Машинное обучение

Маленький алгоритмический мир любит состязаться и помогать друг другу. Команда профи-алгоритмистов создала полигон для испытания стратегий и объявляет запуск ArenaGo Open Cup.

О турнире:
Это проверка твоей торговой системы на прочность. Никакой воды, только чистый профит и сухая статистика.

Движок: Торгуй как удобно (API/Manual).
Бенчмарк: Итоговый P&L.
Депозит: 1 000 000 виртуальных рублей.
Награда: Призовой фонд за первое место и признание комьюнити.
🔹 Старт 16 февраля 2026: Регистрация уже открыта.

Здесь можно не только участвовать в конкурсе, но и непрерывно обкатывать новые идеи.
Транслируй свои стратегии инвесторам в режиме реального времени, делись гипотезами внутри комьюнити и расти вместе с нами.

Полигон будет развиваться и дальше.

Каждое соревнование — это тренажер для твоего мышления. До старта тренируйся на площадке и тестируй торговых роботов.

🔗 Регистрация и подробности: arenago.ru

Следите за обновлениями в телеграмм: @ALGORITHM_EXCHANGE

Во втором выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» — разговор с Кириллом, практиком с почти 20-летним стажем: управляющим, арбитражером и технологически подкованным трейдером.

«HFT — это не про скорость ради скорости. Это про архитектуру, латенси и понимание микроструктуры рынка».

Мы не обсуждаем хайп — мы задаём вопросы о том, как на самом деле устроена высокочастотная торговля:  

✅ Что такое HFT сегодня — и чем он отличается от 2000-х

✅ Как начинали тогда — и как входят в профессию сейчас

✅ Скорость подачи заявок: десятки тысяч ордеров в секунду — или уже больше?

✅ Технологический стек: от языков программирования до low-latency инфраструктуры  Это не теория. Это опыт человека, который живёт в миллисекундах — и знает, где ловушки, а где реальные возможности.

ПОСЛУШАТЬ ПОДКАСТ 

наш телеграмм: t.me/ALGORITHM_EXCHANGE 

«Честный разговор с практиком о AI и ML в трейдинге: как алгоритмисту сохранить здравый смысл и не разбиться об иллюзии искусственного интеллекта».

«В трейдинге AI — это не волшебная кнопка, а инструмент, который требует дисциплины и фундаментальных знаний».

В первом выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» мы разбираем мир количественного анализа без маркетингового шума.

Диалог с Тихоном Павловым — количественный аналитик компании «Викинг» и практик, чей подход сформирован на трудах Тьюринга и Дейкстры.

Мы обсудили, почему большинство попыток внедрить нейросети в торговлю заканчиваются провалом и как избежать типичных ошибок при работе с ML-моделями.

ВЫПУСК СЛУШАТЬ

В этом выпуске:
+ Реальный трейдинг vs Buzzwords: где в AI заканчивается хайп и начинается математика.
+ Разбор ошибок: почему классические подходы ИИ часто «ломаются» об рынок.
+ Опыт практика: как управлять арбитражным портфелем и строить стратегии с опорой на здравый смысл.

Мы объявляем о стратегическом альянсе с БФТ-Холдингом (входит в группу компаний «Ростелеком»). БФТ приобретает 49% компании «Полиматика Рус» — разработчика флагманской платформы для аналитики данных Polymatica (BI/ML). 

Цель партнёрства — предложить клиентам госсектора и корпорациям сквозное решение для работы с данными: от управления и подготовки данных до продвинутой визуализации и предиктивной аналитики на базе ML. Альянс объединяет наши уникальные компетенции и ускоряет развитие продукта.

Почему это важно?

🔹 Платформа Polymatica получит дополнительный импульс для роста в сегменте госкорпораций и госсектора.

🔹 BI/ML-направление Polymatica переходит под управление совместной команды, что гарантирует устойчивое и прогнозируемое развитие.

🔹 Наш опыт в AI объединится с ресурсами и рыночным охватом одного из лидеров IT-решений для госсектора.

🔹 Polymatica EPM (корпоративное планирование) остаётся под полным контролем FabricaONE.AI.

Время после нового года решил провести с пользой и окунуться в машинное обучение. Заняться Machine Learning — и посмотреть получится что‑то или нет с российским рынком акций на Московской бирже.

Моей целью было построить такую систему, которая будет учиться на истории и в перспективе торговать лучше чем случайное блуждание 50/50. Но из‑за комиссий и спреда подобные блуждания изначально отрицательны — чтобы выйти в плюс надо как минимум покрывать комиссии.

