|
2 년도
경험
|
7
제품
|
66
데몬 버전
|
|
0
작업
|
0
거래 신호
|
0
구독자
|
Greetings to the world of professional algorithmic trading!
I develop highly effective trading indicators and expert advisors based on cutting-edge machine learning technologies and quantum computing, which help traders achieve stable profits in financial markets.
My journey: In the market since 2016. Went through numerous losses and mistakes. Currently specializing in trading robot development and applying machine learning in trading. Actively investing in Russian and Kazakhstani markets.
Qualified investor of the Republic of Kazakhstan. Qualified foreign investor of the Russian Federation.
For hedge funds and family offices, I also have MIDAS — an institutional complex multi-agent neural architecture + quantum layer + multidimensional self-learning AI agent. I've been creating this system for a year and a half, and it contains nearly 80,000 lines of code: it uses the best of everything I know.
Custom development:
In addition to ready-made solutions, I adapt any models from scientific papers to specific client tasks. I create custom trading robots according to specific requirements, integrate modern machine learning methods, and provide consultations on algorithmic trading.
Useful links:
AI Trading Group: https://vk.com/altradinger
AI Trading Channel: https://www.mql5.com/ru/channels/aitradinger
Monitoring: https://share.kz/g7vJ
GitHub: https://github.com/Shtenco
My site: https://shtencoquantai.tech/
Ready to discuss your tasks and offer optimal solutions for trading automation!
Risk Warning: Trading in financial markets involves high risk of capital loss. Past performance does not guarantee future profits.
I develop highly effective trading indicators and expert advisors based on cutting-edge machine learning technologies and quantum computing, which help traders achieve stable profits in financial markets.
My journey: In the market since 2016. Went through numerous losses and mistakes. Currently specializing in trading robot development and applying machine learning in trading. Actively investing in Russian and Kazakhstani markets.
Qualified investor of the Republic of Kazakhstan. Qualified foreign investor of the Russian Federation.
For hedge funds and family offices, I also have MIDAS — an institutional complex multi-agent neural architecture + quantum layer + multidimensional self-learning AI agent. I've been creating this system for a year and a half, and it contains nearly 80,000 lines of code: it uses the best of everything I know.
Custom development:
In addition to ready-made solutions, I adapt any models from scientific papers to specific client tasks. I create custom trading robots according to specific requirements, integrate modern machine learning methods, and provide consultations on algorithmic trading.
Useful links:
AI Trading Group: https://vk.com/altradinger
AI Trading Channel: https://www.mql5.com/ru/channels/aitradinger
Monitoring: https://share.kz/g7vJ
GitHub: https://github.com/Shtenco
My site: https://shtencoquantai.tech/
Ready to discuss your tasks and offer optimal solutions for trading automation!
Risk Warning: Trading in financial markets involves high risk of capital loss. Past performance does not guarantee future profits.
Yevgeniy Koshtenko
По поводу онлайн-торговли через Claude 4 и ChatGPT4 и в целом через LLM:
Бэктесты на 50-60% плохие. Есть крайне удачные комбинации промптов, но проблема не в этом.
Проблема в том, что всего за день у меня улетело с карты 15 к на оплату токенов. Оно кажется что по копейке снимают: но с карты снимается понемногу, через серверспейс, а потом считаешь и офигеваешь.
Поэтому готовлю свое кастом-решение: я загружу болванку самой легкой LLM 4 версии на 7 млрд. параметров, и обучу ее на всех статьях MQL5 и всех статьях, какие я найду по трейдингу. Также сгенерирую в Claude и ChatGPT кучу гайдов для системы. Что получится на выходе, я не знаю. Возможно за счет узкой специализации это будет круче чем общая LLM Claude ,но с другой стороны, у большой крутой LLM и способности к обобщению будут покруче...Прямо сейчас начал писать про весь процесс статью.
Бэктесты на 50-60% плохие. Есть крайне удачные комбинации промптов, но проблема не в этом.
Проблема в том, что всего за день у меня улетело с карты 15 к на оплату токенов. Оно кажется что по копейке снимают: но с карты снимается понемногу, через серверспейс, а потом считаешь и офигеваешь.
Поэтому готовлю свое кастом-решение: я загружу болванку самой легкой LLM 4 версии на 7 млрд. параметров, и обучу ее на всех статьях MQL5 и всех статьях, какие я найду по трейдингу. Также сгенерирую в Claude и ChatGPT кучу гайдов для системы. Что получится на выходе, я не знаю. Возможно за счет узкой специализации это будет круче чем общая LLM Claude ,но с другой стороны, у большой крутой LLM и способности к обобщению будут покруче...Прямо сейчас начал писать про весь процесс статью.
· 1
Yevgeniy Koshtenko
Первая живая торговля за долгое время. Тут далеко не все прибыль - еще ребейты (раньше недооценивал их мощь но они позволяют играть в игру с положительной суммой, кстати могу настроить вам прямой ребейт на счет сразу ежедевно). Ну и пополняю немного...В понедельник попробую поставить гибрид Квантума + ИИ агента - трейдера.
К сожалению я неизбежно начинаю новые проекты, новые коды, пробовать разных роботов....Сложно набрать единый мониторинг((((.
К сожалению я неизбежно начинаю новые проекты, новые коды, пробовать разных роботов....Сложно набрать единый мониторинг((((.
· 2
Yevgeniy Koshtenko
게재된 기고글 Команда ИИ-агентов с ротацией по прибыли: Эволюция живой торговой системы в MQL5 
Управление финансами как экосистема: семь ИИ-трейдеров с разными характерами и стратегиями вместо одного алгоритма. Они конкурируют за капитал, учатся на ошибках и принимают решения коллективно. Статья раскрывает принципы работы системы Modern RL Trader, где код обладает сознанием и эмоциями, создавая живой, эволюционирующий торговый разум.
3
Yevgeniy Koshtenko
Языковые модели ИИ торгуют просто ПИПЕЦ КАК потрясающе. Я отправляю им команды через простого Python-бота, заставляю анализировать все исторические данные и прошлые сделки, и требую, чтобы торговля была в плюс.
