Нейросеть для трейдинга на Python: что реально собрать

Да, на Python можно собрать нейросеть, которая забирает рыночные данные, считает признаки, выдаёт вероятность движения, ограничивает риск и отправляет заявки на биржу. Но модель сама по себе не равна готовой прибыльной стратегии. Между «она угадала направление свечи» и «система заработала после издержек» лежат данные, исполнение, риск-менеджмент и честная проверка на будущем отрезке.

Это хорошая новость для тех, кто хочет разобраться по-настоящему. Не нужно начинать с магической LSTM, огромного датасета и обещаний «AI торгует вместо тебя». Можно собрать маленькую исследовательскую систему, увидеть её слабые места и только затем усложнять. Сначала нужно убедиться, что сигнал существует и его можно исполнить с учётом реальных ограничений. Только после этого появляется смысл подключать торговый API.

Что реально можно собрать на Python?

На Python реально собрать полный контур исследовательского алгоритма: загрузку котировок, подготовку датасета, расчёт признаков, обучение модели, бэктест, отчёт по риску и paper trading. Нереалистично ждать, что одна нейросеть по OHLCV-свечам найдёт вечный источник прибыли на любом рынке.

Рабочий проект обычно состоит из пяти частей:

1. Данные: свечи, сделки, стакан, фандинг, открытый интерес, иногда новости или ончейн-метрики.
2. Гипотеза: например, после конкретного сочетания волатильности и объёма вероятность продолжения движения меняется.
3. Модель: правило, логистическая регрессия, градиентный бустинг, LSTM или другая архитектура.
4. Симулятор сделок: вход, выход, комиссия, спред, проскальзывание, размер позиции, стоп.
5. Контур исполнения: журналирование, лимиты, API-ключи с минимальными правами, защита от дублей заявок и аварийное отключение.

Первые четыре пункта можно собрать на локальном компьютере. Пятый уже касается реальных денег и требует отдельной дисциплины. Если тебе нужен именно старт с основ торговли, сначала полезно разобраться, как начать торговать криптовалютой с нуля: алгоритм не отменяет механику ордеров, ликвидаций и просадки.

Python удобен зрелыми инструментами для таблиц, статистики, моделей и автоматизации. Библиотека CCXT даёт единый интерфейс ко многим биржевым API: в её документации есть публичные методы для рынков, тикеров, стаканов, сделок и OHLCV, а приватные методы используются для баланса и заявок. Это сокращает техническую работу, но не делает разные биржи одинаковыми по ликвидности, контрактам и правилам исполнения.

С чего начать: со стратегии или с нейросети?

Начинать стоит с торговой гипотезы, а не с названия модели. Если ты не можешь объяснить, какую ситуацию ищешь и почему она может давать преимущество, нейросеть лишь аккуратно запомнит шум из прошлого.

Плохая постановка выглядит так: «обучу нейросеть на биткоине, пусть скажет цену завтра». В ней нет решения о сделке. Даже идеальный прогноз цены не отвечает на вопросы:

• когда входить;
• какой объём позиции брать;
• где ставить стоп;
• как долго держать позицию;
• что делать при противоположном сигнале;
• сколько заплатить за вход и выход;
• когда вообще не торговать.

Полезнее поставить узкую задачу. Например: «На часовом графике BTCUSDT модель оценивает вероятность того, что доходность следующих четырёх часов превысит заданный порог. Сделка открывается только при высокой вероятности, а риск на одну идею ограничен заранее».

Это уже не обещание доходности. Это проверяемая формулировка. Её можно опровергнуть данными.

Уровень проекта	Что делает система	Что показывает результат	Чего результат не доказывает
Индикатор	Отмечает условия на графике	Как часто возникал паттерн	Что на нём можно заработать
Классификатор	Даёт вероятность роста или падения	Качество прогноза метки	Что сигнал перекрывает издержки
Стратегия	Превращает сигнал в сделки	Доходность и риск в симуляции	Что реальные заявки исполнятся так же
Paper trading	Обрабатывает поток рынка и формирует виртуальные сделки	Работу логики и операционного контура	Реальную доходность капитала
Live-бот	Отправляет реальные заявки	Фактический результат конкретного периода	Что преимущество сохранится в будущем

Технический вопрос «какую нейросеть выбрать» появляется только после первых двух строк этой таблицы. До этого лучше изучить, может ли ИИ предсказать курс биткоина, и не путать прогноз с торговым решением.

