Что это за эфиры Вопросы и Ответы?
На курсе VesperfinCode у нас есть специальные эфиры — разборы вопросов и ответов.

Мы собираем вопросы заранее не просто чтобы “ответить словами”, а чтобы подготовить нормальный разбор: показать код, примеры, подсказать подход и правильную логику.

Какие вопросы обычно разбираем?
✅ Алготрейдинг и торговые роботы
— логика стратегий, вход/выход, риск-менеджмент, архитектура бота, подключение к биржам/QUIK, стабильность, ошибки и отладка.
✅ Материалы курса
— если что-то не поняли, запутались в теме, не сходится результат, “почему код не работает”, “почему в бэктесте одно, а на реале другое”.
✅ Машинное обучение, данные, стратегии
— подготовка данных, признаки, валидация, переобучение, правильные тесты, идеи стратегий на данных.
✅ Python в целом и применение вне трейдинга
— медицина, проектная деятельность, нефтехимия, автоматизация, отчёты, аналитика, пайплайны данных — и любые кейсы, где Python помогает.
✅ И вообще всё, что вас интересует
— если вопрос вам важен и он про развитие, код, аналитику, процессы.

Если вы проходили материал у нас в курсе или видели разборы в канале, но остались вопросы — обязательно отправляйте.

Зачем нужна форма и почему важно её заполнить
Мы используем форму, чтобы:
👉 собрать вопросы структурно, без хаоса в чате
👉 заранее понять, какие темы “провисают”
👉 подготовить доп. материалы или поставить тему в план эфира
👉 сделать эфир максимально полезным, а не “болталкой”

Очень просим не пропускать заполнение формы и писать даже “простые” вопросы — часто именно они мешают двигаться дальше.

___
📌 Запись эфира будет выложена и будет доступна для повторного просмотра.

Запись эфира "Первый торговый робот — от установки Python до стратегии. Вопросы и ответы - 4.02.26"

2:02 – Про ошибку No module
9:07 – Про запуск роботов у всех брокеров
16:40 – Установка Anaconda для запуска кода
18:13 – Замена тикера в коде
20:32 – Установка библиотеки для скачивания данных из TradingView
22:50 – Простой пример тестирования стратегии
29:35 – Про ARIMA и ML для трейдинга
38:48 – Есть ли готовые прибыльные боты, можно ли их купить и как с ними работать
1:10:00 – Про использование LLM Perplexity
1:11:10 – Про курс
1:12:06 – Про характеристики компьютера для торговых роботов
1:14:49 – Про машинное обучение в трейдинге
1:22:00 – Про торговых роботов

👉 Код из видео: https://click.vesperfin.com/qb0s

📌 Курсы:
VFCode: https://vesperfin.com/courses/vesperfincode-vybor/
VFCode: Поддержка: https://algotrades.ru/vf-code-podderzhka

🧠 Как запустить код из эфира? (пошагово)

Вчера на эфире мы разобрали:
— как поставить Anaconda (таймкод 16:40)
— как запустить простой пример тестирования стратегии (таймкод 22:50)
Ссылка на эфир: https://t.me/vesperfincode/656

К этому разбору добавили уроки по установке Anaconda из нашего курса.

Если вы хотите:
✅ попробовать код из нашего сообщества
✅ подготовиться к курсу
✅ или просто познакомиться с Python
— держите простой план действий 👇

1) Устанавливаем Anaconda
Anaconda — это набор инструментов для Python со встроенным JupyterLab.
Windows:
https://repo.anaconda.com/archive/Anaconda3-2024.06-1-Windows-x86_64.exe
macOS (M1–M5):
https://repo.anaconda.com/archive/Anaconda3-2024.06-1-MacOSX-arm64.pkg
Скачиваем установщик → запускаем → ставим по стандартным шагам (как на видео ниже).

2) Скачиваем наш код
Открываем новую вкладку и переходим по ссылке с эфира:
https://disk.yandex.ru/d/HX75HPfsaLQssA
Скачиваем файл Demo.ipynb.
Обычно он попадает в папку Загрузки / Downloads или Desktop / Рабочий стол.

