|
2 года
опыт работы
|
13
продуктов
|
37
демо-версий
|
|
1
работ
|
0
сигналов
|
0
подписчиков
|
В трейдинге с 2016 года, в алготрейдинге — с 2019, в машинном обучении и программировании — с 2021.
Создаю советников, торговых роботов, индикаторы, смарт-контракты, коды токенов и криптомонет, системы автоматизации бизнеса и ИИ-модели под ключ.
Работаю над институциональной торговой системой для собственного хэдж-фонда и над собственным ИИ-блокчейном.
Автор 100+ международных статей на разных языках мира.
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 — осциллятор RSI, усиленный зонами умных денег Обычный RSI показывает перекупленность и перепроданность. Но он ничего не знает о том, ГДЕ находится цена относительно ключевых институциональных зон. SMC Proximity RSI исправляет это. Этот осциллятор объединяет классический RSI с анализом Smart Money Concepts: он измеряет близость цены к Order Blocks, Fair Value Gaps, Time Blocks и уровням Support/Resistance, и усиливает сигнал RSI именно тогда, когда цена входит в
Order Block ICT — SMC Индикатор ордер-блоков по методологии ICT / Smart Money Concepts. Автоматически находит и отрисовывает на графике зоны бычьих и медвежьих ордер-блоков, отслеживает их митигацию и убирает отработанные зоны. Помогает видеть области, где в рынок входил «умный» капитал, без ручной разметки графика. Что делает индикатор Сканирует историю и находит ордер-блоки по нескольким сценариям одновременно: классическая последовательность свечей, импульсное движение, контекст по ATR
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 — анализ зон неэффективности рынка (Fair Value Gaps) FVG Analysis — это индикатор, который автоматически находит на графике зоны неэффективности цены, известные в Smart Money Concepts как Fair Value Gaps, и отслеживает их жизненный цикл от появления до отработки. Эти зоны возникают там, где рынок двигался настолько импульсивно, что оставлял за собой ценовой разрыв, не закрытый соседними свечами, — и именно к таким областям цена впоследствии часто возвращается, чтобы восстановить
SMC Market Structure PRO — Order Blocks, FVG, Liquidity & Confluence Zones Перестаньте угадывать. Начните читать рынок так, как его видят крупные игроки. SMC Market Structure PRO автоматически находит на графике зоны интереса умных денег — Order Blocks, Fair Value Gaps (FVG) и временные дисбалансы — и подсвечивает зоны конфлюэнции, где три типа структуры пересекаются. Именно там цена реагирует чаще всего. Это комплексный инструмент анализа рыночной структуры по методологии Smart Money
Currency Strength & Pullback Panel — сила валют и точки входа на откатах Currency Strength & Pullback Panel — это аналитическая панель, которая одновременно решает две задачи трейдера: показывает, какие валютные пары сейчас в сильном движении, и подсказывает, где открылась возможность войти в это движение по выгодной цене на откате. В отличие от классических индикаторов силы валют, которые ограничиваются цветной шкалой, эта панель работает мультитаймфреймно. Для каждой пары
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.