🤖 У индикатора рыночного сентимента для QUIK есть опция «Сохранение данных в БД». В этой статье разберём, как использовать накопленные данные для разработки торговой стратегии с помощью искусственного интеллекта — от выгрузки данных до бэктеста готовой системы.
📊 Шаг 1. Подготовка данных для ИИ
С помощью менеджера БД выгрузите таблицу data_sent в файл .txt или .csv. В ней накапливаются данные о соотношении покупок и продаж (B_S_AM), направлении крупнейшей сделки (DIR_MAX_DEAL) и другие параметры ордерного потока.
💬 Шаг 2. Обращение к ИИ
Отправьте модели запрос и прикрепите подготовленный файл:
«Представь, что ты профессиональный трейдер. Нужно придумать стратегию для получения дохода».
В ответ ИИ (DeepSeek) предложил стратегию на основе ордерного потока и импульса.
🧠 Стратегия «Order Flow Momentum»
Идея: находим моменты, когда крупные игроки проявляют активность в определённом направлении, и присоединяемся к движению, подтверждая его классическими индикаторами.
Инструменты:
B_S_AM— соотношение сумм покупок и продаж:> 1.5— давление покупателей,< 0.67— давление продавцов;DIR_MAX_DEAL— направление крупнейшей сделки:1— покупка,-1— продажа;- EMA(20) — краткосрочный тренд по цене закрытия;
- RSI(14) — импульс (выше 50 — бычий, ниже 50 — медвежий);
- Объём (
VOL) — выше среднего за 5 периодов как подтверждение.
Вход LONG (все условия одновременно на закрытии 15-минутной свечи):
B_S_AM > 1.8;DIR_MAX_DEAL = 1;- цена выше EMA(20);
- RSI(14) выше 55;
- объём выше среднего за 5 периодов.
Вход SHORT (зеркально):
B_S_AM < 0.55;DIR_MAX_DEAL = -1;- цена ниже EMA(20);
- RSI(14) ниже 45;
- объём выше среднего за 5 периодов.
Стоп-лосс: для LONG — минимум предыдущей свечи (или фиксированный риск ~0.3%), для SHORT — максимум предыдущей свечи. Выход — по тейк-профиту с заданным соотношением риск/вознаграждение.
🐍 Шаг 3. Бэктест на Python
ИИ также сгенерировал код бэктеста (pandas/numpy/matplotlib), который загружает данные, рассчитывает EMA, RSI и средний объём, находит сигналы LONG/SHORT, симулирует сделки со стопами и тейк-профитами и выводит отчёт по ключевым метрикам. Запустить его можно в Jupyter Notebook — достаточно указать путь к файлу с данными.
Полный код бэктеста
import pandas as pd
import numpy as np
from datetime import datetime
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
class OrderFlowMomentumStrategy:
"""Класс для бэктеста стратегии Order Flow Momentum"""
def __init__(self, initial_capital=1000000, contract_size=1):
"""
Инициализация стратегии
Parameters:
-----------
initial_capital : float
Начальный капитал
contract_size : int
Количество контрактов
"""
self.initial_capital = initial_capital
self.capital = initial_capital
self.contract_size = contract_size
self.positions = []
self.trades = []
self.current_position = None
# Параметры стратегии
self.params = {
'b_s_am_long': 1.8, # Порог для LONG
'b_s_am_short': 0.55, # Порог для SHORT
'rsi_long': 55, # RSI для LONG
'rsi_short': 45, # RSI для SHORT
'ema_period': 20, # Период EMA
'rsi_period': 14, # Период RSI
'volume_period': 5, # Период для среднего объема
'risk_reward_ratio': 2.0, # Соотношение риск/вознаграждение
'stop_loss_pct': 0.003, # Стоп-лосс в процентах
}
def calculate_indicators(self, df):
"""Расчет всех индикаторов"""
# EMA
df['EMA'] = df['CLOSE'].ewm(span=self.params['ema_period'], adjust=False).mean()
# RSI
delta = df['CLOSE'].diff()
gain = (delta.where(delta > 0, 0)).rolling(window=self.params['rsi_period']).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=self.params['rsi_period']).mean()
rs = gain / loss
df['RSI'] = 100 - (100 / (1 + rs))
# Средний объем
df['VOL_MA'] = df['VOL'].rolling(window=self.params['volume_period']).mean()
# Сигналы
df['LONG_SIGNAL'] = (
(df['B_S_AM'] > self.params['b_s_am_long']) &
