Остались вопросы?
Вы можете задать любой вопрос по обучению в школе Vesperfin
Администратор школы ответит вам в ближайшее время
Администратор школы ответит вам в ближайшее время
Многие думают, что «ИИ в трейдинге» — это когда GPT написал кусок кода или выдал прогноз текстом. Но это не то, что даёт преимущество на рынке. В этом модуле вы делаете настоящий ML для трейдинга: строите модели, которые проходят проверки качества, работают с данными, учитывают режимы рынка и встраиваются в торговую систему. За 22 дня вы соберёте рабочие ML-пайплайны под трейдинг и подключите их к своему роботу.
Что изучите:
✔ ML-пайплайн под трейдинг: признаки, разметка, валидация, контроль переобучения
✔ Модели как усилитель стратегии: фильтрация сигналов и повышение качества входов
✔ Распознавание режимов рынка (тренд/флэт) и переключение логики робота
✔ Самооптимизация: подбор параметров и гиперпараметров (в т. ч. байесовская оптимизация)
✔ Прогнозные модели: сценарии на дни/недели + корректная оценка качества на тестах (метрики и проверки)
✔ Межрыночные связи: парный трейдинг и модели для поиска зависимостей между инструментами
Практические технологии:
✔ Детектор флэта и режимные фильтры: робот меняет тактику в боковике
✔ Байесовские модели/классификаторы: оценка вероятностей и уверенности решений
✔ Оптимизация гиперпараметров: Bayesian Optimization и критерии остановки
✔ Reinforcement Learning: как робот «учится» на среде (по уровню группы)
✔ Тесты качества и здравые проверки: чтобы отличать закономерность от случайности
Чему научитесь:
✔ Обучать модели на исторических данных и правильно валидировать результат
✔ Встраивать ML в робота: фильтр сделок/режим рынка/адаптивные параметры
✔ Снижать долю «случайных сделок» за счёт фильтрации и режимных подходов
✔ Делать прогнозные оценки аккуратно: сценарии и вероятности, а не «гадание»
✔ Строить повторяемый процесс ML-разработки, а не разовые эксперименты
Уникальность блока:
✔ В открытом доступе чаще встречаются «обрывки» и демо-примеры без цельной методологии
✔ Здесь даётся полный рабочий процесс: пайплайн → проверки → внедрение в робота → контроль качества
✔ Акцент на том, что действительно влияет на результат: переобучение, режимы рынка, устойчивость, контроль ошибок
В комплекте:
✔ Шаблоны ML-пайплайнов под трейдинг (признаки → обучение → валидация → вывод)
✔ Примеры моделей: фильтрация сделок, детектор режима рынка, прогнозные сценарии
✔ Инструменты самооптимизации (подбор параметров/гиперпараметров)
✔ Инструкции по интеграции ML в торгового робота
✔ VFCodeGPT — AI-помощник 24/7
Важно: требуются знания Python и опыт создания торговых роботов. Рекомендуется после прохождения Модуля 1 и Модуля 2.
Курс образовательный. Подходит для получения налогового вычета.
Для участников, которые знают Python, умеют работать с рыночными данными и понимают устройство торгового робота. Рекомендуется проходить после модулей 1 и 2.
Вы сможете создавать и проверять модели машинного обучения, оценивать вероятные сценарии рынка и встраивать ML в логику торгового робота.
• Задачи машинного обучения на финансовых данных
• Этапы ML-проекта
• Подготовка и очистка данных
• Разделение данных по времени
• Обучающая, валидационная и тестовая выборки
• Базовая модель для сравнения
• Воспроизводимость экспериментов
• Контроль утечки данных
• Проектирование ML-пайплайна
• Объяснение кода подготовки данных
• Поиск возможной утечки данных
• Подготовка структуры эксперимента
• Признаки на основе цены, объёма и волатильности
• Технические индикаторы как признаки
• Временные и режимные признаки
• Создание целевой переменной
• Регрессия и классификация
• Баланс классов
• Нормализация и масштабирование
• Отбор признаков
• Проверка качества разметки
• Генерация идей для признаков
• Проверка формул и расчётов
• Объяснение влияния признаков
• Поиск признаков, использующих будущие данные
• Линейная и логистическая регрессия
• Деревья решений и ансамбли
• XGBoost, CatBoost и LightGBM
• Байесовские модели и классификаторы
• Сравнение нескольких моделей
• Интерпретация результатов
• Ограничения прогнозных моделей на рынке
• Подготовка кода обучения моделей
• Сравнение вариантов реализации
• Разбор ошибок обучения
• Документирование параметров и результатов
• Временная валидация
• Метрики классификации и регрессии
• Матрица ошибок и пороги принятия решения
• Стабильность результата по периодам
• Переобучение и способы его выявления
• Проверка модели на новых данных
• Сравнение с базовой моделью и исходной стратегией
• Сценарии и вероятности вместо точных обещаний цены
• Объяснение метрик и результатов
• Поиск слабых мест в схеме валидации
• Проверка выводов по модели
• Подготовка отчёта об эксперименте
• Параметры и гиперпараметры модели
• Grid Search и Random Search
• Optuna и Hyperopt
• Bayesian Optimization
• Выбор целевой метрики
• Критерии остановки
• Ограничения автоматической оптимизации
• Контроль переобучения при подборе параметров
• Подготовка пространства параметров
• Создание кода оптимизации
• Анализ результатов экспериментов
• Поиск признаков переобучения
• Модель как фильтр торгового сигнала
• Определение состояния рынка
• Адаптивные параметры стратегии
• Подготовка данных в реальном времени
• Контроль качества входных данных
• Логирование прогнозов и решений
• Мониторинг стабильности модели
• Обновление и повторное обучение
• Сравнение работы стратегии с ML и без него
• Встраивание модели в существующий проект
• Проверка интерфейсов между компонентами
• Диагностика ошибок
• Подготовка документации и инструкции по обновлению