Как устроен TokSeq

Коротко

TokSeq – аналитическая система по рынку бессрочных фьючерсов (BTC, ETH, SOL). Она круглосуточно собирает рыночные и контекстные данные, прогоняет их через набор аналитических ядер и показывает оператору картину рынка: текущий режим, ожидаемую волатильность, направление и степень уверенности.

Система ничем не торгует. В контуре нет торговых ключей, ордера не отправляются – решение и исполнение всегда остаются за человеком.

Каждая модель попадает в работу только после проверки на исторических данных вне обучающей выборки. Если данных не хватает или рынок вне зоны уверенности модели, система прячет сигнал и объясняет, почему – это осознанный принцип, а не сбой.

01Цели и позиционирование

Задача проекта – дать трейдеру честного аналитического ассистента: не «кнопку с сигналами», а прозрачный конвейер от сырых данных до объяснённого вывода. Проект состоит из двух контуров. Исследовательский контур на отдельной машине ищет и проверяет закономерности на истории. Live-контур на сервере применяет только то, что прошло проверку, и делает это автономно, без ручной настройки на лету.

02Данные

Система ведёт собственный сбор данных без посредников:

биржевой поток по бессрочным фьючерсам – сделки, стакан заявок, ликвидации, свечи, открытый интерес, ставка финансирования;
опционный рынок – индекс подразумеваемой волатильности и перекос опционных цен;
традиционные рынки – индекс доллара, фондовые индексы, золото;
макроэкономика – ставки, кривая доходности, денежная масса, индекс страха;
он-чейн метрики сети Bitcoin – активность адресов, комиссии, хешрейт;
новостной поток на десятках языков и календарь макрособытий.

Всё складывается в единое хранилище с одним правилом: аналитика видит только закрытые бары. Данные будущего не подглядываются ни при обучении, ни в работе – это защита от самообмана, который в квант-исследованиях встречается чаще всего.

03Аналитические ядра

Анализ разбит на десять независимых ядер. Каждое отвечает на свой вопрос и выдаёт сигнал со значением, уверенностью и объяснением:

Режим рынкаОпределяет текущее состояние (тренд, флэт, сжатие и т.д.) и вероятность его смены в ближайший час

ВолатильностьОценивает реализованную волатильность, прогнозирует её величину и вероятность расширения; может наложить вето на направленные сигналы

НаправлениеКомитет из нескольких моделей с независимыми подписями; итог – взвешенное голосование с контролем разногласия

РискСчитает уровень защитной остановки и допустимый размер позиции с учётом режима и ожидаемой волатильности

СтруктураУровни, снятия ликвидности, сжатия диапазона, повторяющиеся формы движения цены

МикроструктураСенсор «здесь и сейчас»: ликвидность в стакане, поток сделок, спред, каскады ликвидаций

Динамика состоянийКак менялись состояния за последние часы – лента переходов и серии повторов

КонтекстСвязь крипторынка с макроактивами на скользящем окне

НовостиМногоязычная оценка тона заголовков

СамопроверкаСледит за фактической точностью прогнозов системы и показывает её пользователю

04Слой честности

Между ядрами и пользователем стоит детерминированный фильтр. Он может понизить или скрыть любой сигнал: данные устарели – сигнал не показывается; волатильность аномальна – направленные выводы блокируются; рынок в состоянии, где модель исторически не имела преимущества – сигнал помечается как вне зоны уверенности. Каждое такое решение сопровождается объяснением, поэтому «пустой» экран информативен: видно, чего именно не хватает.

Направление движения цены у порога случайности система показывает как есть, без приукрашивания. Надёжнее всего прогнозируются состояние рынка и волатильность – на них и построена основная аналитика.

05Исследовательский контур

Новые идеи проверяются на многолетней истории методом walk-forward: модель обучается на прошлом и проверяется на данных, которых не видела, с многократным сдвигом окна. Дополнительно гипотезы проходят статистические тесты против случайности и плацебо-сравнения. Выжившие модели регистрируются в реестре с контрольными суммами: веса, калибровки и пороги фиксируются до выхода в live и не подстраиваются задним числом.

