|
2 années
expérience
|
13
produits
|
37
versions de démo
|
|
1
offres d’emploi
|
0
signaux
|
0
les abonnés
|
Trading since 2016, algorithmic trading since 2019, machine learning and programming since 2021.
I develop expert advisors, trading robots, indicators, smart contracts, cryptocurrency token and coin codebases, business automation software, and turnkey AI models.
Currently working on an institutional-grade trading system for my own hedge fund and on my own AI blockchain.
Author of 100+ international articles published in different languages worldwide.
В трейдинге большинство проблем связано не с инструментами, а с человеческим фактором. Эмоциональные решения, усталость, спешка и отсутствие дисциплины со временем сводят на нет даже хорошие торговые идеи. Именно поэтому автоматизация остаётся одним из самых обсуждаемых направлений в алгоритмической торговле.
В течение длительного времени я занимаюсь разработкой автоматизированной торговой системы MIDAS, основанной на анализе больших датасетов мировой экономики, применении нейросетей, машинного обучения, LLM-надсистемы с элементами RL, формализованных правилах и жёстком риск-менеджменте.
Проект находится на завершающей стадии и переходит в фазу расширенного тестирования в реальных условиях рынка. Система предназначена для полностью автоматической работы и ориентирована на статистический подход и контроль рисков. Она не исключает убыточных периодов, не даёт гарантий результата и не заменяет понимание рынка — но может быть полезна тем, кто интересуется практической стороной алгоритмической торговли и хочет поучаствовать в тестировании сложного технического решения.
На текущем этапе я ищу людей, готовых принять участие именно в тестировании. Речь не о передаче средств в управление, а о тестировании системы и обработке багов, наблюдении за её поведением и передаче объективной обратной связи по стабильности.
Количество участников ограничено по техническим причинам. В приоритете те, кто понимает: тестирование торгового алгоритма — это работа с рисками, статистикой и дисциплиной, а не краткосрочный способ за 2 дня получить прибыль.
Я в первую очередь исследователь и архитектор системы, также у меня большой опыт в ручном трейдинге.
Если вам интересен сам процесс торговли и тестирования торговых систем — напишите в комментариях. Связь в порядке очереди. Отбор закроется после набора нужного количества участников.
Третья статья серии вводит обучаемый граф признаков в архитектуре Cellular10K: веса связей feature → feature онлайн усиливаются после верных прогнозов и ослабляются после ошибок. Разбираются мягкая инициализация, шаг message passing, локальное правило обучения в стиле Хебба, ограничение весов, нормировка и decay. Показана интеграция с клеточным автоматом и бинарным предиктором, а также метрики диагностики и практические пороги запуска для контроля переобучения.
Во второй части клеточный автомат переводится с решётки на граф. Признаки становятся вершинами графа с локальными и дальними small‑world связями, а клетки — агентами, которые взаимодействуют не только с геометрическими, но и со смысловыми соседями. Рассматриваются графовая фильтрация признаков, построение графа соседей, обновлённое голосование по согласованности и метрики Graph Coherence и Graph Health. Это снижает влияние одиночных выбросов и ускоряет распространение рыночных режимов при полной совместимости с MQL5.
2. **Граф Ватца-Строгаца вместо плоской решетки:** Мы отказались от примитивной геометрической решетки соседей. Теперь клетки образуют топологию «мир тесен» (Small-World). Агенты обмениваются информацией не только с теми, кто «рядом», но и со смысловыми соседями на основе матрицы ранговой корреляции Спирмена, а также через дальние хорды. Это позволяет сети мгновенно реагировать на смену рыночного режима.
3. **Асинхронный Netting FSM (Safe Flip):** Так как система работает на Netting-счете (только одна позиция) с сетевым пингом до 150 мс, мы полностью отказались от блокирующих вызовов. Используется только `OrderSendAsync`, а все результаты перехватываются событийной моделью в `OnTradeTransaction`. Мгновенные перевороты LONG↔SHORT строго запрещены: внедрен механизм **Safe Flip** с переходом во FLAT и ожиданием подтверждающего импульса в 0.5 ATR.
4. **Встроенный SGD-предиктор:** Для верификации клеточного консенсуса добавлен независимый Бинарный Предиктор (BPC). Это логистическая регрессия, которая инкрементально обучается на каждом баре методом стохастического градиентного спуска (SGD). Вход в сделку разрешен только при совпадении сигналов автомата и предиктора.
5. **Промышленный WFA-конвейер без Data Leakage:** Мы вынесли тестирование в автоматизированный Python-конвейер. Внедрено жесткое правило **Purge Gap** — искусственный разрыв в 100 баров между In-Sample и Out-Of-Sample периодами при Walk-Forward оптимизации, чтобы исключить «заглядывание в будущее» из-за памяти индикаторов. Телеметрия теперь пишет данные строго в момент входа (Entry Snapshot). Итог: твоя модель теперь не просто подстраивается под историю, она аппаратно-оптимизирована, асинхронна и математически защищена от переобучения и микроструктурного шума.