Какие данные нужны модели для трейдинга?

Минимальный датасет для первого проекта состоит из времени, открытия, максимума, минимума, закрытия и объёма, то есть OHLCV. Для исследования стратегии на фьючерсах этого мало: желательно отдельно учитывать цену контракта, фандинг, правила контракта и будущие торговые издержки.

Свеча удобна, но она сжимает события. Внутри часовой свечи цена могла сначала задеть стоп, потом цель, или пройти путь в обратном порядке. Если бэктест знает только High и Low, он не всегда может честно определить, что произошло раньше. На коротких горизонтах это не мелочь, а потенциальный источник выдуманной доходности.

Для начала достаточно такого набора:

1. OHLCV выбранного инструмента и таймфрейма.
2. Таймзона и точное время закрытия свечи.
3. Объём в базовой и котируемой валюте, если он доступен.
4. История комиссий для своего уровня аккаунта.
5. История фандинга для бессрочных фьючерсов.
6. Спред или хотя бы консервативная оценка проскальзывания.
7. Данные о делистингах и смене тикеров, если исследуешь много альткоинов.

OHLCV-свеча обычно хранит время и цены открытия, максимума, минимума, закрытия, а также объём. Это полезный базовый формат данных API, но не готовый датасет «на все случаи». Данные конкретной площадки отражают именно её поток сделок и её микроструктуру.

Для загрузки истории через CCXT часто используют fetchOHLCV, но перед массовой выгрузкой нужно проверить лимиты, доступные рынки, непрерывность дат и формат контрактов. В официальном manual CCXT прямо показаны как публичные методы работы с OHLCV и стаканом, так и различие между публичным рыночным API и приватным API для торговли. Не подставляй ключи в ноутбук, который синхронизируется в облако, и не выдавай ключу право на вывод средств.

Как подготовить датасет без утечки будущего?

Признаки должны быть рассчитаны только из того, что было доступно на момент принятия решения. Если решение принимается после закрытия часовой свечи, модель может использовать эту закрытую свечу, но не её следующие значения и не статистики, рассчитанные по всему датасету.

Самая опасная ошибка выглядит невинно. Ты нормализуешь цену, объём или индикаторы средним и стандартным отклонением по всей истории. В расчёт попадают данные будущего периода. Бэктест выглядит лучше, потому что модель уже знает распределение, которого в прошлом ещё не существовало.

Безопасный вариант: любой rolling-признак считаешь по прошлому окну, а статистику для масштабирования обучаешь только на тренировочном куске. Затем применяешь к валидации и тесту без переобучения.

Пример набора признаков для часовой модели:

• доходности за один, четыре и двадцать четыре часа;
• расстояние от скользящей средней;
• реализованная волатильность за прошлое окно;
• отношение текущего объёма к среднему объёму;
• диапазон свечи относительно цены;
• время суток и день недели;
• фандинг, если он был опубликован до решения;
• разница между ценой контракта и индексом, если такой показатель доступен и корректно синхронизирован.

Не добавляй признак только потому, что он красиво коррелирует с прошлым. Для каждого столбца задай вопрос: «мог ли я узнать это значение именно в момент t?» Если ответ сомнительный, выкидывай признак или сдвигай его назад.

Целевую метку тоже нужно определить заранее. Например, для long-сигнала:

target = 1, если доходность от следующей доступной цены входа до цены через четыре часа превышает все предполагаемые издержки и минимальный порог.

Ключевое слово здесь «следующей». Если алгоритм увидел закрытие свечи в 12:00, он не может честно купить по цене этого уже закрытого бара без допущения о мгновенном идеальном исполнении. В простом тесте безопаснее открыть сделку по открытию следующей свечи и добавить проскальзывание.

Нужна ли LSTM, Transformer или хватит простой модели?

Для первой версии чаще хватает простых моделей. Логистическая регрессия, дерево решений или градиентный бустинг быстрее обучаются, легче проверяются и позволяют увидеть, какие признаки вообще несут информацию. LSTM и Transformer стоит добавлять, когда есть доказательство, что сложная последовательная структура улучшает результат вне выборки.

