🎯 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.

Вчера на эфире в VesperfinCode: Поддержка разбирали, какие инструменты добавляем поверх базовых индикаторов 👇

📊 Yang–Zhang Volatility — фильтрует входы по уровню стресса. Высокая волатильность → сжимаем риск или пропускаем.
📐 Hurst Exponent — определяет режим: тренд, флет, случайное блуждание. Робот сам переключает логику. Готовый код есть во 2-м модуле курса VesperfinCode.
🔀 Permutation Entropy — математически меряет хаотичность ценового ряда. Энтропия высокая → структура развалилась → не торгуем.
⚠️ POT Tail-Risk — оценивает вероятность редких мощных движений. То, что классические стопы не видят.
📏 Z-score Mean Reversion — нормированное отклонение в сигмах, а не просто расстояние от MA. Точнее входы на возврат к среднему.
🛡 Динамический ATR-стоп — стоп расширяется с волатильностью и сужается без неё. Меньше выбитых стопов на шуме.
🔄 Режимная адаптация — всё вышеперечисленное работает вместе: один бот торгует и тренды, и флет, переключая параметры под текущий режим.

📈 Результат по SBER (акция) ≈+24% без плеча, Шарп > 2.6, 8 из 10 тикеров в плюсе на одних настройках. Дальше, нужен Walk-forward и оптимизация — писали об этом здесь: https://t.me/vesperfincode/639. Но уже на этом этапе результат впечатляет.

🔜 На следующей неделе публикуем обновлённого робота под Т-Банк с поддержкой их новых библиотек. Будет доступно в личном кабинете для выпускников, оповестим отдельно.

OpenClaw: делимся инструкцией по установке

На недавнем эфире мы показывали финансового помощника на базе OpenClaw — он анализировал компании, разбирал тикеры и давал рекомендации по портфелю. Запись можно посмотреть здесь: https://t.me/vesperfincode/681

Проект сейчас на пике популярности — 68 000+ звёзд на GitHub, активное сообщество и новые навыки каждый день. Как и обещали, выкладываем подробную пошаговую инструкцию, как развернуть OpenClaw для себя.

Важный момент про безопасность: технически OpenClaw можно поставить и на свой рабочий ноутбук, но мы этого не рекомендуем. Ассистент получает широкий доступ к системе, и в случае ошибки можно потерять данные. Лучше использовать отдельный сервер (VPS) или неиспользуемый компьютер.

Дальше в блоге будем разбирать продвинутые сценарии — как адаптировать OpenClaw под трейдинг, автоматизацию аналитики и работу с торговыми данными.

Какого брокера выбрать для торгового робота на российской бирже в 2026

Торговый робот — это не ручная торговля, и брокера для него нужно выбирать по совершенно другим критериям. Удобное мобильное приложение, красивый интерфейс и вежливый чат поддержки здесь не имеют значения. Роботу нужно другое: стабильное API, внятная документация, предсказуемые задержки и адекватные комиссии.
На российском рынке вариантов не так много, и у каждого есть свои сильные стороны и подводные камни. Разберём всё по порядку.

🪤 Ловушка «своего» брокера

У большинства трейдеров уже есть брокер — первая и единственная любовь. Там открыт счёт, привычный интерфейс, налоговая история, бонусы или те самые акции при открытии. Менять всё это дискомфортно, даже если текущий брокер объективно не подходит для автоторговли. Опять верификация, опять тесты на допуск к срочному рынку, опять разбираться в новом личном кабинете.
Но это ловушка. Смена брокера — это разовый дискомфорт на один вечер. А нестабильный API или отсутствие нормального подключения — это проблема, которая будет убивать прибыль ежедневно. Если вы пишете робота, вы должны выбирать брокера под задачу, а не подстраивать задачу под того, кто «уже есть».

📌 По каким критериям выбирать
Прежде чем смотреть на конкретные имена, нужно разобраться, что вообще важно для алготрейдинга.

🔌 Тип доступа. Есть два принципиально разных пути: прямой API (REST, gRPC, WebSocket) и терминальный шлюз (QUIK, MT5). Первый даёт свободу: робот — это лёгкий скрипт, который работает на любой ОС. Второй привязывает вас к Windows и запущенному дополнительному десктопному приложению.

