Сделан в рамках соревнования Хакатон «Финам Trade API» 
по созданию торговых систем на основе открытого торгового API «Финама»

1. Тема использования искусственного интеллекта актуальна:

   • для прогнозирования поведения фондового рынка в целом,
   • для осуществления предсказаний поведения цены отдельных акций и/или фьючерсов и других инструментов
   • для поиска определенных торговых формаций на графиках цен

2. Широкое применение искусственного интеллекта очень активно развивается на Западных рынках, на Российском всё только начинается.

3. В открытом доступе нет полноценных примеров по использованию нейросетей для прогнозирования цен акций/фьючерсов, а те которые есть

   • или не работают
   • или чего-то для их работы постоянно не хватает.
     • По крайней мере лично мне ещё ни разу не встретились полноценно работающие примеры.

Поэтому и принял решение сделать торгового робота, который использует нейросети на основе компьютерного зрения для поиска определенных формаций на торговом графике акций и используя лучшую обученную модель осуществляет торговые операции.

Т.к. этот пример торгового робота с использованием нейросетей хорошо документирован и последовательно проходит через все этапы:

• получение исторических данных по акциям
• подготовка датасета с картинками формаций из графика акций по определенной логике
• обучение нейросети и выбор лучшей обученной модели по параметрам loss, accuracy, val_loss, val_accuracy
• проверка предсказаний сделанных нейросетью
• проверка подключения к API Финама
• запуск live стратегии с использованием выбранной лучшей модели обученной нейросети
• записано обучающее видео как запускать и работать с этим кодом, выложенное на YouTube и на RuTube

то, это позволит всем, кто только начинает свой путь по применению нейросетей для аналитики, использовать этот код, как стартовый шаблон с последующим его усовершенствованием и допиливанием))

• По крайней мере появился +1 рабочий пример использования нейросетей для аналитики цен графика акций.

Тем самым, станет больше роботов с использованием искусственного интеллекта,

- это повлечет большую волатильность нашего фондового рынка
- большую ликвидность за счет большего количества сделок
- и соответственно больший приток капитала в фондовый рынок

Торговая стратегия заложенная в этом роботе не даст ему заработать, т.к. мы открываем позицию по подтвержденной нейросетью формации на графике (т.е. когда нейросеть предсказывает, что вероятно будет рост), но мы не ждем роста и закрываем позицию через +1 бар старшего таймфрейма. Как вариант, можно заходить в сделку 1 к 3 или 1 к 5 со стоп-лоссом. Т.е. ждать профита или стоп-лосса.))

==========================================================================

1. Самый простой способ:

git clone https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot

2. Или через PyCharm:

• нажмите на кнопку Get from VCS:

Вот ссылка на этот проект:

https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot

• вставьте эту ссылку в поле URL и нажмите на кнопку Clone

• Теперь у нас появился проект торгового робота:

Для работы торгового робота с использованием нейросетей, есть некоторые библиотеки, которые вам необходимо установить:

pip install aiohttp aiomoex pandas matplotlib tensorflow finam-trade-api

так же их можно установить такой командой

pip install -r requirements.txt

Обязательно! Выполните в корне вашего проекта через терминал эту команду:

git clone https://github.com/cia76/FinamPy

для клонирования библиотеки, которая позволяет работать с функционалом API брокера Финам.

P.S. Библиотека finam-trade-api - тоже позволяет работать с API Финам, просто для тестов я использовал обе.))) А для live торговли FinamPy.

Теперь наш проект выглядит вот так:

Вот перечень задач, которые нужно сделать для успешного запуска торгового робота использующего нейросети на основе компьютерного зрения для поиска формаций на торговом графике акций и осуществления им торговых операций:

1. Настроить конфигурационный файл my_config\trade_config.py

   • В нём можно указать по каким тикерам ищем формации и обучаем нейросеть (training_NN), и так же указать по каким тикерам торгуем (portfolio) используя обученную нейросеть. Остальные параметры можно оставить как есть.

2. Нужно получить исторические данные по акциям, для обучения нейросети

   • Исторические данные для обучения нейросети мы получаем с MOEX. Т.к. получаем их бесплатно, то есть задержка в полученных данных на 15 минут.
   • Для этого используется файл 1_get_historical_data_for_strategy_from_moex.py
   • Полученные исторические данные сохраняются в каталоге csv в CSV файлах.

3. Когда есть исторические данные, теперь мы можем подготовить картинки для обучающего набора данных

   • подготовка датасета с картинками формаций из графика акций по определенной логике:
     • на картинке рисуется цена закрытия и две скользящие средние - картинки рисуются для младшего таймфрейма
     • если на старшем таймфрейме закрытие выше предыдущего закрытия, то такой картинке назначаем класс 1 иначе 0
   • Для этого используется файл 2_prepare_dataset_images_from_historical_data.py
   • Полученные картинки сохраняются в каталоге NN\training_dataset_M1 в подкаталогах классификаций 0 и 1.