Результаты — лучше, чем у легендарного бота Мидаса.
Возможностей для улучшения море: от запуска модели на своём сервере (без оплаты за токены и без лимитов на длину запроса) до тонкой настройки промптов.
Машина сама принимает решения: анализирует, открывает позиции, решает — держать, закрывать или переворачиваться. Всё автономно.
Это на голову выше классических моделей вроде CatBoost или XGBoost. Почему? Потому что у них мышление узкое. CatBoost отлично прогнозирует — строит миллионы связей внутри данных, но только по одной задаче. Это как специалист, который знает всё про одну деталь, но не видит общей картины.
Языковые модели выросли из тех же прогнозирующих систем (изначально они просто угадывали следующее слово в предложении), но теперь у них ширина мышления.
В модели вроде Claude — условно два триллиона параметров. Это как два триллиона нейронов, которые связывают между собой экономику, новости, поведение рынка, психологию трейдеров — всё вместе.
Я сам пока умею обучать модели максимум на 20–40 миллионов параметров. А тут — в тысячи раз больше. И эта разница в масштабе даёт не просто точность, а способность рассуждать, как человек: «А что, если?..», «А вдруг новость ложная?», «А не пора ли зафиксировать прибыль?».
Размышляю дальше: это уже не просто предсказание цены, а симуляция целой торговой стратегии в голове модели. Она может сама себя критиковать: «В прошлый раз я ошибся на всплеске волатильности — в следующий раз учту задержку данных».
Добавляю в промпт цикл саморефлексии — и модель начинает улучшать свои же решения.
Но есть и тревога. Это уже не инструмент — это агент. Он учится на своих ошибках, адаптируется, действует в реальном времени. А если таких агентов станет миллион? Что будет с рынком?
Результаты — лучше, чем у легендарного бота Мидаса.
Возможностей для улучшения море: от запуска модели на своём сервере (без оплаты за токены и без лимитов на длину запроса) до тонкой настройки промптов.
Машина сама принимает решения: анализирует, открывает позиции, решает — держать, закрывать или переворачиваться. Всё автономно.
Это на голову выше классических моделей вроде CatBoost или XGBoost. Почему? Потому что у них мышление узкое. CatBoost отлично прогнозирует — строит миллионы связей внутри данных, но только по одной задаче. Это как специалист, который знает всё про одну деталь, но не видит общей картины.
Языковые модели выросли из тех же прогнозирующих систем (изначально они просто угадывали следующее слово в предложении), но теперь у них ширина мышления.
В модели вроде Claude — условно два триллиона параметров. Это как два триллиона нейронов, которые связывают между собой экономику, новости, поведение рынка, психологию трейдеров — всё вместе.
Я сам пока умею обучать модели максимум на 20–40 миллионов параметров. А тут — в тысячи раз больше. И эта разница в масштабе даёт не просто точность, а способность рассуждать, как человек: «А что, если?..», «А вдруг новость ложная?», «А не пора ли зафиксировать прибыль?».
Размышляю дальше: это уже не просто предсказание цены, а симуляция целой торговой стратегии в голове модели. Она может сама себя критиковать: «В прошлый раз я ошибся на всплеске волатильности — в следующий раз учту задержку данных».
Добавляю в промпт цикл саморефлексии — и модель начинает улучшать свои же решения.
Но есть и тревога. Это уже не инструмент — это агент. Он учится на своих ошибках, адаптируется, действует в реальном времени. А если таких агентов станет миллион? Что будет с рынком?
· 2
Thibauld Charles Ghislain Robin
2025.11.06
Очень интересная тема, с нетерпением жду твоей следующей статьи на эту тему.
Я создал веб-запрос для отправки промптов и открытия позиций через MT5, однако результаты были довольно случайными, примерно как здесь: https://nof1.ai/
Рад видеть, что у некоторых это получается!
Я создал веб-запрос для отправки промптов и открытия позиций через MT5, однако результаты были довольно случайными, примерно как здесь: https://nof1.ai/
Рад видеть, что у некоторых это получается!
Yuriy Bykov
2025.11.07
Что будет с рынком, если таких агентов станет миллион? Возможно, примерно то же самое, что с ним стало, когда на него уже пришли много агентов в кожаной оболочке с пока ещё значительно большим количеством обучаемых параметров: малая часть будет зарабатывать, а большая часть - терять.
Yevgeniy Koshtenko
Всю неделю обучаю модели. Так родился еще один проект: Соединение Python + MetaTrader 5 + OpenAi + ClaudeAi. То есть: робот на Пайтон закачивает котировки из МТ5, далее формирует фичи, ну и отгружает их в чаты с ИИ с подробнейшими промптами и даже с описанием предыдущих сделок для некоего мини-RL. Получает от ИИ чатов рекомендации, а затем исполняет торговлю. Получается что один ИИ общается с другими ИИ чтобы торговать:)))
Интересна была сама гипотеза, сможет ли языковая модель торговать самостоятельно без огромных данных.
Сможет! Система вышла в прибыль по итогам 15 дней теста.
15 дней сделок стоят по токенам плюс-минус 150 тенге (30 рублей). То есть месяц торгов вам будет обходиться в 60 рублей + около 2500 рублей за сервер.
У меня также есть код именно собственной большой языковой модели для трейдинга, для трейдеров и инвесторов - но этот проект на дальней полке, потому что я быстрее помру чем дождусь пока она обучится (обучение на моем железе на 1 Тб данных займет вообще нереальное время, языковые модели крайне требовательны к этому).
Неплохой ИИ пет-проект, скоро выйдет в свет в виде статьи с открытым кодом)
Интересна была сама гипотеза, сможет ли языковая модель торговать самостоятельно без огромных данных.
Сможет! Система вышла в прибыль по итогам 15 дней теста.
15 дней сделок стоят по токенам плюс-минус 150 тенге (30 рублей). То есть месяц торгов вам будет обходиться в 60 рублей + около 2500 рублей за сервер.