🧯 Стабильность соединения. Это важнее скорости. Разрыв в нужный момент — позиция, которую не закрыли, заявка, которая зависла в воздухе. И это не абстрактный риск: терминалы заглючивают, решают обновиться в самый неподходящий момент, рвут соединение. В итоге вы либо закладываете логику уведомлений об аварии, либо периодически подключаетесь удалённо, чтобы проверить, что всё живо. Нестабильность — это не «неудобство», это прямые потери.

📈 Лимиты запросов. Для среднесрочных стратегий стандартных 200 запросов в минуту вполне хватает. Но если вы работаете на высоких частотах, нужно заранее уточнять наличие HFT-тарифов и реальные цифры — не те, что написаны в документации, а те, что подтверждены на практике другими разработчиками.

📚 Документация и SDK. Плохая документация — это не просто неудобство. Это часы на отладку того, что должно работать из коробки. Хорошее SDK на Python с готовыми примерами экономит недели.

💸 Комиссии. Для алготрейдера комиссия — не просто издержка, а полноценный элемент торговой системы, напрямую влияющий на условия работы, маржинальность стратегии. Ключевой момент — разница между Maker (лимитная заявка) и Taker (рыночная). У большинства брокеров лимитные заявки дешевле, и это напрямую влияет на то, какие стратегии вообще жизнеспособны. Конкретные цифры смысла приводить нет — тарифы меняются постоянно, актуальные данные нужно смотреть на сайте брокера в момент выбора.

🤖 Брокеры с прямым API: кого выбрать

✅ Финам — стандарт надёжности

В конце 2025 года Финам обновил торговый API до версии 2.10.0.
Главное преимущество Финама — надёжность и гибкость. Это один из немногих брокеров, который одновременно предлагает три варианта подключения: прямой API, QUIK и MT5. Для Python разработчиков есть несколько библиотек и готовые примеры роботов. Стандартный лимит — 200 запросов в минуту, но для HFT есть отдельные тарифы с прямым доступом (DMA). Документация на tradeapi.finam.ru поддерживается в актуальном состоянии, API работает на любой ОС.
Подходит: тем, кто хочет максимальную стабильность и универсальность.

🚀 Т-Банк (Тинькофф) — лучший старт, но с оговорками

T-Invest API имеет самый низкий порог входа. Недавно библиотеки обновили и окончательно ушли от бренда «Тинькофф». Документация образцовая, примеры на Python покрывают большинство сценариев, есть бесплатный Sandbox для тестирования без реальных денег. Сообщество активное, есть готовые реализации роботов — всё относительно просто и понятно.
Но здесь важно сказать прямо: за хорошие комиссии придётся оформить платную подписку, что нужно учитывать в расчётах.
Подходит: новичкам, которые хотят быстро стартовать на Python и разобраться в механике без затрат. В продакшене — с осторожностью и хорошей обработкой ошибок в коде.

⚡️ Алор — скорость и зрелость

Cамое технологически зрелое решение для HFT-алготрейдинга в России. Скорость исполнения заявки на 98-м перцентиле — около 7 мс, внутри их инфраструктуры — до 3 мс. Лимиты для HFT-тарифов поднимаются до 150 000 запросов в минуту. Комьюнити разработчиков активное, есть SDK на GitHub.
✅ Подходит: тем, для кого критична скорость, или тем, кто уже работает с серьёзными объёмами и думает об HFT.

👀 БКС — наблюдаем

API относительно новое, документация дорабатывается, массового боевого опыта в сообществе пока не накоплено. Мы уже подготовили в сигнального робота под БКС в рамках курса VesperfinCode и готовим торгового, но пока ждём ещё доработок со стороны брокера. Использовать можно, но нужно быть готовым к тому, что часть пути придётся проходить в одиночку — без опоры на чужой опыт.
✅ Подходит: тем, кто готов быть первопроходцем и не боится отлавливать баги без ориентиров.

🖥 Если без терминала никак

Иногда стратегия требует данных или функционала, которых в API просто нет. Или вы работаете с брокером, у которого другого варианта не существует, и принципиально не хотите ничего менять. Или хотите просто попробовать алготрейдинг — и двигаться дальше только при реальных результатах. В таком случае выбор сужается до двух терминалов.
Важно понимать компромисс: терминалы проигрывают по надёжности из-за дополнительного слоя программного обеспечения, зато у них нет лимитов на запросы. А для получения исторических данных под бэктесты терминалы вообще часто удобнее API.

