Тип стратегии

Торговые алгоритмы машинного обучения

Открытые ML-модели для количественных финансов

Торговые алгоритмы машинного обучения применяют статистические модели обучения (градиентный бустинг, нейронные сети, трансформеры) к финансовым временным рядам для прогнозирования движений цен или генерации торговых сигналов. Эти реализации с открытым исходным кодом охватывают как регрессионные (целевая цена), так и классификационные (направление) формулировки.

13 алгоритмов2 библиотек

Сеть алгоритмов

Как ML-алгоритмы связаны между библиотеками

🧠ML Algorithms

🤖

Freqtrade9 algos

🔬

Microsoft Qlib6 algos

LightGBMRegressorintermediate

LightGBMClassifierintermediate

XGBoostRegressorintermediate

XGBoostClassifierintermediate

CatboostRegressorintermediate

PyTorchMLPRegressoradvanced

PyTorchTransformerRegressoradvanced

LGBModelintermediate

XGBModelintermediate

DNNModeladvanced

ALSTMadvanced

TFTModeladvanced

GATsadvanced

Конвейер торговых решений

Как ML-алгоритмы взаимодействуют в торговой системе

📊

Market Data Input

Price, volume, indicators

OHLCV price data

Technical indicators

Feature engineering

🧠

ML Signal Generation

Model predictions

LightGBM/XGBoost regression

Transformer sequence modeling

MLP classification

📈

Entry Decision

Signal threshold filtering

Confidence score > 0.6

Direction: Long/Short

📉

Exit Strategy

Profit taking & stop loss

Take profit (fixed % or trailing)

Stop loss (ATR-based)

🛡️

Risk Management

Position sizing & portfolio

Position sizing (Kelly criterion)

Portfolio rebalancing

Сравнение алгоритмов

Сравните ML-алгоритмы по ключевым измерениям

Матрица сравнения алгоритмовНажмите на столбец, чтобы развернуть детали

Метрика	LightGBMRegressorFreqtrade	LightGBMClassifierFreqtrade	XGBoostRegressorFreqtrade	XGBoostClassifierFreqtrade	CatboostRegressorFreqtrade	PyTorchMLPRegressorFreqtrade	PyTorchTransformerRegressorFreqtrade	LGBModelQlib (Microsoft)	XGBModelQlib (Microsoft)	DNNModelQlib (Microsoft)	ALSTMQlib (Microsoft)	TFTModelQlib (Microsoft)	GATsQlib (Microsoft)
🎯Сложность	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐intermediate	⭐⭐⭐intermediate	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced	⭐⭐⭐⭐advanced
📈Тип прогноза	Регрессия	Классификация	Регрессия	Классификация	Регрессия	Регрессия	Регрессия	Смешанный	Смешанный	Смешанный	Последовательность	Смешанный	Смешанный
⚡Скорость обучения	⚡⚡⚡	⚡⚡⚡	⚡⚡⚡	⚡⚡⚡	⚡⚡	⚡⚡	⚡	⚡⚡	⚡⚡	⚡⚡	⚡	⚡⚡	⚡⚡
🎯Точность	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊	📊📊📊📊	📊📊	📊📊	📊📊	📊📊📊	📊📊	📊📊📊📊
💡Лучше всего для	Табличные данные	Табличные данные	Табличные данные	Табличные данные	Общего назначения	Нелинейные паттерны	Шаблоны временных рядов	Общего назначения	Общего назначения	Общего назначения	Последовательные данные	Общего назначения	Графовые связи

Freqtrade

LightGBMRegressor

Freqtrade

Машинное обучениеintermediate

Gradient boosting regression model for price movement prediction using LightGBM.

Скорость⚡⚡⚡

Точность📊📊📊

Ключевые параметры

n_estimators	1000	Number of boosting rounds
learning_rate	0.01	Step size shrinkage

Источник:freqai/prediction_models/LightGBMRegressor.py

LightGBMClassifier

Freqtrade

Машинное обучениеintermediate

Gradient boosting classification model for directional prediction (up/down/neutral).

Скорость⚡⚡⚡

Точность📊📊📊

Ключевые параметры

n_estimators

1000

Number of boosting rounds

Источник:freqai/prediction_models/LightGBMClassifier.py

XGBoostRegressor

Freqtrade

Машинное обучениеintermediate

XGBoost-based regression model for continuous value prediction.

Скорость⚡⚡⚡

Точность📊📊📊

Ключевые параметры

n_estimators	1000	Number of boosting rounds
max_depth	6	Maximum tree depth

Источник:freqai/prediction_models/XGBoostRegressor.py

XGBoostClassifier

Freqtrade

Машинное обучениеintermediate

XGBoost-based classification model for directional prediction.

Скорость⚡⚡⚡

Точность📊📊📊

Ключевые параметры

n_estimators

1000

Number of boosting rounds

Источник:freqai/prediction_models/XGBoostClassifier.py

CatboostRegressor

Freqtrade

Машинное обучениеintermediate

CatBoost gradient boosting model with native categorical feature support.

Скорость⚡⚡

Точность📊📊📊

Ключевые параметры

iterations

1000

Number of boosting iterations

Источник:freqai/prediction_models/CatboostRegressor.py

PyTorchMLPRegressor

Freqtrade

Машинное обучениеadvanced

Multi-layer perceptron neural network for regression-based price prediction.

