import os DB_CONFIG = { 'host': 'nlbotinterface.ru', 'port': 3306, 'user': 'bitcoin', 'password': os.environ.get('MOEX_DB_PASSWORD', 'g49020007'), 'database': 'bitcoin_tickers', } TIMEFRAMES = {'H1': 'H1', 'D1': 'D1', 'W1': 'W1'} MOEX_TICKERS = [ 'ASTR', 'SBER', 'VTBR', 'ROSN', 'NVTK', 'PHOR', 'SNGSP', 'PLZL', 'X5', 'MTSS', 'LKOH', 'GAZP', 'MOEX', 'NSVZ', ] CRYPTO_TICKERS = ['BITCOIN', 'BITCOINC', 'ZCASH'] FOREX_TICKERS = ['EURUSD'] TICKER_TYPES = {'moex': 'moex', 'forex': 'forex', 'crypto': 'crypto'} # Полный список тикеров (для training), включая тикеры с проблемами данных. ALL_TICKERS = MOEX_TICKERS + CRYPTO_TICKERS + FOREX_TICKERS # Список для мониторинга/трейдинга (исключает тикеры с проблемами data-feed). # AUDIT 2026-07-31: EURUSD data feed не обновляется с 2024-07-24 — временно # исключён до восстановления. Чтобы вернуть — MONITOR_USE_ALL_TICKERS=True. MONITOR_USE_ALL_TICKERS = False MONITOR_TICKERS = ( ALL_TICKERS if MONITOR_USE_ALL_TICKERS # EURUSD временно отключён до восстановления data-feed. else [t for t in ALL_TICKERS if t != 'EURUSD'] ) def get_market(ticker: str) -> str: """Определяет рынок тикера: 'moex', 'crypto' или 'forex'.""" ticker = ticker.upper() if ticker in MOEX_TICKERS: return 'moex' if ticker in CRYPTO_TICKERS: return 'crypto' if ticker in FOREX_TICKERS: return 'forex' # По умолчанию — moex return 'moex' # Per-market ATR конфигурация для target computation и live trade execution. # Используется ЕДИНЫЙ источник правды для train (features/targets.py), # MoE backtest (moe.py find_best_thr) и live (trade/manager.py) — иначе # тренировочный RR не совпадает с live RR (баг обнаружен в аудите 2026-07-31). # # v12.9 (2026-08-09): SL и TP УВЕЛИЧЕНЫ. Причины: # - MAE к TP1 медиана ~1.23×ATR, но хвосты до 3-4×ATR — старый SL=3×ATR # «выносил» из сделок с правильным направлением (направление верно ~52%); # - увеличение SL с 3× до 4× (MOEX) даёт рынку больше места; TP 6→8 # сохраняет RR 1:2 (breakeven = SL/(SL+TP) = 4/12 = 33% — тот же); # - лесенка масштабируется автоматически: scale = tp_mult/6 → тиры # 4.0/6.0/8.0×ATR (tier-1 ≈ новый TP1). # # MOEX: SL=4×ATR, TP=8×ATR (RR 1:2), max_atr=5% # Crypto: SL=4×ATR, TP=6×ATR (RR 1:1.5), max_atr=15% — шире стоп+толерантнее к gap # Forex: SL=2.5×ATR, TP=5×ATR (RR 1:2), max_atr=2% — уже стоп (низкая волатильность) MARKET_TARGET_CONFIGS = { #max_bars=48 синхронизирован с TIME_STOP=48h в RISK_CONFIG. # Ранее max_bars=200 допускал TP-исход на 8-й день, но live trade к 48ч # уже закрыт по time-stop → train/live mismatch (audit 2026-08-03). 'moex': {'atr_mult_sl': 4.0, 'atr_mult_tp': 8.0, 'max_bars': 48, 'swing_lookback': 20, 'max_atr_ratio': 0.05}, # Crypto: узкий TP (RR 1:1.5 вместо 1:2). Ранее 4/8 давал long SR=21-27% — # цена редко проходит 8×ATR за разумное время (audit 2026-08-03). # v12.9: SL 3→4, TP 4.5→6 — расширены без изменения RR. 