алгоритм для трейдинга

Хочу сделать небольшой анонс, уже сейчас провожу тестирование работы приложения onlytrade.ru/find/level с фьючерсами, и скоро оно будет доступно всем. Полностью переработаны некоторые разделы, как внешне, так и перебраны все «шестеренки под капотом» — это позволит проводить дальнейшие расширения возможностей.

Еще немного проработал детали отображения мини-приложения Telegram t.me/OnlyTradeAppBot. Разделена визуализация для систем на Android и iOS, что позволило учитывать особенности каждого типа. И это уже доступно. 👨‍💻

А за окном уже «Уиткафбрь», очень хочется получить под новый год подарок, которого ждут 🤝. Потихоньку людей начинает захватывать состояние предпраздничной суеты, какого-то приятного волнения и атмосферы конфетти...🎊

     100 лет ничего не писал, ибо не хотелось и не моглось, но тут вот решил поделиться мыслями. Думающий читатель намотает на ус, ну а дурак, ну что дурак, мимо пусть идёт. Хотел начинающим алготрейдерам, если тут еще такие есть, подкинуть информацию к размышлению, как «копать» и почему решения могут быть крайне простыми, эффективными и дерзкими.

     Внимательный и думающий исследователь, заметил эволюцию технических средств ведения боя. Как  появление дронов изменило классическую картину сражения, казалось бы детская игрушка напрочь поломала концепцию классического танкового боя. Но применение «мангалов» стало эффективным методом борьбы против дронов. Как «Панцири» со своими простейшими ракетами и пушками, предназначенные для защиты более серьёзных комплексов ПВО, стали грозным и эффективным средством уничтожения дронов, а серьёзные комплексы пока не очень эффективны по малым целям. А эволюция самих дронов?! Научились их глушить с помощью РЭБ, но появились дроны с катушками оптико-волоконного кабеля, которым пофигу на РЭБ (решение казалось бы идиотское), но это работает!!! Теперь дроны на оптико-волокне подавляют РЭБ, а потом идут в бой классические дроны и как видим это тоже простое, но крайне эффективное решение.

Алгоритмическая торговля на Московской бирже с помощью терминала QUIK остаётся популярным способом автоматизировать стратегии. В этой статье мы напишем грид-бота, который выставляет ордера сеткой вокруг текущей цены и зарабатывает на колебаниях.

🔧 Что такое грид-бот

Грид-бот (от англ. grid — сетка) — это торговый алгоритм, который выставляет ордера (лимитки) на покупку и продажу через равные интервалы цены.

Простейший сценарий:

• Цена идёт вниз — бот набирает позицию по мере снижения.

• Цена возвращается вверх — бот закрывает покупки продажами, фиксируя прибыль на каждом «шаге сетки».

Таким образом бот «ловит пилу», зарабатывая на флэте и колебаниях.

В коде ниже реализована версия с:

• стопом/тейком для бота.

• Пересчётом средней цены позиции.

• Подсчётом реализованного и нереализованного PnL.

⚙️ Подключение Python к QUIK

Чтобы Python «видел» терминал QUIK, нужен связующий слой. Есть несколько способов:

• QUIK LUA scripts (QLua) — встроенные скрипты на Lua.

В трейдинге часто говорят: «Цена — это следствие, объём — это причина».
Именно так я наткнулся на одну простую, но крайне интересную закономерность: если в момент падения появляется свеча с объёмом, который в два раза превышает средний за последние 60 дней, — то на следующей свече часто начинается рост. Об этой идее упомянул довольно популярных трейдер spicy в твиттере.

Звучит почти как байка, но я решил проверить это на практике — с помощью кода, бэктеста и живой реализации на бирже.

💡 Идея

Гипотеза звучит просто:

Если дневная свеча красная (то есть закрылась ниже открытия)
и её объём в 2 раза больше, чем средний объём за последние 60 свечей —
то на следующей дневной свече можно открыть лонг, и к закрытию следующего дня это даст положительный результат.

То есть, мы ищем момент капитуляции — когда рынок падает, но при этом объём всплескивает, как будто кто-то крупный вышел из позиции.

И именно после таких разгрузок часто начинаются разворот

Привет, Смартлаб.

Дисклеймер: книжек не читал, теханализом никогда не увлекался, на истину не претендую, в терминах могу ошибаться, просто описываю свой первый опыт.

Примерно год назад смотрел динамику своего портфеля в сравнении с бенчмарками LQDT и MOEX. И думал, эх, тут бы всё продать, переложиться в LQDT, а вот здесь совершить обратную рокировку. Даже придумал худо-бедный алгоритм для своей торговой системы. Совершил подход — заблудился в 3-х соснах IDE для Python + нужная версия Python + нужные библиотеки. Забил.