У меня также есть код именно собственной большой языковой модели для трейдинга, для трейдеров и инвесторов - но этот проект на дальней полке, потому что я быстрее помру чем дождусь пока она обучится (обучение на моем железе на 1 Тб данных займет вообще нереальное время, языковые модели крайне требовательны к этому).
Неплохой ИИ пет-проект, скоро выйдет в свет в виде статьи с открытым кодом)
· 3
Yevgeniy Koshtenko
게재된 기고글 Система самообучения с подкреплением для алгоритмической торговли на MQL5 
В статье создаётся многоагентная система машинного обучения для алгоритмической торговли на MetaTrader 5 на основе обучения с подкреплением. Система имеет трёхуровневую архитектуру: нейроны памяти хранят опыт, агенты принимают независимые решения, коллективный разум объединяет их через взвешенное голосование. Система непрерывно совершенствуется через Q-обучение, прунинг неэффективных нейронов и эволюционное снижение исследования.
1
Yevgeniy Koshtenko
ОСЕННИЕ НОВОСТИ ИИ ТРЕЙДИНГА
Весь сентябрь я фигачил над архиватором. Почти весь октябрь болел — сильная ковидообразная болячка. И вот последнюю неделю я наконец работаю над кодом. Готова последняя, элитная версия Квантума. Это пиздец система...
Кто я такой
На рынке с 2016 года. Прошел через всё — от сливов депозитов до получения статуса квалифицированного инвестора в Казахстане и России. Написал 60+ научных статей на MQL5 — от квантовых вычислений на IBM Quantum до компьютерного зрения для трейдинга. Активно инвестирую на рынках России и Казахстана.
Мои статьи покрывают безумный спектр тем: арбитражные стратегии, теорию хаоса, портфельную теорию Марковица, VaR-модели, нейросимвольные системы, reinforcement learning. Даже астрологические циклы разбирал — с математическим обоснованием, естественно. Каждая публикация — это не просто теория, это работающий код и результаты тестирования.
Что это за зверь
Это не просто очередной советник — это полноценный искусственный интеллект на 40,000 строках кода с 10 включаемыми mqh-модулями, который эволюционирует с каждой минутой работы.
Самое главное - он полностью автономно самообучающийся, выходит в плюс за неделю - две и дальше шарашит.
Представьте команду из трех профессиональных RL-трейдеров, работающих в идеальной гармонии.
Аналитик с квантовой матрицей вычисляет вероятности движения цены на уровне квантовых состояний.
Трейдер с ансамблем нейросетей — там и оригинальный UShapeTransformer, и современная MambaEnhancedNet для временных рядов (Гугл и OpenAi только внедряют Mamba, тут я впереди их), и Self-Organizing Maps с непрерывным обучением — принимает взвешенные решения.
Риск-менеджер в реальном времени контролирует каждую операцию, интегрирован с PropFirm Challenge фазами.
И все они постоянно обучаются через Experience Replay Buffer на 5000+ transitions, используют Double DQN для стабильности, адаптивный epsilon-greedy exploration. Становятся с каждой сделкой опытнее и эффективнее.
Все обмениваются информацией друг с другом.
Три RL-агента работают на разных алгоритмах: Q-Learning, SARSA и DQN. Это как иметь трех профессионалов с разными подходами к рынку, которые коллективно принимают решения.
Валидация на уровне институтов
Система построена на глубокой валидации каждого тика данных. Она отслеживает всё — целостность цен по трем символам одновременно, логичность спредов и их аномальные значения, минимальные размеры движений, временную синхронность, обнаруживает спайки больше 3%. При обнаружении аномалий автоматически включаются защитные механизмы.
Multi-timeframe мониторинг работает параллельно: M1, M5, M15, H1, H4, D1. Система анализирует корреляции между символами, проводит диагностику производительности каждую минуту. Это уровень контроля, сравнимый с крупными финансовыми институтами. Не какой-то там базовый фильтр спреда — полноценная система контроля качества данных.
Риск-менеджмент без компромиссов
Профессиональный риск-менеджмент встроен в саму архитектуру системы. Prop Risk Manager отслеживает лимиты убытков, целевые дневные и недельные уровни убытка и прибыли, автоматически блокирует торговлю при нарушении параметров безопасности. Profit protection механизм, emergency stop при критических потерях.
Учитываются не только финансовые риски, но и технологические — от потери связи до аномалий в данных. И конечно, у каждой сделки есть стоп-лосс.
Результаты говорят сами за себя: Profit Factor 4.0, Sharpe Ratio 6.0 — это институциональный уровень. Max Drawdown всего 4% благодаря встроенному Risk Manager. Цифры не с потолка — это реальные метрики системы.
Эволюция во времени
Особенность этой системы в том, что чем дольше она работает — тем умнее становится. Первые недели уходят на калибровку и начальное обучение. Квантовая матрица настраивает параметры под текущие рыночные условия, нейросети адаптируются к реальным данным, RL-агенты накапливают первоначальный опыт.
Но настоящие результаты приходят после этого периода. Система начинает не просто реагировать на сигналы — она предвидит рыночные движения. Механизм онлайн-обучения позволяет адаптироваться к изменяющейся волатильности, новым торговым сессиям, особенностям конкретного брокера.
С каждым месяцем работы ансамбль ИИ-агентов становится более слаженным. Они учатся эффективнее взаимодействовать, как команда профессионалов с многолетним опытом совместной работы. Аналитик точнее предсказывает направления, трейдер лучше выбирает моменты входа, риск-менеджер оптимальнее распределяет объемы.
И самое важное — система начинает распознавать свои слабые места и самостоятельно их корректировать. Если в определенных рыночных условиях какой-то компонент показывает снижение эффективности, другие агенты компенсируют это, перераспределяя веса принятия решений.
Научная база
Вся эта система стоит на фундаменте из десятков моих научных публикаций. "Квантовые вычисления и трейдинг" — там реальная интеграция с IBM Quantum. "Компьютерное зрение для трейдинга" в двух частях — распознавание паттернов с точностью до 54-59%.