У нейросети больше параметров и больше свободы. На шумном финансовом ряду это не всегда преимущество. Чем больше свободы, тем легче нарисовать впечатляющую кривую на прошлом отрезке.

Подход	Когда применять	Сильная сторона	Основной риск
Правило по индикаторам	Проверяешь базовую гипотезу	Полная прозрачность	Параметры легко подогнать
Логистическая регрессия	Нужна вероятность события	Простая диагностика	Может не поймать нелинейность
Градиентный бустинг	Есть табличные признаки	Сильная модель для таблиц	Слишком агрессивный тюнинг
LSTM	Важна последовательность наблюдений	Учитывает порядок внутри окна	Много параметров и слабая интерпретация
Transformer	Есть большой качественный набор последовательностей или текстов	Гибкость архитектуры	Высокая стоимость и риск подгонки

Нейросеть можно использовать и не для направления цены. Иногда более практичны задачи:

• оценить ожидаемую волатильность;
• отфильтровать периоды, когда стратегия исторически работала хуже;
• классифицировать режим рынка;
• искать аномальные движения объёма;
• ранжировать несколько инструментов;
• выделять сущности и тональность в новостном потоке.

Даже тут модель должна проходить ту же проверку. Если она точно определяет «высокую волатильность», это ещё не значит, что она создаёт доходность. Возможно, её лучше использовать только как ограничитель размера позиции.

Как разделять данные во времени?

Данные нельзя случайно перемешивать на train и test, как фотографии котов и собак. В рынке порядок времени критичен: обучение на будущем и проверка на прошлом создают утечку и дают ложную уверенность.

Нормальная базовая схема делит историю последовательно:

1. Ранний период: обучение модели и выбор ограниченного числа решений.
2. Следующий период: валидация и настройка порогов.
3. Последний, ранее не просмотренный период: финальный тест.
4. После фиксации правил: paper trading в текущем рынке.

Ещё полезнее walk-forward-подход. Модель обучается на доступном прошлом, тестируется на следующем участке, затем окно сдвигается. Так видно, держится ли поведение в разных режимах, а не только в одном удачном бычьем рынке.

TimeSeriesSplit из scikit-learn создан именно для упорядоченных во времени выборок. Его документация предупреждает, что обычные способы кросс-валидации здесь не подходят, потому что могут обучать модель на будущем и проверять на прошлом. У класса есть параметр gap: он исключает несколько наблюдений между обучением и тестом. Такой разрыв особенно полезен, когда метка строится по доходности нескольких будущих свечей и окна могут пересекаться.

Допустим, ты прогнозируешь результат на следующие четыре часа. Тогда между последней обучающей строкой и первой тестовой строкой нужен хотя бы такой зазор, чтобы части будущего одной метки не пересекались с другой выборкой. Точный размер зависит от горизонта, признаков и логики удержания позиции.

Как устроить честный бэктест?

Честный бэктест отвечает не только на вопрос «что было бы, если купить». Он фиксирует, в какой момент сигнал стал известен, по какой цене исполняется заявка, какую часть капитала занимает сделка и что происходит при конфликте стопа с тейк-профитом внутри свечи.

Минимальные правила симулятора надо записать до запуска:

1. Сигнал считается после закрытия бара.
2. Вход происходит не раньше следующего доступного бара.
3. Размер позиции считается от капитала до входа.
4. Комиссия списывается при каждом исполнении.
5. Проскальзывание ухудшает цену входа и выхода.
6. Одновременно открытые позиции ограничены.
7. Правила стопа, тейка и выхода по времени известны заранее.
8. Фандинг и процент за заём учитываются там, где они применимы.
9. Нельзя использовать инструмент до даты его реального листинга.
10. Все отклонённые и частично исполненные заявки логируются в live-контуре.

Для быстрого исследования подойдёт VectorBT. В официальной документации его объект Portfolio моделирует позиции относительно денежного остатка, строит equity curve, учитывает базовые транзакционные издержки и считает показатели доходности и просадки. В документации также показано, что в симуляции можно передавать цену, размер, направление и fees.

Но быстрый бэктестер не заменяет проверку допущений. Векторизация удобна для тысяч комбинаций, а тысячи комбинаций усиливают риск найти счастливый шум. Документация VectorBT даже показывает перебор большого числа окон скользящих средних. Это мощный исследовательский инструмент, но каждый дополнительный перебор надо записывать в журнал экспериментов, а не скрывать за одним «лучшим» графиком.

