Danil Sidorov
RU EN DE
Telegram

KI-Trading-Bot

Ein Bot für algorithmischen Handel, bei dem ein neuronales Netz in PyTorch Kursbewegungen vorhersagt und Handelssignale erzeugt

Машинное обучение / Трейдинг

Interaktiver Live-Demostand

Exakte Kopie der Projektoberfläche und Geschäftslogik mit Demodaten. Alle Aktionen laufen in Echtzeit.

Сигналы считаются на потоке данных автоматически, без ручного отслеживания

StackPython, PyTorch, Flask, pandas, NumPy, scikit-learn, ccxt

Sicherer Perimeter (NDA): Produktionslogik mit Testdaten

Was im Demostand getestet werden kann:
  1. Запустите торговый цикл с инференсом ансамбля GRU-нейросетей
  2. Проверьте результаты walk-forward валидации и пороги мета-фильтра
  3. Оцените график накопленного PnL и журнал генерации сигналов
http://127.0.0.1:8080/
Live Stand

Нейро-трейдер

бот: работает брокер: paper (OKX) Эквити: 10 248.50 $ данные: 14:00:00 UTC

Открытые позиции

1 активная
Символ Позиция Объём Вход SL / TP PnL ($) Действие

Последние сигналы модели

порог prob ≥ 0.50, meta ≥ 0.55
Символ Время бара Прогноз Вероятности [D, F, U] Мета-уверенность Решение

Лог торгового цикла

цикл: 60с

                

Журнал сделок (journal.csv)

последние закрытые и открытые ордера
Время Событие Символ Направление Объём Цена SL TP Причина PnL ($) Эквити ($)

Schlüsselfertige Umsetzung

Benötigen Sie ein ähnliches System für Ihre Geschäftsprozesse?

Ich entwickle die Architektur, ein ausfallsicheres Backend und eine schnelle Oberfläche. Geschützt durch NDA, sauberer übertragbarer Code und transparente Meilensteine.

  1. Kostenlose Zeit- und Budgeteinschätzung innerhalb eines Tages
  2. Vertrag und Rechnung
  3. Garantie und Support nach dem Launch

An Werktagen meist innerhalb von zwei Stunden

Ich antworte persönlich, ohne aufdringliche Verkaufsgespräche

Aufgabe

Der Trader wollte nicht mehr selbst vor den Charts sitzen. Er brauchte ein System, das Einstiegspunkte mit einem trainierten Modell selbst findet. Starre Regeln aus einer Reihe von Indikatoren passten ihm nicht.

Lösung

Ich habe ein neuronales Netz in PyTorch mit historischen Kursen trainiert und in einen Bot eingebaut, der Daten sammelt, Merkmale berechnet, Vorhersagen trifft und Signale erzeugt. Die Inferenz ist von der Strategie getrennt, die Logik für Ein- und Ausstiege lässt sich ohne neues Training ändern.

Umgesetzte Aufgaben

  • Ein neuronales Netz in PyTorch mit historischen Kursen trainiert
  • Datensammlung, Merkmalsberechnung und Signalerzeugung automatisiert
  • Inferenz von der Handelsstrategie getrennt, um die Logik ohne neues Training zu ändern
  • Nachtraining des Modells mit aktueller Historie umgesetzt
  • In Docker verpackt und den Handel gestartet

Ergebnis

Die Signale werden automatisch aus dem Datenstrom berechnet, ohne manuelles Beobachten der Charts. Das Modell wird mit aktueller Historie nachtrainiert und eingesetzt, ohne den Bot umzuschreiben.

Technologien

PythonPyTorchWebSocket

Erzählen Sie von Ihrer Aufgabe

Telegram