GS-Quant и Machine Learning for Trading: открытые инструменты для квантовых исследований

Звучит почти как готовая лаборатория для трейдера: Goldman Sachs публикует набор инструментов, рядом лежит подробный курс по машинному обучению, а из них можно собрать собственный исследовательский терминал. Основа у этой идеи реальная, но сами проекты решают разные задачи и не превращаются в готовую систему для торговли после одной команды.

GS-Quant — открытая библиотека Goldman Sachs для количественных финансовых расчётов на Python. Machine Learning for Trading — репозиторий с кодом и ноутбуками к третьему изданию книги Стефана Янсена. Вместе они показывают две стороны одной работы: финансовые инструменты и методику построения проверяемых моделей.

Что такое GS-Quant

Goldman Sachs описывает GS-Quant как Python-инструментарий, созданный количественными разработчиками компании для стратегий, анализа производных инструментов и управления рисками. В описании проекта упоминаются 25 лет опыта работы с глобальными рынками. Это характеристика практической базы, на которой строился набор инструментов, а не возраст самой библиотеки и не обещание результатов торговли.

Библиотека для расчётов, а не готовый терминал

GS-Quant можно установить через пакетный менеджер Python командой pip install gs-quant. В библиотеке есть средства для финансовой аналитики, работы с временными рядами и расчётов, связанных с деривативами и риском. Разработчик может использовать её как набор строительных блоков внутри собственного Python-проекта.

Это не приложение с готовыми графиками и кнопкой «запустить стратегию». Данные, интерфейс, расписание обновлений и правила проверки результатов нужно организовать отдельно. Примеры и руководства Goldman Sachs размещает в документации для разработчиков.

Открытый код не открывает все данные Goldman Sachs

Репозиторий GS-Quant опубликован под лицензией Apache 2.0, поэтому код можно изучать и использовать на условиях этой лицензии. Но доступ к API Goldman Sachs — отдельный вопрос: для него нужны идентификатор и секрет приложения, а сам Goldman Sachs указывает, что такие учётные данные доступны институциональным клиентам.

Установка библиотеки не выдаёт автоматически доступ к рыночным данным Marquee, внутренним сервисам или платным источникам. Для самостоятельного исследования понадобятся данные, которыми вы вправе пользоваться, и отдельная проверка условий их лицензии.

Что добавляет Machine Learning for Trading

Репозиторий Machine Learning for Trading сопровождает третье издание книги Стефана Янсена и содержит 27 глав с исполняемыми примерами. Материал проходит путь от финансовых данных и устройства рынков до подготовки признаков, машинного обучения, портфельных решений, оценки издержек, управления риском и исполнения стратегий.

Это полезно не только как коллекция моделей. В проекте исследование рассматривается как последовательность проверяемых решений: сначала определить вопрос и правила эксперимента, затем подготовить данные, выбрать базовый метод, сравнить его с более сложным и проверить результат на отложенном периоде.

Что бесплатно, а что нет

Код репозитория доступен по лицензии MIT. Текст книги при этом защищён авторским правом; открытый доступ к ноутбукам не означает, что весь книжный материал можно свободно перепубликовывать. У некоторых данных внутри проекта также могут быть собственные условия распространения, отличные от лицензии кода.

Перед запуском ноутбуков стоит открыть README нужной главы: там перечислены необходимые наборы данных и зависимости. Некоторые примеры рассчитаны на конкретные источники или API, поэтому часть работы может потребовать регистрации, ключей доступа или самостоятельной замены данных.

Как эти проекты можно использовать вместе

Начать с проверяемого вопроса

Например: помогает ли выбранный показатель лучше оценивать движение цены на следующей неделе? Сначала нужно зафиксировать инструменты, временной горизонт и критерий сравнения. Без этого легко подобрать модель, которая красиво объясняет уже известную историю, но не даёт полезного сигнала на новых данных.

Подготовить данные и выбрать базовый уровень

Для эксперимента нужны исторические котировки и точные временные отметки. Важно учитывать корпоративные события, пропуски, смену состава индексов и момент, когда конкретная информация действительно стала доступна участникам рынка. Затем полезно сравнить модель с простым базовым правилом: если сложный алгоритм не превосходит его устойчиво, усложнение может быть не оправдано.

Проверить стратегию с реальными ограничениями

Ноутбуки ML4T помогают изучить устройство исследования и методы тестирования. GS-Quant может дополнить собственный Python-проект финансовыми расчётами и инструментами риск-анализа; возможности, связанные с сервисами Goldman Sachs, зависят от доступа. Между проектами нет обещания автоматической совместной настройки: интеграцию, источники данных и порядок расчётов определяет сам разработчик.

В исторической симуляции нужно учитывать комиссии, спред, проскальзывание и задержки исполнения. Проверку проводят на периоде, который не использовался при выборе модели, а затем повторяют на последовательных временных окнах. Если многократно менять параметры, пока кривая доходности не станет привлекательной, тест перестаёт быть независимым.

Кому пригодится этот набор

GS-Quant будет интересен разработчикам и аналитикам, которым нужны инструменты финансовых расчётов на Python, особенно при наличии доступа к соответствующим сервисам. ML4T подойдёт тем, кто хочет пройти системный путь от подготовки данных до оценки торговой модели и изучить примеры на коде.

Если интересует не библиотека или учебный процесс, а модель, обученная работать с финансовыми временными рядами, на FutureTools есть отдельная страница о Kronos. Это другой слой задачи: модель анализирует ряды, тогда как GS-Quant и ML4T дают инструменты и методику для исследовательской работы.

Главное — не путать исследовательский стек с готовой торговой системой

GS-Quant и Machine Learning for Trading — содержательная открытая база для тех, кто хочет изучать количественные финансы и машинное обучение. Первый проект даёт библиотеку финансовых функций, второй — учебный код и структуру исследования. Но ни один из них сам по себе не поставляет универсальный набор рыночных данных, доступ к закрытым API или проверенную стратегию с гарантированной доходностью.

Их практическая ценность в другом: они помогают строить эксперименты прозрачнее и проверять гипотезы аккуратнее. В этой области хороший результат — не самая впечатляющая кривая на графике, а вывод, который сохраняется после учёта издержек и проверки на данных, которых модель раньше не видела.