• Разработал полный ML-пайплайн на основе LSTM с attention и Conv1D: подготовка и нормализация временных рядов, нарезка обучающих выборок, сохранение и визуализация результатов
• Подключил внешние макроданные (ставки ЦБ, инфляция, индекс доллара, нефть) и проверил их влияние на качество прогноза
• Провёл серию экспериментов в режимах регрессии и классификации, использовал Optuna (сотни–тысячи trials) для подбора архитектур; показал, что при низком MAE направление движения (DA) остаётся в районе ~55%
• Построил систему конфигураций, логирования и оркестрации экспериментов, аккуратно вёл GitHub-репозиторий, структурировал код, метрики и графики
• Сформировал выводы о слабых сторонах LSTM-архитектур в задаче предсказания направления и ограничениях данных, участвовал в обсуждении интеграции своих наработок в «фабрику» моделей

• Построил и отладил полный модульный пайплайн: FileLoader → FeatureEngineer → DataLabeler → DataSplitter → ModelTrainer → Backtester (vectorbt) с единой точкой входа через ModelFactory
• Создал адаптеры для LightGBM и Keras LSTM, обеспечив единый интерфейс для разных семейств моделей и поддержку AutoML (Optuna, AutoTS)
• Внедрил YAML-конфиги с режимами search/train/finetune, динамический выбор целей (Close/High/Low), расширенный набор метрик (DA, Sharpe, MAE, MSE, R²) и логирование в MLflow
• Настроил кеширование артефактов (.npz, .json, .joblib), фильтрацию «наивных» моделей, защиту от data leakage, персистентность Optuna (SQLite) и автоматический экспорт графиков, HTML-отчётов и CSV-логов сделок
• Один из ключевых архитекторов инфраструктуры: повысил стабильность, универсальность и масштабируемость решений, дорабатывал AutoTS-компонент и исследовал влияние состава индикаторов на итоговые метрики

• Обогатил датасет признаками уровня рынка: VIX, доходности 10- и 2-летних трежерис и их разница (индикатор инверсии кривой доходности), тестировал AutoGluon TS (PatchTST, TFT и др.) на лог-доходностях
• Сфокусировался на Temporal Fusion Transformer (TFT) и RL SAC для AAPL: подбирал длину окна и состав признаков, добиваясь DA до ~65% на отдельных сценариях и ~67% на расширенных конфигурациях
• Объединил временные ряды AAPL и TSLA в единый датасет, показав, что более широкий контекст даёт прирост DA примерно на 4 п.п. по сравнению с одиночной бумагой
• Собрал ноутбук с LGBM для прямого сравнения с TFT и RL, измерял MAE (в абсолютных и относительных значениях), DA и R², отдельно контролировал консистентность предсказаний High > Low
• Разработал схему фильтрации сигналов по квантильным предсказаниям TFT: сократил количество сделок, но поднял win_rate по отфильтрованным сигналам до >80% (63 сделки на ~286 сессий), показав практическую ценность модели

• Построил baseline-решения на Prophet для AAPL и EUR/USD: подготовил OHLCV-данные, ввёл разметку по направлению и диапазону, оценил MAE, RMSE и DA (~50–54%), показав ограничения Prophet как единственной модели
• Сформулировал и реализовал задачу HL-first: кто первым в дне D пробьёт High(D−1) или Low(D−1); собрал H1-датасеты с 48-часовым контекстом и обучил GRU-модель с 10 признаками
• Настроил walk-forward валидацию на длинной истории (до 10 лет EUR/USD), достиг Accuracy ≈ 0.71, AUC ≈ 0.77 и F1 ≈ 0.71, детально разобрал матрицу ошибок и влияние «новостных» дней
• Разработал новостной модуль: сбор и нормализация RSS, оценка bias в пипсах и strength по категориям (risk, policy, macro, geopol, energy), смещение диапазона High/Low и расчёт вероятностей пробоя уровней, экспорт в отдельные CSV
• Построил конвейер обработки новостей с эмбеддингами e5, Qdrant (HNSW-индекс) и Neo4j (граф Message→Entity), создав базу для GraphRAG и гибридного поиска по времени, событиям и рыночным реакциям

• Восстановил структуру «сырых» CSV (без заголовков), добавил тикер/дату, отсортировал данные по времени и провёл полную предобработку
• Реализовал feature engineering: SMA(20), RSI(14), целевые переменные Close_next_day и target_direction, подключил реальные макроданные ЦБ РФ (инфляция, ключевая ставка), привёл их к дневной частоте и объединил с рыночными данными в единый df_enhanced.csv
• Экспериментировал с широким спектром моделей: ARIMAX/Prophet, LSTM/GRU, XGBoost, N-BEATS, DeepAR, TCN, AutoML-решения; строил лидерборды по MAE и DA на горизонтах T+1/T+3/T+5
• Тестировал ансамбли и подходы с генетическими алгоритмами разметки, изучал балансировку классов, важность признаков, влияние автокорреляции и нестабильных фич на итоговые метрики
• Проводил интерпретацию через SHAP (для LSTM), сравнивал стратегии классификации направлений и практически полностью закрыл учебные материалы стажировки, перенеся их идеи в свои эксперименты

