативності стратегії характеризується вираженим асиметричним розподілом прибутків. Середній результат на угоду становить +13.61%, проте медіанна угода принесла +6.53%. Наявність суттєвого розриву між середнім та медіанним показниками пояснюється наявністю окремих надзвичайно прибуткових трейдів. Найкраща угода за всю історію показала прибутковість +71.99%, тоді як найгірша завершилася збитком у -24.18%. Важливою вимогою до оцінки якості є аналіз концентрації прибутку. Три найприбутковіші угоди згенерували 55.16% від усього валового прибутку стратегії. Це свідчить про те, що понад половина підсумкового фінансового результату за сім років була забезпечена лише трьома успішними трейдами. Водночас виняткова частка перемог (91.3%) та тривала серія з 21 прибуткової угоди поспіль підтверджують, що система стабільно закриває більшість позицій із плюсом, хоча основний масштабний приріст капіталу забезпечується кількома потужними імпульсами.
4. Аналіз ризиків, просідання та збиткових угод
За весь семирічний період стратегія зафіксувала лише дві збиткові угоди з 23, що обумовило максимальну серію збитків лише в 1 угоду. Попри виняткову частку успішних входів, максимальне історичне просідання (Max Drawdown) досягло 24.18%. Характерно, що цей показник маймайже точно збігається з параметром найгіршої угоди (-24.18%). Це співпадіння вказує на те, що основний ризик системи сконцентрований не в накопиченні серії дрібних збитків, а в поодиноких глибоких корекціях, коли ринок рухається проти позиції до моменту спрацьовування стоп-сигналу. При описі поведінки торгового робота важливо враховувати, що потенційна віддача (середня угода +13.61%) перебуває у певному напруженні з ризиком поодинокої збиткової угоди (-24.18%). Високий Profit Factor (6.25) забезпечується саме рідкістю таких збиткових подій, проте кожен окремий збиток може бути відчутним для поточного балансу рахунку.
5. Часова динаміка та річна стабільність
Розподіл торгівлі за роками (yearly_breakdown) виявляє вкрай нерівномірну щільність угод у часі, що характерно для суворих алгоритмічних фільтрів. У 2020 році стратегія виконала 5 угод (4 виграшні, 1 збиткова, сумарно +97.51%). Протягом наступних трьох років — 2021, 2022 та 2023 — торгова активність знизилася до мінімуму: система закривала лише по 1 угоді на рік, хоча всі вони були прибутковими (+60.35%, +10.12% та +17.23% відповідно). Починаючи з 2024 року, торговий ритм істотно прискорився. У 2024 році було зафіксовано 3 угоди (+77.64%, 100% win rate). У 2025 році кількість закритих позицій зросла до 7 (усі 7 прибуткові, сумарний результат +26.80%). У 2026 році (до вересня) зафіксовано 5 угод (4 виграші, 1 збиток, сумарно +23.37%). Таким чином, історичний масив чітко ділиться на період низької частоти (2021–2023) та період підвищеної торгівлі (2024–2026), що відображає зміну ринкової динаміки або частіше виконання умов алгоритму.
6. Порівняльний аналіз періоду з 1 червня 2024 року та повної історії
Окремий аналіз останнього часового вікна починаючи з 1 червня 2024 року демонструє високу концентрацію новіших даних. З 23 загальних угод за історію, 15 угод було закрито саме у період після 01.06.2024. Сумарна прибутковість за цей відрізок склала +127.81%. Порівняння показує, що якщо за перші 4.7 року (до червня 2024) було виконано лише 8 угод, то за останні два роки торгова агентна модель згенерувала майже 65% усіх закритих позицій дослідження. При цьому збереглася висока ефективність входів: лише 1 збиток із 15 угод у даному вікні. Це свідчить про те, що алгоритм не втратив здатності адаптуватися до ринку акцій AFL у сучасному середовищі, хоча збільшення частоти угод супроводжувалося зниженням середнього прибутку на один трейд порівняно з великими трейдами минулих років.
7. Сильні сторони та статистичні обмеження
Ключовими сильними сторонами алгоритмічної стратегії є: - Виняткова точність входів (Win Rate 91.3% та серія з 21 виграшної угоди поспіль). - Високий коефіцієнт прибутковості (Profit Factor 6.25). - Значна сукупна та ануалізована прибутковість (+1153.18% загалом, 126.31% річних). - Стійка результативність у сучасному часовому вікні з червня 2024 року. Водночас присутні чіткі статистичні обмеження: - Мала вибірка угод (усього 23 закриті позиції за 7 років), що знижує статистичну репрезентативність порівняно з високочастотними системами. - Концентрація прибутку: 55.16% результату залежить лише від 3 найкращих угод. - Ризик поодинокого збитку: найгірша угода (-24.18%) сформувала весь основний обсяг максимального просідання (24.18%). - Тривалий час очікування: медіанний час між виходами з позицій становить майже 47 днів.
8. Аналітичний висновок DevioLab
Стратегія AFL 0 +1153.18% 1TRAD-BFJ2 є прикладом високовибіркової позиційної моделі, побудованої на 15-хвилинних даних акцій AFL. Поєднання високої частки успішних угод (91.3%) та прибутку понад 1150% забезпечило їй 1-ше місце в рейтингу DevioLab для цього інструменту з оцінкою 74.50. Проте інвесторам та розробникам алгоритмічних систем варто зважати на специфіку розподілу ризику: стратегія заробляє за рахунок рідкісних, але тривалих і масштабних утримань позицій, тоді як поодинокий збиток може сягати 24%. Дана математична модель демонструє високу історичну ефективність для використання в автоматизованих торгових роботах та ботах, але вимагає від оператора дисципліни, довгострокового горизонту планування та суворого дотримання правил ризик-менеджменту.
9. Межі даних та методологія дослідження
Усі наведені у статті показники розраховані виключно на основі симуляції історичних закритих угод (backtest) для акції AFL у період з 16 вересня 2019 року по 13 вересня 2026 року. Початок історії відображає лише дату старту даного набору даних стратегії, а не дату заснування чи первинного розміщення (IPO) компанії. Зазначені відсотки прибутковості та просідання є результатом математичного моделювання і не враховують можливих реальних торгових комісій, біржових зборів, проковзування (slippage) або ліквідності конкретного брокера. Минулі результати бектесту не є гарантією майбутньої прибутковості. Матеріал має semainal-науковий та аналітичний характер і не становить індивідуальної інвестиційної чи фінансової поради.