3) Открываем JupyterLab через Anaconda
Запускаем Anaconda Navigator
В списке программ выбираем JupyterLab → нажимаем Launch
Откроется браузер с JupyterLab. Слева будет файловый менеджер (User, Downloads, Desktop и т.д.)
Дальше:
— заходим в папку, куда скачиваются файлы (Downloads или Desktop)
— находим Demo.ipynb
— кликаем по нему → откроется ноутбук с инструкцией по тестированию стратегии

4) Устанавливаем библиотеки через Anaconda PowerShell Prompt (Windows)
Внутри ноутбука есть текстовые инструкции с командами для установки библиотек.
Делаем так:
Открываем Пуск → в поиске пишем: Anaconda PowerShell Prompt
Запускаем — откроется терминал
Смотрим, как это делается в видео: https://t.me/vesperfincode/656
(примерно 20:58 — показано, что копировать и как вставлять)
В терминале:
— Ctrl+C — копируем команду из видео или ноутбука
— Ctrl+V — вставляем в терминал
— Enter — запускаем установку

Дополнительно ставим библиотеку, которую не успели озвучить на эфире:
pip install vectorbt
Ждём, пока всё установится.

5) Запускаем код в ноутбуке
Возвращаемся в JupyterLab, где открыт Demo.ipynb.
Дальше:
👉 выбираем первую ячейку
👉 жмём Shift+Enter на клавиатуре (или кнопку ▶ Run)
👉 ждём выполнение
переходим к следующей ячейке → снова Shift+Enter

⚠️ Важно: код выполняется строго сверху вниз. Если пропустить первую ячейку и запустить вторую — будет ошибка.

✅ Когда все ячейки выполнятся, вы получите тот же результат, что и на эфире: графики доходности, расчёты и результаты теста стратегии.

Где ещё можно запустить .ipynb, кроме Anaconda?

Мы не староверы и не привязаны только к одному инструменту 🙂

Если вам удобнее работать не в локальном JupyterLab, а в облаке или в классической IDE, вот варианты, где можно запускать ноутбуки .ipynb.

Облако

Google Colab
Онлайн-среда от Google, где можно запускать ноутбуки прямо в браузере, без установки Python на компьютер.

Мы отдельно разбирали Colab тут:
https://t.me/vesperfincode/569

Облачные Jupyter-среды
Есть и другие варианты облачных Jupyter-серверов (аналог Colab, но с разными ограничениями и тарифами).
Обзор мы собирали здесь:
https://t.me/vesperfincode/629

Локальные Jupyter-интерфейсы
Jupyter Notebook (классический интерфейс)
Более старый, но до сих пор популярный вариант. Тоже ставится вместе с Anaconda. Если вам ближе классический формат “страницы с ячейками”, можно использовать его.


Универсальные IDE и редакторы
Это среды, где можно писать обычный код и (с плагинами) запускать ноутбуки.

VS Code
По сути стандарт индустрии. Ставите VS Code, добавляете расширение “Python” и “Jupyter” – после этого можно открывать и .py, и .ipynb в одном месте.

PyCharm (Professional / Community)
IDE именно под Python. В версии Professional есть нормальная поддержка ноутбуков, дебаггера, виртуальных окружений и больших проектов.

IntelliJ IDEA
Если вы уже Java-разработчик и привыкли к IDEA, можно добавить плагин Python и использовать её для анализа/редактирования кода и ноутбуков.

Zed
Новый очень быстрый редактор (на Rust), уже с поддержкой Jupyter-файлов. Подходит тем, кто хочет “лёгкий” и быстрый инструмент вместо тяжёлой IDE.

AI-редакторы и форки VS Code / PyCharm

Это инструменты со встроенным ИИ-помощником, которые умеют работать с кодом и часто основаны на VS Code или собственных движках.

Cursor
Редактор, похожий на VS Code, но с глубокой интеграцией ИИ: можно просить переписать, объяснить или дополнить код прямо в редакторе.

Windsurf (от Codeium)
Ещё один “умный” редактор, который помогает дописывать код и объяснять ошибки. Подходит, если хотите больше авто-подсказок при разработке.

Trae (от ByteDance)
Редактор с фокусом на ИИ-поддержку и автодополнение кода, особенно если вы привыкли к “умным” ассистентам.

Antigravity (Google)
Экспериментальный редактор/инструмент с ИИ-поддержкой от Google (для тех, кто любит всё новое и не боится тестировать).