Отрицательные результаты фиксируются наравне с положительными: если признак не даёт улучшения, это записывается, и повторно та же идея в систему не попадает.

06Что видит пользователь

Основной интерфейс – борд: сводка ситуации одним предложением, согласованность индикаторов, live-график, прогноз волатильности с доверительным интервалом, направление с фильтрами риска и фактическая точность прогнозов за последние дни. Планируется дублирующий канал – Telegram-панель с состоянием сервисов, свежестью данных и алертами.

07Ограничения

Система не отправляет ордера и не хранит торговые ключи – исполнение всегда ручное.
Прогнозы вероятностные; уверенность и историческая точность показываются рядом с сигналом.
Ничто на страницах проекта не является индивидуальной инвестиционной рекомендацией.

How TokSeq works

In short

TokSeq is an analytics system for the perpetual futures market (BTC, ETH, SOL). It collects market and context data around the clock, runs it through a set of analytical cores and shows the operator a picture of the market: current regime, expected volatility, direction and the degree of confidence.

The system does not trade. There are no exchange keys inside the loop and no orders are ever sent – decision and execution always stay with a human.

Every model goes live only after validation on historical data it has never seen. When data is missing or the market is outside a model's confidence zone, the system hides the signal and explains why – a deliberate principle, not a malfunction.

01Goals and positioning

The goal is an honest analytical assistant for a trader: not a "signal button" but a transparent pipeline from raw data to an explained conclusion. The project consists of two loops. The research loop on a dedicated workstation searches for and validates patterns on history. The live loop on a server applies only what has passed validation – autonomously, with no manual tuning.

02Data

The system collects its own data with no intermediaries:

exchange feed for perpetual futures – trades, order book, liquidations, candles, open interest, funding rate;
options market – implied volatility index and option price skew;
traditional markets – dollar index, stock indices, gold;
macroeconomics – rates, yield curve, money supply, fear index;
Bitcoin on-chain metrics – address activity, fees, hashrate;
news flow in dozens of languages and a macro event calendar.

Everything lands in a single storage with one rule: analytics sees closed bars only. Future data is never peeked at, neither in training nor in production – protection against the most common form of self-deception in quantitative research.

03Analytical cores

The analysis is split into ten independent cores. Each answers its own question and produces a signal with a value, a confidence level and an explanation:

Market regimeDetects the current state (trend, range, squeeze, etc.) and the probability of it changing within the next hour

VolatilityEstimates realized volatility, forecasts its magnitude and expansion probability; can veto directional signals

DirectionA committee of several models with independent signatures; the outcome is weighted voting with disagreement control

RiskComputes the protective stop level and admissible position size given the regime and expected volatility

StructureLevels, liquidity sweeps, range compressions, recurring price patterns

MicrostructureA "here and now" sensor: order book liquidity, trade flow, spread, liquidation cascades

State dynamicsHow states changed over recent hours – a transition feed and repeat streaks

ContextCrypto-to-macro relationships over a rolling window

NewsMultilingual headline tone scoring

Self-checkTracks the system's actual forecast accuracy and shows it to the user

04The honesty layer

A deterministic filter stands between the cores and the user. It can downgrade or hide any signal: stale data – the signal is not shown; abnormal volatility – directional conclusions are blocked; the market is in a state where the model historically had no edge – the signal is marked as outside the confidence zone. Every such decision comes with an explanation, so an "empty" screen is informative: you can see exactly what is missing.

Direction near the noise threshold is shown as is, without embellishment. Market state and volatility are what the system predicts most reliably – and that is what the core analytics is built on.

05The research loop

New ideas are validated on years of history using walk-forward: a model trains on the past and is tested on data it has never seen, with the window shifted repeatedly. Hypotheses additionally pass statistical tests against randomness and placebo comparisons. Survivors are registered in a registry with checksums: weights, calibrations and thresholds are frozen before going live and are never adjusted in hindsight.

