Что такое LM Studio
LM Studio — десктопное приложение для запуска локальных LLM. Не требует знания командной строки: скачали, установили, выбрали модель — работаете. Доступно для Windows, macOS и Linux, бесплатно для личного использования.
Внешне — привычный чат-интерфейс, как в ChatGPT. Но под капотом — ваша локальная модель.
Установка
Скачайте с официального сайта: https://lmstudio.ai/download — кнопка автоматически определит вашу ОС.
Windows — стандартный установщик, всё по умолчанию. macOS — перетащите приложение в папку «Программы». Linux — запускается как AppImage, без установки в систему.
Какое железо нужно
Это главное ограничение. Чем больше параметров у модели — тем мощнее нужен компьютер.
LM Studio — десктопное приложение для запуска локальных LLM. Не требует знания командной строки: скачали, установили, выбрали модель — работаете. Доступно для Windows, macOS и Linux, бесплатно для личного использования.
Внешне — привычный чат-интерфейс, как в ChatGPT. Но под капотом — ваша локальная модель.
Установка
Скачайте с официального сайта: https://lmstudio.ai/download — кнопка автоматически определит вашу ОС.
Windows — стандартный установщик, всё по умолчанию. macOS — перетащите приложение в папку «Программы». Linux — запускается как AppImage, без установки в систему.
Какое железо нужно
Это главное ограничение. Чем больше параметров у модели — тем мощнее нужен компьютер.
Какое железо нужно
Это главное ограничение. Чем больше параметров у модели — тем мощнее нужен компьютер.
Для большинства задач разработки торговых роботов — модели 7–14B вполне достаточно. Компактная Qwen 7B или DeepSeek-Coder 6.7B уже уверенно помогают с рефакторингом, переносом стратегий и отладкой кода.
Это главное ограничение. Чем больше параметров у модели — тем мощнее нужен компьютер.
Для большинства задач разработки торговых роботов — модели 7–14B вполне достаточно. Компактная Qwen 7B или DeepSeek-Coder 6.7B уже уверенно помогают с рефакторингом, переносом стратегий и отладкой кода.
Квантование — почему модель 14B весит 8 ГБ
В названиях моделей вы увидите суффиксы вроде
Запомните одно правило: оптимальный баланс — Q4_K_M или Q5_K_M. Q2/Q3 — слишком много потерь, Q8 — лучшее качество, но требует больше памяти.
Какие модели выбрать для работы с кодом
Все доступны бесплатно прямо через встроенный маркетплейс LM Studio. Выбор зависит от вашего железа и задачи.
🔵 Qwen3-Coder — топ для разработки MoE-модель с контекстным окном 256 000 токенов. Доступна в двух размерах: 30B (3B активных) и 480B (35B активных). Специально разработана для coding-агентов, отлично справляется с длинными цепочками рассуждений и сложными инструментальными задачами. Версия 30B запускается на RTX 4070 Ti и выше.
🟢 DeepSeek-Coder V2 — специалист по коду Обучена на 6 триллионах токенов кода, поддерживает 338 языков программирования, контекст 128K. Как MoE-модель, активных параметров около 21B — запускается на железе с 24+ GB VRAM. Версия 6.7B запускается даже на RTX 3060 почти мгновенно.
🟡 GPT-OSS 20B — от OpenAI с открытыми весами Первые open-source модели от OpenAI. Доступны в размерах 20B и 120B, поддерживают настройку reasoning effort (low/medium/high), обучены для tool use. Лицензия Apache 2.0. Хорош если привыкли к стилю ответов ChatGPT.
🔴 Devstral от Mistral — агентный coding Специализируется на использовании инструментов, изучении кодовых баз и редактировании множества файлов. Devstral-2 добавил поддержку vision. Хорош в связке с Cline и OpenCode — разработан именно для агентных сценариев.
🟣 Codestral 2 — быстрый и точный Поддерживает более 80 языков программирования, одинаково хорошо справляется как с инструкциями, так и с автодополнением кода. Контекст 32K, хорошо работает на одной GPU.