Сравнивай стратегию не только с нулём. На том же инструменте и за тот же период добавь buy and hold, простую модель с редкими входами и случайные сигналы с той же частотой сделок. Если сложная сеть не превосходит простую альтернативу после издержек, усложнение не оправдано.

Как комиссии и проскальзывание съедают красивый сигнал?

Комиссия считается от оборота, а не от прибыли. Стратегия может быть права чаще половины сделок и всё равно терять деньги, если она часто входит по рынку и её среднее движение меньше суммарных издержек.

Учебный расчёт с условными допущениями:

• капитал: 1 000 USDT;
• размер одной позиции: 1 000 USDT, без плеча в расчёте;
• вход и выход идут рыночными заявками;
• комиссия на каждую сторону: 0,05%;
• проскальзывание на каждую сторону: 0,03%;
• модель ожидает среднее валовое движение сделки: 0,18%.

По опубликованной Binance формуле комиссия фьючерса равна стоимости позиции, умноженной на торговую ставку. В справочном примере Binance для обычного пользователя приводятся 0,02% maker и 0,05% taker; актуальная ставка зависит от уровня и условий аккаунта, поэтому в реальном тесте нужна собственная таблица комиссий на дату торговли.

В нашем условном примере издержки за вход и выход составляют:

• комиссия: 0,05% + 0,05%;
• проскальзывание: 0,03% + 0,03%;
• суммарно: 0,16% от оборота позиции.

Валовое движение 0,18% на позиции 1 000 USDT даёт условные 1,80 USDT до издержек. Издержки 0,16% от позиции дают условные 1,60 USDT. Доход после них остаётся 0,20 USDT до фандинга, ошибок исполнения и налогообложения. Достаточно небольшого ухудшения цены, чтобы преимущество исчезло.

Именно поэтому скальперский сигнал с частыми сделками надо тестировать жёстче, чем редкую дневную стратегию. На бессрочных фьючерсах к расчёту добавляется фандинг. О базовой механике отдельно читай в разборе что такое фандинг на фьючерсах.

Ниже минимальный стресс-тест. Его стоит запускать для каждого кандидата:

Сценарий	Комиссия и проскальзывание	Что проверяешь
Базовый	Реалистичная оценка	Есть ли результат после всех допущений
Консервативный	Издержки выше базовых	Насколько хрупка идея
Плохое исполнение	Добавлено заметное проскальзывание	Переживает ли стратегия волатильность
Сниженная ликвидность	Ограничен размер заявки	Можно ли масштабировать позицию
Задержка сигнала	Вход на один бар позже	Зависит ли результат от идеального тайминга

Если стратегия переживает только базовый сценарий, это не повод запускать её деньгами. Это повод считать идею хрупкой.

Почему нейросеть переобучается на рынке?

Переобучение означает, что модель запомнила особенности старого набора данных, которые не повторяются в новом периоде. В трейдинге эта проблема особенно жёсткая: полезный сигнал часто слабый, а шум, режимы и случайные всплески огромны.

Переобучается не только нейросеть. Подогнать можно обычную скользящую среднюю, размер стопа, фильтр объёма, список монет, время входа и даже период, который ты выбрал для демонстрации результата.

Работа Bailey, Borwein, López de Prado и Zhu о вероятности переобучения бэктеста показывает саму ловушку: с современной вычислительной мощностью легко перебрать огромное число альтернативных стратегий на конечном наборе временных рядов. Авторы отмечают, что вероятность ложных находок растёт при множественных тестах на одних данных, а лучший результат внутри выборки может оказаться подгонкой прошлого шума.

Признаки переобучения обычно такие:

• доходность резко падает после небольшого изменения параметра;
• один актив или короткий период создаёт почти весь результат;
• in-sample намного лучше out-of-sample;
• у модели слишком много признаков относительно числа независимых торговых ситуаций;
• после добавления комиссии результат исчезает;
• лучший набор параметров выглядит как одиночная игла на тепловой карте;
• исследователь попробовал десятки вариантов, но показывает только победителя.