(df['DIR_MAX_DEAL'] == 1) &
(df['CLOSE'] > df['EMA']) &
(df['RSI'] > self.params['rsi_long']) &
(df['VOL'] > df['VOL_MA'])
).astype(int)
df['SHORT_SIGNAL'] = (
(df['B_S_AM'] < self.params['b_s_am_short']) &
(df['DIR_MAX_DEAL'] == -1) &
(df['CLOSE'] < df['EMA']) &
(df['RSI'] < self.params['rsi_short']) &
(df['VOL'] > df['VOL_MA'])
).astype(int)
return df
def run_backtest(self, df):
"""Запуск бэктеста"""
# Расчет индикаторов
df = self.calculate_indicators(df.copy())
# Сброс состояния
self.capital = self.initial_capital
self.positions = []
self.trades = []
self.current_position = None
# Проход по всем строкам
for i in range(1, len(df)):
current_date = df.index[i]
current_row = df.iloc[i]
prev_row = df.iloc[i-1]
# Проверка на закрытие позиции
if self.current_position is not None:
self._check_exit_conditions(current_row, prev_row, current_date)
# Проверка на открытие новой позиции (только если нет текущей)
if self.current_position is None:
self._check_entry_conditions(current_row, current_date)
# Закрытие последней позиции в конце данных
if self.current_position is not None:
self._close_position(df.iloc[-1]['CLOSE'], df.index[-1])
return self._generate_results(df)
def _check_entry_conditions(self, row, date):
"""Проверка условий входа"""
# LONG сигнал
if row['LONG_SIGNAL'] == 1:
entry_price = row['CLOSE']
stop_loss = entry_price * (1 - self.params['stop_loss_pct'])
take_profit = entry_price + (entry_price - stop_loss) * self.params['risk_reward_ratio']
position = {
'type': 'LONG',
'entry_date': date,
'entry_price': entry_price,
'stop_loss': stop_loss,
'take_profit': take_profit,
'contracts': self.contract_size
}
self.current_position = position
print(f"LONG открыта: {date}, Цена: {entry_price:.2f}, SL: {stop_loss:.2f}, TP: {take_profit:.2f}")
# SHORT сигнал
elif row['SHORT_SIGNAL'] == 1:
entry_price = row['CLOSE']
stop_loss = entry_price * (1 + self.params['stop_loss_pct'])
take_profit = entry_price - (stop_loss - entry_price) * self.params['risk_reward_ratio']
position = {
'type': 'SHORT',
'entry_date': date,
'entry_price': entry_price,
'stop_loss': stop_loss,
'take_profit': take_profit,
'contracts': self.contract_size
}
self.current_position = position
print(f"SHORT открыта: {date}, Цена: {entry_price:.2f}, SL: {stop_loss:.2f}, TP: {take_profit:.2f}")
def _check_exit_conditions(self, current_row, prev_row, date):
"""Проверка условий выхода"""
position = self.current_position
current_price = current_row['CLOSE']
current_low = current_row['LOW']
current_high = current_row['HIGH']
exit_reason = None
exit_price = None
# Для LONG позиции
if position['type'] == 'LONG':
# Стоп-лосс (по минимуму свечи)
if current_low <= position['stop_loss']:
exit_reason = 'STOP_LOSS'
exit_price = position['stop_loss']
# Тейк-профит (по максимуму свечи)
elif current_high >= position['take_profit']:
exit_reason = 'TAKE_PROFIT'
exit_price = position['take_profit']
# Противоположный сигнал
elif current_row['SHORT_SIGNAL'] == 1:
exit_reason = 'OPPOSITE_SIGNAL'
exit_price = current_price
# Для SHORT позиции
elif position['type'] == 'SHORT':
# Стоп-лосс (по максимуму свечи)
if current_high >= position['stop_loss']:
exit_reason = 'STOP_LOSS'
exit_price = position['stop_loss']
# Тейк-профит (по минимуму свечи)
elif current_low <= position['take_profit']:
exit_reason = 'TAKE_PROFIT'
exit_price = position['take_profit']
# Противоположный сигнал
elif current_row['LONG_SIGNAL'] == 1:
exit_reason = 'OPPOSITE_SIGNAL'
exit_price = current_price
# Закрытие позиции, если есть причина
if exit_reason:
self._close_position(exit_price, date, exit_reason)
def _close_position(self, exit_price, date, exit_reason='END_OF_DATA'):
"""Закрытие текущей позиции"""
position = self.current_position
