Обсуждение статьи "Python + API LLM + MetaTrader 5: реальный опыт построения автономного торгового бота"
опять завязка на чужие готовые модели и сервера
Где можно почитать про “готовые модели и сервера”? Поделитесь пожалуйста. Мне как раз попадаются решения с дообучением локальных LLM.
слово "автономный"
На мой взгляд современные модели имеют обширную “картину мира”, знают кучу стратегий, понимают временные ряды и не требуют дообучения. Правильно определяют уровни поддержки и сопротивления, максимумы и минимумы, это видно из “рассуждений” LLM. По API можно выбрать мощные модели, не привязываясь к локальному железу.
Где можно почитать про “готовые модели и сервера”? Поделитесь пожалуйста. Мне как раз попадаются решения с дообучением локальных LLM.
Я как раз написал, что в данной статье используются готовые модели и сервера.
В обсуждении другой статьи (где модель скачивается и запускается локально), где было и ваше участие, я приводил ссылку на сравнительное исследование общих языковых моделей (которые на таймсериях не обучались) и обученных целенаправленно на таймсериях. Результат не в пользу больших языковых моделей.
Из моего общения с общими LLM следует, что они очень любят приврать в фактической части ответа, особенно связанной с числовыми показателями.
- 2025.11.12
- www.mql5.com
Я как раз написал, что в данной статье используются готовые модели и сервера.
В обсуждении другой статьи (где модель скачивается и запускается локально), где было и ваше участие, я приводил ссылку на сравнительное исследование общих языковых моделей (которые на таймсериях не обучались) и обученных целенаправленно на таймсериях. Результат не в пользу больших языковых моделей.
Из моего общения с общими LLM следует, что они очень любят приврать в фактической части ответа, особенно связанной с числовыми показателями.
В обсуждении другой статьи (где модель скачивается и запускается локально), где было и ваше участие, я приводил ссылку на сравнительное исследование общих языковых моделей (которые на таймсериях не обучались) и обученных целенаправленно на таймсериях. Результат не в пользу больших языковых моделей.
Станислав, спасибо за статью, нашел, очень полезно. Как то пропустил, видимо поленился переводить.
Перевод:
На самом деле, недавние работы указывают на множество интересных и многообещающих способов взаимодействия языка и временных рядов, таких как рассуждения о временных рядах [25, 7, 45, 42, 37], социальное понимание [6] и финансовые рассуждения [36, 20].
Из моего общения с общими LLM следует, что они очень любят приврать в фактической части ответа, особенно связанной с числовыми показателями.
О да. Здесь есть на чем подумать. Выбрать подходящую модель, сформулировать стратегию в промпте, поставить в рамки, не простая задача. Обычно модели из лидербордов дают адекватнее ответы. Осмысленно анализируют и принимают решения.
Соглашусь с комментарием:
Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий
Edgar Akhmadeev, 2025.11.13 00:33
Я начал разрабатывать эту тему не так давно. OpenAI API пишу на чистом MQL5. И сервер для модели - llama.cpp.
Надо модели давать максимально математически чёткие инструкции, требовать чётких ответов, без воды. Снижать температуру до предела (0-0.2), чтобы не фантазировала. Выбирать максимально большие локальные модели, какие тянет система (на моём VRAM 12 Gb - до 15B, а с небольшим замедлением - до 30B). Тестировать и выбирать лучшую (а их очень много). Пока занимаешься этим, идёт прогресс в моделях, появляются маленькие умные модели. Затем можно дообучать модель (LoRA). Если, не дай бог, появится подозрение на потенциальную прибыльность проекта, можно перейти на платные большие онлайн-модели. Или хотя бы сделать апгрейд компьютера на 2 GPU с 24 Gb и много памяти.
Работы - выше крыши. Посмотрим. Пробуем работать с моделями, учитывая их милые особенности.