🧩 QUIK — де-факто стандарт российского рынка. Поддерживается почти у всех брокеров: Сбер, ВТБ, Открытие, БКС, Финам и другие. Роботы пишутся на Python через Lua-оболочку (QLua). Интерфейс не менялся с начала 2000-х, зато надёжность проверена десятилетиями. Главное ограничение — жёсткая привязка к Windows.

📈 MetaTrader 5 — хорош для мультивалютных стратегий. На MOEX доступен не у всех — Финам и Открытие поддерживают, Сбер — нет. На macOS этот путь превращается в цепочку виртуализаций и костылей. В общем, мучаться и плакать.

🏠 Где будет жить ваш робот: цена инфраструктуры

Выбор брокера напрямую определяет ваши ежемесячные операционные расходы — и это нужно считать заранее, а не после того, как всё уже настроено.
Торговый робот должен работать 24/7 без сбоев электричества и интернета. Домашний ноутбук для этого не подходит: закрыли крышку, уехали — и вся логика осталась без соединения. Варианта два: аренда VPS или собственное железо. И вот здесь выбор между прямым API и терминалом начинает ощутимо влиять на кошелёк.

🪟 Путь Windows (QUIK, MT5). Привязка к терминалу означает обязательный Windows — а это «налог на инфраструктуру». Стабильный VPS на Windows обходится минимум в 1 200–1 500 рублей в месяц, то есть 15 000+ рублей в год. Собственный Mini PC — разовые затраты около 16 000–20 000 рублей.

🐧 Путь Linux (прямой API). Нормальный API превращает робота в лёгкий скрипт, который работает где угодно. Linux-VPS не требует лицензии, потребляет минимум ресурсов — цена вопроса 300–600 рублей в месяц, около 4 000 рублей в год. Альтернатива — одноплатник вроде Raspberry Pi или Orange Pi (около 9 000 рублей) или мини-ПК на Linux без лицензионных расходов. Единственный нюанс: нужно немного разобраться с настройкой — кроны, запуск скриптов, базовое администрирование. Благо, с этим хорошо справляется ИИ в роли помощника.

✅ Итог прост: выбор брокера с нормальным API экономит от 10 000 рублей в год только на инфраструктуре — деньги, которые не работают на вашу стратегию.

Итого

✅ Нужна максимальная надёжность и гибкость — Финам.
Три варианта подключения, зрелая документация, любая ОС.

⚡️ Важна скорость или вы уже работаете с большими объёмами — Алор. HFT-тарифы, минимальные задержки.

🚀 Вы новичок и хотите быстро стартовать на Python — Т-Банк для старта, Финам для боевой торговли, QUIK или MT5 — если ближе терминальный путь.


💸 Хотите минимизировать расходы на инфраструктуру — только прямой API и Linux. QUIK и MT5 здесь не вариант.

Python-библиотеки для технического анализа

Когда начинаете писать торгового робота, первый вопрос — где брать индикаторы: реализовать RSI или MACD самостоятельно, разбираясь в сложных формулах, или есть что-то готовое? Нашли формулу, написали код, потратили два часа на отладку граничных значений, ещё сравнивать потом точность расчёта с TradingView или другими терминалами... и получили то, что уже давно написано за вас. Причём проверенные тысячами людьми и работающие в разы быстрее чем огромное количество формул.

В этом посте разберём все основные Python-библиотеки с готовыми индикаторами технического анализа: чем каждая из них интересна, для каких задач подходит и где есть подводные камни.

pandas_ta — для стратегий и основной работы

pip install pandas-ta или форк pip install pandas-ta-classic

Индикаторов: 150+ плюс 62 свечных паттерна
Самая популярная библиотека среди тех, кто пишет стратегии на pandas:

df.ta.rsi(length=14, append=True)     # добавит столбец RSI_14
df.ta.macd(append=True)               # добавит MACD_12_26_9, MACDh, MACDs
df.ta.bbands(length=20, append=True)  # Bollinger Bands

Набор индикаторов разбит по категориям. В категории Momentum — 37 индикаторов: от привычных RSI, MACD, Stochastic до экзотики вроде Quantitative Qualitative Estimation (QQE), Psychological Line (PSL) и Fisher Transform. В Overlap (скользящие средние) — 31 вариант: EMA, SMA, HMA, WMA, ALMA, Ichimoku, Supertrend и многие другие. Отдельно выделены категории Volatility (13), Volume (14), Trend (15) и Statistics (9 — включая Z-Score, Kurtosis, Entropy).

