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.

В дискуссиях о том, заменит ли искусственный интеллект аналитиков и портфельных управляющих, часто упускают главное: базовая LLM не способна стабильно торговать и понимать рынок — она разрабатывалась как универсальный инструмент, и что дашь ей в контексте, то и получишь на выходе.


Но что если дать ей актуальные данные? Не те, что можно получить простым запросом в чат, а заранее рассчитанные, готовые к анализу. Сегодня уже недостаточно хорошо писать промпты и надеяться, что LLM сделает вам миллионы. Однако связка детерминированных алгоритмов, машинного обучения (ML) и LLM-агентов уже сейчас превосходит человеческие возможности в агрегации и обработке данных.

Что происходит прямо сейчас

Буквально за последние 24 часа в мире ИИ:
👉 Цукерберг фактически похоронил метавселенную — после того, как сжёг $80 млрд на мультяшных аватарах, которые никому не были нужны
👉 Anthropic выпустила ИИ, который принимает команды с телефона и выполняет работу, пока ты спишь
👉 YouTube просит пользователей жаловаться на AI-мусор — а по факту Google просто заставляет 2 миллиарда человек бесплатно обучать свою следующую модель
👉 Уже 93% рабочих мест в США можно хотя бы частично автоматизировать с помощью ИИ — и на той же неделе компании начали выдавать самые слабые повышения зарплат со времён 2008 года
👉 xAI платит банкирам с Уолл-стрит по $100 в час, чтобы те учили Grok заменять банкиров с Уолл-стрит. И они берут эти деньги

Это не просто новостной фон — это направление, в котором движется автоматизация большинства процессов: снижение ручного труда, трансформация профессий, сокращение рабочих мест.

А чтобы не просто на словах показать, а на проекте, мы создали мультиагентного инвестиционного советника. https://vfcode.vercel.app/

Для демонстрации возможностей этого направления мы собрали проект, который объединяет практически все коды и пайплайны, пройденные на курсе VesperfinCode и в потоках Поддержки. Фокус — только на рынке РФ и акциях с реальным объёмом торгов.

Слой 1. Данные
Система интегрирует 17 источников данных, включая MOEX ISS (акции, ОФЗ, макро, опционы), ЦБ РФ, T-Invest API, Moexalgo, yfinance и ML-парсинг сентимента новостей из Telegram (с оценкой тональности — позитивная/негативная — как мы делали в первом потоке Поддержки).
База данных: ~2,65 млн строк. Пайплайн обновляется ежедневно через cron-скрипты: полная синхронизация котировок, отчётностей и макропоказателей. Все источники — из кодов курса.

К сожалению, в отличие от зарубежных рынков (например, financialdatasets.ai — удобный API / MCP-совместимый источник для фундаментального анализа компаний), по российскому рынку всё разрозненно и пришлось собирать по частям и самостоятельно.
Весь наш стек можно завернуть в MCP-серверы и подключать к любым LLM-провайдерам.

MCP (Model Context Protocol) — это стандарт подключения внешних инструментов и источников данных напрямую к языковой модели. Грубо говоря, протокол который позволяет LLM не просто отвечать на вопросы, а работать с реальными данными в реальном времени.

Слой 2. Фундаментальный анализ и ML
Вместо передачи сырых данных в языковую модель система проводит детерминированный анализ через 13 функциональных модулей:

Аналитические модули:
👉 Фундаментальные метрики качества: Altman Z-score, Piotroski F-Score
👉 Модели оценки: DCF, Graham Number
👉 Технический анализ: 40+ индикаторов pandas_ta
👉 Макроэкономические факторы и фундаментальные данные


ML-ансамбль (трёхуровневый, на 91 агрегированной фиче): LightGBM + XGBoost + Random Forest. Модели прогнозируют доходность и рассчитывают уровень уверенности (confidence interval), опираясь на макроэкономические лаги, волатильность и технические факторы. Это то, что мы прорабатывали в 4-м потоке Поддержки при формировании портфелей.

RAG-базы по отчётностям компаний
Отдельный слой — векторные базы данных по финансовым отчётностям эмитентов. RAG (Retrieval-Augmented Generation) решает конкретную проблему: языковая модель не может держать в памяти тысячи страниц годовых и квартальных отчётов, но через RAG она точечно извлекает нужный фрагмент в момент анализа.
Работает это так: отчётности компаний парсятся, разбиваются на смысловые блоки и индексируются в векторном хранилище. Когда персона-аналитик формирует своё заключение по тикеру — она не галлюцинирует цифры, а буквально «заглядывает» в нужный раздел отчёта: выручку, долговую нагрузку, прогнозы менеджмента, сноски к МСФО. Это принципиально отличает систему от обычного чата с LLM, где модель просто воспроизводит то, что видела при обучении.

В итоге фундаментальный анализ в пайплайне — не интерпретация, а работа с первоисточниками.

Стратегии: поддерживается 22 стратегии — от дивидендных акций до покупки длинных ОФЗ.