"Теория хаоса в трейдинге" — показатель Ляпунова и вся математика.
"Нейросимвольные системы" — гибрид символьных правил и нейронных сетей.
"Биологический нейрон для прогнозирования" — архитектура с настоящим нейрогенезом.
60+ статей — это не просто портфолио, это фундамент, на котором построена система. Каждая концепция проверена, каждый алгоритм обоснован. Никаких "черных ящиков" — только проверенная наука.
Технические детали
Multi-symbol analysis работает по сигналам от 2-3 символов с взвешенными предсказаниями и корреляционными фильтрами. Grid Strategy с умным расширением: adaptive step expansion с коэффициентом 1.5x, lot multiplier с Matrix enhancement, target profit и max loss protection.
Система ведет comprehensive logging через SQL database — статистика по всему, performance metrics каждую минуту, детализированные отчеты по RL-агентам. Можно отследить каждое решение, каждый шаг обучения.
Daily retraining опционально включается, сохранение лучших весов нейросетей, адаптация к стилю конкретного брокера. Система действительно подстраивается под условия.
Для кого это
Если вы prop trader — встроенная поддержка PropFirm Challenge фаз. Если серьезный алготрейдер — готовый к периоду обучения системы. Если исследователь ML/AI — можете изучать передовые архитектуры. Портфельный трейдер — мульти-символьный анализ в деле.
Что внутри
40,000 строк кода, 10 mqh-модулей, SQL database для хранения статистики и обучения. Требует VPS с достаточной мощностью — это не легковесный скрипт. Полная документация включена: описание всех 40+ входных параметров, рекомендации по настройке, гайд по интерпретации логов, FAQ по оптимизации.
Честно о периоде адаптации
Первые 2-4 недели — калибровка. Настоящие результаты приходят после. Именно поэтому кривая доходности со временем становится всё более стабильной. Начальный период может показывать учебную волатильность, но затем система выходит на плато устойчивой прибыльности, где она уже глубоко понимает рынок и торгует с максимальной эффективностью.
Нужен брокер с низкими спредами (меньше 3 пипсов для EURUSD), стабильным исполнением, без манипуляций с котировками. Система заточена под честных брокеров.
Итог
Запустите в тестере и наблюдайте, как обычный советник превращается в самообучающегося кибернетического трейдера, который с каждой сделкой становится опытнее, умнее и прибыльнее. Это не просто автоматизация торговли — это эволюция подхода к рынку.
10 лет исследований, 60+ научных публикаций, институциональный подход в системе, которая растет вместе с вами. Цена отражает реальную ценность: уникальная архитектура, подтвержденные метрики (PF=4, Sharpe=6, DD=4%), репутация разработчика, долгосрочный потенциал.
Quantum Trading System 11.01 — когда наука встречается с прибылью.
Разработано Евгением Коштенко | Copyright 2025
Весь сентябрь я фигачил над архиватором. Почти весь октябрь болел — сильная ковидообразная болячка. И вот последнюю неделю я наконец работаю над кодом. Готова последняя, элитная версия Квантума. Это пиздец система...
Кто я такой
На рынке с 2016 года. Прошел через всё — от сливов депозитов до получения статуса квалифицированного инвестора в Казахстане и России. Написал 60+ научных статей на MQL5 — от квантовых вычислений на IBM Quantum до компьютерного зрения для трейдинга. Активно инвестирую на рынках России и Казахстана.
Мои статьи покрывают безумный спектр тем: арбитражные стратегии, теорию хаоса, портфельную теорию Марковица, VaR-модели, нейросимвольные системы, reinforcement learning. Даже астрологические циклы разбирал — с математическим обоснованием, естественно. Каждая публикация — это не просто теория, это работающий код и результаты тестирования.
Что это за зверь
Это не просто очередной советник — это полноценный искусственный интеллект на 40,000 строках кода с 10 включаемыми mqh-модулями, который эволюционирует с каждой минутой работы.
Самое главное - он полностью автономно самообучающийся, выходит в плюс за неделю - две и дальше шарашит.
Представьте команду из трех профессиональных RL-трейдеров, работающих в идеальной гармонии.
Аналитик с квантовой матрицей вычисляет вероятности движения цены на уровне квантовых состояний.
Трейдер с ансамблем нейросетей — там и оригинальный UShapeTransformer, и современная MambaEnhancedNet для временных рядов (Гугл и OpenAi только внедряют Mamba, тут я впереди их), и Self-Organizing Maps с непрерывным обучением — принимает взвешенные решения.
Риск-менеджер в реальном времени контролирует каждую операцию, интегрирован с PropFirm Challenge фазами.
И все они постоянно обучаются через Experience Replay Buffer на 5000+ transitions, используют Double DQN для стабильности, адаптивный epsilon-greedy exploration. Становятся с каждой сделкой опытнее и эффективнее.
Все обмениваются информацией друг с другом.
Три RL-агента работают на разных алгоритмах: Q-Learning, SARSA и DQN. Это как иметь трех профессионалов с разными подходами к рынку, которые коллективно принимают решения.
Валидация на уровне институтов
Система построена на глубокой валидации каждого тика данных. Она отслеживает всё — целостность цен по трем символам одновременно, логичность спредов и их аномальные значения, минимальные размеры движений, временную синхронность, обнаруживает спайки больше 3%. При обнаружении аномалий автоматически включаются защитные механизмы.
Multi-timeframe мониторинг работает параллельно: M1, M5, M15, H1, H4, D1. Система анализирует корреляции между символами, проводит диагностику производительности каждую минуту. Это уровень контроля, сравнимый с крупными финансовыми институтами. Не какой-то там базовый фильтр спреда — полноценная система контроля качества данных.
Риск-менеджмент без компромиссов
Профессиональный риск-менеджмент встроен в саму архитектуру системы. Prop Risk Manager отслеживает лимиты убытков, целевые дневные и недельные уровни убытка и прибыли, автоматически блокирует торговлю при нарушении параметров безопасности. Profit protection механизм, emergency stop при критических потерях.