4. Наконец-то есть датасеты для обучения нейросети )) Теперь обучаем нейросеть

   • Используем сверточную нейронную сеть (CNN)
   • Для этого используется файл 3_train_neural_network.py
   • Лог обучения нейросети находится в файле 3_results_of_training_neural_network.txt
   • Сходимость нейросети находится в файле 3_Training and Validation Accuracy and Loss.png
   • При обучении нейросети файлы моделей сохраняются в каталог NN\_models

5. После успешного обучения нейросети нужно выбрать одну из обученных моделей для нашего торгового робота

   • Выбор лучшей обученной модели происходит по параметрам loss, accuracy, val_loss, val_accuracy
   • Выбранную модель нужно вручную сохранить в каталог NN_winner под именем cnn_Open.hdf5

6. Теперь нужно сделать проверку предсказаний сделанных нейросетью на части классифицированных картинках

   • Для этого используется файл 4_check_predictions_by_neural_network.py
   • Как говорится просто проверить - что Ок

7. Наконец-то делаем проверку подключения к API Финама, чтобы мы смогли торговать

   • Для этого используется файл 5_test_api_finam_v1.py - используем FinamPy для тестов

   • и файл 6_test_api_finam_v2.py - используем FinamTradeApiPy для тестов

     Как получить токен API Финам:

     • Открыть счет в "Финаме" https://open.finam.ru/registration
     • Зарегистрироваться в сервисе Comon https://www.comon.ru/
     • В личном кабинете Comon получить токен https://www.comon.ru/my/trade-api/tokens для выбранного торгового счета
     • Скопируйте и вставьте в файл my_config\Config.py полученный Ключ API и номер торгового счета (пример конфиг файла здесь: my_config\Config_example.py)

     # content of my_config\Config.py 
     class Config:
         ClientIds = ('<Торговый счет>',)  # Торговые счёта
         AccessToken = '<Токен>'  # Торговый токен доступа

8. Теперь мы готовы запустить торгового робота в live режиме

   • Не забываем про Ключ API и номер торгового счета, уже должны быть прописаны в файле my_config\Config.py

   • запуск live стратегии осуществляется с помощью файла 7_live_strategy.py

   • в строке 266 этот параметр days_back отвечает за сколько дней назад взять данные, если запускаете скрипт в понедельник или после выходного/праздничного дня, то увеличьте это значение

     days_back = 1 # на сколько дней назад берем данные

   • строку 206 можно раскомментировать, чтобы скрипт например не запускался, если рынок не открыт (выходные и праздники не учитывает)

     await self.ensure_market_open() # проверяем, что рынок открыт

   • конфигурация торгового робота находится в файле my_config\trade_config.py хотелось бы указать, что т.к. мы берем исторические данные из MOEX, а не по API Финам (т.к. такой функционал будет реализован позже), то доступные тикеры для аналитики и скачивания данных необходимо подбирать вручную.

       training_NN = {"SBER", "VTBR"}  # тикеры по которым обучаем нейросеть
       portfolio = {"SBER", "VTBR"}  # тикеры по которым торгуем и скачиваем исторические данные
     

   • лог запуска торгового робота в live режиме торгов находится в файле 7_live_trading_log.txt

   запущенный в live режиме торговый робот и торговый терминал:

   ордера выставленные торговым роботом:

Теперь можно запускать и смотреть, а предварительно лучше посмотреть видео по работе с этим кодом , выложенное на YouTube и на RuTube

Некоторые файлы содержат строку: exit(777) # для запрета запуска кода, иначе перепишет результаты это сделано специально, чтобы случайно не перезаписать данные, её можно закомментировать, когда будете тестировать свои модели и свои настройки.

P.S. В коде стратегии не реализована проверка на доступность денежных средств на счете для входа в сделку.

Код тестировался на M1=>M10 и M10=>H1, для других таймфреймов необходимо создавать большее число обучающих выборок.

Работоспособность проверялась на Python 3.10+ и Python 3.11+ с последними версиями библиотек.

==========================================================================

• FinamPy: Игорю за библиотеку, которая позволяет работать с функционалом API брокера Финам.
• FinamTradeApiPy: DBoyara за библиотеку, асинхронного REST-клиента для API Finam.
• tensorflow: За простую и классную библиотеку для работы с нейросетями.
• aiomoex: За хорошую реализацию получения данных с moex.

Исправление ошибок, доработка и развитие кода осуществляется автором и сообществом!

Пушьте ваши коммиты!