⚪ LLaMA 4 Scout 8B — универсал для слабого железа Новейшая модель от Meta, сильна в reasoning и общих задачах. Запускается на ноутбуках с 16 GB RAM. Хороший старт если только начинаете.
⚙️ GLM-4.5 Air — reasoning + длинный контекст 106B параметров, 12B активных, контекст 128K, с thinking mode. MoE-архитектура позволяет запускать на среднем железе. Сильна в анализе кода и сложных рассуждениях.
Подробнее тут - https://lmstudio.ai/models
Также можно брать модели с Hugging Face, но лучше выбирать версии в формате GGUF.
В названиях моделей вы увидите суффиксы вроде
Q4_K_M. Это квантование — сжатие модели с небольшой потерей качества, как JPEG для изображений. Благодаря этому огромные модели помещаются на обычное потребительское железо.Запомните одно правило: оптимальный баланс — Q4_K_M или Q5_K_M. Q2/Q3 — слишком много потерь, Q8 — лучшее качество, но требует больше памяти.
Какие модели выбрать для работы с кодом
Все доступны бесплатно прямо через встроенный маркетплейс LM Studio. Выбор зависит от вашего железа и задачи.
🔵 Qwen3-Coder — топ для разработки MoE-модель с контекстным окном 256 000 токенов. Доступна в двух размерах: 30B (3B активных) и 480B (35B активных). Специально разработана для coding-агентов, отлично справляется с длинными цепочками рассуждений и сложными инструментальными задачами. Версия 30B запускается на RTX 4070 Ti и выше.
🟢 DeepSeek-Coder V2 — специалист по коду Обучена на 6 триллионах токенов кода, поддерживает 338 языков программирования, контекст 128K. Как MoE-модель, активных параметров около 21B — запускается на железе с 24+ GB VRAM. Версия 6.7B запускается даже на RTX 3060 почти мгновенно.
🟡 GPT-OSS 20B — от OpenAI с открытыми весами Первые open-source модели от OpenAI. Доступны в размерах 20B и 120B, поддерживают настройку reasoning effort (low/medium/high), обучены для tool use. Лицензия Apache 2.0. Хорош если привыкли к стилю ответов ChatGPT.
🔴 Devstral от Mistral — агентный coding Специализируется на использовании инструментов, изучении кодовых баз и редактировании множества файлов. Devstral-2 добавил поддержку vision. Хорош в связке с Cline и OpenCode — разработан именно для агентных сценариев.
🟣 Codestral 2 — быстрый и точный Поддерживает более 80 языков программирования, одинаково хорошо справляется как с инструкциями, так и с автодополнением кода. Контекст 32K, хорошо работает на одной GPU.
⚪ LLaMA 4 Scout 8B — универсал для слабого железа Новейшая модель от Meta, сильна в reasoning и общих задачах. Запускается на ноутбуках с 16 GB RAM. Хороший старт если только начинаете.
⚙️ GLM-4.5 Air — reasoning + длинный контекст 106B параметров, 12B активных, контекст 128K, с thinking mode. MoE-архитектура позволяет запускать на среднем железе. Сильна в анализе кода и сложных рассуждениях.
Подробнее тут - https://lmstudio.ai/models
Также можно брать модели с Hugging Face, но лучше выбирать версии в формате GGUF.
❤4
Как настроить поведение модели
LM Studio даёт прямой доступ к параметрам, которые меняют характер ответов:
System Prompt — «прошивка» поведения. Например: «Ты — Python-разработчик. Работаешь с Backtrader и pandas_ta. Отвечай кратко, без воды, только код и объяснение.»
Temperature — «творческость». 0.2–0.4 для точного кода, 0.7–0.9 для генерации идей.
Repeat Penalty — борьба с повторами. 1.1–1.2 — хороший старт.
Max Tokens — ограничение длины ответа. Полезно, если нужна короткая функция, а не простыня объяснений.