Negative results are recorded on a par with positive ones: if a feature adds nothing, that is written down, and the same idea does not re-enter the system under a new name.

06What the user sees

The main interface is the board: a one-sentence situation summary, indicator agreement, a live chart, a volatility forecast with a confidence interval, direction with risk filters and the actual accuracy of recent forecasts. A backup channel is planned – a Telegram panel with service status, data freshness and alerts.

07Limitations

The system sends no orders and stores no exchange keys – execution is always manual.
Forecasts are probabilistic; confidence and historical accuracy are shown next to each signal.
Nothing on these pages constitutes individual investment advice.

ResearchOS: как устроено исследование

Исследовательский контур платформы

Коротко

ResearchOS – автономная исследовательская система на отдельной рабочей станции с GPU. Её задача – честно ответить на вопрос: есть ли в рыночных данных закономерности, которые переживают строгую статистическую проверку, и если да – довести их до пригодного к бою вида.

Система прогоняет тысячи вариантов моделей по годам истории методом walk-forward: каждая модель обучается на прошлом и проверяется на данных, которых никогда не видела. Выжившие проходят статистические гейты против случайности, сравнение с плацебо и повторную глубокую валидацию.

Большинство гипотез проверку не проходит – и это фиксируется как полноценный результат. Карта того, где преимущества нет, защищает от иллюзий не хуже, чем найденное преимущество.

01Зачем отдельный исследовательский контур

Боевая система и исследование разделены физически: live-контур работает на сервере, исследование – на локальной станции. Разделение убирает целый класс ошибок: боевая система не может «подглядеть» в будущее, а исследовательские эксперименты не могут случайно повлиять на работающие прогнозы. Между контурами существует ровно один мост – реестр зарегистрированных артефактов: обученных моделей с контрольными суммами, калибровками и порогами, зафиксированными до выхода в бой.

02Дисциплина эксперимента

Пре-регистрация. Семьи гипотез, метрики успеха и пороги фиксируются до запуска прогона. Задним числом критерии не меняются – ни для одной модели.
Walk-forward. Обучение строго на прошлом, проверка на будущем, многократный сдвиг окна. Между обучающей и проверочной выборками – защитные зазоры, исключающие утечку информации через соседние бары.
Только закрытые данные. Признаки считаются по закрытым барам; формулы признаков общие для исследования и боя, поэтому расхождение «в тесте работало, в бою нет» исключено конструктивно.
Честный учёт множественности. Когда проверяются тысячи вариантов, часть «найденного» – чистая удача. Статистика успеха корректируется на число попыток; каждая гипотеза дополнительно проходит перестановочные тесты и сравнение с плацебо-armом.

03Масштаб проверки

Годы историиМноголетние ряды по нескольким активам и семи таймфреймам, десятки признаковых блоков от теханализа до макроконтекста

Тысячи прогоновСемьи гипотез × наборы признаков × архитектуры моделей – от линейных и бустинговых до нейросетевых

Сотни часов вычисленийСуммарно более сотни часов работы станции, значительная часть – на GPU

Многослойные гейтыПерестановочные тесты, бутстреп, поправка на множественность, плацебо, глубокая кросс-валидация, форвард-период

04Комитеты вместо одиночных моделей

Одиночная модель на шумных финансовых данных ненадёжна: сегодня она выглядит сильной, завтра рассыпается. Поэтому кандидаты собираются в комитеты – ансамбли моделей с независимыми «подписями», где итог определяется взвешенным голосованием, а вес каждого участника зависит от его подтверждённой надёжности. Комитет, прошедший все гейты, дополнительно проверяется глубокой комбинаторной кросс-валидацией на переобучение и живёт форвард-период на данных, собранных уже после завершения исследования.