'crypto': {'atr_mult_sl': 4.0, 'atr_mult_tp': 6.0, 'max_bars': 72, 'swing_lookback': 20, 'max_atr_ratio': 0.15}, 'forex': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0, 'max_bars': 48, 'swing_lookback': 20, 'max_atr_ratio': 0.02}, } # ── Per-ticker risk overrides (audit 2026-08-03, v12.9 2026-08-09) ───── # Перекрывает MARKET_TARGET_CONFIGS для отдельных тикеров. # Применяется как в training (compute_swing_dual_outcomes), так и в live # (TradeManager._get_ticker_risk), что сохраняет train/live sync. # # Логика: тикеры с 0% winrate (SBER 12/12 SHORT, GAZP 8/8 SHORT, # VTBR 9/9 SHORT, NVTK 5/5 SHORT) получают узкий SL/TP (RR 1:2 сохранён, # но дистанции сужены), что приближает TP и реже попадает в SL. # Тикеры-звёзды (ASTR, PHOR — 100% LONG winrate) сохраняют широкие TP. # v12.9: override масштабирован вместе с базовыми множителями (2.5/5.0). TICKER_RISK_OVERRIDES = { 'SBER': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 0/12 SHORT → узкий 'GAZP': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 1/8 SHORT → узкий 'VTBR': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 0/9 SHORT → узкий 'NVTK': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 0/5 SHORT → узкий 'MTSS': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 0/4 LONG → узкий 'ZCASH': {'atr_mult_sl': 2.5, 'atr_mult_tp': 5.0}, # 0/2 LONG → узкий # X5 (v13 эксперимент 2026-08-14): базовый SR 12.9% при TP=8×ATR — # движение на 8×ATR крайне редкое. RR 1:1/0.67 дают SR 54-70%. # SL=1.5×ATR/TP=1.0×ATR (RR 0.67) — лучший конфиг по OOS (val_acc 64-69%, # стабильно находит порог с положительным net). 'X5': {'atr_mult_sl': 1.5, 'atr_mult_tp': 1.0}, # RR 0.67 → высокий WR } # v12.8: использовать swing-based SL вместо чисто ATR-based USE_SWING_TARGETS = True # False → старый compute_dual_outcomes; True → compute_swing_dual_outcomes def get_target_config(ticker: str) -> dict: """Возвращает target config (SL/TP множители + max_atr_ratio) для тикера по рынку. Per-ticker overrides имеют приоритет над market-default (audit 2026-08-03). """ market = get_market(ticker) cfg = MARKET_TARGET_CONFIGS.get(market, MARKET_TARGET_CONFIGS['moex']).copy() if ticker in TICKER_RISK_OVERRIDES: cfg.update(TICKER_RISK_OVERRIDES[ticker]) return cfg def get_risk_params(ticker: str) -> tuple[float, float, float]: """Возвращает (sl_mult, tp_mult, max_atr_ratio) для live trade execution. Единый источник правды — `MARKET_TARGET_CONFIGS`. Sync между train и live гарантирует, что тренировочный RR совпадает с live. """ cfg = get_target_config(ticker) return ( cfg['atr_mult_sl'], cfg['atr_mult_tp'], cfg.get('max_atr_ratio', 0.05), ) def is_ticker_blacklisted(ticker: str) -> bool: """Проверяет ручной чёрный список тикеров (TICKER_BLACKLIST в config).""" return ticker.upper() in TICKER_BLACKLIST SAVE_DIR = 'models/saved' RANDOM_SEED = 42 TEST_SIZE = 0.2 VALIDATION_SIZE = 0.1 RF_DEFAULTS = {'n_estimators': 200, 'max_depth': 10, 'min_samples_split': 5, 'min_samples_leaf': 2, 'random_state': RANDOM_SEED, 