PearAI
Open-source альтернатива Cursor. Идея та же: редактор + ИИ, но с открытым кодом и возможностью настроить под себя.

Void
Форк VS Code с упором на приватность (privacy-focused). Для тех, кому важно минимум телеметрии и контроль над данными.

GigaCode (решение от Сбера)
Российское решение: IDE/плагин с ИИ-подсказками, хорошей поддержкой русского языка и сценариями “объясни/исправь код”.

и др.

Дальше уже дело вкуса: главное, чтобы вы могли спокойно открыть .ipynb, запустить код из наших примеров и шаг за шагом двигаться к своим торговым роботам.

🧱 Yield Pickup Bond Swap: делаем облигации эффективнее

Пока рынки штормит, облигации часто остаются единственной зоной относительной стабильности. Но даже в облигациях деньги легко “застревают” в уставших бумагах: цена уже выросла, купон скромный, а доходность — не радует.

Чтобы это исправить, мы сделали YieldPickup.ipynb — код, который помогает переезжать из слабых облигаций в более доходные аналоги без лишнего героизма по риску.

Идея стратегии
👉 у вас есть облигация, которая подорожала и теперь даёт скромный купон / низкую доходность;
👉 на рынке есть похожая по сроку и риску, но дешевле и с выше YTM.

Логичный шаг:
👉 продать дорогую низкодоходную → купить более доходную и сопоставимую.

Что делает YieldPickup.ipynb
1) Сканирует рынок Мосбиржи
Берёт по всем доступным бумагам:
👉 цены и котировки,
👉 купоны,
👉 доходность к погашению (YTM),
👉 обороты / ликвидность.

2) Ищет кандидатов на продажу
Подсвечивает бумаги, которые имеет смысл продать, если они у вас уже есть:
👉 торгуются выше номинала,
👉 имеют низкую YTM ( доходность к погашению) относительно рынка,
👉 дают слабый текущий купон (и/или выглядят “дорого” по соотношению риск/доходность).

3) Ищет кандидатов на покупку
Отбирает бумаги, которые выглядят лучше:
👉 торгуются ниже 100% от номинала,
👉 имеют выше YTM,
👉 обладают нормальной ликвидностью (по ним реально проходят сделки).

4) Подбирает пары “свопов”
Формирует идеи в стиле:
👉 «продай А → купи Б»,
с ограничениями, чтобы не получилось “улучшили доходность ценой вечности”:
👉 без резкого увеличения срока до погашения,
👉 без ненужного роста риска (в рамках выбранного профиля).

5) Считает выгоду обмена
Для каждой пары считает:
👉 прирост купонного потока,
👉 улучшение YTM,
👉 “сдачу” — когда после свопа остаются деньги, на которые можно докупить ещё бумаг.

Профили риска в коде
Вы выбираете режим — и фильтры подстраиваются под него:
👉 conservative — только ОФЗ и максимально надёжные бумаги
👉 balanced — крепкие корпораты, разумный баланс риска/доходности
👉 aggressive — ВДО и повышенный риск ради максимальной доходности

Код формирует два файла:
1 yield_pickup_sell_candidates.csv
Список облигаций, которые имеет смысл продавать, если они есть в портфеле.
2 yield_pickup_pairs.csv
Готовые идеи обменов в формате:
«продай эту → купи вот эту → +к доходности ≈ столько-то»

Важно 🚨
👉 Комиссии учитываются ориентировочно — итог зависит от вашего тарифа/брокера.
👉 Неликвидные и “мертвые” бумаги отсекаются.
Флоатеры и сложные структурные продукты по умолчанию игнорируются, чтобы не рисовать доходность “с потолка”.


YieldPickup подсвечивает, где вы держите объективно слабые облигации, и предлагает варианты, куда можно переехать ради более высокой доходности без лишнего риска.
Решение — как всегда — за вами.

Можно пойти ещё дальше

Подключить код к роботу, чтобы он:
👉 сам отслеживал ваш портфель,
👉 по расписанию пересматривал позиции,
👉 и выполнял такие свопы автоматически.

Доработать под “ручной портфель”:
👉загружаете список своих облигаций (тикеры/ISIN/кол-во),
👉код проверяет только ваши позиции,
👉 и выдаёт swap-идеи строго под ваш портфель.