# Расчет P&L
if position['type'] == 'LONG':
pnl = (exit_price - position['entry_price']) * position['contracts']
else: # SHORT
pnl = (position['entry_price'] - exit_price) * position['contracts']
# Обновление капитала
self.capital += pnl
# Сохранение сделки
trade = {
'type': position['type'],
'entry_date': position['entry_date'],
'entry_price': position['entry_price'],
'exit_date': date,
'exit_price': exit_price,
'pnl': pnl,
'exit_reason': exit_reason,
'capital_after': self.capital
}
self.trades.append(trade)
print(f"{position['type']} закрыта: {date}, Причина: {exit_reason}, "
f"Вход: {position['entry_price']:.2f}, Выход: {exit_price:.2f}, "
f"P&L: {pnl:+.2f}, Капитал: {self.capital:.2f}")
# Сброс текущей позиции
self.current_position = None
def _generate_results(self, df):
"""Генерация результатов бэктеста"""
if not self.trades:
print("Нет сделок для анализа")
return None
# Создание DataFrame со сделками
trades_df = pd.DataFrame(self.trades)
# Расчет метрик
total_trades = len(trades_df)
winning_trades = trades_df[trades_df['pnl'] > 0]
losing_trades = trades_df[trades_df['pnl'] < 0]
win_rate = len(winning_trades) / total_trades * 100 if total_trades > 0 else 0
total_pnl = trades_df['pnl'].sum()
avg_win = winning_trades['pnl'].mean() if len(winning_trades) > 0 else 0
avg_loss = losing_trades['pnl'].mean() if len(losing_trades) > 0 else 0
# Максимальная просадка
capital_history = [self.initial_capital]
for trade in self.trades:
capital_history.append(trade['capital_after'])
drawdowns = []
peak = capital_history[0]
for capital in capital_history:
if capital > peak:
peak = capital
drawdown = (peak - capital) / peak * 100
drawdowns.append(drawdown)
max_drawdown = max(drawdowns) if drawdowns else 0
# Коэффициент Шарпа (упрощенный)
returns = trades_df['pnl'].values / self.initial_capital
sharpe_ratio = np.mean(returns) / np.std(returns) * np.sqrt(252) if np.std(returns) > 0 else 0
# Profit Factor
gross_profit = winning_trades['pnl'].sum() if len(winning_trades) > 0 else 0
gross_loss = abs(losing_trades['pnl'].sum()) if len(losing_trades) > 0 else 0
profit_factor = gross_profit / gross_loss if gross_loss > 0 else float('inf')
results = {
'total_trades': total_trades,
'winning_trades': len(winning_trades),
'losing_trades': len(losing_trades),
'win_rate': win_rate,
'total_pnl': total_pnl,
'final_capital': self.capital,
'return_pct': (self.capital - self.initial_capital) / self.initial_capital * 100,
'avg_win': avg_win,
'avg_loss': avg_loss,
'max_drawdown': max_drawdown,
'sharpe_ratio': sharpe_ratio,
'profit_factor': profit_factor
}
return results, trades_df
def plot_results(self, df, trades_df):
"""Визуализация результатов"""
fig, axes = plt.subplots(3, 1, figsize=(15, 12))
# 1. График цены и сделок
ax1 = axes[0]
ax1.plot(df.index, df['CLOSE'], label='Цена закрытия', alpha=0.7)
ax1.plot(df.index, df['EMA'], label=f"EMA({self.params['ema_period']})", alpha=0.5)
# Отметки сделок
for _, trade in trades_df.iterrows():
color = 'green' if trade['pnl'] > 0 else 'red'
marker = '^' if trade['type'] == 'LONG' else 'v'
ax1.scatter(trade['entry_date'], trade['entry_price'],
color=color, marker=marker, s=100, zorder=5)
ax1.scatter(trade['exit_date'], trade['exit_price'],
color=color, marker='o', s=80, zorder=5)
ax1.plot([trade['entry_date'], trade['exit_date']],
[trade['entry_price'], trade['exit_price']],
color=color, alpha=0.3, linewidth=2)
ax1.set_title('Цена и сделки')
ax1.set_ylabel('Цена')
ax1.legend()
ax1.grid(True, alpha=0.3)
# 2. График индикаторов
ax2 = axes[1]
ax2.plot(df.index, df['RSI'], label='RSI', color='purple', alpha=0.7)
ax2.axhline(y=70, color='r', linestyle='--', alpha=0.3)
ax2.axhline(y=30, color='g', linestyle='--', alpha=0.3)
ax2.axhline(y=50, color='gray', linestyle='-', alpha=0.5)
