📊 Quant Risk Hub — Trading Strategy Risk Assessment Framework v2.3

Практичный фреймворк для оценки рисков торговых стратегий в стиле prop-трейдинговых фирм (Jane Street / Citadel).

Принципы

Slavishly follow the models — строгое следование правилам без эмоций
Моделируем состояние рынка, а не предсказываем
Максимальная защита от overfitting
Математика и rigor > красивые графики
Диверсификация, потому что неизвестно, какой рынок будет работать лучше

Модули

Модуль	Описание
Data Module	Загрузка данных через yfinance (OHLCV, last close)
Core Metrics	Sharpe, Sortino, Calmar, Max DD, Profit Factor, Win Rate
Monte Carlo	Permutation Test (≤ 2000 перестановок)
Walk-Forward	Анализ стабильности по фолдам
Risk Metrics	VaR / CVaR (95%, 99%), Drawdown Distribution
Stress Tests	GFC 2008, COVID 2020, Rate Hike 2022, SVB 2023
Overfitting	Permutation test + OOS degradation
Portfolio	Корреляции, slippage impact, capacity estimation

Запуск

pip install -r requirements.txt
streamlit run app.py

Cloud precompute snapshots

The scheduled Free Batch Snapshot workflow precomputes configured Phoenix baskets in GitHub Actions and uploads independent ready-result snapshots plus a manifest as a short-lived artifact. Run it manually with a semicolon- separated basket list:

python scripts/precompute_baskets.py \
  --baskets "AAPL,MSFT,GOOGL,AMZN,NVDA;AAPL,MSFT,NVDA"

This is research-only cache generation. It does not change production weights, verdict logic, or trades.

Для предварительного расчёта готового snapshot (например, через cron):

python -m src.scheduler --snapshot --tickers AAPL,DELL,GOOG

В Streamlit после первого запуска snapshot также поддерживается фоновым обновлением, пока процесс приложения активен.

Self-hosted ClickHouse

Для локального режима без ClickHouse Cloud billing:

docker compose --env-file .env -f docker-compose.clickhouse.yml up -d
CLICKHOUSE_HOST=localhost CLICKHOUSE_USER=default \
CLICKHOUSE_SECURE=false python -m src.scheduler --snapshot --tickers AAPL,DELL,GOOG

Задайте CLICKHOUSE_PASSWORD в локальном .env; секреты не коммитятся. Аналитические таблицы создаются автоматически при первом старте контейнера. Self-hosted контейнер доступен только там, где запущен Docker; для Streamlit Cloud нужен отдельно доступный сервер.

Загрузка наблюдаемой исторической OHLCV-истории в ClickHouse:

python scripts/ingest_ohlcv.py AAPL MSFT NVDA --period 3y

Скрипт использует рабочий Phoenix DataManager/yfinance provider, пропускает уже загруженные даты и не загружает Monte Carlo или synthetic data.

Бесплатные локальные Redis и object storage

Для локального режима без Cloudflare R2 или Redis billing:

docker compose -f docker-compose.local-services.yml up -d
export REDIS_URL=redis://127.0.0.1:6379
export R2_ENDPOINT=http://127.0.0.1:9100
export R2_ACCESS_KEY=phoenix-local
export R2_SECRET_KEY=phoenix-local-secret
export R2_BUCKET=fly-data

Redis используется для cache/queue/rate limiting, а MinIO предоставляет S3-совместимый локальный bucket fly-data. Это self-hosted fallback, не Cloudflare R2; для Streamlit Cloud нужен отдельно доступный сервер.

Batch-расчёты без billing

GitHub Actions запускает бесплатный daily batch snapshot без cloud credentials и сохраняет результат как artifact на 7 дней. Запустить его вручную можно через Actions → Free Batch Snapshot → Run workflow, указав корзину через AAPL,MSFT,GOOGL,AMZN,NVDA. Это batch/research output, а не постоянный backend и не подтверждение реальной сделки.