SMC Proximity RSI + Time Blocks — an RSI oscillator supercharged by smart money zones A standard RSI shows overbought and oversold conditions. But it has no idea WHERE price sits relative to key institutional zones. SMC Proximity RSI fixes that. This oscillator combines the classic RSI with Smart Money Concepts analysis: it measures how close price is to Order Blocks, Fair Value Gaps, Time Blocks and Support/Resistance levels, and amplifies the RSI signal exactly when price enters a meaningful
Order Block ICT — SMC An Order Block indicator based on the ICT / Smart Money Concepts methodology. It automatically detects and draws bullish and bearish order block zones on your chart, tracks their mitigation, and removes zones once they are spent. See the areas where smart money stepped into the market — without marking up the chart by hand. What the indicator does Scans price history and detects order blocks through several scenarios at once: a classic candle sequence, an impulsive move, an
Переносим 3D-бары из Python в нативный MQL5: вместо plotly и моста к терминалу — сцена на CCanvas3D и DirectX 11 прямо на графике. Цена, время и тиковый объём раскладываются по трём осям, геометрия собирается вручную из вершин и треугольников, а орбитальная камера на событиях мыши даёт интерактивный осмотр без внешних зависимостей.
FVG Analysis — Fair Value Gap detection and tracking FVG Analysis is an indicator that automatically finds price inefficiency zones on the chart — known in Smart Money Concepts as Fair Value Gaps — and tracks their life cycle from formation to mitigation. These zones appear where the market moved so impulsively that it left behind a price gap not filled by the neighboring candles, and it is precisely to such areas that price often returns later to restore equilibrium. At the core of the
SMC Market Structure PRO — Order Blocks, FVG, Liquidity & Confluence Zones Stop guessing. Start reading the market the way the big players see it. SMC Market Structure PRO automatically detects smart money zones of interest on your chart — Order Blocks, Fair Value Gaps (FVG) and time-based imbalances — and highlights Confluence Zones where all three types of structure overlap. That is exactly where price reacts most often. This is a complete market structure analysis tool based on the Smart
Currency Strength & Pullback Panel — currency strength and pullback entry points The Currency Strength & Pullback Panel is an analytical panel that solves two trader tasks at once: it shows which currency pairs are in a strong move right now, and it points out where an opportunity has opened to join that move at a favorable price on a pullback. Unlike classic currency strength indicators that stop at a colored scale, this panel works across multiple timeframes. For each pair it computes
Статья описывает TradeMux как мост между Python-пайплайном и терминалом MetaTrader 5 для чистой передачи торговых решений без дублирования логики. Разобрана production-архитектура из четырёх слоёв и полный Python execution service: подключение, чтение счёта и позиций, генерация сигналов (включая CatBoost), предторговый риск-контроль, kill_switch и supervisor. Практическая польза — кросс-брокерная нормализация (RoboForex, IC Markets, Alpari, OANDA) и масштабирование от одного счёта к мультисчётному broadcast без изменения торговой логики.
Разбирается практическое применение L1 Trend Filter для очистки шума и формирования структурных признаков, совместимых с live-торговлей. Показан полный цикл: H1-данные 29 инструментов из MetaTrader 5, каузальная фильтрация, CatBoost на горизонте трёх L1-баров, честный walk-forward и распределение лотов по VaR. Читатель получает воспроизводимый кодовый конвейер и методику портфельной оценки.
Статья продолжает серию об AI Hedge Fund и снимает три ограничения v4: репутации аналитиков теперь персистентны в SQLite, EA выведен из критического пути исполнения, а сигналы совета пятнадцати рассылаются на несколько брокеров через TradeMux REST API. Логика совета и риск-менеджмента не менялась: Python получает данные через MetaTrader 5 SDK и исполняет ордера напрямую. Результат — устойчивость к перезапускам и масштабирование на несколько терминалов.
В статье разобрана архитектура советника на клеточном автомате с 10 000 адаптирующихся параметров и независимым бинарным предиктором на горизонте 10 баров. Показано трёхуровневое онлайн-обучение, эволюция стратегий и валидация через кольцевой буфер и матрицу ошибок. Параметры входа сведены к Magic Number, торговые настройки вычисляются из ATR и пяти геномов. Тест EURUSD H1 дал ориентировочный Hit Rate около 58% против ~51% у фиксированной MLP.
Описана архитектура, в которой MQL5-советник выполняет только сбор данных и исполнение, а логика вынесена в Python-сервер с тремя агентами LangChain: сигнальным, новостным и риск-менеджером. Агенты последовательно обрабатывают запрос по WebSocket, при отказе любого возвращается hold. Решения и фактический PnL сохраняются в SQLite, формируя память и статистику. Читатель получит схему взаимодействия, протокол команд и подход к обратной связи.
Метапромптинг — подход, при котором LLM сама оптимизирует торговые инструкции на основе реального P&L и метрик качества сигналов. В статье показана практическая реализация на Python и MQL5: реестр версий промптов, исполнительный агент, оценщик по directional accuracy и profit factor и мета-LLM, которая в цикле генерирует улучшения. Решение встраивается в советник без остановки торговли.