Рік соло-розробки з AI: трейдинг-платформа, сотні гіпотез і одна метрика

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Тарас, я розробник і вже 28 років працюю з різними технологіями — від веб-розробки до 3D та realtime систем. У нас у портфоліо більше 50 проектів. Проте останні 15 років я працював більше менеджером ніж інженером-програмістом. Ця історія про те як допомога АІ дала мені відчути романтику програмування як у молодості :) - мені 41 рік.

Приблизно рік тому я поставив собі досить амбітну задачу:
спробувати створити алгоритм для автоматичної торгівлі криптовалютами. А квартал перед тим я був вперше познайомився з криптою.

Це не була ідея «швидко заробити на трейдингу», хоча не без того звісно.
Мене цікавило інше — чи може один програміст побудувати повноцінну торгову систему, використовуючи сучасні AI-інструменти як помічників.

За цей рік я написав:

• систему збору ринкових даних
• бек-тестер стратегій
• систему оптимізації параметрів
• трейдинг-бота
• інфраструктуру для запуску стратегій

А також пройшов через сотні помилкових гіпотез.

Думаю головне чим я хочу поділитись — цей рік плавно проте наполегливо змінював мій світогляд як інженера, програміста, підприємця, та людини. Серед новин та висновків:

• Можна усунути галюцинації АІ моделі на 99% у деяких нішах (далі ключ як це зробити, і коли це працює)
• Цей пошук виграшних стратегій допоміг мені переглянути саме поняття у житті — що таке виграшна стратегія, бо цим пошуком займають всі живі організми все життя. Як гадаєш?
• Більшість великих гравців на ринку крипти вже мають автоматизований трейдинг і прийшли туди куди я не дійшов поки.

Більше висновків далі, бо щоб до них прийти гляньте спочатку звідки вони взялись ;)

Ця стаття — коротка історія цього року 2025.

Чому взагалі я взявся за це

Як програміст, я давно помітив одну цікаву річ.

Фінансові ринки — це одна з небагатьох сфер, де:

• код може напряму приймати рішення
• результат вимірюється цифрами — насправді за цей рік головна перевага і простота цієї задачі — це одна метрика — якщо алгоритм прибутковий — це добре, і насправді не має великого значення як він працює і як він був написаний. Проте це був лише початок історії :)
• алгоритм можна перевірити на історичних даних

Виходять разом гарні рамки для автоматизації CICD із АІ, проте це я зрозумів лиш за 6 місяців роботи ;).

Коли я почав досліджувати тему, швидко зрозумів одну проблему.

Більшість інформації про криптотрейдинг у мережі:

• або маркетинг
• або поверхневі поради
• або стратегії без нормального бек-тесту — наприклад я багато зустрічав від друзів та в інтернеті стратегій типу «ось я спробував так торгувати і воно у мене працює вже тиждень», я посміхаюсь мовчки тоді, і думаю собі — ось я тестував на річних даних і це не дає гарантії, проте не берусь це відразу пояснювати навіть друзям.

Тому я вирішив підійти до цього як інженер, а не трейдер.

Насправді стаття не про те як написати «money printing machine» (так я називав проект у перші місяці). А про те що «один у полі воїн» тепер може бути із АІ і у деяких нішах де CICD можна зациклити через прості вимірювані метрики! А моя ціль була побудувати автоматичний алгоритм пошуку виграшної стратегії і виключити з цього циклу людину (себе) взагалі!

Перші місяці: ілюзія простоти

Початок був типовим. Моя мотивація була також типова, мені випадково вдалось зробити прибутковий бектест під час перших експерементів на Trading view, оскільки публічної інформації про прибуткові стратегії я не знайшов, то припустив що я один такий розумний :), і ніхто інший до цього раніше не здогадався (цей рік показав що подібний патерн мислення сам по собі є помилковою стратегією ;)

Я пробував класичні індикатори: RSI, Moving Average, MACD, Breakout-стратегії

У бек-тестах вони часто виглядали добре.

Але проблема з’являлась після оптимізації.

Стратегія, яка виглядає ідеально на історії, дуже часто розвалюється на нових даних.

Це класична проблема: overfitting (перенавчання)

Після кількох таких експериментів стало зрозуміло, що потрібна система дослідження стратегій, а не просто скрипт. І я, не хотячи того, вв’язався у написання платформи конкурента для Trading View (а це найбільша на ринку платформа :).

Побудова інфраструктури

У певний момент сам «прибутковий» на бектесті алгоритм став лише проміжною мотивацією для досягнення цілі. Довелось будувати платформу для бектестування. Чому нову платформу бо мені хотілось мати мульти валютні стратегії для котрих єдина платформа https://www.quantconnect.com/ була громіздка і повільна.

Система почала складатися з кількох частин:

1. Завантаження історичних даних

• API бірж
• кешування
• робота з різними таймфреймами.

2. Backtest engine

Я написав власний бек-тестер, який враховує:

• Комісії ( це ключ до успіху багатьох діючих, чужих стратегій, і також тема для окремої статті)
• часткові позиції ( окрема тема, бо більшість стратегій котрі мені зустрічались закривають позицію повністю )
• stop loss ( потім відмовився від нього як не дивно. І це вже для іншої статті ;)
• take profit — так само
• Leverage — цікава не досліджена ще тема, зараз використовую лише 1х

Багато простих бек-тестерів ігнорують ці інструменти, котрі ставали ключем до нових прибуткових стратегій.

