dquant 0.1.0__tar.gz

dquant-0.1.0/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2026 Denis Makarov
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

dquant-0.1.0/PKG-INFO

@@ -0,0 +1,26 @@
+Metadata-Version: 2.4
+Name: dquant
+Version: 0.1.0
+Summary: ML library
+Author: Denis Makarov
+Project-URL: Homepage, https://github.com/artrdon/dquant
+Project-URL: Issues, https://github.com/artrdon/dquant/issues
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.7
+License-File: LICENSE
+Requires-Dist: cycler>=0.11.0
+Requires-Dist: joblib>=1.2.0
+Requires-Dist: lightgbm>=3.3.0
+Requires-Dist: matplotlib>=3.5.0
+Requires-Dist: numpy>=1.21.0
+Requires-Dist: onnx>=1.14.0
+Requires-Dist: onnxruntime>=1.15.0
+Requires-Dist: pandas>=1.5.0
+Requires-Dist: scikit-learn>=1.2.0
+Requires-Dist: skl2onnx>=1.14.0
+Requires-Dist: xgboost>=1.7.0
+Requires-Dist: onnxconverter-common>=1.9.0
+Requires-Dist: onnxmltools>=1.11.0
+Dynamic: license-file

dquant-0.1.0/README.md

@@ -0,0 +1,266 @@
+# dquant
+
+[![PyPI
+version](https://img.shields.io/pypi/v/dquant)](https://pypi.org/project/dquant/)
+[![Python](https://img.shields.io/pypi/pyversions/dquant)](https://pypi.org/project/dquant/)
+[![License](https://img.shields.io/github/license/USERNAME/dquant)](LICENSE)
+[![Downloads](https://img.shields.io/pypi/dm/dquant)](https://pypi.org/project/dquant/)
+[![Issues](https://img.shields.io/github/issues/USERNAME/dquant)](https://github.com/USERNAME/dquant/issues)
+
+**dquant** --- это Python‑библиотека для **автоматического
+прогнозирования волатильности финансовых временных рядов с помощью
+машинного обучения**.
+
+Библиотека берёт на себя весь ML‑пайплайн --- от сырых рыночных данных
+до готового прогноза:
+
+-   автоматический feature engineering\
+-   построение целевой переменной\
+-   корректное разделение временных рядов\
+-   обучение модели\
+-   визуализацию обучения\
+-   прогнозирование
+
+Цель проекта --- **сделать методы машинного обучения доступными
+трейдерам, количественным аналитикам и разработчикам торговых систем**.
+
+------------------------------------------------------------------------
+
+# Почему dquant
+
+В большинстве проектов по финансовому ML приходится писать сотни строк
+инфраструктурного кода:
+
+-   создание лагов
+-   построение признаков
+-   расчёт волатильности
+-   предотвращение look‑ahead bias
+-   корректная валидация временных рядов
+-   обучение моделей
+
+dquant автоматизирует этот процесс.
+
+То, что обычно требует десятков файлов и сотен строк кода, можно сделать
+так:
+
+``` python
+import yfinance as yf
+from dquant import VolatilityGB
+
+df = yf.download("AAPL", start="2020-01-01")
+
+model = VolatilityGB()
+model.fit(df, horizon=21)
+
+prediction = model.predict(df.tail(50))
+print(prediction)
+```
+
+------------------------------------------------------------------------
+
+# Основные возможности
+
+## Автоматический Feature Engineering
+
+При вызове `.fit()` библиотека автоматически создаёт признаки:
+
+**Лаги** - close lag 1, 2, 3, 5, 10, 20 - volume lag
+
+**Скользящие средние** - SMA - EMA
+
+**Историческая волатильность** - rolling standard deviation - historical
+volatility
+
+**Отношения цен** - high / low - close / open - (close − open) / close
+
+**Индикаторы волатильности** - ATR - Parkinson volatility -
+Rogers‑Satchell volatility
+
+**Временные признаки** - день недели - месяц - час (для intraday данных)
+
+**Технические индикаторы** - RSI - MACD - Bollinger Bands width
+
+Все признаки создаются **без использования будущих данных**.
+
+------------------------------------------------------------------------
+
+## Автоматическое построение таргета
+
+Целевая переменная --- реализованная волатильность на будущем горизонте.
+
+По умолчанию:
+
+    std(log_returns over horizon)
+
+Таргет автоматически сдвигается вперёд, чтобы исключить утечку
+информации.
+
+------------------------------------------------------------------------
+
+## Модели
+
+По умолчанию используется:
+
+**XGBoost**
+
+Также поддерживается:
+
+**LightGBM**
+
+Поддерживаются:
+
+-   early stopping
+-   ограничение числа деревьев
+-   валидация
+-   визуализация обучения
+
+------------------------------------------------------------------------
+
+## Визуализация обучения
+
+После `.fit()` можно построить график:
+
+-   ошибка train
+-   ошибка validation
+-   количество деревьев
+
+Это позволяет обнаружить:
+
+-   переобучение
+-   недообучение
+-   оптимальное число деревьев
+
+------------------------------------------------------------------------
+
+## Сохранение моделей
+
+    model.save("model.vol")
+    model.load("model.vol")
+
+Сохраняются:
+
+-   обученная модель
+-   признаки
+-   параметры
+-   конфигурация
+
+------------------------------------------------------------------------
+
+# Установка
+
+    pip install dquant
+
+Основные зависимости:
+
+-   pandas
+-   numpy
+-   scikit-learn
+-   xgboost
+-   lightgbm
+-   matplotlib
+
+------------------------------------------------------------------------
+
+# Быстрый старт
+
+``` python
+import yfinance as yf
+from dquant import VolatilityGB
+
+df = yf.download("AAPL", start="2020-01-01", end="2024-01-01")
+
+model = VolatilityGB()
+
+model.fit(
+    df,
+    horizon=21,
+    max_trees=300
+)
+
+last_data = df.iloc[-50:]
+
+prediction = model.predict(last_data)
+
+print(f"Ожидаемая волатильность: {prediction:.2%}")
+```
+
+------------------------------------------------------------------------
+
+# Кастомизация
+
+Можно передать собственную функцию генерации признаков:
+
+``` python
+def my_features(df):
+    df = df.copy()
+    df["ratio"] = df["high"] / df["low"]
+    df["volume_ma"] = df["volume"].rolling(5).mean()
+    return df
+
+model.fit(df, horizon=10, feature_engineering=my_features)
+```
+
+------------------------------------------------------------------------
+
+# Архитектура проекта
+
+    dquant/
+
+    volatility_gb.py
+    features.py
+    target.py
+    validation.py
+    plotting.py
+    metrics.py
+    config.py
+
+------------------------------------------------------------------------
+
+# Требования к данным
+
+Входные данные должны быть `pandas DataFrame`.
+
+Поддерживаемые столбцы:
+
+    open
+    high
+    low
+    close
+    volume
+
+Минимально:
+
+    close
+
+Требования:
+
+-   данные отсортированы по времени
+-   индекс числовой или DatetimeIndex
+
+------------------------------------------------------------------------
+
+# Roadmap
+
+Планируемые функции:
+
+-   LSTM модели
+-   Prophet
+-   автоматический подбор гиперпараметров (Optuna)
+-   прогноз волатильности портфеля
+-   real‑time данные
+-   интеграция с брокерскими API
+-   web dashboard
+
+------------------------------------------------------------------------
+
+# Сообщество
+
+Telegram чат:
+
+https://t.me/dquant_chat
+
+------------------------------------------------------------------------
+
+# Лицензия
+
+MIT License