Локальный API-сервер
Самая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:
Включается в разделе Developer одним переключателем. После этого любой инструмент, работающий с OpenAI API — Cline, OpenCode, Continue и другие — может использовать вашу локальную модель вместо облачной. Бесплатный coding-агент в IDE без каких-либо лимитов. Также поддерживается MCP — можно подключать внешние инструменты прямо к локальной модели.
Для тех, кто хочет закрытый контур — и не только на своём компьютере
LM Studio + локальный API-сервер полностью решают задачу закрытого контура: запросы никуда не уходят, данные остаются на вашей машине.
Но локальный компьютер — не единственный вариант. Selectel предлагает аренду GPU-серверов для инференса и развёртывания LLM — доступны видеокарты NVIDIA Tesla T4, A2, A30, A100, V100, RTX 4090 и другие, как облачные, так и выделенные конфигурации, запускаемые от двух минут.
Отдельно у Selectel есть готовая LLM-платформа с каталогом преднастроенных моделей от OpenAI, Alibaba, DeepSeek и Mistral AI — с готовым API и приватным endpoint. Первые две недели можно тестировать бесплатно.
Это особенно актуально если:
у вас нет мощного личного железа, но нужна тяжёлая модель (33B, 70B)
вы хотите дать доступ команде — все работают через один сервер
нужна стабильная инфраструктура для продакшена, а не ноутбук
Схема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenAI-совместимый endpoint — и подключаете к нему любой из инструментов, которые мы разбирали в этой серии. Данные остаются внутри российской инфраструктуры, VPN не нужен.
🔗 https://selectel.ru/services/ai-ml/
Минусы — честно
Локальные модели не подключены к интернету и не знают о событиях после даты обучения. Компактные версии уступают GPT-4 или Claude Opus в сложных рассуждениях. И без минимум 16 GB RAM это дело заранее безнадёжное.
Но для задач, которые мы разбираем — перенос стратегий, рефакторинг, отладка кода — локальные модели справляются очень достойно.
⚠️ Всегда проверяйте результат перед использованием в реальном коде.
LM Studio даёт прямой доступ к параметрам, которые меняют характер ответов:
System Prompt — «прошивка» поведения. Например: «Ты — Python-разработчик. Работаешь с Backtrader и pandas_ta. Отвечай кратко, без воды, только код и объяснение.»
Temperature — «творческость». 0.2–0.4 для точного кода, 0.7–0.9 для генерации идей.
Repeat Penalty — борьба с повторами. 1.1–1.2 — хороший старт.
Max Tokens — ограничение длины ответа. Полезно, если нужна короткая функция, а не простыня объяснений.
Локальный API-сервер
Самая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:
http://localhost:1234/v1
Включается в разделе Developer одним переключателем. После этого любой инструмент, работающий с OpenAI API — Cline, OpenCode, Continue и другие — может использовать вашу локальную модель вместо облачной. Бесплатный coding-агент в IDE без каких-либо лимитов. Также поддерживается MCP — можно подключать внешние инструменты прямо к локальной модели.
Для тех, кто хочет закрытый контур — и не только на своём компьютере
LM Studio + локальный API-сервер полностью решают задачу закрытого контура: запросы никуда не уходят, данные остаются на вашей машине.
Но локальный компьютер — не единственный вариант. Selectel предлагает аренду GPU-серверов для инференса и развёртывания LLM — доступны видеокарты NVIDIA Tesla T4, A2, A30, A100, V100, RTX 4090 и другие, как облачные, так и выделенные конфигурации, запускаемые от двух минут.
Отдельно у Selectel есть готовая LLM-платформа с каталогом преднастроенных моделей от OpenAI, Alibaba, DeepSeek и Mistral AI — с готовым API и приватным endpoint. Первые две недели можно тестировать бесплатно.