Программный код выложенный по адресу https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot в сети интернет, позволяющий совершать торговые операции на фондовом рынке с использованием нейросетей - это Программа созданная исключительно для удобства работы и изучения применений нейросетей/искусственного интеллекта. При использовании Программы Пользователь обязан соблюдать положения действующего законодательства Российской Федерации или своей страны. Использование Программы предлагается по принципу «Как есть» («AS IS»). Никаких гарантий, как устных, так и письменных не прилагается и не предусматривается. Автор и сообщество не дает гарантии, что все ошибки Программы были устранены, соответственно автор и сообщество не несет никакой ответственности за последствия использования Программы, включая, но, не ограничиваясь любым ущербом оборудованию, компьютерам, мобильным устройствам, программному обеспечению Пользователя вызванным или связанным с использованием Программы, а также за любые финансовые потери, понесенные Пользователем в результате использования Программы. Никто не ответственен за потерю данных, убытки, ущерб, включаю случайный или косвенный, упущенную выгоду, потерю доходов или любые другие потери, связанные с использованием Программы.

Программа распространяется на условиях лицензии MIT.

==========================================================================

----------------------------- English section ----------------------------

Created for the «Finam Trade API» Hackathon competition
to create trading systems based on the «Finam Trade API»

1. The topic of using artificial intelligence is relevant:

   • to predict the behavior of the stock market as a whole,
   • to make predictions about the price behavior of individual stocks and/or futures and other instruments
   • to search for specific trading formations on price charts

2. The widespread use of artificial intelligence is very actively developing in the Western markets, in the Russian one everything is just beginning.

3. There are no full-fledged examples of using neural networks to predict stock / futures prices in the public, and those that are

   • not working
   • or something for their work is constantly missing.
     • At least personally, I have never met fully working examples.

Therefore, I decided to make a trading robot that uses neural networks based on computer vision to search for certain formations on the stock trading chart and uses the best trained model to carry out trading operations..

Because this example of a trading robot using neural networks is well documented and goes through all the steps sequentially:

• getting historical data on stocks
• preparation of a dataset with pictures of formations from a stock chart according to a certain logic
• neural network training and selection of the best trained model in terms of loss, accuracy, val_loss, val_accuracy parameters
• checking the predictions made by the neural network
• checking connection to Finam API
• running a live strategy using the selected best trained neural network model
• a training video was recorded on how to run and work with this code, posted on YouTube and on RuTube

then, this will allow everyone who is just starting their journey in using neural networks for analytics to use this code as a starting template with its subsequent improvement and completion))

• At least +1 working example of using neural networks for stock chart price analytics appeared.

Thus, there will be more robots using artificial intelligence,

- this will lead to greater volatility of our stock market
- greater liquidity due to more transactions
- and, accordingly, a greater inflow of capital into the stock market

The trading strategy embedded in this robot will not allow it to earn, because we open a position on a formation confirmed by the neural network on the chart (i.e. when the neural network predicts that there will probably be an increase), but we do not wait an increase and close the position after +1 bar of the higher timeframe. Alternatively, you can enter a trade with 1 to 3 or 1 to 5 with a stop loss. And wait for profit or stop loss.))

==========================================================================

1. The easiest way:

git clone https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot

2. Or via PyCharm:

• click on the Get from VCS button:

Here is a link to this project:

https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot

• paste this link into the URL field and click on the Clone button

• Now we have a trading robot project:

For the trading robot to work using neural networks, there are some libraries that you need to install:

pip install aiohttp aiomoex pandas matplotlib tensorflow finam-trade-api

they can also be installed with the following command

pip install -r requirements.txt

Necessarily! Execute this command in the root of your project via terminal:

git clone https://github.com/cia76/FinamPy

to clone a library that allows you to work with the Finam broker API functionality.

P.S. The finam-trade-api library also allows you to work with the Finam API, I just used both for tests.))) And for live trading FinamPy.

Now our project looks like this:

Here is a list of tasks that need to be done to successfully launch a trading robot that uses neural networks based on computer vision to search for formations on the stock trading chart and carry out trading operations:

1. Customize the configuration file my_config\trade_config.py

   • In it, you can specify which tickers we are looking for formations and train the neural network (training_NN), and also indicate which tickers we trade (portfolio) using the trained neural network. The rest of the parameters can be left as is.

2. Need to get historical data on stocks to train the neural network

   • We get historical data for training the neural network from MOEX. Because we get them for free, that is, a delay in the received data by 15 minutes.
   • To do this, use the file 1_get_historical_data_for_strategy_from_moex.py
   • The received historical data is stored in the csv directory in CSV files.

3. When there is historical data, we can now prepare pictures for the training dataset

   • preparation of a dataset with pictures of formations from a stock chart according to a certain logic:
     • the closing price and two moving averages are drawn on the picture - the pictures are drawn for the lower timeframe
     • if on the higher timeframe the close is higher than the previous close, then class 1 is assigned to such a picture, otherwise 0
   • To do this, use the file 2_prepare_dataset_images_from_historical_data.py
   • The resulting pictures are stored in the NN\training_dataset_M1 in the subdirectories of classifications 0 and 1.