Слой 3. Принятие решений и симуляция
Детерминированные расчёты агрегируются языковыми моделями (OpenAI, Anthropic, MiniMax, Kimi, DeepSeek) для принятия взвешенных решений.

14 виртуальных персон-инвесторов
Система симулирует инвестиционные стили известных управляющих: Баффетт, Грэм, Бёрри, Линч, Дамодаран и другие. Каждая персона голосует со своим весом и развёрнутым обоснованием, опираясь только на релевантные её профилю показатели.
Но голосование — это не финал. Здесь включается ключевой элемент архитектуры.

Персона-судья: оркестратор и модератор
Поверх всех аналитических персон работает отдельный агент-судья. Его задача — не анализировать рынок, а управлять качеством самого процесса. Он получает заключения всех персон, вступает с ними в полемику, задаёт уточняющие вопросы и при необходимости отправляет аргументы на доработку — до тех пор, пока логика каждой позиции не становится внутренне согласованной.

Это паттерн Reflection в мультиагентных системах: модель не принимает первый же ответ как финальный, а итеративно улучшает его через критику. На практике это означает, что система не выдаёт поверхностный консенсус — она вынуждает каждую персону защитить свою позицию перед тем, как та попадёт в итоговый синтез.
Судья принимает работу только тогда, когда аргументы выдерживают проверку. Иначе — возврат на доработку.

Такой подход существенно снижает галлюцинации и размытые формулировки, которые типичны для одиночного LLM-вызова: когда модель спорит сама с собой через разные роли, слабые аргументы отсеиваются ещё до финального вывода.


Посмотреть профили персон → о них мы говорили на эфире

Диалектика (Bull/Bear дебаты)
Персоны не просто голосуют — они сталкиваются в дебатах. Аргументы «за» и «против» синтезируются независимым модератором. Это паттерн Chain-of-Thought, который существенно снижает галлюцинации сети.

Дополнительные агенты проводят оценку:
👉 Новостного фона
👉 Технических индикаторов
👉 ML-прогнозов
👉 Индексов (российских отраслевых и международных)
👉 Спотовых позиций

Синтез портфеля
Risk Manager и Portfolio Manager формируют итоговую аллокацию с учётом кросс-корреляции активов и текущей волатильности.

Итоговые возможности пайплайна:

👉 Сборные мультиактивные портфели (акции, ОФЗ, корпоративные облигации, фонды денежного рынка, золото) под конкретный риск-профиль
👉 Аргументированные сигналы по отдельным тикерам с подробным отчётом (технический + фундаментальный + ML)
👉 Бэктесты алгоритмов с учётом режимов волатильности, проскальзывания и комиссий

Классическая языковая модель в формате чата не может заменить аналитика: LLM слишком неточны в вычислениях и не адаптированы к работе с временными рядами.

Однако комплексные гибридные системы, подобные нашему прототипу, уже сегодня способны заменить штат младших и средних аналитиков. Ни один человек не в состоянии ежедневно пересчитывать DCF-модели по всем компаниям индекса, одновременно отслеживая инсайдерские сделки, кривую безрисковой доходности, сотни новостей и 40+ технических индикаторов. Алгоритмы делают это за секунды.

Роль человека трансформируется: финансисты перестанут тратить время на парсинг таблиц и скрининг тикеров — эта работа полностью отойдёт ML/LLM-агентам. В задачи человека останется высокоуровневая настройка риск-параметров, коррекция архитектуры и разработка новых стратегических гипотез.

И это уже доступно. Достаточно собрать все пайплайны, источники и дополнения из материалов курса VesperfinCode и потоков Поддержки — и использовать в своей работе. Плюс MCP: его нужно будет подсобрать, чтобы работать не по API, а через подписку напрямую из LLM-среды.

Так что ответ на вопрос «заменит или поможет» — скорее всего, и то и другое. Но для конечного пользователя это в первую очередь мощный помощник, который уже сейчас делает то, на что раньше уходили дни работы команды.

Ну и вдогонку про https://t.me/vesperfincode/712: создание и докручивание своей LLM. Все вы наверняка знаете такую компанию LuxAlgo — она часто мелькает в топе по скачиванию индикаторов для TradingView. Они недавно сделали такую услугу: «создай свой индикатор, используя нашу LLM», которая в построении на Pine Script делает лучше всех остальных моделей. И вы, описав свой индикатор и принцип работы, на выходе получаете готовый код. Конечно, это всё за деньги и за подписку, но суть в том, что создать свою модель — это трудозатратно и часто невыгодно. А используя свои базы данных (RAG), прокачать можно любую модель, предоставив ей больший контекст документации или примеров — что они и сделали. И при запросе «на какой модели ты работаешь» мы получаем, что компания просто прокачала Gemini базовую модель своими примерами, и получается хороший бизнес.

Автоматическая адаптация стратегии к рынку 📌 Поддержка #13 — 27 марта → 14 апреля 2026

Первый эфир — уже в эту пятницу 🔥