Данные для тестов: Binance-фьючерсы криптовалюты с 2018 года

Раньше мы выкладывали наборы по срочному рынку РФ (Algopack: https://t.me/vesperfincode/365 и архивы фьючерсов РФ: https://t.me/vesperfincode/403).

Теперь очередь крипты — исторические данные по Binance Futures (USDT-M) с 2018 года.

По ссылке лежат два больших архива 👇

1️⃣ futures_metrics_5m.csv.gz
Интервал: 5 минут, фьючерсы Binance USDT-M
Колонки:
create_time — время метрики (UTC)
symbol — тикер (например, BTCUSDT)
sum_open_interest — открытый интерес в монетах
sum_open_interest_value — открытый интерес в USDT
count_toptrader_long_short_ratio — L/S по количеству аккаунтов топ-трейдеров
sum_toptrader_long_short_ratio — L/S по объёму позиций топ-трейдеров (куда стоят «умные деньги»)
count_long_short_ratio — глобальный L/S всех аккаунтов (толпа)
sum_taker_long_short_vol_ratio — отношение объёма рыночных покупок к продажам (>1 — доминируют покупатели)
Техполя (можно не трогать): exchange, source, is_closed, ingested_at, updated_at.

2️⃣ candles_1m.csv.gz
Интервал: 1 минута, фьючерсы Binance USDT-M
Основные OHLCV-поля:
bucket_ts — время начала свечи (UTC)
symbol — тикер (BTCUSDT, ETHUSDT и т.п.)
open, high, low, close — цены O/H/L/C
volume — объём в базовой валюте (например, в BTC)
Полезные дополнительные:
quote_volume — объём в USDT (денежный оборот)
trade_count — число сделок за минуту (активность)
taker_buy_volume — объём рыночных покупок (в монетах)
taker_buy_quote_volume — объём рыночных покупок (в USDT)
Техполя: exchange, is_closed, source, ingested_at, updated_at.

💡 Что с этим можно делать:
👉 строить модели и фичи для ML-стратегий;
👉 тестировать стратегии без ограничений по глубине истории;
👉 работать с открытым интересом, L/S-метриками, агрессией покупателей/продавцов.

Чтобы это были не просто «файлы на десятки миллионов строк», а удобный источник данных, мы собрали всё в SQL-базу DuckDB.

🛠 Как подключиться к базе

1️⃣ Ставим DuckDB:

!pip install duckdb

2️⃣ Скачиваем файл market_data.duckdb по ссылке и указываем путь к нему в коде:

📌 Читаем свечи (таблица candles, список тикеров любой длины - от 1 до любого):

import duckdb

db_path = 'ВАШ_ПУТЬ_К_ФАЙЛУ/market_data.duckdb'

tickers = ['BTCUSDT', 'ETHUSDT', 'SOLUSDT']

with duckdb.connect(db_path, read_only=True) as con:
    placeholders = ', '.join(['?'] * len(tickers))
    
    df = con.execute(f"""
        SELECT *
        FROM candles
        WHERE symbol IN ({placeholders})
        ORDER BY bucket_ts DESC
    """, tickers).df()

print(df)

Данные тут минутные, если торгуете на старших таймфреймах — их нужно агрегировать (resample по времени).

📌 Читаем открытый интерес и метрики «кто доминирует — покупатели или продавцы» (таблица metrics):

import duckdb

db_path = 'ВАШ_ПУТЬ_К_ФАЙЛУ/market_data.duckdb'

tickers = ['BTCUSDT', 'ETHUSDT', 'SOLUSDT']  # любое количество

with duckdb.connect(db_path, read_only=True) as con:
    placeholders = ', '.join(['?'] * len(tickers))
    
    df = con.execute(f"""
        SELECT
            symbol,
            create_time,
            sum_open_interest_value,
            sum_toptrader_long_short_ratio,
            sum_taker_long_short_vol_ratio
        FROM metrics
        WHERE symbol IN ({placeholders})
        ORDER BY create_time DESC
    """, tickers).df()

print(df)

Дальше — ваша очередь 🚀

Данных очень много

🕯 Свечи (OHLCV, 1 минута)
Строк: 373.5 миллиона
Период: с 2018 по 2026 год
Тикеров: 615

📈 Метрики (настроение рынка, 5 минут)
Строк: 94.6 миллиона
Период: с конца 2021 по 2026 год
Тикеров: 612

🔥 Эфир: «ChatGPT торгует лучше трейдера?» LLM-модели торгуют сами

📅 Вторник, 10 февраля в 19:00 МСК

Вы наверняка видели заголовки вроде: «Дал ИИ $1000 — он сам торговал и обогнал рынок».

