[Арина Веспер] VesperfinCode: Поддержка. 1-3 потоки (2026)

Поддержка #1 — Web-сервисы для трейдинга на Python

Создание и развертывание web-сервисов для трейдинга на Python. Внутри — видеозаписи занятий и пакет кода: готовый Streamlit-сервис для новостей и идей с TradingView, примеры дашбордов и интерфейсов, интеграция с Backtrader и две торговые стратегии с открытым кодом.

Что делаем?

Собираем интерфейсы для трейдинга: формы, графики, таблицы, дашборды.
Упаковываем стратегии, парсеры и аналитику в удобные web-сервисы.
Работаем с состоянием приложения и кэшированием моделей.

Что входит?

Готовый Streamlit-сервис для трейдера:

парсинг новостей и идей с TradingView;
автоматическая суммаризация текстов (transformers);
анализ тональности новостей и идей (FinBERT);
удобный интерфейс с вкладками и экспандерами.
Шаблоны Streamlit-приложений: от простых примеров до мини-дашборда с загрузкой данных, визуализациями и многокомпонентной навигацией.
Пример трейдингового приложения с Backtrader: загрузка котировок, тест стратегии пересечения скользящих средних (SMA) и вывод результатов в web-интерфейсе.
Дополнительные ноутбуки для прокачки: Streamlit, NLP для финансовых текстов, парсинг новостей, примеры ML- и RL-подходов в трейдинге.
Поддержка #2 — Крипторынки, криптоботы и T²-стратегии

Интенсив по алгоритмической торговле на крипторынках и автоматизации стратегий под Python. Внутри — видеозаписи занятий и полный набор кода: рабочие криптоботы, модели фаз рынка и разворотов, ресёрч-ноутбуки по T² и парному трейдингу, инструменты для сбора и подготовки данных под ML.

Что делаем?

Строим и настраиваем криптоботов: работа с рыночными фазами, T²-сигналами, паттернами price reversal и логикой входа/выхода по моделям.
Исследуем крипторынки: арбитражный потенциал, паттерн- и предиктивные стратегии, метод Хоттелинга T², парный трейдинг и отбор инструментов.
Автоматизируем сбор и подготовку данных: фьючерсы Bybit, трейды, стакан, on-chain сигнал, генерация признаков и таргетов для ML-моделей.
Обучаем и внедряем модели (XGBoost и др.) в боевые скрипты: классификация фаз рынка, разворотов и импульсных движений.

Что входит?

Набор боевых криптоботов на Python:
скрипт адаптивной стратегии для Bybit с расчётом RSI/SMA/EMA/ADX/MACD/полос Боллинджера и выбором логики входа по фазе рынка (market_phase_model.joblib);
несколько реализаций T²-бота на базе reverse-модели: работа по закрытию бара, контроль шага ордера, комиссии, типа рынка и статуса позиции;
облегчённые версии под один инструмент для отладки и тестнета.

Аналитические ноутбуки и методички:

полноценный ML-пайплайн data_models.ipynb: разметка фаз рынка по индикаторам, обучение XGB-модели market_phase_model.joblib и эксперименты с импульсными прогнозами;
Scoring_strat.ipynb по парному трейдингу: от отбора пар до расчёта PnL и статистики сделок;
T2_strats.ipynb — практическое применение Хоттелинга T²: стратегии входа/выхода и сценарии управления позицией;
multi_parser.ipynb для массового парсинга фьючерсов через Bybit API;
Quant_book.ipynb с curated-подборкой ссылок и библиотек для дальнейшего квант-развития;
дополнительные примеры (Карты.ipynb) для демонстрации работы с данными и визуализациями.

Инструментарий для работы с данными (Hard_data toolkit):

асинхронные сборщики bybit-данных и on-chain сигналов (стакан, трейды, whale-транзакции), сохраняющие CSV;
готовые датасеты с ценами, объёмами, направлением сделок и on-chain активностью;
EDA-ноутбуки для агрегации, генерации признаков, визуализации распределений и подготовки выборок под модели.

Готовые модели и служебные файлы:

market_phase_model.joblib, price_upper_model.joblib и reverse_model.joblib для интеграции в скрипты;
yабор T²-метрик по фьючерсам (t2_all_symbols.csv) для отбора инструментов;
Поддержка #3 — Машинное обучение в трейдинге

Машинное обучение в трейдинге: от линейных и нелинейных моделей до поиска аномалий и мультигоризонтных прогнозов доходности. Внутри — видеозаписи занятий и проектный код с ML-пайплайнами, моделями на крипторынках и ресёрч-ноутбуками для отработки стратегий.

Что делаем?

Строим ML-пайплайны для прогноза доходности и вероятности роста на основе лаговых доходностей, техиндикаторов и коррелированных инструментов.
Тестируем линейные, нелинейные и вероятностные модели: логистическая регрессия, Random Forest, XGBoost, LightGBM, квантили и мультигоризонтные таргеты.
Ищем аномалии рынка и разрывы корреляций, проектируем стратегии на основе outlier-фильтров, time-lagged корреляций и мультикритериальных сигналов.

Что входит?

Проект Alpha Forecast:

ноутбук с построением признаков по 30 «спутникам» целевой монеты (pandas_ta RSI/EMA/ATR/ROC и др.), таргетами future_return и моделями GradientBoosting, RandomForest, Ridge, XGBRegressor;
блок Cor_strat для поиска пар с разрывом корреляции и визуального анализа спредов;
мульти-таргетная постановка с MultiOutputClassifier(LGBMClassifier) по нескольким горизонтам (future_return_1/2/3) и сборкой сигналов, когда все горизонты согласованы.

Модуль «Линейные модели, нелинейные модели, вероятностный подход»:

ноутбук First_lesson.ipynb с тремя типами моделей: классификация «выше/ниже» (LogisticRegression, RandomForestClassifier), регрессия доходности (RandomForestRegressor, Ridge, XGBRegressor) и вероятностный подход через LightGBM с квантильными прогнозами и сравнением с Buy&Hold;
установка и использование shap для интерпретации вклада признаков в XGBoost;
pаготовка multi_parser.ipynb для массовой выгрузки данных по USDT-фьючерсам через pybit.unified_trading.HTTP.

Модуль «Поиск аномалий рынка, глубокое обучение в трейдинге, Pre-HFT архитектура»:

ноутбук Second_lesson.ipynb с Random Forest и LightGBM + Optuna, ансамблями моделей, фильтрами уверенности и outlier-стратегиями на основе Isolation Forest (лог-доходность, high-low range, объём, свечное тело, z-score);
эталонный датасет ZRXUSDT_h1.csv с часовыми свечами и объёмами для воспроизведения экспериментов и адаптации под собственные данные;
ссылки на внешние источники рыночных данных для построения Pre-HFT-архитектур.