VF Code: Торговые роботы | Алготрейдинг | ML

🧠 VesperfinCode: Поддержка #16 — From product to project: как собрать свою систему трейдинга»📅 Период потока: 19.06.2026 → 07.07.2026Первый эфир — уже в эту пятницу 🔥

From product to project: как собрать свою систему трейдингаУ 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, пр

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.Никаких обязательств — просто приходите и смотрите.

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/6042️⃣ 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/590Настало 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 роботаЧто 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 стратегиюРезультат 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 системеКому 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 активн

VF Code: Торговые роботы | Алготрейдинг | ML pinned a photo

🧠 VesperfinCode: Поддержка #15 — Поиск «действий китов»📅 Период потока: 22.05.2026 → 09.06.2026Первый эфир — уже в эту пятницу 🔥

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 LLMБесплатные 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 тестовПредставьте 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) анализируетрезультаты и выбирает перспективные ↓Вы смотрите финальный отчётДешёвые 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 скриптСкрипт 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 улучшитьСкрипт — 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 основеАвтоматизация цикла:👉 Бесконечный цикл генерации и тестирования 24/7👉 Отдельный агент, который сам генерирует список индикаторов и их комбинаций, а затем передаёт их в конвейерЛокальные модели:Заменить облачный API на LM Studio или Ollama — тогда весь конвейер работает офлайн, без расходов на токены и без утечки идейЭто 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.

Как настроить поведение моделиLM 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-серверСамая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:http://localhost:1234/v1Включается 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 компьютереLM 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 сервернужна стабильная инфраструктура для продакшена, а не ноутбукСхема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenA

Как настроить поведение моделиLM 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-серверСамая мощная функция для разработчиков. LM Studio запускается как локальный сервер с OpenAI-совместимым API:http://localhost:1234/v1Включается 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 компьютереLM 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 сервернужна стабильная инфраструктура для продакшена, а не ноутбукСхема та же: поднимаете Ollama или vLLM на арендованном сервере с GPU, получаете OpenA

Какое железо нужноЭто 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 ГБВ 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 кодомВсе 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. Запус