3. Пошук параметрів

Стратегія має десятки параметрів. Наприклад: ATR multiplier, take profit, stop loss, cooldown, volatility filter. Тому я додав grid-search і автоматичний перебір конфігурацій.

Де тут допоміг AI

Одна з найцікавіших частин цього експерименту — використання AI-інструментів.

Я активно використовував:

• ChatGPT
• Codex
• інші AI-асистенти для коду

І помітив дуже цікаву зміну. Раніше для подібного проєкту зазвичай потрібна команда:

• розробник
• data engineer
• QA
• devops

З AI-інструментами багато задач можна робити значно швидше. Наприклад:

• генерація тестових скриптів
• аналіз логів
• написання утиліт
• швидке прототипування стратегій

AI не замінює мислення, але значно прискорює ітерації.

Скільки це зайняло часу (і скільки коштувало б команді)

За рік у мене вийшло приблизно 3 «повних» робочих місяці в цьому проєкті — десь 360–600 год (були дні від світанку до пізньої ночі).

Якщо оцінювати таку R&D-платформу без AI — збір даних → бек-тестер → перебір конфігів → out-of-sample / walk-forward → інфраструктура запуску — то типовий обсяг робіт для команди був би в районі 760–1,520 год навіть у MVP-форматі.

Це означає, що AI дав мені приблизно 2—4× прискорення і можливість перевіряти гіпотези в темпі, який раніше вимагав би кількох людей.

У ринкових цінах підрядників це відповідає приблизно $40k—$110k (залежно від ставки та якості процесу).

Головна зміна моєї парадигми мислення як ІТ менеджера

У цьому проекті АІ базоване CICD коло було ідеальним для швидкої перевірки гіпотез. На перших етапах коли проект був простий chatGPT взагалі крутив python репозиторій проекту у себе у внутрішньому пайтон середовищі, сам висував гіпотези, сам перевіряв їх, і видавав мені лише код який вже працює і видає лише цю покращену єдину метрику — більшу потенційну прибутковість на бектесті.

Найбільша проблема в алгоритмічній торгівлі — не код. Це ілюзія, що стратегія працює. Цікаво що у тому сенсі пошук виграшної стратегії мені відчувався подібним на саму торгівлю — це я приймаю рішення у що я вірю а в що не вірю, коли запустити стратегію, а коли зупитини.

Кожен бек-тест виглядає добре, поки не перевіриш його на нових даних. Тому я почав використовувати: out-of-sample тестування, walk-forward analysis, різні періоди ринку. Дуже багато стратегій померли саме на цьому етапі.

Після десятків експериментів почали з’являтись перші стабільніші підходи. Замість складних систем краще працювали прості правила з хорошими обмеженнями ризику. Наприклад:

• breakout-логіка
• volatility filters
• обмеження кількості позицій
• контроль просадки

Результатом цього року роботи став відкритий репозиторій: github.com/tarasprystavskyj/top

Це не готовий продукт, а скоріше дослідницька платформа для алгоритмічної торгівлі. Там є:

• система тестування стратегій
• конфігурації
• експерименти з різними підходами

Цікаво, що майже весь рік цей репозиторій був приватний. Лише тепер я вирішив його опублікувати — як частина успішної стратегії — виграв-виграв. Сподіваюсь що цей мій досвід буде комусь цінний і допоможе у подальних пошуках ;)

Що я зрозумів за цей рік

1. Алгоритмічна торгівля — це інженерна задача

Успіх тут більше залежить від:

• якості тестування
• дисципліни
• статистики

І ніяк не від «чарівного індикатора».

2. Простота часто перемагає складність

Багато складних стратегій виглядають красиво, але погано працюють на нових даних.

3. AI змінює роль програміста

AI не пише систему за вас. Але АІ дозволяє одному розробнику рухатись зі швидкістю маленької команди.

Висновок

Рік роботи над цим проєктом дав мені набагато більше, ніж просто трейдинг-алгоритм.

Я отримав:

• інфраструктуру для дослідження стратегій
• глибше розуміння ринків крипти і загалом глобальних ринків та торгівлі як такої.
• новий досвід роботи з AI-інструментами

І, мабуть, головний висновок:

Сьогодні один програміст може створювати складні системи у 2-4х швидше, ніж ще 3 роки тому. AI, поки що, не замінює розробника. Він радикально підсилює його можливості. Також, звісно, мій приклад не ідеальний зразок для вимірювання метрик бо поставленої цілі я не досягнув. Лиш хіба знайшов чужий прибутковий алгоритм. Але це мабуть буде вже тема наступної статті ;)

Засновники АІ LLM продовжують говорити про те що очікують молоді амбітні малі команди котрі будуть здійснювати революційні інновації ринок за ринком, сфера за сферою. Для мене яскравим прикладом був DeepSeek, коли один стартап роблячи цей проект у другому пріоритеті, одного прекрасного понеділка був обвалив ринок АІ проектів. Чи чули ви про подібні проекти?

Майбутнє обіцяє бути цікавим ;)

Сподобалась стаття? Підписуйтесь на автора, щоб отримувати сповіщення про нові публікації на пошту.