ax2.set_ylabel('RSI')
ax2.set_ylim(0, 100)
ax2.legend()
ax2.grid(True, alpha=0.3)
# 3. График B_S_AM
ax3 = axes[2]
ax3.plot(df.index, df['B_S_AM'], label='B_S_AM', color='orange', alpha=0.7)
ax3.axhline(y=self.params['b_s_am_long'], color='g', linestyle='--', alpha=0.3, label='LONG порог')
ax3.axhline(y=self.params['b_s_am_short'], color='r', linestyle='--', alpha=0.3, label='SHORT порог')
ax3.set_ylabel('B_S_AM')
ax3.set_xlabel('Дата')
ax3.legend()
ax3.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
def load_and_prepare_data(file_path):
"""Загрузка и подготовка данных"""
# Загрузка данных
df = pd.read_csv(file_path, sep=';')
# Преобразование даты и времени
df['DATETIME'] = pd.to_datetime(df['DATE'] + ' ' + df['TIME'], format='%Y.%m.%d %H:%M:%S')
df.set_index('DATETIME', inplace=True)
# Убедимся, что данные отсортированы по времени
df.sort_index(inplace=True)
return df
def print_results(results, trades_df):
"""Печать результатов"""
print("=" * 60)
print("РЕЗУЛЬТАТЫ БЭКТЕСТА")
print("=" * 60)
print(f"Всего сделок: {results['total_trades']}")
print(f"Прибыльных сделок: {results['winning_trades']}")
print(f"Убыточных сделок: {results['losing_trades']}")
print(f"Win Rate: {results['win_rate']:.2f}%")
print(f"Общий P&L: {results['total_pnl']:+.2f}")
print(f"Конечный капитал: {results['final_capital']:.2f}")
print(f"Доходность: {results['return_pct']:.2f}%")
print(f"Средняя прибыль: {results['avg_win']:.2f}")
print(f"Средний убыток: {results['avg_loss']:.2f}")
print(f"Максимальная просадка: {results['max_drawdown']:.2f}%")
print(f"Коэффициент Шарпа: {results['sharpe_ratio']:.2f}")
print(f"Profit Factor: {results['profit_factor']:.2f}")
print("\n" + "=" * 60)
print("СТАТИСТИКА ПО СДЕЛКАМ")
print("=" * 60)
print(trades_df[['type', 'entry_date', 'entry_price', 'exit_date',
'exit_price', 'pnl', 'exit_reason']].to_string())
# Статистика по причинам выхода
exit_stats = trades_df['exit_reason'].value_counts()
print("\nРаспределение по причинам выхода:")
print(exit_stats)
# Основная функция для запуска бэктеста
def main():
"""Основная функция"""
# 1. Загрузка данных
print("Загрузка данных...")
file_path = "RTS-9.23_Sentiment_And_Lenta_Data_full_file.txt" # Укажите путь к вашему файлу
df = load_and_prepare_data(file_path)
print(f"Загружено {len(df)} строк данных")
print(f"Период: {df.index[0]} - {df.index[-1]}")
# 2. Инициализация стратегии
print("\nИнициализация стратегии...")
strategy = OrderFlowMomentumStrategy(
initial_capital=1000000,
contract_size=1
)
# 3. Оптимизация параметров (опционально)
# Вы можете экспериментировать с параметрами:
# strategy.params['b_s_am_long'] = 1.5
# strategy.params['b_s_am_short'] = 0.67
# strategy.params['rsi_long'] = 60
# strategy.params['rsi_short'] = 40
# 4. Запуск бэктеста
print("\nЗапуск бэктеста...")
results, trades_df = strategy.run_backtest(df)
# 5. Вывод результатов
if results:
print_results(results, trades_df)
# 6. Визуализация
print("\nГенерация графиков...")
strategy.plot_results(df, trades_df)
# 7. Сохранение результатов
trades_df.to_csv('backtest_results.csv', index=False)
print("\nРезультаты сохранены в backtest_results.csv")
else:
print("Бэктест не дал результатов")
if __name__ == "__main__":
main()
📈 Результаты бэктеста
На данных фьючерса RTS (49 014 строк, период 2020–2023):
| Метрика | Значение |
|---|---|
| Всего сделок | 2 376 |
| Win Rate | 34,22% |
| Общий P&L | +38 833,56 |
| Доходность | 3,88% |
| Максимальная просадка | 2,71% |
| Коэффициент Шарпа | 0,46 |
| Profit Factor | 1,07 |

🤖 Шаг 4. Следующий шаг — торговый робот
Если разработанная стратегия показала перспективы, можно переходить к написанию торгового робота — это сложнее. Заявку на разработку можно отправить на admin@guru-net.biz.



Добавить комментарий