ТОРГОВЫЕ РОБОТЫ

Привет, друзья! Это Quant Hill. Задумывались ли вы когда-нибудь, что пока вы мирно спите, миллионы сделок на биржах совершаются без участия человека? Нет, это не заговор роботов, а суровая (и очень интересная) реальность современного финансового мира — алготрейдинг. Давайте разберёмся, что это такое, почему это так популярно и стоит ли уже сейчас учить свой холодильник покупать акции Tesla на твитах Маска🤔.

Что такое алготрейдинг и с чем его едят?

 
Представьте: вы не спите сутками, следите за графиками, новостями, индексами, пытаетесь поймать идеальный момент для покупки или продажи. Звучит не так, чтобы хотелось этим заниматься, правда? Алготрейдинг, или алгоритмический трейдинг, приходит на помощь! Это процесс совершения торговых операций на основе заранее заданных правил и алгоритмов, которые выполняет компьютерная программа. Эти программы могут анализировать рыночные данные, принимать решения и отправлять ордера на биржу со скоростью, недоступной человеку.

Это словно ваш личный трейдер, который не устаёт, не отвлекается на перекуры и «пересыпы» и не поддаётся эмоциям. Только этот трейдер — набор кода.  

( Читать дальше )

Привет! Я основатель JT Lab.

Хочу показать нашу комплексную систему - мы реализовали весь цикл: создание, тестирование, продажу роботов. Также у нас есть докер, мультивалютный тестер, магазин...

JT-Trader — это платформа, специально разработанная для работы и управления торговыми роботами. Она предоставляет пользователям комплексный контроль над алгоритмической торговлей, упрощая процессы автоматизации на криптовалютных биржах:

• Запуск и управление роботами

• Надежный мониторинг и стабильность

• Поддержка популярных бирж 

• Гибкие настройки параметров

GitHub JT-Trader: github.com/jt-lab-com/jt-trader

 

JT-LIB — это библиотека с открытым исходным кодом, созданная для разработки торговых роботов на JT-Trader. Она предлагает упрощенный интерфейс для взаимодействия с биржами и реализации стратегий:

• Гибкость и строгая типизация на TypeScript

( Читать дальше )

Для построения и отладки алгоритма, Python гораздо удобней, об этом даже и спорить не надо. Я выбрал Python не только для этого, но и для продакшн, т.е. для построения рабочей системы.
Многие мне говорили, что Python медленный, что все плохо и т.д. Понятно, что на С++ будет быстрее, но ты еще попробуй реализуй на С++ то, что на Python делается с помощью уже готовых и заведомо рабочих модулей. Потому будем сравнивать  Python и С#, т.к. любителей С# тоже достаточно.
Я и раньше говорил, что если не рассматривать простейшие программы, скорости Python и С#, в общем, сравнимы. Но кто я такой, чтобы вы с этим соглашались.))
Решил этот вопрос задать ИИ. Беседа была достаточно продолжительной, касалась нескольких аспектов сравнения, по большинству из которых Python в заметном отрыве от С#.
Приведу итоговую таблицу сравнения, составленную ИИ по моей просьбе:

Думаю, комментировать здесь нечего.

( Читать дальше )

Еженедельно мы анализируем сотни научных работ и препринтов по алготрейдингу, количественным финансам и машинному обучению. Рассказываем о главных направлениях исследований.

1. Алгоритмическая торговля и микроструктура рынка
Исследования сосредоточены на улучшении торговых стратегий. Рассматривают, как учитывать транзакционные издержки и рыночные режимы. Для этого предлагают новые методы управления портфелем FR-LUX (http://arxiv.org/abs/2510.02986v1) и модели книги заявок Mean-field theory (http://arxiv.org/abs/2510.01814v1). Также изучают, как использовать машинное обучение для создания безарбитражных поверхностей волатильности на рынке опционов Risk-Sensitive Option Market Making (http://arxiv.org/abs/2510.04569v1).

2. Оценка рисков и управление портфелем
Разрабатывают новые методы хеджирования деривативов. Например, предлагают объединить обучение с подкреплением и меры безопасности для снижения рисков Tail-Safe Hedging (http://arxiv.org/abs/2510.04555v1). Также исследуют, как оценивать риски в страховании жизни при неопределённости Robust risk evaluation (http://arxiv.org/abs/2510.01971v1). Новые подходы к распределению активов используют трансформеры Signature-Informed Transformer (http://arxiv.org/abs/2510.03129v1).

( Читать дальше )

В рамках этого видео поговорим об индикаторе Alligator.

Посмотрим историю его появления, формулы расчёта, разберём торговые сигналы. Рассмотрим готового робота для OsEngine, в котором использован этот индикатор.

VK Видео: 


RuTube:

( Читать дальше )

Идея описывалась тут: smart-lab.ru/blog/1209629.php и заключается в том чтоб рынок делить на лонговый и шортовый и торговать в них только в одном направлении. В качестве индикатора, который генерит сигнал используется обычная средняя.
Пример исполнения индикатора на картинках. Посмотреть сами индикаторы для QUIK можно в ТК




( Читать дальше )

     Рубрика «Вопрос — ответ». В основном по моему автоследованию и торговым системам вообще.

 

     «А как вы акции по фундаменталу отбираете? Все вручную? Или есть какой алгоритм наподобие «Моментума». И как в целом устроен портфель Ленивец-3 — получается какой-то набор акций по моментуму, а потом дополнительный отбор еще по фундаменталу?»

 

     Мне обычно лень  думать лишний раз. Я смотрю 5-6 каких-то источников (Аленка, Арсагера, Индекс Магов и т.д.), и думаю уже на их основе. Скажем так, сам я идеальный анализ квартального отчета точно не проведу. А главное — не факт, что захочу. Но из двух мастеров, кто это сделает, я скорее всего пойму, кто это сделал лучше. Поэтому мне удобнее занимать метапозицию.

 

     Касательно совмещения подходов, скорее наоборот, чем описали: сначала делается какая-то выборка акций, лучших по фундаменту, их скажем 30-40, и из них берется уже 10-15 лидеров моментума.

( Читать дальше )

( Читать дальше )

Меня иногда упрекают, что я пишу не про трейдинг, а про какие‑то «технические игрушки». Но на самом деле все эти проекты — из одной экосистемы. Ведь алгоритмический трейдинг начинается не с покупки кнопки «BUY», а с умений собирать, очищать и анализировать данные.

Эта история как раз про это — про парсинг, обработку и анализ больших объёмов текстов локальной языковой моделью. Просто вместо новостей или отчётов компаний я анализировал комментарии к своим публикациям. Подход тот же самый, что и в работе с финансовыми новостями: собираем данные, структурируем, прогоняем через модель, выделяем позитив и негатив. В трейдинге это может стать элементом новостного сканера или инструмента для оценки тональности рынка. А в моём случае — это просто удобный способ собрать добрые слова, за которые я всем благодарен.

( Читать дальше )