Machine Learning

Лето подходит к концу и я хочу рассказать о своём увлечении последних месяцев — машинном обучении (Machine Learning) на данных Московской биржи. Эта тема уже давно не даёт мне покоя и в этот раз я решил подойти более основательно — активно использовал новейшие языковые модели, типа Claude Sonnet 5, Gemeni 3.7 Flash не только для написания кода, но и для работы с результатами этих скриптов. При этом не использовал полностью автономных агентов — все языковые модели работали как консультанты в чате — все решения принимал я, в том числе какую исходную информацию давать конкретной модели на каждом из этапов.

Предвидя будущие вопросы я сразу отвечу что это мой эксперимент и он не только не зарабатывает, но и пока даже непонятно чем закончится — сейчас это всё в процессе. Эту статью решил написать не чтобы «засветить трейдерским граалем» — которых я кстати считаю что не существует, потому что вся информация общедоступна. Эта статья написана чтобы рассказать как есть об этой ML теме без прикрас и познакомиться с комментариями — среди негатива (обычно так) проскакивают интересные мысли. Я сам не работаю в финансах и моя позиция больше исследовательская, так что раскрыть какие‑то корпоративные секреты я не могу — просто прощупываю путь перед собой.

Наткнулся недавно на интервью от сентября 2025 года с Эрни Чаном (Ernie Chan) — это известный эксперт в области количественных финансов и алгоритмической торговли, частный алготрейдер и управляющий. Они известен как квант (quantitative analyst) то есть специалист, использующий математические и статистические методы для разработки автоматизированных торговых стратегий.

Ссылка: www.youtube.com/watch?v=JOsu3kamlYo 

Он тоже говорит что машинное обучение (ML) не гарантирует успеха, если данные доступны всем и успех в трейдинге часто зависит от уникальных данных и ресурсов в этом срезе.

Иронизирует о том, что надо собрать как можно больше данных — высокочастотные данные, новостные данные, фундаментальные данные — просто собрать как можно больше данных и запустить на них нейронную сеть — она выдаст прогноз и вы разбогатеете 💰.

На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению (Machine Learning) в трейдинге. Название мне показалось весьма злободневным: «ML в трейдинге: как выжить, если ты один, а против тебя — хедж-фонды с бесконечным бюджетом».

Я бы хотел побывать на нём лично, но из Перми ехать далековато (только Тимофею дарят по 150 тр чтобы поднять настроение) и поэтому я отдал билет другу. Так что отдельное спасибо Сергею Степаняну за то, что он приехал в Москву из Ярославля и фактически стал моими глазами и ушами — то, что вы читаете — это его наблюдение, мои размышления и немного здравого смысла. 

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.

🔹 Суть проекта

🔹 Основные особенности

• Учет комиссий, проскальзывания и риск-менеджмента

• Отбор торговых сессий по критериям волатильности (импульсы ≥5% за 10 минут)

• Дискретное пространство действий: LONG, SHORT, CLOSE, HOLD

• Reward shaping для контроля поведения

• Полные логи бэктеста и визуализации

• Публикация сигналов в реальном времени (Telegram)

📊 Результаты бэктеста (март-июнь 2025)

• Доходность: +144.23%

• Sharpe: 1.85, Sortino: 2.05

• Прибыльных дней: 78.57%

• Сделок: 112 (~2 в день), включая SL/TP

• Среднесуточная доходность: +1.61%

Сегодня она начала работать на каждом самокате в Санкт-Петербурге, скоро появится и в остальных городах. По нашим оценкам, лишь незначительное число поездок проходят с нарушениями — наши образовательные программы дают эффект, большинство юзеров понимает, почему тандемом ехать не нужно. Но мы хотим, чтобы таких поездок не было вообще, так как это провоцирует инциденты и даже в случае форс-мажорных обстоятельств усиливает последствия.

Детектирование нарушения происходит в режиме реального времени. IoT-модуль в самокате постоянно агрегирует данные телеметрии о динамике поездки от АКБ, блока управления двигателя, курка газа и тормоза самоката — более 50 параметров для оценки числа людей на самокате. В сжатом виде все это отправляются в облако для обработки искусственным интеллектом.