Если говорить о результатах очень кратко, то технически всё работает, но вот финансовый результат на грани безубыточности.

Если Вы только интересуетесь этой темой Вы можете посмотреть какие‑то шаги в моей статье, а если Вы уже опытный разработчик подобных систем, то можете подсказать что‑нибудь в комментариях.

Причём вся эта работа выглядит совершенно не так как показывается в фильмах про уолл‑стрит: фактически это написание скриптов и монотонный запуск и всё происходит полностью локально на компьютере.

В этом году произошли множество знаковых событий на рынке ВДО, отмечу два частных, которые показали неспособность традиционных методов оценки риска предупредить инвесторов вовремя:

1. Май 2025: Директор МосГорЛомбарда Алексей Лазутин был уличен в инсайдерской торговле — манипулировал своими акциями на основе неопубликованной информации о прибыльности компании
2. Декабрь 2025: Логистическая группа «Монополия» объявила о техническом дефолте по облигациям на 260 млн рублей, хотя проблемы были видны за месяц

Оба случая демонстрируют одну проблему: инвесторы в облигации узнают о рисках слишком поздно. Но причины разные:
— Лазутин — это риск корпоративного управления (governance risk)
— Монополия — это финансовый риск (financial risk)

С учетом активного развития и внедрения LLM, задался вопросом, что если существует система, которая может выявить оба типа риска за часы вместо недель?

Кейс 1 - МосГорЛомбард

Алексей Лазутин — генеральным директором ПАО МГКЛ — компании, которая управляет сетью ломбардов «Мосгорломбард». Активный участник рынка ВДО. На 11 декабря запланирован новый выпуск облигаций на Санкт-Петербургской Бирже.

Последние недели наша небольшая команда работала практически без выходных.
У многих из нас семьи почти не видели — ночные сборки, тесты, переделки, новые модули, очередные сбои, переработка логики, снова тесты.

Но мы дошли до первого важного рубежа.
Сегодня можем показать то, что обычно делает полноценная лаборатория:
прототип автономного AGI-ядра, работающий локально как связная система.

Это не LLM-бот.
Не ассистент с подсказками.
И не интерфейс поверх GPT.

Мы собирали именно архитектуру поведения + память + контекст + восприятие + ядро принятия решений + визуальное тело.

Увидел у себя в ленте подписки youtube вот такое видео:
MACD + AI Trading = 1159% Returns?

www.youtube.com/watch?v=b6GKG-vGUyE

Сразу скажу, что заголовок абсолютно кликбейтный: заявленная доходность в 1159% процентов — это за 15 лет, а CAGR этой стратегии гораздо скромнее — 18.8%. Автор продает свой курс.

Но в качестве упражнения решил проверить эту стратегию на индексе турецкой биржи (BIST100).

На чем основана эта стратегия, и другие похожие AI-стратегии из интернета:
— берется классический индикатор, один или набор (в данном видео это две движущихся средних)
— строится ML (machine learning) модель, которая учится предсказывать доходность актива на следующий день (как цифру или как булевое значение: плюс или минус) в зависимости от этого индикатора на основе либо одного предыдущего дня, либо на серии за несколько предыдущих дней

Как и в этом видео, я взял модель Random Forest, натренировал ее на данных по турецкому индексу за 2005-2025 годы с использованием двух скользящих средних (пробовал разные комбинации дней: 5 и 20, 12 и 26 и др.). Модель должна предсказывать движение биржи (вверх или вниз) на день T+1 на основе значений двух средних на день T.

🚀 Введение: ИИ против рынка — кто кого?

Можно ли с помощью нейросети заработать на фондовом рынке больше, чем руками? Я поставил эксперимент и дал ИИ задачу: анализировать акции Сбербанка (SBER) и выдавать сигналы на основе прогноза. Результат — +20% прибыли за месяц на демо-счёте. В статье — полный разбор: какие инструменты я использовал, какой код написал, и как вы можете повторить всё это шаг за шагом.

🔍 Почему именно Сбербанк и нейросети?

• SBER — ликвиден: высокий объём торгов, идеален для алгоритмических сделок.

• Волатильность: движение цены даёт точки входа.

• Популярность на Smart-Lab: кейс интересен широкой аудитории.

А нейросети, в отличие от людей, не устают, не поддаются эмоциям и умеют видеть закономерности, которые не видны глазом.

⚙️ Эксперимент: +20% за 30 дней

Шаг 1. Сбор данных

Источники:

• moexalgo — данные с Мосбиржи

• yfinance — данные с Yahoo Finance