🧠 LLM Finance Predictor

Может ли языковая модель научиться читать биржевые графики?

---

🧩 Идея проекта

Эксперимент: можно ли заставить языковую модель (LLM) понимать поведение рынка, если подать график в виде текста, а не чисел?

Каждые 10 дней торгов превращаются в короткие текстовые описания вроде:

price rising strongly, volume increasing, near resistance

Эти фразы читает модель DistilBERT и пытается определить, пойдёт ли цена вверх или вниз на следующий день.

---

⚙️ Технологический стек

Компонент	Версия / Особенности
Python	3.11
PyTorch	2.7.0 (CUDA 12.8, cuDNN 9)
Transformers	4.35.2
Tokenizers	0.15.0
Docker	полностью изолированная среда
GPU	поддержка RTX Blackwell (sm_120)

---

📈 Результаты эксперимента на 227 бумаг TQBR Московской биржи

Метрика	Средний AUC по всем бумагам	Лучшие тикеры	Худшие тикеры
AUC	≈ 0.53	AFLT (0.72), RTSB (0.70)	PLZL (0.33), CHMF (0.36)

Модель предсказывает направление немного лучше случайного угадывания, но при этом понимает контекст рыночных движений через язык.

---

🧰 Быстрый старт

1️⃣ Клонирование репозитория

git clone https://github.com/empenoso/llm-stock-market-predictor.git

cd llm-stock-market-predictor

2️⃣ Сборка Docker-образа

docker build -t llm_predictor .

3️⃣ Запуск эксперимента

bash run.sh

4️⃣ Очистка образа

bash cleanup.sh

---

📊 Структура проекта

Файл	Назначение
llm_finance_predictor.py	Основная логика обработки OHLCV → текст → предсказания
multi_ticker_experiment.py	Пакетное тестирование на множестве тикеров
Dockerfile	Контейнер с CUDA и нужными библиотеками
cleanup.sh	Очистка Docker-образа и кэша
requirements.txt	Зависимости (фиксированные версии)
/Data/	Каталог с котировками (.txt или .csv)
/results/	Сюда сохраняются метрики и графики

---

🧮 Как работает конвейер

1. Преобразование OHLCV → троичные признаки (рост, падение, боковик)
2. Генерация текста → на естественном английском (price rising strongly, near resistance)
3. Обучение DistilBERT → бинарная классификация (рост / падение)
4. Walk-forward валидация → имитация реального рынка
5. Оценка качества → метрики Accuracy, Precision, Recall, F1, AUC

---

🧩 Пример текстовой разметки

Дата	Описание	Target
2024-06-21	price rising strongly, volume increasing, near resistance	1
2024-06-24	price consolidating, sideways movement, low volatility	0

---

🚀 Особенности

• Полностью воспроизводимо в Docker
• Поддержка новых GPU Blackwell (RTX 5060 Ti и выше)
• Векторизованная обработка >200 тикеров
• Готовый шаблон для собственных LLM-экспериментов на рынке

---

📦 Результаты и логи

• Все метрики (accuracy, f1, auc) сохраняются в /results

---

🧑‍💻 Автор

Михаил Шардин

Онлайн-визитка: shardin.name

Telegram-канал: "Умный Дом Инвестора"

Проект создан как исследование: не торговый алгоритм, а демонстрация того, как языковые модели могут «читать» рынок как текст.

---

🧠 Идеи для продолжения

• Использовать LLaMA, Mistral или Gemma для более сложных текстовых паттернов
• Применить мультимодальные модели (текст + изображение графика)
• Добавить дообучение на финансовых статьях и отчетах компаний

---

🪪 Лицензия

Проект распространяется под лицензией MIT — свободно используйте, улучшайте и развивайте, пришлите весточку когда всё получится.