2024-04 → настоящее
trading-box — AI-augmented multi-strategy trading
Python + Docker торговая система с walk-forward adaptive стратегиями, ML regime detection, per-asset trend фильтрами. Бэктесты на 53 крипто-парах за 3 года.
- Роль
- Единственный инженер — research, implementation, ops
- Стек
- Python · PostgreSQL · Docker · pandas · scikit-learn
- Период
- 2024-04 → настоящее
Зачем я это собрал
Я хотел конкретный ответ на вопрос: "помогает ли что-то из AI/ML реально, когда есть реальные последствия за ошибку". Рынки — справедливый тест: после факта не cherry-pick'нешь, есть чистый backtesting protocol если его уважать, и метрики однозначны.
Как это работает
Research-first архитектура. Каждая стратегия живёт за Protocol: inputs — bars + features, output — signed position sizes. Это делает тривиальным добавление новой стратегии, прогон её через полную матрицу (пары × timeframe'ы) и сравнение по одной scoring функции.
Walk-forward adaptive whitelisting. Вместо того чтобы выбрать пары один раз и надеяться, система периодически переотбирает активный whitelist из trailing window — win rate выше порога, размер выборки выше другого порога. Пары, переставшие работать, выпадают; пары, начинающие работать, заходят в whitelist.
Per-asset trend filtering. Разные активы реагируют на разные regime фильтры (ADX vs SMA-slope vs Donchian-channel). Система делает маленький filter selection per asset; в backtest победитель отличался по активам, и принудительный единый глобальный фильтр оставил бы деньги на столе.
Backtesting без lookahead bias. Это то, что большинство самодельных backtester'ов делает неправильно. Фичи считаются строго из прошлых баров; walk-forward граница принудительно проверяется кодом, а не соглашением. Каждая метрика в отчёте имеет соответствующий тест, который падает если будущий бар протёк.
Результаты
За три года бэктеста на 53 крипто-парах на 1h timeframe гибридная стратегия (per-asset baseline если её in-window profit factor здоровый, иначе dynamic whitelist) показала примерно +$103k против baseline single- strategy подхода, который потерял примерно $150k. 4h timeframe был ещё чище — примерно на 60% лучше 1h, при этом традиционные активы (forex, gold) работали только на 4h.
Это research-grade результаты на personal-scale системе. Point не в долларах — в дисциплине, которая их произвела: protocols, holdout-тесты, без leakage, без overfit к нарративу.