Складчина: VesperfinCode: Поддержка (1-3 потоки) [Vesperfin] [Арина Веспер]
Поддержка #1 — Web-сервисы для трейдинга на Python
Создание и развертывание web-сервисов для трейдинга на Python. Внутри — видеозаписи занятий и пакет кода: готовый Streamlit-сервис для новостей и идей с TradingView, примеры дашбордов и интерфейсов, интеграция с Backtrader и две торговые стратегии с открытым кодом.
Что делаем?
- Собираем интерфейсы для трейдинга: формы, графики, таблицы, дашборды.
- Упаковываем стратегии, парсеры и аналитику в удобные web-сервисы.
- Работаем с состоянием приложения и кэшированием моделей.
Что входит?
- Готовый Streamlit-сервис для трейдера:
- парсинг новостей и идей с TradingView;
- автоматическая суммаризация текстов (transformers);
- анализ тональности новостей и идей (FinBERT);
- удобный интерфейс с вкладками и экспандерами.
- Шаблоны Streamlit-приложений: от простых примеров до мини-дашборда с загрузкой данных, визуализациями и многокомпонентной навигацией.
- Пример трейдингового приложения с Backtrader: загрузка котировок, тест стратегии пересечения скользящих средних (SMA) и вывод результатов в web-интерфейсе.
- Дополнительные ноутбуки для прокачки: Streamlit, NLP для финансовых текстов, парсинг новостей, примеры ML- и RL-подходов в трейдинге.
Поддержка #2 — Крипторынки, криптоботы и T²-стратегии
Интенсив по алгоритмической торговле на крипторынках и автоматизации стратегий под Python. Внутри — видеозаписи занятий и полный набор кода: рабочие криптоботы, модели фаз рынка и разворотов, ресёрч-ноутбуки по T² и парному трейдингу, инструменты для сбора и подготовки данных под ML.
Что делаем?
- Строим и настраиваем криптоботов: работа с рыночными фазами, T²-сигналами, паттернами price reversal и логикой входа/выхода по моделям.
- Исследуем крипторынки: арбитражный потенциал, паттерн- и предиктивные стратегии, метод Хоттелинга T², парный трейдинг и отбор инструментов.
- Автоматизируем сбор и подготовку данных: фьючерсы Bybit, трейды, стакан, on-chain сигнал, генерация признаков и таргетов для ML-моделей.
- Обучаем и внедряем модели (XGBoost и др.) в боевые скрипты: классификация фаз рынка, разворотов и импульсных движений.
Что входит?
- Набор боевых криптоботов на Python:
- скрипт адаптивной стратегии для Bybit с расчётом RSI/SMA/EMA/ADX/MACD/полос Боллинджера и выбором логики входа по фазе рынка (market_phase_model.joblib);
- несколько реализаций T²-бота на базе reverse-модели: работа по закрытию бара, контроль шага ордера, комиссии, типа рынка и статуса позиции;
- облегчённые версии под один инструмент для отладки и тестнета.
- Аналитические ноутбуки и методички:
- полноценный ML-пайплайн data_models.ipynb: разметка фаз рынка по индикаторам, обучение XGB-модели market_phase_model.joblib и эксперименты с импульсными прогнозами;
- Scoring_strat.ipynb по парному трейдингу: от отбора пар до расчёта PnL и статистики сделок;
- T2_strats.ipynb — практическое применение Хоттелинга T²: стратегии входа/выхода и сценарии управления позицией;
- multi_parser.ipynb для массового парсинга фьючерсов через Bybit API;
- Quant_book.ipynb с curated-подборкой ссылок и библиотек для дальнейшего квант-развития;
- дополнительные примеры (Карты.ipynb) для демонстрации работы с данными и визуализациями.
- Инструментарий для работы с данными (Hard_data toolkit):
- асинхронные сборщики bybit-данных и on-chain сигналов (стакан, трейды, whale-транзакции), сохраняющие CSV;
- готовые датасеты с ценами, объёмами, направлением сделок и on-chain активностью;
- EDA-ноутбуки для агрегации, генерации признаков, визуализации распределений и подготовки выборок под модели.
- Готовые модели и служебные файлы:
- market_phase_model.joblib, price_upper_model.joblib и reverse_model.joblib для интеграции в скрипты;
- yабор T²-метрик по фьючерсам (t2_all_symbols.csv) для отбора инструментов;
Поддержка #3 — Машинное обучение в трейдинге
Машинное обучение в трейдинге: от линейных и нелинейных моделей до поиска аномалий и мультигоризонтных прогнозов доходности. Внутри — видеозаписи занятий и проектный код с ML-пайплайнами, моделями на крипторынках и ресёрч-ноутбуками для отработки стратегий.
Что делаем?
- Строим ML-пайплайны для прогноза доходности и вероятности роста на основе лаговых доходностей, техиндикаторов и коррелированных инструментов.
- Тестируем линейные, нелинейные и вероятностные модели: логистическая регрессия, Random Forest, XGBoost, LightGBM, квантили и мультигоризонтные таргеты.
- Ищем аномалии рынка и разрывы корреляций, проектируем стратегии на основе outlier-фильтров, time-lagged корреляций и мультикритериальных сигналов.
Что входит?
- Проект Alpha Forecast:
- ноутбук с построением признаков по 30 «спутникам» целевой монеты (pandas_ta RSI/EMA/ATR/ROC и др.), таргетами future_return и моделями GradientBoosting, RandomForest, Ridge, XGBRegressor;
- блок Cor_strat для поиска пар с разрывом корреляции и визуального анализа спредов;
- мульти-таргетная постановка с MultiOutputClassifier(LGBMClassifier) по нескольким горизонтам (future_return_1/2/3) и сборкой сигналов, когда все горизонты согласованы.
- Модуль «Линейные модели, нелинейные модели, вероятностный подход»:
- ноутбук First_lesson.ipynb с тремя типами моделей: классификация «выше/ниже» (LogisticRegression, RandomForestClassifier), регрессия доходности (RandomForestRegressor, Ridge, XGBRegressor) и вероятностный подход через LightGBM с квантильными прогнозами и сравнением с Buy&Hold;
- установка и использование shap для интерпретации вклада признаков в XGBoost;
- pаготовка multi_parser.ipynb для массовой выгрузки данных по USDT-фьючерсам через pybit.unified_trading.HTTP.
- Модуль «Поиск аномалий рынка, глубокое обучение в трейдинге, Pre-HFT архитектура»:
- ноутбук Second_lesson.ipynb с Random Forest и LightGBM + Optuna, ансамблями моделей, фильтрами уверенности и outlier-стратегиями на основе Isolation Forest (лог-доходность, high-low range, объём, свечное тело, z-score);
- эталонный датасет ZRXUSDT_h1.csv с часовыми свечами и объёмами для воспроизведения экспериментов и адаптации под собственные данные;
- ссылки на внешние источники рыночных данных для построения Pre-HFT-архитектур.
Цена 9900 руб.