Вместо поиска единственного максимума ищи устойчивую область. Если окна 18/55, 19/56 и 20/57 дают близкий результат, это интереснее, чем уникальная пара 19/56, которая «идеальна» только на прошлом участке. Рынок не обязан повторять точные числа из твоей таблицы.

Как проверить, что модель не видела будущее?

Проверка утечки будущего должна быть отдельным этапом, а не строчкой в конце ноутбука. Сильный бэктест без такого аудита ничего не стоит, потому что одна сдвинутая колонка может превратить случайную стратегию в «грааль».

Пройди чек-лист:

• У каждой строки признаков есть timestamp доступности, а не только timestamp события.
• Признаки сдвинуты так, чтобы не использовать незакрытую информацию.
• Нормализация и отбор признаков обучаются только на train.
• Метка будущей доходности не пересекается с обучающим окном без gap.
• Вход происходит после появления сигнала.
• Стоп и тейк внутри одной свечи обрабатываются консервативно.
• В датасете нет активов, появившихся позже исследуемого периода.
• Делистинги, паузы торгов и пропуски не замаскированы.
• Все эксперименты и параметры сохранены в журнале.
• Финальный test-период не использовался для выбора модели.

Очень полезный приём: сдвинь целевую метку так, чтобы она намеренно стала случайной, или случайно переставь сигналы во времени с сохранением числа сделок. Если система всё равно рисует убедительную доходность, проблема может быть в бэктестере, порядке индексов или логике исполнения.

Ещё один тест: запусти стратегию с задержкой в один или два бара. Реальное исполнение всегда имеет задержку: получение данных, расчёт, отправка заявки, сетевой путь, матчинг. Если вся прибыль исчезает от одной свечи задержки, это не обязательно ошибка, но это означает очень высокую чувствительность к инфраструктуре.

Какой путь от ноутбука до paper trading?

Нормальный путь состоит из небольших проверяемых шагов. Не нужно сразу писать торгового робота, который держит API-ключи и работает круглосуточно. Сначала он должен научиться честно проигрывать идеи на истории.

1. Выбери один ликвидный инструмент и один таймфрейм.
2. Сформулируй одну гипотезу и заранее запиши правила сделки.
3. Скачай и сохрани сырые данные отдельно от обработанных.
4. Собери признаки без утечки будущего.
5. Сравни простое правило, простую модель и нейросеть на одинаковой схеме.
6. Проведи walk-forward-проверку и оставь финальный период нетронутым.
7. Добавь комиссии, спред, проскальзывание, фандинг и ограничения размера позиции.
8. Прогони стресс-тест издержек и задержки.
9. Зафиксируй параметры и переведи систему в paper trading.
10. Сверяй виртуальные исполнения с доступными рынку ценами и журналом сигналов.
11. Только после длительной наблюдаемой стабильности решай, нужна ли минимальная реальная позиция.

Paper trading проверяет инженерную часть: дублируются ли ордера, не уезжают ли часы сервера, обрабатываются ли пропуски данных, совпадают ли цены модели и рынка, корректно ли работает ограничение риска.

Если хочешь автоматизировать исполнение, сначала разберись, как работают торговые боты для криптовалюты. Бот может безошибочно исполнить плохую идею быстрее человека. Скорость тут не защита.

Какие метрики смотреть кроме доходности?

Итоговая доходность сама по себе почти ничего не объясняет. Стратегия могла получить её одной сделкой, работать только на росте биткоина или пережить просадку, которую ты не выдержал бы реальными деньгами.

В отчёт добавь:

• число сделок;
• среднюю и медианную доходность сделки;
• win rate, но не как главную метрику;
• среднюю прибыль и средний убыток;
• profit factor;
• максимальную просадку;
• длительность просадки;
• долю времени в позиции;
• оборот;
• сумму комиссий;
• результат по годам, кварталам и рыночным режимам;
• сравнение с пассивным удержанием;
• результат после увеличения издержек;
• результаты каждого walk-forward-окна.

Высокий win rate может быть опасен. Сетка без стопа иногда показывает много маленьких плюсов, пока один сильный тренд не съедает накопленное. Поэтому метрика должна быть связана с риском. О том, почему просадка важнее красивого процента за короткий срок, полезно прочитать в материале какая просадка в трейдинге считается нормальной.