Это особенно актуально если:
у вас нет мощного личного железа, но нужна тяжёлая модель (33B, 70B)
вы хотите дать доступ команде — все работают через один сервер
нужна стабильная инфраструктура для продакшена, а не ноутбук
Схема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenAI-совместимый endpoint — и подключаете к нему любой из инструментов, которые мы разбирали в этой серии. Данные остаются внутри российской инфраструктуры, VPN не нужен.
🔗 https://selectel.ru/services/ai-ml/
Минусы — честно
Локальные модели не подключены к интернету и не знают о событиях после даты обучения. Компактные версии уступают GPT-4 или Claude Opus в сложных рассуждениях. И без минимум 16 GB RAM это дело заранее безнадёжное.
Но для задач, которые мы разбираем — перенос стратегий, рефакторинг, отладка кода — локальные модели справляются очень достойно.
⚠️ Всегда проверяйте результат перед использованием в реальном коде.
❤4🔥1
Как настроить поведение модели
LM Studio даёт прямой доступ к параметрам, которые меняют характер ответов:
System Prompt — «прошивка» поведения. Например: «Ты — Python-разработчик. Работаешь с Backtrader и pandas_ta. Отвечай кратко, без воды, только код и объяснение.»
Temperature — «творческость». 0.2–0.4 для точного кода, 0.7–0.9 для генерации идей.
Repeat Penalty — борьба с повторами. 1.1–1.2 — хороший старт.
Max Tokens — ограничение длины ответа. Полезно, если нужна короткая функция, а не простыня объяснений.
Локальный API-сервер
Самая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:
Включается в разделе Developer одним переключателем. После этого любой инструмент, работающий с OpenAI API — Cline, OpenCode, Continue и другие — может использовать вашу локальную модель вместо облачной. Бесплатный coding-агент в IDE без каких-либо лимитов. Также поддерживается MCP — можно подключать внешние инструменты прямо к локальной модели.
Для тех, кто хочет закрытый контур — и не только на своём компьютере
LM Studio + локальный API-сервер полностью решают задачу закрытого контура: запросы никуда не уходят, данные остаются на вашей машине.
Но локальный компьютер — не единственный вариант. Selectel предлагает аренду GPU-серверов для инференса и развёртывания LLM — доступны видеокарты NVIDIA Tesla T4, A2, A30, A100, V100, RTX 4090 и другие, как облачные, так и выделенные конфигурации, запускаемые от двух минут.
Отдельно у Selectel есть готовая LLM-платформа с каталогом преднастроенных моделей от OpenAI, Alibaba, DeepSeek и Mistral AI — с готовым API и приватным endpoint. Первые две недели можно тестировать бесплатно.
Это особенно актуально если:
у вас нет мощного личного железа, но нужна тяжёлая модель (33B, 70B)
вы хотите дать доступ команде — все работают через один сервер
нужна стабильная инфраструктура для продакшена, а не ноутбук
Схема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenAI-совместимый endpoint — и подключаете к нему любой из инструментов, которые мы разбирали в этой серии. Данные остаются внутри российской инфраструктуры, VPN не нужен.
🔗 https://selectel.ru/services/ai-ml/
Минусы — честно
Локальные модели не подключены к интернету и не знают о событиях после даты обучения. Компактные версии уступают GPT-4 или Claude Opus в сложных рассуждениях. И без минимум 16 GB RAM это дело заранее безнадёжное.
Но для задач, которые мы разбираем — перенос стратегий, рефакторинг, отладка кода — локальные модели справляются очень достойно.
⚠️ Всегда проверяйте результат перед использованием в реальном коде.
LM Studio даёт прямой доступ к параметрам, которые меняют характер ответов:
System Prompt — «прошивка» поведения. Например: «Ты — Python-разработчик. Работаешь с Backtrader и pandas_ta. Отвечай кратко, без воды, только код и объяснение.»
Temperature — «творческость». 0.2–0.4 для точного кода, 0.7–0.9 для генерации идей.
Repeat Penalty — борьба с повторами. 1.1–1.2 — хороший старт.
Max Tokens — ограничение длины ответа. Полезно, если нужна короткая функция, а не простыня объяснений.
