Python-инструментарий для исследования торговых стратегий: он тестирует тысячи идей на разных активах и таймфреймах с помощью векторизованных операций NumPy и pandas.
9,7 тыс.+123 за неделю1,3 тыс.PythonOtherОбновлён 4 часа назад
stefan-jansen/machine-learning-for-trading
Сопутствующий код к книге Machine Learning for Trading (3-е издание): полный рабочий процесс от получения данных до реальной торговли.
- Звёзды
- 21,749
- Форки
- 5,762
- Открытые issues
- 1
- Последний коммит
- вчера
Эта страница описывает проект с открытым кодом и не является инвестиционной рекомендацией. Торговля и инвестиции могут привести к убыткам: оцените риски самостоятельно и соблюдайте законы своей страны перед использованием.
Что это?
В репозитории собран код к книге Machine Learning for Trading, 3-е издание. Он включает 27 глав с Jupyter-ноутбуками и руководствами, а также девять практических кейсов, в которых один и тот же конвейер применяется к разным рынкам: ETF, бессрочным криптоконтрактам, внутридневной торговле акциями, опционам, FX, фьючерсам и панелям факторов акций. Проект посвящён тому, как превратить исследовательскую идею в стратегию с учётом издержек и рисков, а затем — в работающую торговую систему с мониторингом.
Материалы охватывают работу с финансовыми данными в Polars, создание признаков, модели — от линейных базовых моделей и градиентного бустинга до глубоких архитектур для временных рядов, обучение с подкреплением для исполнения сделок и хеджирования, причинное машинное обучение, а также генерацию с дополнением извлечёнными данными и агентов для финансовых исследований. Бэктестинг, моделирование транзакционных издержек, построение портфеля и методы контроля переобучения, такие как Deflated Sharpe Ratio, рассматриваются как ключевые темы.
Для настройки можно использовать Docker-образ или локальное окружение uv. В комплект входят скрипты для загрузки бесплатных наборов данных и проверки установки. Материалы предыдущего издания доступны в ветке second-edition.
Ключевые возможности
- 0127 каталогов глав с Jupytext-ноутбуками и руководствами, связывающими разделы книги с кодом
- 02Девять практических кейсов по ETF, бессрочным криптоконтрактам, опционам, FX, фьючерсам и акциям
- 03Градиентный бустинг, глубокие модели временных рядов, модели латентных факторов и причинные модели с walk-forward-валидацией
- 04Модули бэктестинга, учёта транзакционных издержек и управления рисками, связанные с практическим треком по реальной торговле
- 05Настройка через Docker или локальное окружение uv, а также скрипты для загрузки бесплатных наборов данных и проверки установки
Сценарии использования
- Изучение полного рабочего процесса количественных исследований — от данных до бэктеста
- Воспроизведение или развитие стратегий из девяти практических кейсов на собственных данных
- Сравнение классических моделей и моделей глубокого обучения для прогнозирования доходности с учётом реалистичных издержек
- Изучение того, как перевести торговую стратегию к реальному исполнению с мониторингом
В подборках
Темы
Частые вопросы
- Что такое machine-learning-for-trading?
- Сопутствующий код к книге Machine Learning for Trading (3-е издание): полный рабочий процесс от получения данных до реальной торговли. В репозитории собран код к книге Machine Learning for Trading, 3-е издание. Он включает 27 глав с Jupyter-ноутбуками и руководствами, а также девять практических кейсов, в которых один и тот же конвейер применяется к разным рынкам: ETF, бессрочным криптоконтрактам, внутридневной торговле акциями, опционам, FX, фьючерсам и панелям факторов акций. Проект посвящён тому, как превратить исследовательскую идею в стратегию с учётом издержек и рисков, а затем — в работающую торговую систему с мониторингом.
- machine-learning-for-trading можно использовать бесплатно? Какая у него лицензия?
- machine-learning-for-trading распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- machine-learning-for-trading всё ещё поддерживается?
- Активно поддерживается. Последний коммит в machine-learning-for-trading — 6 нояб. 2026 г..
- Для чего можно использовать machine-learning-for-trading?
- Изучение полного рабочего процесса количественных исследований — от данных до бэктеста Воспроизведение или развитие стратегий из девяти практических кейсов на собственных данных Сравнение классических моделей и моделей глубокого обучения для прогнозирования доходности с учётом реалистичных издержек Изучение того, как перевести торговую стратегию к реальному исполнению с мониторингом
- Где скачать machine-learning-for-trading?
- Исходный код и инструкции по установке — на GitHub: https://github.com/stefan-jansen/machine-learning-for-trading
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Ориентированная на AI платформа Microsoft для количественных инвестиций: данные, обучение моделей, бэктестинг и исполнение ордеров.
ИИ и машинное обучение#quantitative-finance#machine-learning#algorithmic-trading#backtesting#reinforcement-learning
50,1 тыс.+233 за неделю7,9 тыс.PythonMITОбновлён 3 дня назад
Python-фреймворк для бэктестинга и торговли алгоритмическими стратегиями на децентрализованных биржах с ончейн-рыночными данными.
383+3 за неделю63PythonOtherАктивно поддерживаетсяОбновлён 11 дней назад
Торговый движок на Rust с событийной архитектурой и Python-плоскостью управления для бэктестинга и торговли на криптовалютных, валютных и фондовых рынках, фьючерсами, опционами и на букмекерских площадках.
31,3 тыс.+235 за неделю4,2 тыс.RustLGPL-3.0Активно поддерживаетсяОбновлён 6 часов назад
Самостоятельно разворачиваемый Python-фреймворк для исследования, бэктестинга, оптимизации и торговли криптовалютами по собственным стратегиям.
8,8 тыс.+16 за неделю1,3 тыс.PythonMITАктивно поддерживаетсяОбновлён вчера
Python-фреймворк для обучения ML-моделей на исторических данных крипторынка с генерацией признаков и запуска их как онлайн-сервиса, отправляющего торговые сигналы.
ИИ и машинное обучение#algorithmic-trading#machine-learning#feature-engineering#crypto-trading#backtesting
1,9 тыс.+3 за неделю414PythonMITОбновлён 6 дней назад