Математическая проверка структурных продуктов запускается так:

python scripts/evaluate_structured_products.py

Она считает Brier score, log-loss, ECE на SETTLED_NOTES и проверяет структурное свойство: при прочих равных более высокий barrier не должен уменьшать модельную вероятность knock-in.

Для сравнения с прозрачными baseline-моделями:

python scripts/benchmark_structured_models.py

Отчёт явно помечает оценку на SETTLED_NOTES как in-sample research, потому что текущая модель обучается на этом наборе. Это не заменяет OOS сравнение с независимыми поставщиками или дилерскими котировками.

Evidence-gated calibration agent запускается так:

python scripts/run_calibration_agent.py

Агент использует только realized notes, разделяет train/OOS, сравнивает кандидата с baseline и сохраняет audit proposal. Production weights не меняются автоматически: успешный кандидат только предлагает PR для review.

Macro features используют бесплатный FRED fallback: VIX, 2Y/10Y ставки, Fed funds, yield-curve slope, credit spread, dollar index и oil. Stress suite содержит восемь deterministic-seed сценариев, но каждый результат помечен source="simulated" и не может использоваться как realized/OOS label.

Проверка расхождения бесплатных OHLCV-источников:

python scripts/check_market_sources.py AAPL MSFT NVDA

Команда сравнивает основной источник с Stooq и только выдаёт quality report; она не подменяет observed data автоматически и не меняет веса модели.

Автоматический planner целей улучшения:

python scripts/plan_improvements.py

Он ранжирует targets по Brier-vs-baseline, probability gap, ECE, OOS sample size и data coverage. Planner создаёт только proposal; production weights и verdict не изменяются.

Безопасный continuous cycle:

python scripts/plan_improvement_cycle.py

Цикл предлагает следующий PR, но останавливается после достижения targets или трёх последовательных циклов без измеримого улучшения.

Пятничный 24-month anchor benchmark запускается вручную или по расписанию:

python scripts/multi_horizon_benchmark.py --baskets 100 --period 5y

Он проверяет стандартный 24-месячный Phoenix-продукт на maturity anchors 6, 12, 18 и 24 месяца назад, считает score и сравнивает outcome с empirical baseline. Production promotion разрешается только если один кандидат проходит все четыре anchor-теста; иначе workflow сохраняет отчёт, но не меняет production.

После benchmark workflow запускает provider-agnostic AI judge panel и сохраняет ai_judge_panel.json. Базовый режим поддерживает локальную Ollama без API-ключа и банковской карты (например, ollama pull qwen2.5:7b и ollama pull deepseek-r1:7b). Также поддерживаются Gemini, OpenAI, Anthropic, Mistral, Groq, OpenRouter, NVIDIA NIM и Cerebras. Для Ollama можно добавить Gemma или любую другую совместимую модель через OLLAMA_MODELS. Облачные бесплатные тарифы имеют лимиты провайдера; Cerebras может требовать активированный trial balance и возвращает deferred без доступных кредитов. Добавляйте только нужные репозиторные GitHub Actions secrets (GEMINI_API_KEY, CEREBRAS_API_KEY, NVIDIA_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, MISTRAL_API_KEY, GROQ_API_KEY, OPENROUTER_API_KEY); отсутствующий ключ получает статус skipped, временная квота — deferred. Модели видят только benchmark/proposal evidence и не могут изменить production weights, verdict или создать сделки. Завершённые reviews превращаются максимум в три ai_screening_targets.json research-targets; они направляют следующий benchmark, но не применяют формулу или веса автоматически.

Деплой на Fly.io

fly deploy

Структура

├── app.py                  # Streamlit dashboard
├── src/
│   ├── assessor.py         # StrategyRiskAssessor — главный класс
│   ├── data_module.py      # Загрузка данных (yfinance)
│   ├── core_metrics.py     # Метрики, Monte Carlo, Walk-Forward
│   ├── risk_metrics.py     # VaR, CVaR, Stress Tests
│   ├── overfitting.py      # Проверки на overfitting
│   └── portfolio.py        # Корреляции, slippage, capacity
├── Dockerfile
├── fly.toml
└── requirements.txt