Локальный API-сервер
Самая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:
http://localhost:1234/v1
Включается в разделе Developer одним переключателем. После этого любой инструмент, работающий с OpenAI API — Cline, OpenCode, Continue и другие — может использовать вашу локальную модель вместо облачной. Бесплатный coding-агент в IDE без каких-либо лимитов. Также поддерживается MCP — можно подключать внешние инструменты прямо к локальной модели.
Для тех, кто хочет закрытый контур — и не только на своём компьютере
LM Studio + локальный API-сервер полностью решают задачу закрытого контура: запросы никуда не уходят, данные остаются на вашей машине.
Но локальный компьютер — не единственный вариант. Selectel предлагает аренду GPU-серверов для инференса и развёртывания LLM — доступны видеокарты NVIDIA Tesla T4, A2, A30, A100, V100, RTX 4090 и другие, как облачные, так и выделенные конфигурации, запускаемые от двух минут.
Отдельно у Selectel есть готовая LLM-платформа с каталогом преднастроенных моделей от OpenAI, Alibaba, DeepSeek и Mistral AI — с готовым API и приватным endpoint. Первые две недели можно тестировать бесплатно.
Это особенно актуально если:
у вас нет мощного личного железа, но нужна тяжёлая модель (33B, 70B)
вы хотите дать доступ команде — все работают через один сервер
нужна стабильная инфраструктура для продакшена, а не ноутбук
Схема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenAI-совместимый endpoint — и подключаете к нему любой из инструментов, которые мы разбирали в этой серии. Данные остаются внутри российской инфраструктуры, VPN не нужен.
🔗 https://selectel.ru/services/ai-ml/
Минусы — честно
Локальные модели не подключены к интернету и не знают о событиях после даты обучения. Компактные версии уступают GPT-4 или Claude Opus в сложных рассуждениях. И без минимум 16 GB RAM это дело заранее безнадёжное.
Но для задач, которые мы разбираем — перенос стратегий, рефакторинг, отладка кода — локальные модели справляются очень достойно.
⚠️ Всегда проверяйте результат перед использованием в реальном коде.
🔥9😁1
Как AI-агенты меняют разработку торговых роботов?
Мы разобрали весь стек инструментов — от терминальных агентов до офлайн-моделей на телефоне. Теперь поговорим о том, как это всё складывается в реальный рабочий процесс.
Для чего реально полезны дешёвые LLM
Бесплатные и дешёвые модели — не замена дорогим, а отдельный инструмент под конкретные задачи:
Чёрная работа — генерация шаблонного кода, переименование переменных, написание docstring, форматирование. Тратить на это токены GPT-5 нет смысла.
Исправление ошибок — найти синтаксическую ошибку, разобраться с traceback, проверить логику условия. Компактная локальная модель справляется за секунды.
Цикличная генерация — вот где открывается настоящий потенциал. Запустить конвейер на 100 идей и дать ему работать ночью — это задача как раз для дешёвых моделей.
Конвейер идей и тестов
Представьте такую схему:
Дешёвые модели делают объёмную подготовительную работу. Дорогие — разбирают сложные случаи и принимают решения. Вы смотрите результат, а не пишете код вручную.