Не фетишизируй и Sharpe ratio. Он полезен как один из ориентиров, но зависит от периода, частоты расчёта, распределения доходностей и выбранного варианта стратегии. Если ты перебрал много моделей и выбрал самый красивый Sharpe, он несёт на себе эффект отбора.

Какие ошибки чаще всего ломают AI-стратегии?

Самая частая ошибка: человек строит сложную модель раньше, чем научился проверять простую. Результат выглядит технологично, но на деле никто не знает, что именно создало красивый график.

Вот ошибки, которые встречаются чаще остальных:

1. Обучение на случайно перемешанных временных строках.
2. Использование цены закрытия для сигнала и входа в ту же цену.
3. Игнорирование комиссий, спреда, фандинга и проскальзывания.
4. Отбор «лучшей» из множества версий без учёта числа попыток.
5. Подгонка параметров на тестовом периоде.
6. Использование данных одной биржи для обещаний исполнения на другой.
7. Смешивание спотовых и фьючерсных цен без понимания контракта.
8. Ставка на точность направления вместо матожидания сделки.
9. Отсутствие лимита позиции, стоп-правил и аварийного выключателя.
10. Автоматическая торговля с API-ключом, который имеет лишние права.

На фьючерсах добавляется плечо. Оно меняет требования к марже и делает ошибку размера позиции дороже. Нейросеть не защищает от ликвидации, поэтому базовые правила стоит изучить отдельно: что такое кредитное плечо на бирже и что такое ликвидация в крипте.

Что считать хорошим результатом исследования?

Хороший результат не обязан быть прибылью. Иногда лучший итог исследования звучит так: «эта идея не переживает комиссию и задержку, поэтому мы её не запускаем». Это экономит деньги, время и иллюзии.

У перспективной стратегии обычно нет одного волшебного признака. У неё есть понятная логика, аккуратные допущения, внятные границы применимости и способность оставаться хотя бы неразрушенной при ухудшении условий. Ты знаешь, на каких данных она проверена, где она перестаёт работать и какой риск берёшь.

Модель может быть полезной даже без права на самостоятельную торговлю. Например, она может:

• ранжировать сетапы для ручной проверки;
• отключать агрессивную торговлю при экстремальной волатильности;
• напоминать о приближении лимита риска;
• формировать единый журнал решений;
• проверять, не расходится ли фактическое исполнение с моделью;
• выделять периоды, которые стоит изучить глубже.

Это часто реалистичнее, чем «бот заработает за меня». Если ты выбираешь, как сочетать автоматизацию и собственный контроль, посмотри разбор может ли нейросеть торговать за меня.

Итог: где здесь настоящая ценность Python и AI?

Python и AI дают трейдеру не готовую доходность, а исследовательскую дисциплину. Они помогают быстро проверить идею, сохранить условия эксперимента, посчитать издержки, увидеть просадку и не принимать красивый график за доказательство.

Первая адекватная цель звучит скучно: собрать воспроизводимый проект, который честно отвечает, есть ли у гипотезы шанс после всех ограничений. Но именно с неё начинается всё полезное. Модель, прошедшая такой путь, всё ещё не гарантирует прибыли. Зато она хотя бы перестаёт быть картинкой из ноутбука.

Нейросеть не отменяет риск-менеджмент. Размер позиции, стоп-условия, лимит дневного убытка и запрет на торговлю в неясном режиме остаются важнее названия архитектуры. Для основы пригодится материал о риск-менеджменте в трейдинге простыми словами.

Источники

1. CCXT Manual - единый API для публичных рыночных данных и приватных торговых методов.
2. scikit-learn: TimeSeriesSplit - последовательная кросс-валидация временных рядов и параметр gap.
3. VectorBT: Usage - примеры тестирования сигналов и задания комиссий в портфеле.
4. VectorBT: Portfolio base - описание симуляции заявок, издержек, equity curve и метрик портфеля.
5. Binance Futures Fee Structure & Fee Calculations - формула расчёта комиссии и различие maker/taker.
6. Binance: Fees & Transactions Overview - раздел USDⓈ-M Futures и условия применения VIP-уровней; конкретные ставки на странице могут не отображаться.
7. Bailey, Borwein, López de Prado, Zhu. The Probability of Backtest Overfitting - исследование множественных тестов и переобучения бэктестов.