Скорость⚡⚡

Точность📊📊📊

Ключевые параметры

hidden_dim	128	Hidden layer dimension
dropout_percent	0.2	Dropout rate

Источник:freqai/prediction_models/PyTorchMLPRegressor.py

PyTorchTransformerRegressor

Freqtrade

Машинное обучениеadvanced

Transformer architecture for time-series regression using self-attention mechanism.

Скорость⚡

Точность📊📊📊📊

Ключевые параметры

num_heads	8	Number of attention heads
num_layers	2	Number of transformer layers

Источник:freqai/prediction_models/PyTorchTransformerRegressor.py

Qlib (Microsoft)

LGBModel

Qlib (Microsoft)

Машинное обучениеintermediate

LightGBM model for stock return prediction using technical and fundamental features.

Скорость⚡⚡

Точность📊📊📊

Ключевые параметры

num_leaves	31	Maximum number of leaves
learning_rate	0.1	Boosting learning rate

Источник:qlib/contrib/model/gbdt.py

XGBModel

Qlib (Microsoft)

Машинное обучениеintermediate

XGBoost model for stock return prediction.

Скорость⚡⚡

Точность📊📊📊

Источник:qlib/contrib/model/xgboost.py

DNNModel

Qlib (Microsoft)

Машинное обучениеadvanced

Deep neural network for nonlinear feature extraction and return prediction.

Скорость⚡⚡

Точность📊📊📊

Ключевые параметры

hidden_size

256

Hidden layer size

Источник:qlib/contrib/model/pytorch_nn.py

ALSTM

Qlib (Microsoft)

Машинное обучениеadvanced

Attention-based LSTM for sequential stock data modeling with attention mechanism.

Скорость⚡

Точность📊📊📊

Ключевые параметры

hidden_size	64	LSTM hidden size
num_layers	2	Number of LSTM layers

Источник:qlib/contrib/model/pytorch_alstm.py

TFTModel

Qlib (Microsoft)

Машинное обучениеadvanced

Temporal Fusion Transformer combining static and temporal features for multi-horizon prediction.

Скорость⚡⚡

Точность📊📊📊

Источник:qlib/contrib/model/pytorch_tft.py

GATs

Qlib (Microsoft)

Машинное обучениеadvanced

Graph Attention Networks modeling stock relationships for cross-stock prediction.

Скорость⚡⚡

Точность📊📊📊

Источник:qlib/contrib/model/pytorch_gats.py

Торговые алгоритмы машинного обучения, справочник алгоритмов

LightGBMRegressor (Freqtrade): Gradient boosting regression model for price movement prediction using LightGBM. Ключевые параметры: n_estimators (Number of boosting rounds), learning_rate (Step size shrinkage).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/LightGBMRegressor.py.
LightGBMClassifier (Freqtrade): Gradient boosting classification model for directional prediction (up/down/neutral). Ключевые параметры: n_estimators (Number of boosting rounds).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/LightGBMClassifier.py.
XGBoostRegressor (Freqtrade): XGBoost-based regression model for continuous value prediction. Ключевые параметры: n_estimators (Number of boosting rounds), max_depth (Maximum tree depth).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/XGBoostRegressor.py.
XGBoostClassifier (Freqtrade): XGBoost-based classification model for directional prediction. Ключевые параметры: n_estimators (Number of boosting rounds).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/XGBoostClassifier.py.
CatboostRegressor (Freqtrade): CatBoost gradient boosting model with native categorical feature support. Ключевые параметры: iterations (Number of boosting iterations).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/CatboostRegressor.py.
PyTorchMLPRegressor (Freqtrade): Multi-layer perceptron neural network for regression-based price prediction. Ключевые параметры: hidden_dim (Hidden layer dimension), dropout_percent (Dropout rate).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/PyTorchMLPRegressor.py.
PyTorchTransformerRegressor (Freqtrade): Transformer architecture for time-series regression using self-attention mechanism. Ключевые параметры: num_heads (Number of attention heads), num_layers (Number of transformer layers).Источник: https://github.com/freqtrade/freqtrade/blob/develop/freqai/prediction_models/PyTorchTransformerRegressor.py.
LGBModel (Qlib (Microsoft)): LightGBM model for stock return prediction using technical and fundamental features. Ключевые параметры: num_leaves (Maximum number of leaves), learning_rate (Boosting learning rate).Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/gbdt.py.
XGBModel (Qlib (Microsoft)): XGBoost model for stock return prediction. Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/xgboost.py.
DNNModel (Qlib (Microsoft)): Deep neural network for nonlinear feature extraction and return prediction. Ключевые параметры: hidden_size (Hidden layer size).Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_nn.py.
ALSTM (Qlib (Microsoft)): Attention-based LSTM for sequential stock data modeling with attention mechanism. Ключевые параметры: hidden_size (LSTM hidden size), num_layers (Number of LSTM layers).Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_alstm.py.
TFTModel (Qlib (Microsoft)): Temporal Fusion Transformer combining static and temporal features for multi-horizon prediction. Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_tft.py.
GATs (Qlib (Microsoft)): Graph Attention Networks modeling stock relationships for cross-stock prediction. Источник: https://github.com/microsoft/qlib/blob/main/qlib/contrib/model/pytorch_gats.py.