Мы собрали именно такой пример кода — он уже работает и доступен ниже. 👇
Что делает скрипт
Скрипт в цикле перебирает список торговых идей и для каждой:
👉 Передаёт идею AI-ассистенту, который формирует подробное описание торговой стратегии
👉 Передаёт стратегию второму ассистенту, который пишет полноценный код бэктеста на Backtrader
👉 Сохраняет стратегию в
Вы открываете папку — и видите готовые
Что можно добавить и улучшить
Скрипт — это точка старта, а не финал. Вот что логично развивать дальше:
Расширение источников идей:
👉 Загружать научные статьи по трейдингу — модель читает статью и строит стратегию по её методологии
👉 Загружать
👉 Парсить TradingView — там не только описания стратегий, но и готовые результаты бэктестов прямо на странице
👉 Скачивать транскрипты YouTube-видео по трейдингу и делать стратегии на их основе
Автоматизация цикла:
👉 Бесконечный цикл генерации и тестирования 24/7
👉 Отдельный агент, который сам генерирует список индикаторов и их комбинаций, а затем передаёт их в конвейер
Локальные модели:
Заменить облачный API на LM Studio или Ollama — тогда весь конвейер работает офлайн, без расходов на токены и без утечки идей
Это не финальный продукт — это отправная точка. Добавляйте свои идеи в список
Представьте такую схему:
Ваши идеи / наброски
↓
Дешёвая модель (LM Studio, OpenCode, Qwen)
генерирует список стратегий и код бэктестов
↓
Backtrader прогоняет каждую стратегию автоматически
↓
Дорогая модель (Claude Opus, GPT-5) анализирует
результаты и выбирает перспективные
↓
Вы смотрите финальный отчёт
Дешёвые модели делают объёмную подготовительную работу. Дорогие — разбирают сложные случаи и принимают решения. Вы смотрите результат, а не пишете код вручную.
Мы собрали именно такой пример кода — он уже работает и доступен ниже. 👇
Что делает скрипт
Скрипт в цикле перебирает список торговых идей и для каждой:
👉 Передаёт идею AI-ассистенту, который формирует подробное описание торговой стратегии
👉 Передаёт стратегию второму ассистенту, который пишет полноценный код бэктеста на Backtrader
👉 Сохраняет стратегию в
strategies/ и код бэктеста в bt_code/Вы открываете папку — и видите готовые
.py-файлы по каждой идее из списка.Что можно добавить и улучшить
Скрипт — это точка старта, а не финал. Вот что логично развивать дальше:
Расширение источников идей:
👉 Загружать научные статьи по трейдингу — модель читает статью и строит стратегию по её методологии
👉 Загружать
.py-файлы существующих стратегий — модель формирует вариации👉 Парсить TradingView — там не только описания стратегий, но и готовые результаты бэктестов прямо на странице
👉 Скачивать транскрипты YouTube-видео по трейдингу и делать стратегии на их основе
Автоматизация цикла:
👉 Бесконечный цикл генерации и тестирования 24/7
👉 Отдельный агент, который сам генерирует список индикаторов и их комбинаций, а затем передаёт их в конвейер
Локальные модели:
Заменить облачный API на LM Studio или Ollama — тогда весь конвейер работает офлайн, без расходов на токены и без утечки идей
Это не финальный продукт — это отправная точка. Добавляйте свои идеи в список
trading_ideas, меняйте модели, подключайте локальные LLM через LM Studio — и конвейер начнёт работать на вас.🔥15❤2👏1
Мы уже разбирали в блоге два инструмента, которые показывают рынок изнутри:
1️⃣ huge_trades.py — агрегатор крупных сделок Суммирует все ордера, проходящие в одну секунду. Если сумма превышает $500k для BTC/ETH или $100k для альтов — выводит алерт. 🟦 Крупная покупка (набор позиции) 🟪 Крупная продажа (фиксация прибыли) → https://t.me/vesperfincode/604
2️⃣ liqs.py — монитор ликвидаций Ловит моменты, когда биржа принудительно закрывает позиции трейдеров (ликвидации > $3k). 🟦 Ликвидации шортов — рынок может продолжить рост 🟪 Ликвидации лонгов — часто формируются локальные экстремумы → https://t.me/vesperfincode/590
Когда на рынке появляется крупный игрок, это часто видно не по новости и не по обычной свечке — а по объёмам, аномальным сделкам, кластерам и зонам накопления. На этом потоке будем искать такие признаки не «на глаз», а через данные и код.