Учитываются не только финансовые риски, но и технологические — от потери связи до аномалий в данных. И конечно, у каждой сделки есть стоп-лосс.
Результаты говорят сами за себя: Profit Factor 4.0, Sharpe Ratio 6.0 — это институциональный уровень. Max Drawdown всего 4% благодаря встроенному Risk Manager. Цифры не с потолка — это реальные метрики системы.
Эволюция во времени
Особенность этой системы в том, что чем дольше она работает — тем умнее становится. Первые недели уходят на калибровку и начальное обучение. Квантовая матрица настраивает параметры под текущие рыночные условия, нейросети адаптируются к реальным данным, RL-агенты накапливают первоначальный опыт.
Но настоящие результаты приходят после этого периода. Система начинает не просто реагировать на сигналы — она предвидит рыночные движения. Механизм онлайн-обучения позволяет адаптироваться к изменяющейся волатильности, новым торговым сессиям, особенностям конкретного брокера.
С каждым месяцем работы ансамбль ИИ-агентов становится более слаженным. Они учатся эффективнее взаимодействовать, как команда профессионалов с многолетним опытом совместной работы. Аналитик точнее предсказывает направления, трейдер лучше выбирает моменты входа, риск-менеджер оптимальнее распределяет объемы.
И самое важное — система начинает распознавать свои слабые места и самостоятельно их корректировать. Если в определенных рыночных условиях какой-то компонент показывает снижение эффективности, другие агенты компенсируют это, перераспределяя веса принятия решений.
Научная база
Вся эта система стоит на фундаменте из десятков моих научных публикаций. "Квантовые вычисления и трейдинг" — там реальная интеграция с IBM Quantum. "Компьютерное зрение для трейдинга" в двух частях — распознавание паттернов с точностью до 54-59%.
"Теория хаоса в трейдинге" — показатель Ляпунова и вся математика.
"Нейросимвольные системы" — гибрид символьных правил и нейронных сетей.
"Биологический нейрон для прогнозирования" — архитектура с настоящим нейрогенезом.
60+ статей — это не просто портфолио, это фундамент, на котором построена система. Каждая концепция проверена, каждый алгоритм обоснован. Никаких "черных ящиков" — только проверенная наука.
Технические детали
Multi-symbol analysis работает по сигналам от 2-3 символов с взвешенными предсказаниями и корреляционными фильтрами. Grid Strategy с умным расширением: adaptive step expansion с коэффициентом 1.5x, lot multiplier с Matrix enhancement, target profit и max loss protection.
Система ведет comprehensive logging через SQL database — статистика по всему, performance metrics каждую минуту, детализированные отчеты по RL-агентам. Можно отследить каждое решение, каждый шаг обучения.
Daily retraining опционально включается, сохранение лучших весов нейросетей, адаптация к стилю конкретного брокера. Система действительно подстраивается под условия.
Для кого это
Если вы prop trader — встроенная поддержка PropFirm Challenge фаз. Если серьезный алготрейдер — готовый к периоду обучения системы. Если исследователь ML/AI — можете изучать передовые архитектуры. Портфельный трейдер — мульти-символьный анализ в деле.
Что внутри
40,000 строк кода, 10 mqh-модулей, SQL database для хранения статистики и обучения. Требует VPS с достаточной мощностью — это не легковесный скрипт. Полная документация включена: описание всех 40+ входных параметров, рекомендации по настройке, гайд по интерпретации логов, FAQ по оптимизации.
Честно о периоде адаптации
Первые 2-4 недели — калибровка. Настоящие результаты приходят после. Именно поэтому кривая доходности со временем становится всё более стабильной. Начальный период может показывать учебную волатильность, но затем система выходит на плато устойчивой прибыльности, где она уже глубоко понимает рынок и торгует с максимальной эффективностью.
Нужен брокер с низкими спредами (меньше 3 пипсов для EURUSD), стабильным исполнением, без манипуляций с котировками. Система заточена под честных брокеров.
Итог
Запустите в тестере и наблюдайте, как обычный советник превращается в самообучающегося кибернетического трейдера, который с каждой сделкой становится опытнее, умнее и прибыльнее. Это не просто автоматизация торговли — это эволюция подхода к рынку.
10 лет исследований, 60+ научных публикаций, институциональный подход в системе, которая растет вместе с вами. Цена отражает реальную ценность: уникальная архитектура, подтвержденные метрики (PF=4, Sharpe=6, DD=4%), репутация разработчика, долгосрочный потенциал.
Quantum Trading System 11.01 — когда наука встречается с прибылью.
Разработано Евгением Коштенко | Copyright 2025
· 1
Yevgeniy Koshtenko
Придумал новую идею: совместить Q-обучение с поиском произвольных паттернов из моих статей, и с поиском ассоциативных правил.
Система получается очень стабильной, и в отличие от обычного Q-обучения она не подвержена оверфиту (точнее слабо подвержена).
Ищу пути совместить это все с Квантумом. Чтобы сделать топ-продукт.
Скоро выйдет статья про BrainRL: систему обучения с подкреплением с нейрогенезом: генерация новых нейронных сетей, каждый нейрон - определенный паттерн на рынке. Это тоже имеет будущее, если сделать нейронные сети спайковыми и биологически верными.
Куча идей, в целом, а рабочих готовых к применению продуктов не так много. По факту: только Квантум, Мидас, и Синерджи боты - на тысячи черновых роботов, которые в сумме весят уже под 30 Гб (вместе с данными, с датасетами, с Пайтон кодами и т.п.).
Мне бы все это разобрать и протестировать, но никак невозможно. Слишком много роботов, слишком много уйдет даже просто на прогоны в тестере. Я только в тестере всю эту галиматью буду гонять несколько лет....Лишь маленькая часть идет в статьи, и до рабочих продуктов дожили буквально три архитектуры)
Система получается очень стабильной, и в отличие от обычного Q-обучения она не подвержена оверфиту (точнее слабо подвержена).
Ищу пути совместить это все с Квантумом. Чтобы сделать топ-продукт.