В начале апреля запал этой идеи вновь разгорелся. Методом проб и ошибок нашёл основные столпы для своей системы:

1. Разработка — Python, потому что по работе немного умел скопировать чужое и наложить на своё
2. Брокер — Т-Инвестиции. Потому что он у меня уже и так есть. А ещё есть нормальная документация: https://github.com/RussianInvestments/invest-python , https://tinkoff.github.io/investAPI/faq_python/
3. Крутой тип, который доступно объясняет, как со всем этим работать: https://azzrael.ru/api-v2-tinkov-invest-getportfolio , https://www.youtube.com/watch?v=QvPZT5uCU4c

Всем, Добрый день!

Меня зовут Андрей Счастливый. Пишу на Python. Месяц назад разбираясь с одним пакетом для бэктестинга торговых стратегий на C был очень разочарован в низкой скорости. А ведь в пакете для бэктестинга самое главное скорость и вообще возможность массово пакетами тестировать торговые стратегии. Решил написать на Python свой бэктестер с GPU.

За месяц написал пакет и вот ближе к делу, хочу рассказать о нём. Тянуть не буду сразу в лоб, цифры в факты.

WarpTrade — высокопроизводительный GPU-бэктестинг торговых стратегий, написанный на Python с использованием Taichi. Проект построен на модульной архитектуре с универсальным движком, способным запускать любые торговые стратегии через систему регистрации ядер. В основе лежит алгоритм собственной разработки.

Писал и тестировал пакет на следующем железе, цифры будут относиться к тестам на данном железе: рабочая станция Lenovo P15, процессор Xeon W-10885M 8/16 ядер, 64 Gb ram, видео Nvidia Quadro RTX5000 с 16 Gb видеопамяти.

На этой неделе больше всего исследований посвящено квантовым вычислениям и машинному обучению в трейдинге и управлении рисками. Ученые ищут способы улучшить торговые стратегии, оптимизировать портфели и точнее прогнозировать рынки.

1. Квантовые вычисления в финансах (q-fin.CP, q-fin.TR)
Исследуют, как квантовые алгоритмы могут повысить точность финансовых моделей. Например, в этой работе (http://arxiv.org/abs/2509.17715v1) показано, что квантовые компьютеры помогают лучше оценивать вероятность исполнения заявок в трейдинге облигациями. Метод дает прирост точности до 34%, несмотря на шум в квантовых вычислениях.

Другое исследование (http://arxiv.org/abs/2509.16955v1) тестирует квантовые алгоритмы для автоматических маркет-мейкеров в DeFi. Они помогают эффективнее перебалансировать портфели и дают лучшую доходность с учетом риска.

2. Машинное обучение в трейдинге (cs.LG, q-fin.PM, q-fin.TR)
Продолжают улучшать торговые стратегии с помощью нейросетей. В одной из работ (http://arxiv.org/abs/2509.16707v1) предложен фреймворк, который генерирует сигналы для 800+ акций США с низкими затратами и высокой эффективностью (хороший коэффициент Шарпа, слабая корреляция с рынком).

Хоть СЛ — давно не место для опционов, но, вдруг, кому-нибудь одному подойдет этот лайфхак. Для него и цвету пишу.

Вообще-то, бесплатно расчет дельты для моей конструкции с достаточной точностью производится в «Разработчике стратегий» Квика.

Но не сидеть же целый день у монитора!

Каждую неделю мы просматриваем десятки-сотни новых научных работ по трейдингу и алгоритмам. Вот что выделилось на этой неделе.

1. Как предсказать волатильность крипты
Криптовалюты сильно прыгают в цене, поэтому их сложно прогнозировать. В статье Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts предлагают новый метод – QRS. Он оценивает вероятности резких скачков на логарифмах данных. Простые линейные модели с ним работают лучше сложных.

Другое исследование – Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies – добавляет к анализу настроения из соцсетей и технические индикаторы. Стратегия дала +38,7% против +8,85% у Bitcoin, но и просадки у неё выше (-18,5%).

Вывод: крипту стоит анализировать не только по цифрам, но и по настроению рынка.

2. Нейросети для портфелей
LSTM-сети (особый тип нейросетей) хорошо предсказывают изменения в портфелях. В работе Investment Portfolio Optimization Based on Modern Portfolio Theory and Deep Learning Models их используют для расчёта корреляций активов. Результаты лучше, особенно на долгих периодах.