Раннее писал о том, как наконец запустил обучение нейронных сетей в связке Metatrader+dll+R+Python+(Deepnet, Keras, Tensorflow и др).

https://smart-lab.ru/blog/1350243.php#comment19932474

Раз все теперь работает корректно, можно продолжить эксперименты.

В предыдущий раз, я использовал более менее дефолтные настройки, которые уже не раз запускал для отладки работы самих алгоритмов и технологической связки.

Настало время немного “подкрутить” параметры. Для иллюстрации, того, как изменится кривая Equity изменим параметры учителя немного, а именно сделаем два канала и синхронизируем их. Все, что не удалось синхронизировать в одинаковую сторону сигналы двух каналов, обозначим, как NA и в последствии уберём из обучающей выборки.

Период, принципы торговой системы (ТС) из предыдущей статьи и другие параметры сетей изменять не будем (пример №1 из предыдущей статьи).

Был запущен дополнительный вариант тестирования, при котором позиция закрывалась на следующем баре, если не достигла заданного TP. Посмотрим, что получилось.

Именно такое название хотелось обозначить и закрыть свой “гештальт” в вопросе целесообразности (эффективности) использования каких либо “индюков” (индикаторы) или ML/DL при предсказании (найти в хаосе тренд) будущей цены на валютных парах.

Наверное, много, кто “гонял” оптимизатор и история, чтобы найти оптимальные параметры на какой-то срок, потом круг повторялся, когда все ломалось. Мне надоело, так делать и мне хотелось, чтобы механизм нейронных сетей (ML/DL) делал это за меня и за тестер. Так, начал свой “ресерч” (мне было очень интересно сравнить разные сигналы в одинаковых условиях ТС), потом забрасывал на годы, потом пересматривал и вот наконец, все таки, “добил” и оно “заработало”.

Предлагаю выбрать (LSTM, DNN_v1, RSI, DNN_v2, Random) и написать свой ответ в комментариях, какому варианту результата соответствует данный график Equity:

В данном видео собрал элементы моего варианта автоматизированной работы с финансовыми инструментами в одном видео: #API брокеров (#Финам, #Алор, #Т-Инвестиции), работа с отчётностью Финам, скрипт парсинга отчетности и загрузки в PostgreSQL, #дашборд #BI #Yandex #DataLens, где собраны ключевые показатели агрегировано со всех счетов брокеров, в качестве хранилища данных (ХД) выступают #PostgreSQL и #ClickHouseDB.

Для меня данная сборка проекта работает хорошо.

Посещал 27.09.2025 конференцию Викинга https://kimkarus.ru/go/smart-lab-post-shardin-viking/ (Шардин Михаил лучше всего осветил событие), познакомился с мощными представителями арбитражной торговли на финансовых рынках.

По результату решил, что обязательно нужно попробовать реализовать коннектор к #API платформы Викинга для своей автоматизированной стратегии облигациями (#BI Дашборд — https://imkosarev.ru/go/publichnyj-dashbord-avtomatizirovannyj-strategii-na-rynke-obligacij/), чтобы еще быстрее и точнее входить в рынок.

Договорились Ефимом (директор по развитию), что попробуем.

Ефим, Рамиз и Дмитрий из компании Викинг спасибо вам за предоставленную возможность поработать с вашей платформой!

Еще спасибо Артему из #Финам за быстрое подключение к #FAST.

Организовали доступ, начал писать коннектор к платформе API VIKING и одновременно адаптировать под свою стратегию.

Поскольку платформа заточена под арбитражную торговлю, сразу стало понятно, что портфель брокера не равно портфель на платформе.

Предыдущий опыт (разработка, тестирование и эксплуатация) использования алготрейдинга оказался достаточно удачным. Пришло время обновления для новыми решениями в своей автоматизации на #Python

• реализовал безопасный сброс позиций на плохих новостях или котировках

• реализовал алгоритм ежедневного мониторинга для ребалансировки портфеля

Как и раньше только своими силами и за свои, реализую в алгоритмах лучшие практики и находки на конференциях Смартлаба!

https://kimkarus.ru/2025/06/27/realizoval-i-zapustil-novye-mehaniki-dlya-svoego-proekta-algotrejdinga/