#ml — посты и обсуждения
7 доступных постов
Эксперимент с алготрейдингом 1.0 провалился. Не из-за моделей, а из-за тарифов 🤖💸😤
Пишу этот пост с горьким привкусом. Мой эксперимент с полностью ИИ-роботом для торговли внутри дня официально можно считать закрытым в прежнем виде.
Что случилось?
Меня лишили бесплатного премиума в Т-Инвестициях и тарифы поднялись. И вся логика, по которой бот учился и торговал, стала бесполезной. Комиссии съедают всё, что робот пытается заработать, а уровни прибыльности и безубытка больше не соответствуют логике обучения ИИ-моделей. Обидно до зубного скрежета, ведь пол года было потрачено на обучение.
А ведь были моменты, когда бот выдавал успешные серии. Недолгие, но настоящие. Я уже начал верить, что он доползёт до ума. Но экономика сказала: нет.
Что теперь? Эксперимент меняется. Кардинально.
Алготрейдинг 2.0 — новая архитектура 🧠🔄
Основной сдвиг: тестовые сделки теперь открываются и закрываются не на реальной бирже, а в памяти робота. Он сохраняет все индикаторы, будто сделка действительно была. Это виртуальный полигон, где ничего не стоит ошибиться, но все данные сохраняются для полноценного обучения.
8 ИИ-моделей учатся:
· 2 модели — открывать прибыльный лонг
· 2 модели — закрывать лонг
· 2 модели — открывать прибыльный шорт
· 2 модели — закрывать шорт
Но и это ещё не всё. Модели, как раньше, не сразу вступают в дело после обучения. Сначала они торгуют виртуально, пока не докажут свою эффективность. Только после этого получают доступ к реальным сделкам. Ну и самих моделей стало в 2 раза больше.
Система рангов и ссылки в «ссылку»:
Если модель начинает показывать себя хуже — ей запрещается открывать реальные сделки. Она возвращается на виртуальный полигон, пока не адаптируется к рынку. Никаких поблажек. Доказал эффективность — работай. Перестал — учись заново.
А проблема комиссий?
Закрывается элегантно: я торгую исключительно внутри дня неоактивами, где нет комиссий за открытие и закрытие позиции. Экономика сходится. Тарифы больше не убивают идею.
Важное признание
Это эксперимент с алготрейдингом 2.0. И я делаю это исключительно в рамках своего хобби.
Заранее принимаю: вероятность успеха крайне мала. Я не строю иллюзий и не жду, что стану квалом завтра. Мне просто интересно смотреть, как бот сам учится на сделках, которые совершает. Это чистый инженерный кайф.
Если получится — отлично. Если нет — я всё равно узнаю больше, чем знал вчера.
💬 А вы бы вернулись к эксперименту после такого удара по тарифам? Или плюнули бы и пошли пить чай?
#aft_id #алготрейдинг #ML
P.S. «Когда твой робот почти научился зарабатывать, а брокер решил, что ему нужнее»
Прокомментировать
665
Кнопка "Заработать": могут ли ML-модели предсказывать рынок?
#ИИ #AI #Торговля #биржа #ml #прибыль
Было бы удобно: загрузить данные, нажать кнопку и получить список акций, которые скоро вырастут. Машинное обучение действительно помогает анализировать рынок. Но между прогнозом и заработком есть разница.
Чтобы оценить акцию, инвестор изучает отчётность, новости и состояние экономики. ML-модель учится на исторических данных и ищет сочетания признаков, за которыми раньше следовал рост или падение цены. Такой подход позволяет анализировать тысячи бумаг и замечать связи, которые трудно увидеть вручную.
В работу могут идти четыре группы данных:
Торги: цены, объёмы сделок и колебания котировок.
Бизнес: прибыль, выручка, долги и движение денег.
Экономика: ставки, инфляция, валюты и стоимость сырья.
Новости: сообщения о компании и изменения в прогнозах руководства.
Допустим, компания стала больше зарабатывать, сократила долг, а интерес покупателей к её акциям усилился. Если похожие сочетания раньше предшествовали росту, модель может выделить бумагу как перспективную.
Но хорошие показатели не гарантируют роста котировок: рынок мог заранее учесть улучшения в цене или ожидать ещё более сильных результатов.
Какие модели используют?
Линейные и логистические модели. Оценивают связь показателей с доходностью или вероятностью роста. Это простая отправная точка для сравнения.
Random Forest - "случайный лес". Объединяет множество деревьев решений: каждое проверяет свои сочетания условий, затем их прогнозы сводятся вместе.
Градиентный бустинг - XGBoost, LightGBM, CatBoost. Последовательно добавляет деревья, которые исправляют ошибки предыдущих. Один из распространённых подходов для таблиц с финансовыми показателями.
Нейросети LSTM и GRU. Работают с последовательностями: например, изменениями рыночных показателей за несколько недель. LSTM часто используют в исследованиях прогнозирования акций.
Языковые модели, например FinBERT. Анализируют финансовые тексты и их тональность. Такая оценка может стать дополнительным входом для прогноза, но сама по себе не означает, что акция вырастет.
А сколько прогнозов оказываются верными?
Общего процента для всех моделей нет - ни на день, ни на неделю, ни на месяц. Нужны результаты конкретной модели на конкретных бумагах и на данных, которых она не видела при обучении.
Точность 55% означает 55 верных прогнозов из 100, а не доходность 55%. Даже такой результат может приносить убытки, если ошибки обходятся дороже удачных сделок. Исследования также показывают, что хорошая точность не обязательно позволяет обойти простую покупку и удержание акций.
Получается, кнопки «Заработать» всё-таки нет?
ML может ускорить анализ и помочь найти интересные возможности. Но зарабатывать нужно уже на реальном рынке, где меняются условия, прогнозы ошибаются, а каждая сделка имеет свою цену.
Поэтому главный вопрос к модели - не "как часто ты права?", а "какой результат дают твои прогнозы с учётом убытков, риска и расходов?".
Прокомментировать
907
Зачем банки/финтех таргетируют стоимость токенов как одну из метрик эффективности технологических проектов?
А потому что этот показатель учитывается в планировании, наряду со стоимостью работы сотрудников и позволяет оценивать реальный эффект от генеративного ИИ на бизнес-процессы в долгосроке.
Когда тот или иной финтех, банк, рассчитывает фактическую стоимость токенов, параллельно оптимизируя работу собственных ИИ моделей, а внутренний показатель себестоимости уже оказывается «дешевле, чем на самых дешевых платформах в интернете», то такой подход снижает цену экспериментов и позволяет запускать больше проектов на основе GenAI.
Т.к., в отличии от классических ML-моделей, массово доказанная экономическая эффективность генеративного ИИ пока только формируется. В связи с чем, банки и финтех могут делать свою стратегическую ставку на качественную реализацию проектов и планировать свои и привлеченные инвестиции на горизонте нескольких лет.
#бизнес #банки #ИИ #технологии #GenAI #ML #финтех #fintech #AI
Прокомментировать
541
Как меняется Equity, если “учитель” (ИИ DNN LSTM) будет менее дерганным
Раннее писал о том, как наконец запустил обучение нейронных сетей в связке Metatrader+dll+R+Python+(Deepnet, Keras, Tensorflow и др).
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.
Прокомментировать
823
Суслик есть или нет. Сравнение RSI, Random и ИИ (ML DL DNN LSTM) в трейдинге
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:
Прокомментировать
668