'n_jobs': -1} REGRESSION_CONFIG = { 'horizons': [10, 30, 60], 'horizon_weights': [0.5, 0.3, 0.2], 'min_ratio': 3.0, 'min_abs_move_atr': 1.5, # мин движение в ATR для сигнала (PnL sim + inference) 'move_exists_thresholds': {10: 1.5, 30: 2.0, 60: 2.5}, # per-horizon ATR множители для move_exists классификатора 'atr_period': 14, 'max_bars_ratio': 0.8, # макс доля горизонта для времени до цели 'use_atr_norm': True, # ATR-нормализация целей 'use_bars_target': True, # предсказание времени до цели 'use_move_classifier': True, # двухстадийный классификатор 'breakeven_wr': 0.33, 'xgb_peak_weight': 1.0, # вес peak в loss (дисбаланс вверх/вниз) 'xgb_trough_weight': 1.0, } RL_CONFIG = { 'n_epochs': 20, 'episode_size': 2000, 'atr_mult_sl': 1.5, 'atr_mult_tp': 3.0, 'hidden_dim': 128, 'lr': 1e-3, 'gamma': 0.99, 'epsilon_start': 1.0, 'epsilon_end': 0.01, 'epsilon_decay_steps': 10000, 'buffer_capacity': 50000, 'batch_size': 128, 'target_update': 200, } TARGET_CONFIG = MARKET_TARGET_CONFIGS['moex'].copy() # по умолчанию MOEX # Параметры риск-менеджмента для TradeManager # ВНИМАНИЕ: sl_mult/tp_mult здесь — глобальный fallback (для unknown тикеров). # Для реального исполнения используется `config.get_risk_params(ticker)`, # который берёт per-market значения из MARKET_TARGET_CONFIGS — это синхронизирует # training RR (targets.py → compute_swing_dual_outcomes) и live RR (manager.py). # До этого баг-фикса crypto торговался с SL=3×ATR вместо 4×ATR (тренировочного), # а forex с 3×ATR вместо 2×ATR — live RR был несовместим с обучением модели. RISK_CONFIG = { 'risk_per_trade': 0.01, # 1% риска на сделку 'sl_mult': 4.0, # DEPRECATED fallback; используйте get_risk_params(ticker) 'tp_mult': 8.0, # DEPRECATED fallback; используйте get_risk_params(ticker) 'reentry_delay_hours': 4, # защита от каскада: не входить N часов после SL 'time_stop_hours': 48, # принудительное закрытие через N часов 'weekend_filter': True, # не торговать в выходные 'max_atr_ratio': 0.05, # DEPRECATED global fallback; per-market: get_risk_params(ticker) # Ladder Exit Strategy (v12.8, scale v12.9) 'ladder_enabled': True, # включить лесенку 'ladder_tiers': [ # (fraction_to_close, tp_atr_mult) — доля объёма и TP множитель # Базовые множители МАСШТАБИРУЮТСЯ: scale = ticker_tp_mult / 6.0. # Для MOEX (tp_mult=8) реальные тиры: 4.0 / 6.0 / 8.0×ATR. # Для SBER (tp_mult=5): 2.5 / 3.75 / 5.0×ATR. (0.4, 3.0), # Tier 1: закрыть 40% при TP=3×ATR × scale (0.3, 4.5), # Tier 2: закрыть 30% при TP=4.5×ATR × scale (0.3, 6.0), # Tier 3: закрыть 30% при TP=6×ATR × scale ], 'ladder_sl_after_tier': { # SL adjustment after each tier closes (in ATR from entry) 1: 0.0, # После Tier 1 → SL=entry (безубыток) 2: 1.0, # После Tier 2 → SL=entry + 1×ATR (фиксация части профита) }, } # ── Auto-disable losers (audit 2026-08-03) ─────────────────────────────── # Механизм автоматической блокировки тикеров, которые стабильно теряют деньги. # Если за последние `min_trades` закрытых сделок