Что будем изучать:
👉 как анализировать объёмы и находить аномальные участки
👉 как находить крупные сделки и всплески активности
👉 как определять зоны интереса крупных участников
👉 как отличать рыночный шум от реального следа крупного игрока
👉 как рассчитывать вероятные области входа и выхода «крупных рук»
👉 как встроить эти данные в стратегию или фильтр для робота
Что будем делать на практике:
👉 собирать данные по объёмам и сделкам
👉 искать аномалии в потоке сделок
👉 строить зоны интереса на графике
👉 тестировать, дают ли такие зоны реальное преимущество
👉 добавлять фильтры крупных игроков в стратегию
Результат потока:
👉 поймёте, как через Python искать признаки активности крупных участников
👉 получите код для анализа объёмов, сделок и зон интереса
👉 сможете использовать эти сигналы как отдельную стратегию или 👉 дополнительный фильтр к уже существующей системе
Кому подойдёт: тем, кто уже знаком с Python и торговыми роботами и хочет глубже понимать, что происходит «под свечами», и добавлять в стратегии не только индикаторы, но и данные активности участников рынка.
💰 Стоимость участия: 3 500 ₽
1️⃣ huge_trades.py — агрегатор крупных сделок Суммирует все ордера, проходящие в одну секунду. Если сумма превышает $500k для BTC/ETH или $100k для альтов — выводит алерт. 🟦 Крупная покупка (набор позиции) 🟪 Крупная продажа (фиксация прибыли) → https://t.me/vesperfincode/604
2️⃣ liqs.py — монитор ликвидаций Ловит моменты, когда биржа принудительно закрывает позиции трейдеров (ликвидации > $3k). 🟦 Ликвидации шортов — рынок может продолжить рост 🟪 Ликвидации лонгов — часто формируются локальные экстремумы → https://t.me/vesperfincode/590
Настало время погрузиться в эту тему полностью и собрать рабочий пайплайн и стратегии.
Когда на рынке появляется крупный игрок, это часто видно не по новости и не по обычной свечке — а по объёмам, аномальным сделкам, кластерам и зонам накопления. На этом потоке будем искать такие признаки не «на глаз», а через данные и код.
Что будем изучать:
👉 как анализировать объёмы и находить аномальные участки
👉 как находить крупные сделки и всплески активности
👉 как определять зоны интереса крупных участников
👉 как отличать рыночный шум от реального следа крупного игрока
👉 как рассчитывать вероятные области входа и выхода «крупных рук»
👉 как встроить эти данные в стратегию или фильтр для робота
Что будем делать на практике:
👉 собирать данные по объёмам и сделкам
👉 искать аномалии в потоке сделок
👉 строить зоны интереса на графике
👉 тестировать, дают ли такие зоны реальное преимущество
👉 добавлять фильтры крупных игроков в стратегию
Результат потока:
👉 поймёте, как через Python искать признаки активности крупных участников
👉 получите код для анализа объёмов, сделок и зон интереса
👉 сможете использовать эти сигналы как отдельную стратегию или 👉 дополнительный фильтр к уже существующей системе
Кому подойдёт: тем, кто уже знаком с Python и торговыми роботами и хочет глубже понимать, что происходит «под свечами», и добавлять в стратегии не только индикаторы, но и данные активности участников рынка.
💰 Стоимость участия: 3 500 ₽
📩 Регистрация: https://algotrades.ru/vf-code-podderzhka
❤6
Помните, мы разбирали вайбкодинг, AI-агентов, LLM-инструменты для разработки торговых роботов? Всё это — часть нашего курса. И сегодня, 22 мая, стартует новый поток.
Если вы читали эту серию и думали «хочу попробовать, но не знаю с чего начать» — вот ваш момент.
Первые вводные уроки можно пройти бесплатно. Это не просто записи — всё как на полноценном курсе: живые эфиры, кураторы на связи, AI-ассистент VFCodeGPT который объясняет код и помогает на каждом шаге, разборы в чате, поддержка.
Вы почувствуете формат изнутри: как проходят занятия, как работает поддержка, как выглядит материал — и сами решите, хотите ли продолжать.