dquant-0.1.0/pyproject.toml

@@ -0,0 +1,42 @@
+[build-system]
+requires = ["setuptools>=61.0", "wheel"]
+build-backend = "setuptools.build_meta"
+
+[project]
+name = "dquant"
+version = "0.1.0"
+authors = [
+  { name="Denis Makarov" },
+]
+description = "ML library"
+#readme = "README.md"
+requires-python = ">=3.7"
+classifiers = [
+    "Programming Language :: Python :: 3",
+    "License :: OSI Approved :: MIT License",
+    "Operating System :: OS Independent",
+]
+
+# Зависимости, которые будут установлены вместе с вашей библиотекой
+dependencies = [
+    "cycler>=0.11.0",
+    "joblib>=1.2.0",
+    "lightgbm>=3.3.0",
+    "matplotlib>=3.5.0",
+    "numpy>=1.21.0",
+    "onnx>=1.14.0",
+    "onnxruntime>=1.15.0",
+    "pandas>=1.5.0",
+    "scikit-learn>=1.2.0",
+    "skl2onnx>=1.14.0",
+    "xgboost>=1.7.0",
+    "onnxconverter-common>=1.9.0",
+    "onnxmltools>=1.11.0"
+]
+# Если нужны опциональные зависимости (например, для разработки)
+#[project.optional-dependencies]
+#dev = ["pytest", "black"]
+
+[project.urls]
+Homepage = "https://github.com/artrdon/dquant"
+Issues = "https://github.com/artrdon/dquant/issues"

dquant-0.1.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+