PnL < `min_window_pnl_pct` от # текущего депозита — тикер блокируется на `cooldown_hours` (сигналы NEUTRAL). # Это останавливает «кровотечение» на тикерах типа SBER 12/12 SHORT SL # (−4367 ₽) или GAZP 8/8 SHORT SL (−3318 ₽). TICKER_AUTO_DISABLE = { 'enabled': True, # master switch 'min_trades': 10, # минимум сделок для оценки (меньше — пропускаем) 'min_window_pnl_pct': -0.15, # если PnL/частичный PnL < −15% депозита → disable 'cooldown_hours': 168, # 7 дней блокировки # Ручной чёрный список — добавлять тикеры, если модель переобучена/битая: # 'blacklist': ['SBER', 'GAZP'], # раскомментировать при необходимости 'blacklist': [], } # ── Manual blacklist (codename: empty = нет ручных блокировок) ────── # Тикеры здесь полностью блокируются (NEUTRAL) — вне зависимости от auto-disable. # Управляется вручную при обнаружении битой модели или данных. TICKER_BLACKLIST = set(TICKER_AUTO_DISABLE.get('blacklist', [])) # Per-ticker асимметричные пороги (v12.5) # Long: вероятность BUY при которой генерируется сигнал # Short: вероятность SELL при которой генерируется сигнал # Значения подобраны эмпирически через opt_th sweep по каждому тикеру TICKER_THRESHOLDS = { 'ASTR': {'long': 0.48, 'short': 0.38}, 'GAZP': {'long': 0.48, 'short': 0.48}, 'LKOH': {'long': 0.48, 'short': 0.48}, 'MOEX': {'long': 0.48, 'short': 0.37}, 'MTSS': {'long': 0.48, 'short': 0.31}, 'NSVZ': {'long': 0.48, 'short': 0.30}, 'NVTK': {'long': 0.48, 'short': 0.31}, 'PHOR': {'long': 0.48, 'short': 0.31}, 'PLZL': {'long': 0.48, 'short': 0.30}, 'ROSN': {'long': 0.48, 'short': 0.30}, 'SBER': {'long': 0.48, 'short': 0.40}, 'SNGSP': {'long': 0.48, 'short': 0.44}, 'VTBR': {'long': 0.48, 'short': 0.48}, 'X5': {'long': 0.48, 'short': 0.46}, } # Ticker-specific class_weight для short RF (FN penalty) # v3: снижены с 4.5→3.0 и 3.5→2.5 для баланса accuracy vs recall TICKER_SHORT_WEIGHTS = { 'ASTR': 3.0, 'GAZP': 3.0, 'LKOH': 3.0, 'MOEX': 2.5, 'MTSS': 2.0, 'NSVZ': 2.0, 'NVTK': 2.5, 'PHOR': 2.5, 'PLZL': 2.0, 'ROSN': 2.5, 'SBER': 3.0, 'SNGSP': 3.0, 'VTBR': 3.0, 'X5': 3.0, } # Ticker-specific scale_pos_weight multiplier для LONG XGBoost. # Значения: 1.5–3.0. Выше — для тикеров с сильным дисбалансом outcome_long. # Снимает cap scale_pos_long с 5→15, плюс множитель для усиления сигнала. TICKER_LONG_WEIGHTS = { 'ASTR': 3.0, 'GAZP': 2.0, 'LKOH': 2.5, 'MOEX': 2.5, 'MTSS': 3.0, 'NSVZ': 2.5, 'NVTK': 1.5, 'PHOR': 2.5, 'PLZL': 3.0, 'ROSN': 2.5, 'SBER': 2.0, 'SNGSP': 3.0, 'VTBR': 2.0, 'X5': 3.0, } # Default thresholds and weights (consolidated) DEFAULT_CONFIG = { 'long_threshold': 0.55, 'short_threshold': 0.42, 'short_weight': 3.0, 'long_weight': 2.0, } # ── MOEX: отключить SHORT на уровне обучения и инференса (audit 2026-08-06) ── # MOEX инструменты (акции российских компаний) не имеют прямой возможности # short-selling на основной бирже (нет коротких продаж, нужен маржинальный # счёт). Поэтому для всех MOEX-тикеров: # - Training: outcome_short не