Скоро выйдет статья про BrainRL: систему обучения с подкреплением с нейрогенезом: генерация новых нейронных сетей, каждый нейрон - определенный паттерн на рынке. Это тоже имеет будущее, если сделать нейронные сети спайковыми и биологически верными.
Куча идей, в целом, а рабочих готовых к применению продуктов не так много. По факту: только Квантум, Мидас, и Синерджи боты - на тысячи черновых роботов, которые в сумме весят уже под 30 Гб (вместе с данными, с датасетами, с Пайтон кодами и т.п.).
Мне бы все это разобрать и протестировать, но никак невозможно. Слишком много роботов, слишком много уйдет даже просто на прогоны в тестере. Я только в тестере всю эту галиматью буду гонять несколько лет....Лишь маленькая часть идет в статьи, и до рабочих продуктов дожили буквально три архитектуры)
· 2
Yevgeniy Koshtenko
Революционировал Q-обучение, совместив свой старый код Q-обучения с моделью Quantum и новой командной RL-системой которая скоро выйдет в статье. Точнее - Quantum тут используется исключительно для создания пространства состояний рынка. Весь рынок делится на фиксированное число состояний, и в любой момент времени рынок находится всегда в одном из них.
Ну а дальше раз плюнуть обучить хорошую нейронку (в данном случае 7 RL агентов из статьи) на этих стационарных состояниях которые вполне проходят все тесты вроде Дики-Фуллера.
Два скрина: онлайн-обучение и офлайн-обучение системы.
Шарп онлайн: 5
Шарп оффлайн: 10
Все топ, но нужны большие объемы памяти для памяти состояний скажем, за 25 лет исторических данных.Можно уменьшить требования к памяти сделав к примеру разбиение рынка по состояниям Маркова, но это решение приводит к ухудшению показателей, и они ухудшаются по мере снижения размерности, как обучать хорошо с высоким снижением размерности я пока не понял, система и без оного работает на форвардах как конфетка теряя лишь 1-2% точности на форваде за 1-2 года)
Ну а дальше раз плюнуть обучить хорошую нейронку (в данном случае 7 RL агентов из статьи) на этих стационарных состояниях которые вполне проходят все тесты вроде Дики-Фуллера.
Два скрина: онлайн-обучение и офлайн-обучение системы.
Шарп онлайн: 5
Шарп оффлайн: 10
Все топ, но нужны большие объемы памяти для памяти состояний скажем, за 25 лет исторических данных.Можно уменьшить требования к памяти сделав к примеру разбиение рынка по состояниям Маркова, но это решение приводит к ухудшению показателей, и они ухудшаются по мере снижения размерности, как обучать хорошо с высоким снижением размерности я пока не понял, система и без оного работает на форвардах как конфетка теряя лишь 1-2% точности на форваде за 1-2 года)
· 4
Yevgeniy Koshtenko
게재된 기고글 Самоорганизующиеся карты Кохонена в советнике MQL5 
Самоорганизующиеся карты Кохонена превращают хаос рыночных данных в упорядоченную двумерную карту, где похожие паттерны группируются вместе. Эта статья показывает полную реализацию SOM в торговом советнике MQL5 с четырехстами нейронами и непрерывным обучением. Разбираем алгоритм поиска Best Matching Unit, обновление весов с гауссовой функцией соседства, интеграцию с квантовыми эффектами и создание торговых сигналов. Код открыт, математика понятна, результаты проверяемы.
2
Yevgeniy Koshtenko
Разболелся пи...ц(((Температура вчера была под 39. Сегодня, благодаря Ремантадину, уже сижу худо-бедно за кодом. Пришла идея совместить RL, спайковые нейросети и квантовую схему в один продукт - пока работаю.
· 3
Yevgeniy Koshtenko
게재된 기고글 Анализ влияния солнечных и лунных циклов на цены валют 
Что если лунные циклы и сезонные паттерны влияют на валютные рынки? Эта статья показывает, как перевести астрологические концепции на язык математики и машинного обучения. Я создал Python-систему с 88 признаками на основе астрономических циклов, обучил CatBoost на 15 годах данных EUR/USD и получил интригующие результаты. Код открыт, методы проверяемы, выводы неожиданны — древняя мудрость встречается с градиентным бустингом.
2
Yevgeniy Koshtenko
Впервые сходил к ИИ психотерапевту.
Я не знаю, несколько это полезно и не вредно ли вообще, но я обратился с вопросом сливов в трейдинге.
Он задавал очень много вопросов, и в итоге выяснилось примерно, что это ПТСР от самого трейдинга. Трейдинг - продолжающийся хронический постоянный стресс, а при ПТСР развивается невозможность нормального поведения в стрессовых ситуациях. ПТСР развился от трейдинга, и сам же трейдинг триггерит его проявления. Это порочный круг.
При этом мне тупо скучно торговать с роботами, психика за годы крайней нищеты привыкла к постоянному стрессу, вот чтобы получить эмоции я и лезу в ручные и крайне рискованные сделки. Когда безопасно - мне странно и непривычно.
Я даже сейчас это чувствую. Месяц я отдыхал от рынка, и вновь чувствую это странное чувство, что все слишком уж спокойно и скучно. Нужен движ. Но на этот раз я пущу его не в рынок, а в боевой спорт или в мега-проект технологии сжатия, чтобы продать разом за большую сумму, и сразу же ввязаться в новый проект технологии на ещё большую сумму.
Чтобы торговать в плюс, я должен изменить роль трейдинга с тупо сливной ямы для эмоций на дойную корову для денег. Сейчас это реально сливная яма, я попросил ИИ составить кучу уточняющих тестовых вопросов чтобы определить, что для меня трейдинг?
Нужно научиться относиться к трейдингу как будто его вообще не существует, чтобы он не вызывал никаких эмоций. Иначе я от него зависим, и мне выключает голову.
Рекомендации ИИ психотерапевта все те же что и у обычного психотерапевта - дневник эмоций, дневник торговли, практики дыхания и заземления, и поиск экологичного способа получить адреналин, эмоции и драйв.