05Что исследование показало

Главный вывод кампании честен и не украшен: направление движения цены на коротких горизонтах предсказывается плохо – подавляющее большинство направленных гипотез не прошло статистические гейты, и это зафиксировано как валидная карта отсутствия преимущества. Устойчиво прогнозируемыми оказались состояние рынка и волатильность – на них и построена основная аналитика платформы. Узкий набор направленных конфигураций, переживший все проверки включая форвард, работает в боевом контуре под постоянным контролем фактической точности.

Отрицательные результаты фиксируются в отчёте наравне с положительными: проверенная и отвергнутая гипотеза не возвращается в систему под новым именем.

06Петля продолжается

Исследование не разовое: журнал решений боевой системы накапливает исходы, петля обратной связи находит контексты, где система ошибается чаще базовой частоты, и превращает их в очередь новых гипотез. Микроструктурные данные, накопив достаточную историю, пройдут те же гейты, что и всё остальное. Правило неизменно: в бой попадает только то, что пережило проверку вне обучающей выборки.

ResearchOS: how the research works

The platform's research loop

In short

ResearchOS is an autonomous research system running on a dedicated GPU workstation. Its job is to answer one question honestly: are there patterns in market data that survive rigorous statistical validation – and if so, to bring them to production-ready form.

The system runs thousands of model variants over years of history using walk-forward: every model trains on the past and is tested on data it has never seen. Survivors pass statistical gates against randomness, placebo comparisons and a second round of deep validation.

Most hypotheses fail – and that is recorded as a first-class result. A map of where no edge exists protects against illusions just as well as a found edge does.

01Why a separate research loop

The production system and the research are physically separated: the live loop runs on a server, the research on a local workstation. This separation removes a whole class of errors: the live system cannot peek into the future, and research experiments cannot accidentally affect running forecasts. Exactly one bridge exists between the loops – the registry of registered artifacts: trained models with checksums, calibrations and thresholds frozen before going live.

02Experimental discipline

Pre-registration. Hypothesis families, success metrics and thresholds are fixed before a run starts. Criteria are never changed in hindsight – for any model.
Walk-forward. Training strictly on the past, testing on the future, with the window shifted repeatedly. Protective gaps between training and test samples rule out information leakage through adjacent bars.
Closed data only. Features are computed on closed bars; feature formulas are shared between research and production, so "worked in the test, fails in production" is excluded by construction.
Honest multiplicity accounting. When thousands of variants are tested, part of what is "found" is pure luck. Success statistics are corrected for the number of attempts; every hypothesis additionally passes permutation tests and a placebo comparison.

03Scale of validation

Years of historyMulti-year series across several assets and seven timeframes, dozens of feature blocks from technical analysis to macro context

Thousands of runsHypothesis families × feature sets × model architectures – from linear and boosting models to neural networks

Hundreds of compute hoursOver a hundred workstation hours in total, a significant share on GPU

Layered gatesPermutation tests, bootstrap, multiplicity correction, placebo, deep cross-validation, a forward period

04Committees instead of single models

A single model on noisy financial data is unreliable: strong today, falling apart tomorrow. Candidates are therefore assembled into committees – ensembles of models with independent signatures, where the outcome is weighted voting and each member's weight depends on its confirmed reliability. A committee that passes all gates is additionally checked for overfitting with deep combinatorial cross-validation and lives through a forward period on data collected after the research was finished.

05What the research showed

The campaign's main conclusion is honest and unembellished: price direction on short horizons is hard to predict – the vast majority of directional hypotheses failed the statistical gates, and that is recorded as a valid map of absent edge. Market state and volatility proved reliably predictable – and that is what the platform's core analytics is built on. A narrow set of directional configurations that survived every check including the forward period runs in production under constant accuracy monitoring.

Negative results are recorded in the report on a par with positive ones: a tested and rejected hypothesis does not re-enter the system under a new name.

06The loop continues

The research is not a one-off: the production decision journal accumulates outcomes, the feedback loop finds contexts where the system errs more often than the base rate and turns them into a queue of new hypotheses. Microstructure data, once enough history is collected, will pass the same gates as everything else. The rule stands: only what survives out-of-sample validation goes live.