вычисляется, rf_short не обучается # - Inference: p_short = 0, сигнал всегда BUY или NEUTRAL # Crypto/Forex остаются двусторонними (BUY + SELL). MOEX_ONLY_LONG = True SHORT_TRAIN_DISABLED_MOEX = True # skip outcome_short при обучении def is_moex_only_long(ticker: str) -> bool: """True если тикер относится к MOEX и включён режим только-LONG.""" return MOEX_ONLY_LONG and get_market(ticker) == 'moex' def should_disable_short_training(ticker: str) -> bool: """True если short-таргеты не должны вычисляться при обучении для этого тикера.""" return SHORT_TRAIN_DISABLED_MOEX and get_market(ticker) == 'moex' # ───────────────────────────────────────────────────────────────────── # EMERGENCY KILL-SWITCH (audit 2026-07-31) # ВРЕМЕННЫЙ список тикеров, для которых SHORT-сигналы принудительно # нейтрализуются. Основание: live-сделки 21-31 июля показали WR=0% на # short для этого набора (см. db-explorer отчёт по trades_closed). # Запрет снимается после переобучения моделей на новых таргетах # (swing-SL + исправленные эксперты) и подтверждения WR > breakeven # на walk-forward. Чтобы временно отключить весь kill-switch — очистить # список или SHORT_BLOCKLIST_ENABLED=False. # ───────────────────────────────────────────────────────────────────── SHORT_BLOCKLIST_ENABLED = True SHORT_BLOCKLIST = set() # очищен 2026-08-11: модели переобучены (SBER 41-признак, EURUSD 41-признак с SHORT-порогом 0.73 и т.д.) # Также EURUSD полностью исключён из MONITOR_TICKERS ниже (как #坏的 data source). Это действие можно откатить после восстановления feed. LONG_BLOCKLIST = set() # long сторона здоровая — пусто # Backward compatibility aliases DEFAULT_LONG_TH = DEFAULT_CONFIG['long_threshold'] DEFAULT_SHORT_TH = DEFAULT_CONFIG['short_threshold'] DEFAULT_SHORT_WEIGHT = DEFAULT_CONFIG['short_weight'] DEFAULT_LONG_WEIGHT = DEFAULT_CONFIG['long_weight'] # Rolling WinRate filter — динамическая блокировка сигналов # Если rolling WR направления ниже breakeven — сигнал отменяется # +2% запас, как в find_best_thr # Rolling WinRate filter — динамическая блокировка сигналов # Если rolling WR направления ниже breakeven — сигнал отменяется # +2% запас, как в find_best_thr # Значения по умолчанию — для MOEX (SL=4, TP=8 → breakeven=4/12+0.02=0.353) SL_MULT = MARKET_TARGET_CONFIGS['moex']['atr_mult_sl'] # 4.0 TP_MULT = MARKET_TARGET_CONFIGS['moex']['atr_mult_tp'] # 8.0 ROLLING_WR_BREAKEVEN = 0.35 # RR 1:2 breakeven = 4/(4+8) = 0.333 + 2% запас = 0.353. # 0.30 был ниже breakeven — отменял прибыльные сигналы (WR 0.30–0.333). # 0.35 ≈ threshold search breakeven (0.353), корректный фильтр. ROLLING_WR_MIN_SAMPLES = 30 # минимум resolved свечей для статистики try: import torch _CUDA_AVAILABLE = torch.cuda.is_available() _CUDA_VERSION = torch.version.cuda if torch.version.cuda else 'N/A' _GPU_COUNT = torch.cuda.device_count() _GPU_NAME = torch.cuda.get_device_name(0) if _CUDA_AVAILABLE else 'N/A' except ImportError: _CUDA_AVAILABLE = False _CUDA_VERSION = 'N/A' _GPU_COUNT = 0 _GPU_NAME = 'N/A' # ── Device separation: train → CUDA, inference → CPU ────────────────────── # Training (LSTM experts + XGBoost) runs on GPU for speed. # Inference (predict, monitor) runs on CPU — no need for GPU, avoids OOM. # Use set_device(mode) before importing models/experts.py to switch. TRAIN_DEVICE = 'cuda' if _CUDA_AVAILABLE else 'cpu' INFERENCE_DEVICE = 'cpu' # always CPU for inference # Current DEVICE — default to TRAIN (training mode by default). # IMPORTANT: Call set_device('inference') before loading models for prediction. DEVICE = TRAIN_DEVICE def set_device(mode: str = 'auto') -> str: """ Switches global DEVICE for training vs inference. Args: mode: 'train' → CUDA (if available), 'inference' → CPU, 'auto' → auto-detect. Returns: The device string that was set. IMPORTANT: Call this BEFORE importing models.experts in training scripts, because experts.py reads config.DEVICE at module load time. """ global DEVICE if mode == 'train': DEVICE = TRAIN_DEVICE # 'cuda' if available, else 'cpu' elif mode == 'inference': DEVICE = INFERENCE_DEVICE # always 'cpu' elif mode == 'auto': DEVICE = 'cuda' if _CUDA_AVAILABLE else 'cpu' else: DEVICE = mode return DEVICE def print_device_info() -> str: """Returns a formatted string with current device info.""" return ( f"Device: {DEVICE} | CUDA avail: {_CUDA_AVAILABLE} | " f"CUDA ver: {_CUDA_VERSION} | GPU: {_GPU_COUNT} × {_GPU_NAME}" ) # Feature ranking — используется directional model с --top-k. # Актуальный рейтинг: TOP_FEATURES_BY_RANK в main.py. # Конфигурация моделей MODEL_CONFIG = { 'rf': { 'n_estimators': 200, 'max_depth': 10, 'random_state': RANDOM_SEED, 'n_jobs': -1, 'class_weight': 'balanced' }, 'xgb': { 'n_estimators': 300, 'max_depth': 6, 'learning_rate': 0.1, 'subsample': 0.8, 'colsample_bytree': 0.8, 'eval_metric': 'logloss', 'random_state': RANDOM_SEED, 'n_jobs': -1, 'verbosity': 0, 'scale_pos_weight': 2.5, # Фаза 6: штраф за пропуск редкого класса }, 'lightgbm': { 'n_estimators': 500, 'max_depth': 8, 'learning_rate': 0.05, 'subsample': 0.8, 'colsample_bytree': 0.8, 'reg_alpha': 0.1, 'reg_lambda': 0.1, 'min_child_samples': 20, 'random_state': RANDOM_SEED, 'n_jobs': -1, 'verbosity': -1, 'scale_pos_weight': 2.5, # Фаза 6: штраф за пропуск редкого класса } } # Топ фичей (вынесено из main.py для удобства изменения) TOP_FEATURES_BY_RANK = [ 'atr_pct', 'bb_width', 'close_to_sma_50', 'macd', 'bb_width_x_atr_pct', 'return_20', 'macd_hist', 'bb_width_x_rsi', 'cts50_x_ret20', 'close_to_sma_20', 'strength_trend', 'rsi', 'trend_signal', 'bb_position', 'close_to_sma_10', 'volume_ratio', 'macd_signal_accel', 'atr_pct_x_vol_ratio', 'rsi_x_bb_pos', 'signal_strength', 'return_1', 'bb_signal', 'directional_bias', 'rsi_signal_accel', 'directional_bias_accel', 'close_to_sma_5', 'return_5', 'momentum_signal', 'rsi_signal', 'macd_signal', 'hh_streak', 'll_streak', 'volume_signal', 'engulfing', 'doji', ]