Самый стрём ещё в том, что алготрейдинг скучен из-за безопасности, а ручной опасный трейдинг же вызывает именно негативные эмоции. То есть, их очень сложновато получить легально. Пока мне приходит на ум только контактный спорт, или же тупо покупка техники вроде телевизоров которую я буду разбивать молотком / топором. Гарри Топор блин😁😁😁😁
Я не знаю, несколько это полезно и не вредно ли вообще, но я обратился с вопросом сливов в трейдинге.
Он задавал очень много вопросов, и в итоге выяснилось примерно, что это ПТСР от самого трейдинга. Трейдинг - продолжающийся хронический постоянный стресс, а при ПТСР развивается невозможность нормального поведения в стрессовых ситуациях. ПТСР развился от трейдинга, и сам же трейдинг триггерит его проявления. Это порочный круг.
При этом мне тупо скучно торговать с роботами, психика за годы крайней нищеты привыкла к постоянному стрессу, вот чтобы получить эмоции я и лезу в ручные и крайне рискованные сделки. Когда безопасно - мне странно и непривычно.
Я даже сейчас это чувствую. Месяц я отдыхал от рынка, и вновь чувствую это странное чувство, что все слишком уж спокойно и скучно. Нужен движ. Но на этот раз я пущу его не в рынок, а в боевой спорт или в мега-проект технологии сжатия, чтобы продать разом за большую сумму, и сразу же ввязаться в новый проект технологии на ещё большую сумму.
Чтобы торговать в плюс, я должен изменить роль трейдинга с тупо сливной ямы для эмоций на дойную корову для денег. Сейчас это реально сливная яма, я попросил ИИ составить кучу уточняющих тестовых вопросов чтобы определить, что для меня трейдинг?
Нужно научиться относиться к трейдингу как будто его вообще не существует, чтобы он не вызывал никаких эмоций. Иначе я от него зависим, и мне выключает голову.
Рекомендации ИИ психотерапевта все те же что и у обычного психотерапевта - дневник эмоций, дневник торговли, практики дыхания и заземления, и поиск экологичного способа получить адреналин, эмоции и драйв.
Самый стрём ещё в том, что алготрейдинг скучен из-за безопасности, а ручной опасный трейдинг же вызывает именно негативные эмоции. То есть, их очень сложновато получить легально. Пока мне приходит на ум только контактный спорт, или же тупо покупка техники вроде телевизоров которую я буду разбивать молотком / топором. Гарри Топор блин😁😁😁😁
· 6
Yevgeniy Koshtenko
По поводу последней идеи - ДА, сжатие котировок многократно улучшает точность прогнозирования направления будущей цены. Чистая математика - чем ниже энтропия, тем выше прогнозируемость. При сжатии энтропия снижается.
· 3
Yevgeniy Koshtenko
В мире не больше 10 случаев разрушения теорем (истин математики, когда находят что аксиомы из которых они происходят - ложны).
Из значимых - лишь появление геометрии Лобачевского в 1800-х, да вот ещё может быть, открытие Гёделя.
Вряд-ли я сделал ещё одно - третье значимое разрушение, которое повлечет за собой изменение мира из-за моего алгоритма архивации. Скорее он просто укладывается в эту теорему о сжатии данных без потерь и зависимости сжатии и энтропии. Просто мы отсюда можем также плясать ещё в две стороны: сторону зависимости успешности точного прогнозирования данных в зависимости от величины энтропии, а также в сторону быстроты передачи данных по каналам (то есть, это изменит ещё и связь).
Итог: меняем сферы прогнозирования данных, сферу передачи полностью всех данных в мире, и сферу хранения этих данных.
Перспектива супер... Аж самому не верится.
В алгоритме есть явные изъяны: если обычные неоднородные данные, как моя папка со всеми кодами (около 1500-2000 кодов, коды Python / MQL5, примерно 2000 000 строк кода, плюс ещё датасеты разные, по экономике и т.п. - сжимаются без проблем в тысячи и десятки тысяч раз, то вот уже многократно слабо сжатые данные такие как ZIP архивы, или 4К видео MOV с Айфона - вызывают зависание процесса сжатия на 5-8 часов и последующий краш системы ноутбука.)
Из значимых - лишь появление геометрии Лобачевского в 1800-х, да вот ещё может быть, открытие Гёделя.
Вряд-ли я сделал ещё одно - третье значимое разрушение, которое повлечет за собой изменение мира из-за моего алгоритма архивации. Скорее он просто укладывается в эту теорему о сжатии данных без потерь и зависимости сжатии и энтропии. Просто мы отсюда можем также плясать ещё в две стороны: сторону зависимости успешности точного прогнозирования данных в зависимости от величины энтропии, а также в сторону быстроты передачи данных по каналам (то есть, это изменит ещё и связь).
Итог: меняем сферы прогнозирования данных, сферу передачи полностью всех данных в мире, и сферу хранения этих данных.
Перспектива супер... Аж самому не верится.
В алгоритме есть явные изъяны: если обычные неоднородные данные, как моя папка со всеми кодами (около 1500-2000 кодов, коды Python / MQL5, примерно 2000 000 строк кода, плюс ещё датасеты разные, по экономике и т.п. - сжимаются без проблем в тысячи и десятки тысяч раз, то вот уже многократно слабо сжатые данные такие как ZIP архивы, или 4К видео MOV с Айфона - вызывают зависание процесса сжатия на 5-8 часов и последующий краш системы ноутбука.)
· 2
Yevgeniy Koshtenko
Создал Архиватор Коштенко V6. Степень сжатия - 3 333 000 Х.
2.00 Гб сжимаются в файлик размером 644 байт. Если еще финально применить ZIP сжатие, получается итоговый архив в 500 байт. Я увы, пока не придумал, как сжать итоговый архив еще - не получается сжать уже сжатые метакарты восстановления.
В случае, если в данных много случайных - коэффициент сжатия резко падает. Такова уж природа математических законов....