Для внедрения технологии нам не понадобилось устанавливать что-то на все самокаты сервиса. Так, мы используем тензодатчики (их часто называют «датчики веса») на части флота лишь вспомогательно — для валидации точности новой разработки, которая оценивает гораздо большее количество параметров, а не только вес.

Взяли в руки блокнотики?))

Грааль в ML для трейдинга состоит из нескольких компонентов. По сути грааль, это «правильные» ответы на вопросы:

1. Что используется в качестве объектов, на которых мы обучаемся. Что за срез. Что? – Свеча, день, тик, трейдер, стакан, паттерн? Очень важный компонент.
2. Признаковое описание этих объектов. Супер-важная тема. Пространство для креатива.
3. Таргет – важная тема, но скорее производная от «что является объектом». После выбора объекта, с таргетом становится ± понятно.
4. Тип модели. Эта штука, на самом деле не так и важна, как кажется.
5. Параметры модели (гиперпараметры и вот это вот всё). Из одних гиперпараметров кашу не сваришь, их нужно использовать скорее чтобы «не испортить блюдо».
6. Процесс. Обучения, отбора, валидации модели. Супер-важная тема тоже.

Пожалуй, можно составить ТОП покороче:

1. Что является объектом.
2. Признаковое описание.
3. Процесс отбора данных, обучения, отбора, валидации моделей.

1. Классический ML, который представлен, например, библиотекой scikit-learn. Она позволяет обрабатывать данные статистически, а так же предоставляет простые модели классификации, кластеризации и регрессии. Функций этой библиотеки достаточно, чтобы несколькими строчками кода выявить наличие или отсутствие зависимостей/корреляций в данных, разбить данные на кластера и выполнить другие типовые задачи, в том числе, препроцессинг данных (предварительную обработку) — стандартизацию, нормализацию, очистку и т.п. Кроме того, её можно использовать для уменьшения размерности, что может пригодиться, например, для выявления значимых метрик торговых стратегий для дальнейшей фильтрации и отбора по существенным. И это только одна библиотека, а их теперь существует множество.

В этом обновлении был улучшен веб-терминал. Мы добавили в него разные цветовые схемы для интерфейса, а также улучшили окно спецификации инструмента.

Помимо этого, в MQL5 появилась поддержка нового алгоритма умножения матриц General Matrix Multiplication (GeMM). Он позволяет значительно ускорить вычисления на большинстве процессоров. На данный момент новый алгоритм поддерживается в методе matrix::GeMM.

Также в MQL5 появилась поддержка работы с моделями ONNX. Это позволит значительно облегчить использование нейронных сетей в торговых советниках.

MetaTrader 5 Client Terminal build 3620

1. Terminal: Исправлена ошибка при подсчете итоговой прибыли в торговом отчете.
   
   
2. Terminal: Обновлены фундаментальные данные по торговым инструментам, доступные через Обзор рынка.
   
   
3. Terminal: Исправлен запуск торговой платформы под Wine 7.0.1 при работе в Linux-системах.
   
   
4. Terminal: Исправлено добавление символов в Обзор рынка через строку поиска. Символ, найденный по описанию, было невозможно добавить в список кликом мыши на его строке.

3Qu, нивапрос
Давай ему (ML) реальный рыночный сэмпл скормим? )))
Если не подавится — бабла поднимем по самое не балуйся )))
Практически гарантирую )))
С уважениемМальчик buybuy

Мальчик buybuy, 

Запасы данных у меня почти бесконечные
Постановка задачи тоже понятна

Мне непонятна.)
Подготовь данные для обучения, скажи каким ML обучать. Так и быть, накормлю твоими данными.
Только расскажи чему и на чем учим. Верняк скажу, что в такой постановке не прокатит и данные не подходят.) Поди туда не знаю куда, принеси то, не знаю что, или дай бабла не прокатит.