Yevgeniy Koshtenko / 프로필

По ИИ боту - пока так. Ребейты капают каждое утро ровно в 8:00. В среднем ребейт ежедневный - в районе 1,5, максимальный был 11% за сутки. Я не устану топить за ребейт-систему: это многие недооценивают. Если модель торгует хороший объем, она точно будет в профитах. Многие считают, что рынок нужно бить вчистую. Да все это ерунда. Нужно быть в прибыли любой ценой: ребейты, бонусы, своп-арбитраж, даже арбитраж на разных торговых счетах в разных валютах, нужно использовать любые меры и средства, чтобы счет шел в плюс.

게재된 기고글 Market Heat Map Indicator Based on Prime-Number Density

게재된 기고글 Unified Multi-Timeframe Renko: Synthesizing the Market's Temporal Dimensions

Тест Midas Pro (первая версия).

Новая версия экосистемы ИИ трейдинга: Midas (2 лучших модуля) + Sinergy (взята основа) + Квантум (взята квантовая схема QVC) + квантовый компьютер IBM (29 кубит РЕАЛЬНЫХ) - и это все на ходу управляется ИИ агентом с огромным числом нейронов и огромным интеллектом.

По ИИ трейдеру: удалось в симуляциях добиться результата в 1000% в месяц. Минус лишь один: система пытается протянуть прибыльные позиции, получив сверхприбыль,ну и понятно, что на пару удачных сделок по +200-300% уходят десятки попыток с небольшим убытком.

게재된 기고글 Quick Integration of a Large Language Model into MetaTrader 5 (Part I): Building the Model

LLM ИИ, обученный на квантовых кластерах, отлично гонит счет в профиты.

Грок высоко оценил новый код) LLM + долгосрочная общая память моделей, разворачиваемая на сервере + система квантово-криптографического сжатия похожих ситуаций, я ее обнаружил случайным образом в ходе улучшения архиватора + система эволюции и казуального обучения, причинно-следственный вывод на каждой итерации, рефлексия модели с самоанализом...Короче, притащил в эту модель лучшее, что знал из МО, ну и скоро поставлю на живую торговлю)

Поставил TradeGPT на бэктест. Размер контекста в 128 к символов позволяет постоянно дообучать модель в процессе. То есть, я гружу туда как текущие сделки, так и результаты прошлых сделок, так и исторические сэмплы чтобы оно проверило аналогии и обобщило данные.

Еще ищу советские учебники логики 40-х и 50-х, или хотя-бы конспекты по ним - чтобы засунуть их в модель также.

Дообучение до идеала займет гору времени, если учесть что один бэктест за два месяца с дообучением на случайных сэмплах идет около суток.

Главная задача на неделю выполнена: я полностью избавился от зависимости от CladeAI и ChatGPT, не нужно платить за токены, модель своя - собственная. К тому же, она при рождении получила данные по ценам и признакам за 20 лет. Это тоже плюс.

Вчера еще была одна версия с глубоким рефлексированием, но она до такой степени задумалась, что думала все время пока я спал, а к решению так и не пришла. Глубокие рассуждения могут погружать модель в бесконечные циклы и цепочки мыслей, которые порой становятся бредом.

Ну вот я и создал свой собственный ChatTradeGPT)))

1 миллиард нейронов, пока что. Буду увеличивать число нейронов.

Обучен на данных 28 валютных пар. Его основная задача - прогноз цены на 24 часа.

Оно разговаривает уже))))Туповат. Путает русские и английские слова))))В него еще требуется загрузить литературу, а не только котировки и метки))))

Делаю датасет для обучения большой LLM - ИИ трейдера. Сделал модель 9 млрд. нейронов. Делаю датасеты. На маленьких моделях в 1 млрд нейронов и год - два данных + пару мануалов по тому что должна делать модель - все неплохо. Но как будет на большой размерности? Не зависнет ли намертво?

Также нужно скачать по идее, все статьи где хоть как-то описывается работа с индикаторами - признаками. Туповато конечно, учитывая что модель должна сама обучиться на принципах которые в ней заложены при создании, и целевых метках плюс датасете. Вообще, пока архитектура очень простая и легкая.

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.

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((((.

게재된 기고글 A Team of AI Agents with Profit-Based Rotation: The Evolution of a Living Trading System in MQL5

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?

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)

게재된 기고글 A Reinforcement Learning System for Algorithmic Trading in MQL5

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

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)