Изучаю кибербез,чтобы максимально защитить демо технологии. Я обычно "долгий" в плане разработки - на демо может уйти еще несколько месяцев. Но лучше постараться, чем схалтурить, чтобы технологию не украли. Разверну все онлайн , с бесплатным сжатием / распаковкой.
Сейчас сжимаю свою папку со всеми кодами еще раз, чтобы проверить новую версию. Там полностью неоднородные данные - 1500 кодов MQL5 + Python, сотни баз данных, экономическая статистика и прочее...
2.00 Гб сжимаются в файлик размером 644 байт. Если еще финально применить ZIP сжатие, получается итоговый архив в 500 байт. Я увы, пока не придумал, как сжать итоговый архив еще - не получается сжать уже сжатые метакарты восстановления.
В случае, если в данных много случайных - коэффициент сжатия резко падает. Такова уж природа математических законов....
Изучаю кибербез,чтобы максимально защитить демо технологии. Я обычно "долгий" в плане разработки - на демо может уйти еще несколько месяцев. Но лучше постараться, чем схалтурить, чтобы технологию не украли. Разверну все онлайн , с бесплатным сжатием / распаковкой.
Сейчас сжимаю свою папку со всеми кодами еще раз, чтобы проверить новую версию. Там полностью неоднородные данные - 1500 кодов MQL5 + Python, сотни баз данных, экономическая статистика и прочее...
· 2
Yevgeniy Koshtenko
По архиватору: улучшил еще больше - теперь степень сжатия почти 10 000Х, с формированием классического архива ZIP, в котором хранятся сжатые файлы и нужные для обратной распаковки файлы. Скоро разверну все на сайте, на 10-15 серверах, чтобы любой мог зайти и проверить, это будет демо для продажи технологии, поэтому изучаю все пути защиты исходного кода от реверса
· 1
Andrey Kolmogorov
2025.10.09
Привет, если все так как ты говоришь, то это прорыв, но я уверен, даже не пишу, что практически) А именно - такая степень невозможна для произвольных данных, либо у тебя словарь почти такой же как папка без сжатия. Примерно такую степень в 100-200 раз получают при однородных данных и это не новость. На рандомных данных и близко нет такой степени и это закон вселенной) повторюсь, если у тебя рядом не будет словаря в примерный размер с исходную файл/папку.
Yevgeniy Koshtenko
Улучшил технологию сжатия данных до V3. V2 оказалась ложной - она не восстанавливает с полным соответствием хэшей. Бит в бит 50 000Х пока не получается.
V3 сжала файл dat датабазы данных в 2 147 483 648 байт до файла в 2088 648 байт. То есть, сейчас с восстановлением бит в бит достижима степень сжатия в 1028Х.
По сравнению с 200Х это очень круто!
Цель - довести до рабочего демо которое будет всегда работать на 100%, и продать это нахрен, и свалить на море. И никаких больше кодов, никаких больше исследований, никакого больше засиживания за кодом по 12 часов, никакого больше трейдинга, никакого больше дерьма.
I have improved the data compression technology to V3. V2 turned out to be false - it does not restore with full hash matching. Bit-to-bit 50,000X is not yet possible.
V3 compressed a 2,147,483,648-byte dat file of a database to a 2,088,648-byte file. This means that a compression ratio of 1028X is now possible with bit-to-bit restoration.
Compared to 200X, this is very cool!
The goal is to create a working demo that will always run at 100%, sell it for fuck's sake, and go to the sea. No more codes, no more research, no more 12-hour coding sessions, no more trading, no more shit.
V3 сжала файл dat датабазы данных в 2 147 483 648 байт до файла в 2088 648 байт. То есть, сейчас с восстановлением бит в бит достижима степень сжатия в 1028Х.
По сравнению с 200Х это очень круто!
Цель - довести до рабочего демо которое будет всегда работать на 100%, и продать это нахрен, и свалить на море. И никаких больше кодов, никаких больше исследований, никакого больше засиживания за кодом по 12 часов, никакого больше трейдинга, никакого больше дерьма.
I have improved the data compression technology to V3. V2 turned out to be false - it does not restore with full hash matching. Bit-to-bit 50,000X is not yet possible.
V3 compressed a 2,147,483,648-byte dat file of a database to a 2,088,648-byte file. This means that a compression ratio of 1028X is now possible with bit-to-bit restoration.
Compared to 200X, this is very cool!
The goal is to create a working demo that will always run at 100%, sell it for fuck's sake, and go to the sea. No more codes, no more research, no more 12-hour coding sessions, no more trading, no more shit.
· 2
fxsaber
2025.10.08
Так зависит от данных dat-файла. Переименуйте ecarc (или zip) в dat и попробуйте сжать. Сомневаюсь, что в среднем результаты будут лучше распространенных free-архиваторов.
Yevgeniy Koshtenko
2025.10.08
Я по вашему такой тупой или наивный? Какие все умные кругом...Он восстанавливает все в тот же формат в каком было изначально
Yevgeniy Koshtenko
2025.10.08
Он даже систему Мидас сжал в 2000 раз, я ее удалил, восстановил - все коды запускаются и работают, скоро разверну онлайн демо на множестве серверов для инвестбанков
Yevgeniy Koshtenko
게재된 기고글 Создание вероятностного рыночно-нейтрального робота на основе распределения доходностей 
Рыночно-нейтральная торговая стратегия на основе эмпирического распределения доходностей представляет альтернативу классическим методам технического анализа, заменяя прогнозирование направления цены статистическим размещением ордеров в точках вероятного достижения. Статья подробно разбирает математический аппарат расчета перцентилей, алгоритмы взвешивания объемов позиций по вероятности срабатывания и механизмы адаптации к изменению рыночных условий через экспирацию сетки. Приводится полная реализация на MQL5.
1
Yevgeniy Koshtenko
Модуль оптимизации портфеля в Мидасе резко перестал оптимизировать портфель. Выдает равные веса всегда))))Господи, как тяжело искать где сработал фаллбэк среди 55000 строк кода...