• Изучала влияние архитектур LSTM и Transformer на задачу классификации направления движения цены; выбрала EUR/USD как базовый инструмент анализа
• Собрала и расширила собственный датасет: базовые ценовые ряды + данные по банковским ставкам (EUR и USD), подготовила выборки с лагами, техническими индикаторами и масштабированием признаков
• Проводила серию экспериментов с различными нейросетевыми архитектурами (в т.ч. LSTM) на базовом и обогащённом датасетах, сравнивая качество по DA и MAE
• Готовила данные и код для AutoML-подходов (AutoTS, FEDOT) для прогноза High, но столкнулась с техническими ограничениями (проблемы установки и зависимостей)
• Участвовала в тестировании гипотез других участников и в анализе поведения моделей на разных таймфреймах, обогащая общую картину по нейросетевым подходам

• Начал с задач регрессии по min/max, протестировал Dense, Conv1D и LSTM, обнаружил сильную автокорреляцию и ограничения такого подхода на исходных данных
• Перешёл к бинарной классификации (рост/падение) на Conv1D и LSTM; с агрессивным тюнингом гиперпараметров получал accuracy до 90–95% (осознанно фиксируя признаки переобучения)
• Изучал влияние нормализации, выбора фич и длины окна на стабильность классификации, анализировал автокорреляции признаков и зависимость качества от глубины модели
• Установил и активно использовал TradingSolutions, сравнивая поведение встроенных моделей и своих ноутбуков, проверяя качество данных и консистентность результатов
• Тестировал LSTM, Transformer и TimeSeries Transformer (с Optuna) на задаче направлений, выходя на DA порядка 0.54–0.56 и связывая это с фундаментальными ограничениями данных

• Изучал и пытался воспроизвести генетические алгоритмы разметки и отбора сетей по материалам УИИ, сталкиваясь с ограничениями памяти в Colab и вынося вычисления на локальную GPU-машину
• Проводил предобработку временных рядов: лаги, скользящие средние, фильтрацию выбросов, сглаживание и расширение набора технических индикаторов
• Реализовал LSTM-модель в PyTorch (2 LSTM-слоя + линейный выход) с признаками Close, Volume, Returns, EMA_10, EMA_50, Volatility, Volume_EMA, RSI, MACD, Price_Range, получив MAE ~2.41
• Ввёл метрику Directional Accuracy (DA) в свой пайплайн и поднял её с ~51% до ~57% за счёт тюнинга архитектуры и гиперпараметров, а затем до ~59% — за счёт увеличения числа слоёв и набора фич
• Анализировал нестабильность MSE/DA на имеющемся датасете, обсуждал с командой проблему «ленивых» моделей и предлагал идеи по декомпозиции и выборке признаков на уровне подмножеств фич

• Проводил анализ готового решения и параллельно вёл собственные исследования по обогащению данных и выбору моделей для акций и валют
• Экспериментировал с признаками: скользящие средние, волатильность, RSI и другие индикаторы на разных таймфреймах (H1, D1), работал с предобработкой OHLCV
• Строил и сравнивал модели LSTM, классический ML (например, XGBoost) и Prophet, а также AutoTS/AutoML-подходы, оценивая их по MAE и Directional Accuracy
• Проверял гипотезы о зависимости DA от длины окна, плотности сигнала и набора признаков, постепенно усложняя конфигурации моделей
• Начал эксперименты с моделями RNN/LSTM для учёта сложных временных зависимостей (в т.ч. по Low), расширял набор конфигураций и фиксировал динамику улучшения/ухудшения метрик

• Подготовил и развивал проект кода по сбору и предобработке финансовых и новостных данных, включая внешние источники (в т.ч. Just2Trade)
• Доработал скрипты загрузки внешних данных, стабилизировал их работу и тестировал интеграцию обогащённой базы в общие ML-пайплайны
• Разрабатывал пайплайн запуска локальной LLM (Gemma 3:4B): от настройки окружения (VS Code, Python 3.10, зависимости) до корректной обработки запросов
• Выполнил интеграцию локальной LLM в «фабрику» моделей, устранил критические ошибки, привёл формат метрик в соответствие с ТЗ и оптимизировал производительность
• Исследовал применимость локальных LLM к задачам семантического поиска и новостного контекста в трейдинге, тестировал генерацию подсказок/объяснений на исторических данных