4. Finally, there are datasets for training the neural network)) Now we train the neural network

   • Using a Convolutional Neural Network (CNN)
   • For this, the file 3_train_neural_network.py is used
   • The neural network training log is located in the file 3_results_of_training_neural_network.txt
   • The convergence of the neural network is in the file 3_Training and Validation Accuracy and Loss.png
   • When training a neural network, model files are saved to the NN\_models

5. After successfully training the neural network, you need to choose one of the trained models for our trading robot

   • The choice of the best trained model is based on the parameters loss, accuracy, val_loss, val_accuracy
   • The selected model must be manually saved to the NN_winner under the name cnn_Open.hdf5

6. Now you need to check the predictions made by the neural network on a part of the classified pictures

   • For this, the file 4_check_predictions_by_neural_network.py is used
   • Just check - that's all OK

7. Finally, we are checking the connection to the Finam API so that we can trade

   • For this, the file 5_test_api_finam_v1.py is used - we use FinamPy for tests

   • and file 6_test_api_finam_v2.py use FinamTradeApiPy for tests

     How to get Finam API token:

     • Open an account in Finam broker https://open.finam.ru/registration
     • Register in Comon service https://www.comon.ru/
     • In your Comon account, get a token https://www.comon.ru/my/trade-api/tokens for the selected trading account
     • Copy and paste the received API Key and trading account number into the my_config\Config.py file (an example of the config file is here: my_config\Config_example.py )

     # content of my_config\Config.py 
     class Config:
         ClientIds = ('<Trading account>',)  # Trading Accounts
         AccessToken = '<Token>'  # Trade Access Token

8. Now we are ready to launch the trading robot in live mode

   • Do not forget about the API Key and trading account number , they should already be registered in the my_config\Config.py file

   • the live strategy is launched using the 7_live_strategy.py file

   • in line 266 this days_back parameter is responsible for how many days back to take the data, if you run the script on Monday or after a weekend/holiday, then increase this value

     days_back = 1 # how many days ago do we take the data

   • line 206 can be uncommented so that the script does not run, for example, if the market is not open (weekends and holidays are not taken into account)

     await self.ensure_market_open() # проверяем, что рынок открыт

   • the configuration of the trading robot is located in the file my_config\trade_config.py Since we take historical data from MOEX, and not from the Finam API (because such functionality will be implemented later),

   • then available tickers for analytics and data download must be selected manually.

       training_NN = {"SBER", "VTBR"}  # tickers by which we train the neural network
       portfolio = {"SBER", "VTBR"}  # tickers for which we trade and download historical data
     

   • the trading robot launch log in live trading mode is located in the file 7_live_trading_log.txt

   trading robot and trading terminal launched in live mode:

   orders placed by the trading robot:

Now you can run and watch, but it's better to watch the video on working with this code, posted on YouTube and on RuTube

Some files contain a line: exit(777) # to prohibit the code from running, otherwise it will rewrite the results this is done on purpose so as not to accidentally overwrite the data, it can be commented out when you test your models and your settings.

P.S. The strategy code does not implement a check for the availability of funds on the account to enter a trade.

The code was tested on M1=>M10 and M10=>H1, for other timeframes it is necessary to create a larger number of training samples.

Performance was tested on Python 3.10+ and Python 3.11+ with the latest versions of the libraries.

==========================================================================

• FinamPy: Igor for the library that allows you to work with the functionality of the Finam broker API.
• FinamTradeApiPy: DBoyara for the library, an asynchronous REST client for the Finam API.
• tensorflow: For a simple and cool library for working with neural networks.
• aiomoex: For the good implementation of getting data from moex.

Bug fixing, revision and development of the code is carried out by the author and the community!

Push your commits!

The program code posted at https://github.com/WISEPLAT/Hackathon-Finam-NN-Trade-Robot on the Internet, which allows trading in the stock market using neural networks, is a Program created solely for the convenience of working and studying the applications of neural networks /artificial intelligence. When using the Program, the User is obliged to comply with the provisions of the current legislation of the Russian Federation or his country. Use of the Program is offered on an "as is" ("AS IS") basis. No warranties, either oral or written, are attached or provided. The author and the community do not guarantee that all errors of the Program have been eliminated, respectively, the author and the community do not bear any responsibility for the consequences of using the Program , including, but not limited to, any damage to the equipment, computers, mobile devices, software of the User caused by or associated with the use of the Program , as well as for any financial losses incurred by the User as a result of using the Program . No one is liable for data loss, loss, damages, including incidental or consequential, loss of profits, loss of income or any other losses associated with the use of the Program .

The program is distributed under the terms of the MIT license.