- 2025.11.12
- www.mql5.com
Здравствуйте. Скоро выйдет моя статья про файтюн локальной Ollama на 1000 сделках. Удивительно, но результаты на синтетических искусственных сэмплах идеальных сделок в разы лучше, чем на настоящих реальных сделках.
Интересное исследование. С нетерпением жду продолжения сезона )).
Датасет с искусственными сделками, что то новенькое.
Токены vs Железо.
По теме: 5 LLM автономно торговали 8 месяцев по рыночным данным и новостям (подход обучения моделей не раскрывается).
Скрипт составлен отлично и, на мой взгляд, служит очень хорошей основой для учебного примера того, как LLM можно интегрировать в торговую систему. Однако я считаю, что наибольший потенциал для улучшения заключается не столько в самом скрипте, сколько в способе представления рыночных данных LLM и, в особенности, в разработке подсказок (prompt engineering).
В текущей реализации подсказка носит относительно простой характер и представляет собой скорее демонстрацию концепции, чем полноценную систему принятия торговых решений. LLM получает данные OHLCV, ищет уровни поддержки/сопротивления и паттерны ценового действия, а затем, по сути, выбирает между «КУПИТЬ», «ПРОДАТЬ» и «ДЕРЖАТЬ». Этого вполне достаточно для демонстрации концепции, но реальная торговая система могла бы предоставлять LLM гораздо более богатый рыночный контекст.
Например, подсказка могла бы определять структуру рынка, тренд и его силу, волатильность, ATR, импульс, несколько таймфреймов, расстояние до зон поддержки/сопротивления, качество ценовой конфигурации, потенциальное соотношение риска и прибыли, а также — что, пожалуй, самое важное — явные условия, при которых LLM не должен совершать сделок и должен возвращать ответ «ДЕРЖАТЬ».
Я бы также избегал использования LLM просто в качестве генератора сигналов. Вместо этого я бы использовал его в качестве уровня принятия решений, дополняющего традиционные рыночные данные и детерминированные торговые правила. Стратегия может рассчитывать индикаторы и соответствующие характеристики, в то время как LLM оценивает их совокупный контекст и качество общей конфигурации.
Я бы также разделил анализ рынка и исполнение сделок. LLM мог бы возвращать структурированное решение, содержащее оценку уверенности/качества, рыночный уклон, зону входа, уровень аннулирования и предложение по SL/TP, в то время как сам советник должен оставаться ответственным за проверку рисков, определение размера позиции, условия спреда, торговые сессии и все правила исполнения.
Это создает гораздо более надёжную архитектуру:
Рыночные данные → Уровень характеристик/рыночной структуры → Анализ LLM → Уровень принятия решений → Менеджер рисков → Исполнение на MT5
На мой взгляд, автор уже разработал хорошую концепцию и продемонстрировал самую важную часть — как подключить LLM к торговой системе. При проведённой дополнительной работе над инженерией промптов, рыночным контекстом, проверкой ответов и уровнем риска этот пример вполне может превратиться в надёжную торговую систему с поддержкой LLM.
Поэтому я бы охарактеризовал это скорее как очень хорошую отправную точку, чем как готовую торговую систему, и именно это делает концепцию интересной, поскольку здесь есть большой простор для дальнейшего развития.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Python + API LLM + MetaTrader 5: реальный опыт построения автономного торгового бота:
Статья описывает создание MVP-прототипа автономного торгового бота для MetaTrader 5, использующего большие языковые модели (LLM) через API OpenRouter для анализа рынка и принятия торговых решений. Скрипт на Python получает исторические данные OHLCV, отправляет их в LLM для технического анализа на основе уровней поддержки/сопротивления и паттернов Price Action, после чего автоматически размещает ордера с заданными стоп-лоссом и тейк-профитом.
Большинство трейдеров и не подозревают, что ИИ способен:
Это не индикатор и не алгоритм. Это интеллектуальная надстройка, которую можно научить вашей личной торговой системе.
И самое главное — её не нужно обучать программированию. Она понимает обычный человеческий язык.
Автор: Oleg Doykov