Готовлю к открытию репозиторий с экспериментами по предсказанию цены. Надеюсь на этой неделе все будет.

Репозиторий открою, как только доделаю. Когда доделаю не знаю. Мне не обязательно его прямо сейчас открывать, так что время есть.

Создаю библиотеку для Пайтон: обёртка для бустинговых моделей машинного обучения, для обучения их для моделирования волатильности.

Есть библиотека arch в пайтоне для быстрого и удобного обучения моделей условной гетероскедастичности. Но для бустинговых моделей таковых нет. Другой вопрос: нужны ли вообще они? Честно, хз, посмотрим.

Вчера столкнулся с проблемой: обучение бустинговых моделей для предсказания последовательностей, как оказалось, очень долгий процесс. Модели условной гетероскедастичности с этим справляются намного быстрее. Но бустинговые модели предсказывают точнее. Но стоит ли точность столько времени? Пока не знаю.

В любом случае что-то сделаю. Релиз будет на следующей неделе. Завтра допилю основные фичи, а потом улучшения может быть какие-то, ну и потом релиз.

Релиз запланирован на 14 марта, в субботу.

Официальный релиз dquant.
Сегодня, 12.03.2026.
Теперь каждый может ею воспользоваться через pip install dquant.
Сайт: https://dquant.space

Вышла новая версия библиотеки!

Обновления:
1. Добавлена функция сохранения обученных моделей в Meta Trader 5 индикатор. Как только вы обучите свои модели, можно будет их сразу сохранить в индикатор, появится директория с MT5 проектом(индикатором), дальше нужно будет просто скомпилировать основной .mq5 файл и ваш индикатор готов, можно пользоваться.
2. Теперь вы можете сами указывать, какие фичи использовать при обучении.

Подробнее в документации: https://github.com/artrdon/dquant/blob/main/docs.md

В будущем выйдут примеры использования библиотеки и новых функций в том числе.

Внезапно!
Теперь DQuant — это не только библиотека, а ещё и десктоп приложение.
Теперь вы можете обучить ИИ для прогнозирования волатильности, даже если не разбираетесь в программировании.

Вышла версия 1.1.3
Обновления:
1. Нормализация целевых значений
2. Добавлена метрика r2-score
3. Сохранение модели с мета данными

Вышла версия 1.2.0
Обновления:
1. Добавлена walk forward валидация
2. Ускорен процесс подготовки данных
3. Функция для получения данных get_data()
4. Обучение через функцию потерь QLIKE
5. Добавлена метрика QLIKE

Модели из библиотеки DQuant показали статистическое преимущество в точности прогнозов, по сравнению с отраслевым стандартом — моделями семейства GARCH.

Вышел бенчмарк, в котором сравниваются модели машинного обучения и модели условной гетероскедастичности.
ML модели были взяты из библиотеки DQuant, а GARCH из библиотеки arch.
В результате, на 7 различных активах модели из dquant показали статистически значимое преимущество в прогнозах.
Подробнее:
https://dquant.space/DQuant_Research_ru.pdf

В предыдущих версиях библиотеки была обнаружена ошибка look‑ahead bias. В нынешней версии она была устранена.

DQuant has added a /lab section for publishing articles in quantitative finance.
The repository is open; you can submit your articles and they will be published.

В DQuant добавлен раздел /lab, в котором будут публиковаться статьи из области количественных финансов.
Репозиторий открытый, можете отправлять свои статьи и они будут опубликованы.