Факты из реальных экспериментов:
🎓 Университет Флориды (2023): GPT-3.5 и GPT-4 анализировали новости и торговали акциями. GPT-3.5 превратил $1 в $6.12 (+512%), GPT-4 показал +276%.

🏟 Alpha Arena (октябрь–ноябрь 2025): 6 топовых LLM получили по $10,000 на крипторынке (BTC, ETH, SOL, BNB, DOGE, XRP).

Победители:
Qwen 3 MAX: +22.3% ($12,230)
DeepSeek V3.1: +4.89% ($10,489)
​
Проигравшие:
Claude Sonnet 4.5: -30.81% (~$6,919)
Grok 4: -45.3% (~$5,470)
Gemini 2.5 Pro: -56.71% (~$4,329)
GPT-5: -62.66% (~$3,734)
​
И такое доступно каждому — без команды разработчиков и миллионных бюджетов.

На эфире разберём:
— Что на самом деле делают LLM в таких экспериментах
— В чём сила моделей: анализ новостей, генерация идей, разбор отчётов
— Где ограничения: исполнение, риск-менеджмент, смена режимов рынка
— Почему генеративный ИИ «не дотягивает» до поиска альфы

— Как собрать такой эксперимент самому

— Как с помощью ИИ генерировать и отбраковывать стратегии
— Как получить черновой код для бэктеста и робота
— Что ещё можно делать с агентами — на примере Clawdbot (OpenClaw)
— Как искать акции и строить стратегии «в стиле» известных инвесторов (библиотека Dexter)


Приходите — покажем, как это работает изнутри.

Если не хотите пропустить эфир, пройдите простую регистрацию на нашем сайте 👇

Запись эфира "Что будет, если дать ИИ (ChatGPT, DeepSeek, Grok, Gemini, Claude) управлять торговой стратегией? - 10.02.26"

4:57 – Разбор примеров простых предсказаний ИИ
14:23 – Ответы на вопросы
16:40 – LightAutoML
28:21 – Ответы на вопросы
34:45 – Backtrader + OpenAI
38:00 – Ответы на вопросы
39:00 – OpenClaw
53:48 – Ответы на вопросы

👉 Код из видео: https://disk.yandex.ru/d/hsg43JkdEi5cnQ

📌 Курсы:
VFCode: https://vesperfin.com/courses/vesperfincode-vybor/
VFCode: Поддержка: https://algotrades.ru/vf-code-podderzhka

Внимание! Внимание! Внимание!

Всем, кто записался на пробную (бесплатную) неделю на наш курс VesperfinCode «Торговые роботы для трейдинга и инвестиций»: вчера, 11 февраля, отправили на ваш email письма с инструкцией, как попасть в личный кабинет и получить доступ в группу. Посмотрите у себя в почте во входящих или папке спам. Завтра уже начало курса, поэтому лучше не теряйтесь.

Если ничего нет, была ошибка при заполнении или просто ошибка на сайте, так как некоторые не получили.

Пожалуйста, не теряйтесь и не медлите: просто заполните эту форму, и мы вам все отправим повторно. 👇

Для тех, кто идет на полный курс, также нужно поискать письмо на почте с доступами. Если его нет - форму не заполняем, а пишем на info@vesperfin.com.

🎯 Почему роботы на классических индикаторах могут сливать

RSI, MACD, Bollinger Bands — индикаторы 30–40-летней давности. А рынок с тех пор изменился до неузнаваемости: один твит может развернуть цену, режимы переключаются несколько раз за день, волатильность скачет без предупреждения. Индикаторы те же — среда совершенно другая. Отсюда типичная картина: +50% на бэктесте, минус в при запуске на рынке. Стопы выбивает на шуме, а потом цена идёт куда надо.

Проблема, конечно, не в индикаторах как таковых, а в том, что стратегия не понимает, в каком режиме сейчас рынок: тренд, флет или хаос. И не адаптируется.