Свечных паттернов — 62. Работает через отдельный вызов df.ta.cdl_pattern(name="hammer"), большинство из них всё равно требуют дополнительной библиотеки TA-Lib.

TA-Lib — дед технических индикаторов

pip install TA-Lib (но сначала нужна C-библиотека, иногда приходится искать готовые wheel-файлы)

Индикаторов: 158 функций + 60+ свечных паттернов

Если pandas_ta — это удобство, то TA-Lib — это скорость и надёжность. Библиотека написана на C/C++ ещё в начале 2000-х, а Python — лишь обёртка сверху.

Помимо стандартных индикаторов, есть группа Cycle Indicators — HT_DCPERIOD, HT_SINE, HT_TRENDMODE. Это индикаторы на основе преобразования Гильберта, определяющие рыночные циклы. Редко где встретишь такое в готовом виде.

Свечные паттерны называются с префиксом CDL: CDLHAMMER, CDLENGULFING, CDLMORNINGSTAR. Одна строка — и вы знаете, есть ли на свече «молот» или «поглощение».

⚠️ Единственный минус — установка на Windows бывает болезненной: нужно собирать C-библиотеку отдельно или искать неофициальные wheel-файлы. На macOS и Linux всё решается одной командой.

technical (Freqtrade) — там есть то, чего нет нигде

pip install technical

Индикаторов: 50, но каких!

Это библиотека-дополнение для криптобота Freqtrade. Собрана из индикаторов со всего GitHub-сообщества плюс оригинальных авторских разработок. Количество скромное, но здесь есть вещи, которых нет ни в pandas_ta, ни в TA-Lib.

Consensus — аналог той самой сводки «Купить/Продать» с TradingView. Может, видели такой виджет, где написано «7 из 10 индикаторов за рост»? Вот это, но в Python. Три варианта: консенсус по скользящим средним, по осцилляторам и сводный.
Madrid Moving Average Ribbon (mmar) — несколько скользящих средних разной длины одновременно, классифицирует тренд на 4 категории. Хорошо работает как фильтр направления тренда перед входом.
Volume Flow Indicator (vfi) — продвинутая версия OBV от Маркоса Катсаноса. В отличие от обычного OBV учитывает не просто «рост/падение объёма», а реальный поток денег с учётом ценового движения. Если ищете расхождения цены и объёма — это оно.
Tom DeMark Sequential (td_sequential) — популярный паттерн для определения разворотов, который в других библиотеках найти сложно.

smartmoneyconcepts — ICT/SMC в Python

pip install smartmoneyconcepts

Индикаторов: 8, но это особая категория
Если вы торгуете по концепции Smart Money / ICT — раньше приходилось рисовать зоны руками или писать скрипты на Pine Script. Теперь есть эта библиотека.
Fair Value Gaps (FVG) — несбалансированные зоны, куда цена склонна возвращаться
Order Blocks (OB) — зоны накопления институциональных позиций
Break of Structure (BOS) и Change of Character (CHoCH) — смена структуры рынка
Liquidity — уровни, где скопились стопы

ta — минимализм для ML и быстрого старта

pip install ta

Индикаторов: ~50
Если нужно быстро добавить индикаторы в ML-пайплайн — это лучший выбор.
Одна строка — и в DataFrame появляются все ~50 индикаторов: RSI, MACD, Bollinger Bands, ATR, OBV, Ichimoku и другие. Набор стандартный, ничего экзотического.

stockstats

pip install stockstats

Индикаторов: 47 базовых
Необычный подход: индикаторы запрашиваются через имена столбцов DataFrame. Не нужно вызывать функции — просто обращаетесь к столбцу, и он считается автоматически:

from stockstats import wrap
df = wrap(df)

rsi = df['rsi_14']  # RSI с периодом 14

Очень удобно для ML-задач, где индикаторы добавляются в feature matrix: код компактный, читаемый, легко расширяется.