• Анализировал готовое решение заказчика и его программу, чтобы перенести успешные идеи и настройки в командные ML-модели
• Экспериментировал в TradingSolutions: подбирал метрики и режимы для корректного сравнения встроенных моделей с внешними пайплайнами
• Тестировал различные варианты предобработки: добавление свечных данных с других таймфреймов (часового, недельного), фильтрацию выбросов, сглаживание, использование производных (дельта, градиент, вторая производная, скорость изменения)
• Исследовал влияние этих усложнений на устойчивость метрик (MAE, DA), показал, что на текущем датасете улучшения не достигаются и фактически достигнут «потолок» качества
• Участвовал в аналитике проблем датасета (нестационарность, смещения, слабый сигнал) и сопоставлял результаты с решениями коллег и подходами с хакатонов

• Экспериментировал с простыми CNN и LSTM в задачах регрессии по исходным данным, затем расширил эксперименты на прогноз High/Low
• Установил и использовал TradingSolutions: провёл несколько тестов нейросетевых моделей для предсказания High/Low и сравнил результаты с внешними ML-подходами
• Применял Optuna для подбора гиперпараметров, фиксируя, что текущие комбинации данных и архитектур пока не позволяют выйти на целевые метрики
• В финале перенёс и воспроизвёл подходы коллег (например, TFT и решения Виталия) на своём датасете, чтобы честно сравнить качество и устойчивость разных архитектур
• Участвовал в обсуждении влияния качества исходных данных, горизонта прогнозирования и выбора метрик на итоговый результат

• Строил модели на RandomForestRegressor (включая RandomizedSearchCV и GridSearchCV), MultiOutputRegressor, XGBoost и CatBoost для задач предсказания High/Low и направления движения
• Подбирал гиперпараметры и наборы признаков (техиндикаторы, статистические преобразования), сравнивал устойчивость и качество моделей по нескольким метрикам
• Для XGBoost по Close искал оптимум по Directional Accuracy, достигнув DA ≈ 0.5972, что зафиксировал как «порог» для текущей комбинации данных и признаков
• Проводил эксперименты с AutoML-подходами, но стабильно поднимать DA выше ~0.52 не удалось, что стало аргументом в пользу более сложных признаковых пространств и/или нейросетевых архитектур
• Сформулировал выводы о ограничениях классического градиентного бустинга на шумных данных и необходимости гибридных стратегий (ML + нейросети)

• Собрала датасет по акциям Мосбиржи (в первую очередь Сбербанк): загрузка данных от биржи и заказчика, EDA, анализ стационарности и сезонности, формирование предварительных выводов
• Исследовала влияние временных, дивидендных, макроэкономических и индексных факторов на качество предсказаний, тестируя их на российских бумагах (Сбер, Сбер-п, Лукойл, Газпром и др.)
• Разработала универсальный загрузчик данных с Мосбиржи с обработкой пропусков, дублей столбцов и логированием, поддержкой различных тикеров и таймфреймов
• Настроила код для подбора лучшей модели через Optuna с проверкой утечек, формированием отчётов и сохранением лучших моделей, реализовала вывод отчётов в Excel и прогнозов на день вперёд для ручной проверки
• Экспериментировала с моделями (в т.ч. LSTM и Prophet), сравнивала их поведение на разных инструментах и горизонтах, вносила вклад в сравнительный анализ решений по российскому рынку

• Занимался сбором и подготовкой дополнительных данных с внешних финансовых ресурсов, в том числе котировок и данных по CNHUSD у разных брокеров
• Изучал подходы ИИ в трейдинге, разбирал практические примеры и библиотеки, запускал и анализировал код из учебных ноутбуков
• Проводил эксперименты по обогащению выборок дополнительными признаками и оценивал, как это отражается на метриках (в т.ч. DA)
• Работал с Python-инструментами для загрузки, очистки и анализа данных, отдельно отслеживал влияние выбранных признаков на качество классификации/прогноза
• Участвовал в обсуждении проблем качества данных и возможных методик улучшения (фильтрация, альтернативные источники, стратификация)

• Расширил исходный датасет до ~200 признаков, добавив широкий набор технических индикаторов и фундаментальных факторов
• Собрал отдельный датасет из процентных лагов за последние 5 дней с целевыми переменными High и Low следующего дня
• Обучил RandomForestRegressor на этом датасете, получил нетривиальные (интересные для анализа) результаты и начал их визуализировать, готовя код к выкладке на GitHub
• Продолжает подбирать метрики и экспериментировать с автоматическим сбором и структурированием признаков, ищет конфигурации, улучшающие DA и MAE

• Написал скрипт для разметки данных по выбранному столбцу, автоматизировал расчёт технических индикаторов по разным ценовым сериям
• Проверил модели LSTM и Random Forest на обогащённом датасете, расширив набор признаков и оценивая их влияние на качество
• Реализовал Walk-Forward Validation, обеспечив корректную временную валидацию и сравнение стабильности моделей по мере движения по истории
• Дополнил общую картину по классическому ML и нейросетям в условиях временных рядов, предоставив воспроизводимый пайплайн для дальнейших экспериментов