Нейросеть в боте — это не волшебная палочка, а сложный фильтр. Главная проблема — модель подгоняется под историю и сыпется на новых данных. Разбираем, как строить прогноз на Python, не обманывая себя метриками.
Модель запоминает шум, а не паттерн. На истории она видит конкретные движения цены и подстраивает веса под них. На новых данных (другой тренд, волатильность) те же веса дают мусор. Классика — модель на SBER с 2020-2023 показывает +30%, а на отрезке 2024-2025 — минус.
Ситуация, когда метрики на train-выборке (RMSE, accuracy) отличные, а на test-выборке — провал. В трейдинге это значит: бот блестяще торгует на истории, но на реальном счёте сливает. Проверяется просто: считаешь доходность на данных, которые модель не видела. Если разрыв больше 20% — переобучение.
LSTM и GRU — стандарт для временных рядов. Transformer-модели (а-ля TimeGPT) требуют много данных и видеокарт. Для инвестора разумный минимум — LSTM на 2 слоя с dropout 0,2. Не пытайся ставить 10-слойную сеть на котировки SBER за 3 года — переобучится гарантированно.
Для LSTM — не менее 3–5 лет дневок по ликвидному инструменту (SBER, GAZP, YNDX). Если брать 1 год — выборка мала, шум перекроет сигнал. Лучше взять 7 лет с 2019 по 2025, разбить 80/10/10 на train/val/test. Данные по ОФЗ с 2021 бесполезны — ставки менялись, модель не поймёт текущую динамику.
Только ликвидные: SBER, GAZP, LKOH, YNDX, MOEX. Низколиквидные (например, многие акции второго эшелона) дают ложные сигналы из-за спреда и проскальзываний. Учитывай налог на купоны ОФЗ — 13% НДФЛ, это снижает реальную доходность облигационной стратегии.
Запрещено использовать информацию из будущего. Типичная ошибка: нормировка признаков по всему датасету до разбивки. Делай нормализацию на train, затем применяй к test. Другая — добавляешь значение закрытия завтрашнего дня как признак. Проверка: запусти бота на свежих данных января 2026 — если результат сильно хуже истории, ищи утечку.
Keras с бэкендом TensorFlow — проще всего. Для признаков — pandas, TA-Lib (тех. индикаторы), для бэктеста — backtesting.py или vectorbt.
| Метрика | Train (2020-2023) | Test (2024-2025) |
|---|---|---|
| RMSE (среднекв. ошибка цены, ₽) | 4,2 | 18,7 |
| Accuracy направления (рост/падение) | 63% | 43% |
| Доходность бота за период | +34% | –12% |
| Максимальная просадка | –5% | –28% |
| Критерий | Нейросеть (LSTM) | Линейная регрессия |
|---|---|---|
| Устойчивость к шуму | Высокая, но без регуляризации ломается | Низкая, выбросы портят модель |
| Количество признаков | До 50 (OHLCV, объем, макро) | До 5 (риск мультиколлинеарности) |
| Риск переобучения | Высокий (обязательно dropout/early stopping) | Средний (требует отбора признаков) |
| Интерпретируемость | Нулевая («чёрный ящик») | Высокая (коэффициенты понятны) |
| Порог входа для инвестора | Нужен Python, GPU необязателен (CPU на 3-5 лет ок) | Хватит Excel или 3 строчек кода |
Скачай дневные свечи SBER с MOEX через API или файлы. Длина ряда — минимум 5 лет. Удали пропуски, приведи все цены к единой валюте (₽). Создай признаки: скользящие средние (MA5, MA20), RSI, обьём. Не используй будущие значения — только прошлые.
Напиши LSTM на Keras/TensorFlow. 2 слоя по 50 нейронов, Dropout 0,3. Обучай до 50 эпох с EarlyStopping (терпимость 5 эпох). Валидацию — на данных 2024 года. Если loss на валидации растёт — останавливай. Тест — на 2025 году.
Запусти бота на тестовой выборке. Без комиссий и проскальзываний — пустая цифра. Учти комиссию брокера (0,05% на MOEX) и НДФЛ 13% с прибыли. Если итоговая доходность ниже, чем «купил и держал» — модель бесполезна.
Раздели историю на 4 окна: 2019-2022 train, 2022 val, 2023 test1, 2024 test2. Обучай на train, проверяй на test1 и test2. Если на test2 метрики значительно хуже — модель переобучена. Пересобери признаки.
API Квик/Transaq для получения свечей в реальном времени. Запускай инференс модели раз в день (на закрытии). Сигнал — предсказание на следующий день. Обновляй модель раз в неделю с новыми данными. Ставь стоп-лимиты на случай, если модель начнёт «гадать».
Keras с бэкендом TensorFlow — проще всего. Для признаков — pandas, TA-Lib (тех. индикаторы), для бэктеста — backtesting.py или vectorbt.
Нет, CPU хватит для 1-2 слоёв LSTM на 5-7 лет дневок. GPU ускорит работу, но не критично. Главное — не размер сети, а качество данных и борьба с переобучением.
10-15% от всего набора. Если данных мало (менее 1000 точек), используй кросс-валидацию по временным блокам — не перемешивай случайно, иначе утечка.
Стопроцентное попадание — признак переобучения или data leakage. Проверь, не попал ли в признаки target (цена закрытия следующего дня). Регуляризуй (L2) и увеличь dropout.
Основные: слом модели на новом тренде (например, резкое повышение ставки ЦБ), технические сбои API, налоги (13% с купонов ОФЗ и прибыли по акциям). Никогда не ставь на бота больше 5–10% портфеля.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