Индикаторы внутри бэктест-фреймворков

Если вы уже работаете с каким-то фреймворком для бэктестинга, индикаторы могут быть встроены прямо в него:
Backtrader — огромный набор встроенных индикаторов плюс официальная интеграция с TA-Lib. Если стратегии пишутся в Backtrader, отдельные библиотеки часто не нужны.
vectorbt — индикаторы как часть векторизованного движка на numba. Молниеносно быстр на больших массивах. Умеет подключать pandas_ta, technical и TA-Lib напрямую.
backtesting.py — «индикатор-агностик». Сам фреймворк индикаторов не содержит, но принимает данные в виде обычных pandas Series — подключайте любую библиотеку.

Тратить время на ручную реализацию стандартных индикаторов в 2026 году — не лучший способ. Все они давно написаны, оптимизированы и проверены. Берите готовую библиотеку, сосредоточьтесь на логике стратегии. Также если возникают трудности с поиском нужного индикатора, можно поискать среди огромного количества открытых индикаторов на Pine Script (TradingView) и перевести их в Python с помощью любой LLM.

📈 Пробой Киджун и поиск боковиков на Python

Продолжаем разбирать вопросы из курса VesperfinCode по торговым роботам. В новых материалах — два подхода к автоматизации сигналов на BTCUSDT (1H, данные с TradingView).

1. Пробой линии Киджун (Kijun-sen)
Киджун — среднее между максимумом и минимумом за 26 периодов. Один из ключевых элементов Ишимоку.
Сигналы простые: цена закрытия пересекла Киджун снизу вверх → бычий пробой, сверху вниз → медвежий. По сути — ловим смену локального тренда. На BTC стратегия показала неплохие результаты, особенно с дополнительными фильтрами.


2. Распознавание боковиков «по трём точкам»
Алгоритм сложнее. Сначала ищем локальные экстремумы (Pivot Points) скользящим окном в 5 свечей. Затем на отрезке в 20 свечей проверяем: волатильность ниже порога и есть минимум три точки разворота (например, два максимума + один минимум).
Если диапазон найден — покупка у нижней границы, продажа у верхней. В алгоритме есть tolerance — допуск на небольшой выход цены за границы без слома структуры.

Оба скрипта убирают субъективность: не «на глаз вижу боковик», а математически подтверждённая формация с конкретными параметрами.

👇 Видео с разбором ниже

Добрый день! 👋

В этом видео разбираем несколько вопросов по нейросетям и торговле:

👉 Как построить автообучение/переобучение ML/RL-моделей с отбором лучшей версии, логированием результатов и автоподменой модели при просадке эффективности.
👉 Какие есть современные алгоритмы торговли в боковике и как сделать стратегию, которая адаптивно переключается между трендом и флетом.
👉 Можно ли автоматизировать Вайкоффа: распознавание накопления/распределения, вероятный выход из диапазона и критерии входа/выхода.

Для выпускников полного курса VesperfinCode мы добавили большое обновление в личный кабинет.

За это время мы проделали большую работу: переносили различные стратегии, дорабатывали и оптимизировали код под наши проекты. В результате уже в первом модуле нового потока собрано 1037 стратегий, которые можно скачать и сразу начать изучать и тестировать.

Это не случайная генерация или перебор комбинаций. В базе собраны стратегии, которые мы находили в книгах, статьях, репозиториях и других профессиональных источниках, а затем приводили к единому и удобному формату.

Все они оформлены в привычном для вас виде: функция с понятной логикой, где в результате получается сигнал на покупку, продажу или отсутствие сигнала (None).

У каждой стратегии есть описание логики, поэтому с ними удобно работать и легко ориентироваться.

Дальше будем поэтапно переносить эти стратегии в Backtrader и адаптировать их уже для торговых роботов.

Всем добрый день!

Сейчас всё чаще выходят статьи и обзоры https://joshkale.github.io/jobs/ о том, что ИИ начнёт заметно менять рынок труда не через 5–10 лет, а уже в ближайшее время.

Финансовый сектор всё чаще называют одной из сфер, где потенциал влияния ИИ особенно высок.

Нас особенно интересует именно это направление:
👉 аналитика, инвестиционные идеи, разбор компаний, рекомендации, скрининг, отчёты.