dquant 1.1.2

dquant — это Python-библиотека с открытым исходным кодом для автоматического прогнозирования волатильности финансовых временных рядов. Она берёт на себя все этапы построения модели: от сырых цен до готового прогноза.

dquant

Автоматическое прогнозирование волатильности для трейдеров и аналитиков

Прогноз волатильности с помощью dquant

---

О проекте

dquant — это Python-библиотека с открытым исходным кодом для автоматического прогнозирования волатильности финансовых временных рядов. Она берёт на себя все этапы построения модели: от сырых цен до готового прогноза.

Ключевая идея

Трейдеру не нужно знать машинное обучение, чтобы использовать ИИ для прогнозирования волатильности.

Возможности

Автоматический feature engineering	Из сырых цен (open, high, low, close, volume) создаются десятки признаков
Целевая переменная без look-ahead bias	Корректный расчёт реализованной волатильности
3 модели на выбор	Градиентный бустинг, XGBoost, LightGBM с ранней остановкой
Визуализация обучения	График ошибок на train/validation для контроля переобучения
Сохранение и загрузка	Обучил один раз — используй всегда
Гибкая кастомизация	Свои признаки, параметры модели, источники данных
Интеграция с любыми данными	Yahoo Finance, MetaTrader 5

Для кого это

• Алгоритмические трейдеры — для калибровки моделей и управления рисками
• Дискреционные трейдеры — для оценки рыночного режима и размера позиции
• Количественные аналитики — для быстрого прототипирования
• Разработчики — для встраивания в торговые системы
• Студенты — как готовый бенчмарк и учебный пример

---

Установка

Требования

• Python 3.7 или выше
• pip

pip install dquant

Проверка установки

import dquant
print(dquant.__version__)  # Должно вывести версию

---

Быстрый старт

Минимальный рабочий пример с Bitcoin

import pandas as pd
import yfinance as yf
from dquant.models import VolClustXGB 


# 1. Загружаем данные
df = yf.download("BTC-USD", start="2020-01-01", interval='1d')
df = pd.DataFrame({
    'open': df[('Open', 'BTC-USD')].values,
    'high': df[('High', 'BTC-USD')].values,
    'low': df[('Low', 'BTC-USD')].values,
    'close': df[('Close', 'BTC-USD')].values,
    'volume': df[('Volume', 'BTC-USD')].values
}, index=df.index)

# 2. Создаем модель
model = VolClustXGB({}, early_stopping=True)

# 3. Обучаем модель
features = [
    'TR',
    'returns',
    'abs_returns',
    'gap',
    'body',
    'shadow',
    'close_position',
    'roll_atr_14'
]
model.fit(df, feature_list=features, input_bars=70, horizon=20, trees_count=200, show_results=True)

# 4. Делаем прогноз
rez = model.forecast(df.iloc[-70:].copy(), show=True)

Результат выполнения

[0.0016554 0.0018979 0.0015921 0.0014239 0.0013767 0.0011586 0.0013139
 0.0009813 0.0007931 0.0012909 0.0013664 0.0016466 0.0014836 0.0011577
 0.0008737 0.0007213 0.0008084 0.0012699 0.0015358 0.0014748]

Красным показана волатильность за предыдущие свечи, а зеленым - будущая волатильность.

---

Документация

Ресурс	Описание
Полная документация	Все классы, методы, параметры

---

Примеры использования

С Yahoo Finance

import pandas as pd
import yfinance as yf
from dquant.models import VolClustXGB 


# 1. Загружаем данные
df = yf.download("BTC-USD", start="2020-01-01", interval='1d')
df = pd.DataFrame({
    'open': df[('Open', 'BTC-USD')].values,
    'high': df[('High', 'BTC-USD')].values,
    'low': df[('Low', 'BTC-USD')].values,
    'close': df[('Close', 'BTC-USD')].values,
    'volume': df[('Volume', 'BTC-USD')].values
}, index=df.index)

# 2. Создаем модель
model = VolClustXGB({}, early_stopping=True)

# 3. Обучаем модель
features = [
    'TR',
    'returns',
    'abs_returns',
    'gap',
    'body',
    'shadow',
    'close_position',
    'roll_atr_14'
]
model.fit(df, feature_list=features, input_bars=70, horizon=20, trees_count=200, show_results=True)


# 4. Делаем прогноз
rez = model.forecast(df.iloc[-70:].copy(), show=True)

С MetaTrader 5

import pandas as pd
import MetaTrader5 as mt5
import datetime as dt
from dquant.models import VolClustXGB 


symbol = "EURUSD"          # какой символ смотреть
timeframe = mt5.TIMEFRAME_H1   # M1, M5, M15, H1, D1 и т.д.
days_back = 1000             # сколько дней истории загрузить

# Подключаемся к MT5
if not mt5.initialize():
    print("Не удалось подключиться к MetaTrader5")
    quit()

# Проверяем, что символ доступен
if not mt5.symbol_select(symbol, True):
    print(f"Символ {symbol} не найден или не включён")
    mt5.shutdown()
    quit()

# Вычисляем даты
to_date = dt.datetime.now() + dt.timedelta(hours=3)
from_date = to_date - dt.timedelta(days=days_back)

# Загружаем бары
rates = mt5.copy_rates_range(symbol, timeframe, from_date, to_date)

mt5.shutdown()  # больше не нужен терминал

if rates is None or len(rates) == 0:
    print("Нет данных!")
    quit()

# Превращаем в DataFrame
df = pd.DataFrame(rates)
df['time'] = pd.to_datetime(df['time'], unit='s')


df.rename(columns={
    'tick_volume': 'volume'
}, inplace=True)

# Создаем модель
model = VolClustXGB({}, early_stopping=True)

# Обучаем модель
features = [
    'TR',
    'returns',
    'abs_returns',
    'gap',
    'body',
    'shadow',
    'close_position',
    'roll_atr_14'
]
model.fit(df, feature_list=features, input_bars=70, horizon=20, trees_count=200, show_results=True)

# Делаем прогноз
rez = model.forecast(df.iloc[-70:].copy(), show=True)

---

Создание индикатора для Meta Trader 5

Сразу после обучения модели её можно экспортировать в рабочий индикатор на mql5. Нужна еще одна строка кода:

model.save('indicator_name', type_to_save='mql5')

Готово! Теперь вы можете использовать ваши обученные модели в Meta Trader 5.

---

Лицензия

Проект распространяется под лицензией MIT. Подробнее в файле LICENSE.

---

Контакты

Автор: Денис Макаров

• Telegram: @Denchik_ai
• GitHub: @artrdon
• Сайт проекта: dquant.space

---