Курс рассчитан на тех, кто хочет разрабатывать торговых роботов на Python — с нуля, с вайбкодингом и LLM-инструментами, которые мы разбирали в этих публикациях, с реальными стратегиями и подключением к живым счетам.
Если вы читали эту серию и думали «хочу попробовать, но не знаю с чего начать» — вот ваш момент.
Первые вводные уроки можно пройти бесплатно. Это не просто записи — всё как на полноценном курсе: живые эфиры, кураторы на связи, AI-ассистент VFCodeGPT который объясняет код и помогает на каждом шаге, разборы в чате, поддержка.
Вы почувствуете формат изнутри: как проходят занятия, как работает поддержка, как выглядит материал — и сами решите, хотите ли продолжать.
Курс рассчитан на тех, кто хочет разрабатывать торговых роботов на Python — с нуля, с вайбкодингом и LLM-инструментами, которые мы разбирали в этих публикациях, с реальными стратегиями и подключением к живым счетам.
Никаких обязательств — просто приходите и смотрите.
👍16
From product to project: как собрать свою систему трейдинга
У многих стратегия существует в виде одного-двух ноутбуков: где-то лежит код, отдельно результаты тестов, в заметках — идеи, в памяти — что и зачем меняли.
Проблема в том, что через пару недель уже сложно понять:
— какие параметры были рабочими;
— почему стратегия начала сливать;
— на каких инструментах она вообще имеет смысл;
— какое изменение улучшило результат, а какое просто случайно совпало с удачным участком рынка;
— какую версию кода можно запускать, а к какой лучше не возвращаться.
На этом потоке будем превращать FlatSoft и другие флетовые стратегии, которые показали хорошую прибыль, но в текущих рыночных условиях требуют доработки, из набора отдельных файлов в полноценный рабочий проект.
Данные → гипотезы → FlatSoft → фильтры → стопы → выходы → визуализация → дневник → сервер → Git.
Что будем изучать:
👉 как подготовить данные для проверки гипотез
👉 как доработать стратегии на примере FlatSoft под разные рыночные режимы
👉 как выбрать тикеры и инструменты, на которых логика стратегии имеет смысл
👉 как сравнивать результаты по разным инструментам и разным стратегиям
👉 как синхронизировать несколько стратегий между собой
👉 как визуализировать доходность, просадки, сделки и слабые участки
👉 как проверить влияние торговых сессий: американской, азиатской, арабской и китайской
👉 как вести дневник изменений: что поменяли, зачем поменяли и какой результат получили
👉 как работать с проектом на Linux-сервере через VS Code
👉 как использовать Git, чтобы сохранять версии кода и не терять рабочие варианты
👉 как подключать новые модели и подходы, включая Kronos / ZeroShot-модели.
Что будем делать:
👉 брать готовую стратегию FlatSoft и разбирать ее логику по частям
👉 проверять, на каких рынках, инструментах и в какие периоды стратегия работает лучше или хуже
👉 добавлять фильтры, стопы, управление позицией и логику выхода
👉 сравнивать результаты до и после изменений, а не менять параметры вслепую
👉 строить графики доходности, просадок, сделок и находить слабые места стратегии
👉 фиксировать все изменения в дневнике решений, чтобы понимать, что именно дало результат
👉 собирать проектную структуру для работы на сервере, а не хранить стратегию в виде набора отдельных файлов
👉 сохранять версии кода через Git, чтобы спокойно тестировать новые идеи и в любой момент возвращаться к рабочим вариантам.
Главная задача потока — пройти со стратегией полный цикл:
код → тесты → графики → дневник решений → сервер → версии → дальнейшие улучшения.
👉 добавлять новые гипотезы
👉 сравнивать результаты
👉 отслеживать ошибки
👉 возвращаться к старым версиям кода
👉 понимать, какие изменения реально улучшили систему, а какие сделали её хуже
💰 Стоимость участия: 3 500 ₽
📩 Регистрация:
https://algotrades.ru/vf-code-podderzhka
👍11