🤖 Как мы создавали систему ML-прогнозирования для Московской биржи — MajoTrade
MajoTrade

🤖 Как мы создавали систему ML-прогнозирования для Московской биржи

· REPA

📋 Содержание

Введение

Сегодня расскажу о проекте, над которым работаю последние несколько месяцев - системе прогнозирования цен акций на Московской бирже с использованием машинного обучения. Это не просто эксперимент, а полноценная production-система, которая уже работает и доступна для тестирования.

🚀 Этапы разработки

Этап 1: Исследование и прототип (2 месяца)

Задача: Понять, можно ли вообще прогнозировать движение акций с приемлемой точностью.

🔍 Что сделали: - Изучили исторические данные за 10 лет (2015-2025) - Протестировали различные ML-алгоритмы - Выбрали RandomForest как оптимальный по соотношению точность/скорость

📊 Ключевые находки: - Технические индикаторы (RSI, MACD) значительно улучшают прогнозы - Оптимальный горизонт прогнозирования - 1-5 дней - Точность падает с увеличением горизонта (что логично)

Этап 2: Создание инфраструктуры (1.5 месяца)

Задача: Построить масштабируемую архитектуру для production.

⚙️ Технологический стек:

├── 🐍 Python (FastAPI) - ML сервис
├── 🐹 Go - высокопроизводительный сервис данных
├── ☸️ Kubernetes - оркестрация
├── 🐳 Docker - контейнеризация
└── ☁️ S3 - хранение моделей

🏗️ Архитектура: - Микросервисная архитектура - Раздельные сервисы для ML и данных - Горизонтальное масштабирование - Автоматическое восстановление при сбоях

Этап 3: Обучение моделей (3 недели)

Задача: Обучить модели на реальных данных MOEX.

📈 Процесс обучения: 1. Сбор данных: 10 лет истории по SBER (2500+ торговых дней) 2. Feature Engineering: 12 технических индикаторов 3. Обучение: 5 моделей RandomForest (по одной на каждый день) 4. Валидация: кросс-валидация на исторических данных

🎯 Достигнутая точность: - 1 день: MAE = 1.04% - 3 дня: MAE = 2.01% - 5 дней: MAE = 2.83%

Этап 4: Интеграция и тестирование (1 месяц)

Задача: Собрать все компоненты в единую систему.

🔗 Интеграции: - ✅ MOEX API для real-time данных - ✅ Telegram Bot для удобного доступа - ✅ S3 хранилище для моделей (43MB) - ✅ SQLite для истории прогнозов

🧪 Тестирование: - Unit тесты с покрытием 80%+ - Интеграционные тесты - Нагрузочное тестирование - A/B тесты различных моделей

Этап 5: Запуск в production (2 недели)

Задача: Развернуть систему в облаке и сделать доступной пользователям.

☁️ Инфраструктура: - Kubernetes кластер в облаке - Автоматический мониторинг - Резервное копирование - CI/CD pipeline

💻 Технические детали

Модели машинного обучения

# Используемые признаки (features)
features = [
    'rsi',                # Relative Strength Index
    'macd',              # MACD индикатор
    'momentum_5d',       # Моментум 5 дней
    'momentum_20d',      # Моментум 20 дней
    'volatility_20d',    # Волатильность
    'volume_ratio',      # Отношение объемов
    'price_to_ma20',     # Цена к MA20
    'price_to_ma50',     # Цена к MA50
    # и другие...
]

# Модель

RandomForestRegressor(

    n_estimators=200,

    max_depth=20,

    min_samples_split=10

)

Система валидации

Каждый прогноз автоматически сохраняется и проверяется:

📅 Ежедневно в 18:00

├── Сравнение прогнозов с фактическими ценами

├── Расчет ошибок и точности

└── Обновление метрик производительности

Гибридное обучение

Внедрили полуавтоматическую систему улучшения:

🔄 Еженедельный цикл

├── Автоматический анализ ошибок

├── Выявление паттернов неточностей

├── Генерация рекомендаций

└── Ручное применение корректировок (макс ±5%)

📊 Результаты и метрики

Текущая производительность

Метрика

Значение

🎯 Средняя точность (MAE)

2.2%

📈 Точность направления

45-55%

⚡ Время прогноза

< 3 сек

🔄 Доступность системы

99.9%

Ретроспективная валидация

Система показывает точность последних прогнозов прямо в ответе:

📈 ПРОВЕРКА ТОЧНОСТИ (прошлые прогнозы):

• 16.09: 307₽ vs 304₽ (0.9%) ✅

• 15.09: 308₽ vs 302₽ (2.0%) ⚠️

• 12.09: 309₽ vs 302₽ (2.1%) ⚠️

Средняя ошибка: 2.2%

🔮 Планы развития

Ближайшие планы (1-3 месяца)

1. Расширение покрытия

  • 📊 Добавить топ-20 акций MOEX
  • 🏢 Индексы (IMOEX, RTS)
  • 💱 Валютные пары

2. Улучшение моделей

  • 🧠 Эксперименты с LSTM/Transformer
  • 📈 Добавление макроэкономических факторов
  • 🌐 Учет мировых рынков

3. Новые функции

  • 📱 Веб-интерфейс и мобильное приложение
  • 📊 Персональные портфели
  • 🔔 Уведомления о сигналах

Среднесрочные планы (3-6 месяцев)

1. Автоматическое обучение

  • 🤖 Полностью автоматическая адаптация моделей
  • 🔄 A/B тестирование новых алгоритмов
  • 📈 Персонализация под разные стили торговли

2. Аналитика

  • 📊 Дашборды с детальной статистикой
  • 🎯 Бэктестинг стратегий
  • 💼 Портфельная оптимизация

3. Интеграции

  • 🏦 Подключение к брокерским API
  • 📰 Анализ новостного фона
  • 💬 Sentiment анализ соцсетей

Долгосрочное видение (6+ месяцев)

🎯 Цель: Создать полноценную экосистему для
алготрейдинга с: - Автоматическим исполнением сделок - Риск-менеджментом

  • Образовательным контентом - Сообществом трейдеров

🚀 Как попробовать

Telegram Bot

Система уже доступна для тестирования:

🤖 Бот: class=“citation” data-cites=“MajoMOEXBot”>@MajoMOEXBot

Доступные команды:

/predict_sber - прогноз для Сбербанка

/predict_gazp - прогноз для Газпрома

/predict_lkoh - прогноз для Лукойла

/predict TICKER - прогноз для любой акции

/indicators TICKER - технические индикаторы

/validation TICKER - статистика точности

Telegram канал

Следите за обновлениями и сигналами:

📢 Канал: href=“https://t.me/majosignal"&gt;https://t.me/majosignal

🤝 Обратная связь

Проект находится в активной разработке, и ваше мнение очень
важно:

  • Какие функции хотелось бы видеть?
  • Какие акции добавить в первую очередь?
  • Удобен ли текущий интерфейс?

Пишите свои предложения прямо боту или в комментариях!

⚠️ Дисклеймер

Система предоставляет прогнозы на основе исторических данных и
технического анализа. Это не является инвестиционной рекомендацией.
Всегда проводите собственный анализ перед принятием торговых
решений.


Проект разрабатывается как open-source и доступен для изучения и
улучшения сообществом.

↑