Details

Работа сфокусирована на построении автоматизированной торговой системы. Используются нейросетевые подходы. Ключевая задача - формирование модульной архитектуры, способной генерировать сигналы через взаимодействие нескольких специализированных алгоритмов машинного обучения, отличающихся по логике обработки рыночных данных. Прогнозирование опирается на рекуррентные сети LSTM, трансформеры и LightGBM - метод градиентного бустинга на древовидных структурах. Временные ряды интегрируются с новостными потоками. Финальное решение формируется через ансамблирование. Это снижает разброс ошибок. Создана распределённая инфраструктура: каждый функциональный блок изолирован в отдельном сервисе - авторизация пользователей, накопление котировок, вычислительный узел и шлюз к торговым операциям выполняют свои роли независимо. Обучение проводилось на истории торгов российских акций с последующей валидацией. Бэктест прошёл расчёт метрик доходности, волатильности через коэффициент Шарпа и максимальной просадки портфеля. Назначение проекта - обслуживание алгоритмических стратегий розничных и крупных игроков рынка. Реализация задействует Python в связке с FastAPI для API-слоя, реляционную PostgreSQL и колоночную ClickHouse для хранения, Docker для контейнеризации, а обучение моделей ведётся в TensorFlow либо PyTorch. Эксперименты показывают, что нейронные архитектуры превосходят традиционные технические индикаторы в задачах прогноза.

The work concentrates on building an automated trading system. Neural network approaches are employed. The core challenge involves creating a modular architecture capable of signal generation through interplay among several specialized machine learning algorithms that differ in their data processing logic. Forecasting relies on LSTM recurrent networks, Transformers, and LightGBM - a gradient boosting method operating on tree-based structures. Time series get integrated with news feeds. Final decisions emerge through ensembling. This reduces error variance. A distributed infrastructure was built: each functional block resides in a separate service-user authorization, quote accumulation, computational node, and trading gateway operate autonomously. Training utilized historical Russian stock market data followed by validation. Backtesting covered profitability metrics, volatility via Sharpe ratio, and maximum portfolio drawdown. The project targets algorithmic strategies for both retail and institutional market participants. Implementation leverages Python paired with FastAPI for the API layer, relational PostgreSQL and columnar ClickHouse for storage, Docker for containerization, while model training occurs in either TensorFlow or PyTorch. Experiments reveal that neural architectures outperform traditional technical indicators in forecasting tasks.