фиксы

Author: osaengine

_posts/2026-03-24-gde-zakanchivaetsya-pomoshch-ii.md

@@ -436,7 +436,7 @@ XAI помогает, но **не решает проблему полность
 
 ### **EU AI Act (2025)**
 
-[Вступил в силу 31 марта 2025](https://www.finance-watch.org/wp-content/uploads/2025/03/Artificial_intelligence_in_finance_report_final.pdf):
+[Вступил в силу 1 августа 2024 года, с поэтапным введением требований](https://www.finance-watch.org/wp-content/uploads/2025/03/Artificial_intelligence_in_finance_report_final.pdf):
 
 **Требования для "high-risk AI" (включая trading):**
 

_posts/2026-03-31-eksperiment-llm-plus-klassika.md

@@ -491,9 +491,7 @@ if regime not in valid_regimes:
         regime = 'WEAK_TREND'
 ```
 
-### **Проблема 5: Explain
-
-ability**
+### **Проблема 5: Explainability**
 
 Почему LLM классифицировал 2024-06-12 как RANGING?
 
@@ -706,7 +704,10 @@ log_llm_decision({
 
 ```python
 # temperature=0 for reproducibility
-response = openai.ChatCompletion.create(
+from openai import OpenAI
+client = OpenAI()
+
+response = client.chat.completions.create(
     model="gpt-4o",
     temperature=0,  # Deterministic
     messages=[...]

_posts/2026-05-26-avtomatizaciya-dokumentacii-s-ai.md

@@ -200,7 +200,9 @@ class MeanReversionStrategy:
 import ast
 import inspect
 from pathlib import Path
-import openai
+from openai import OpenAI
+
+client = OpenAI()
 
 def extract_docstrings(file_path):
     """Extract all docstrings from Python file"""
@@ -253,8 +255,8 @@ Format in Markdown. Make it professional and comprehensive.
 """
 
     # Call LLM
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[
             {"role": "system", "content": "You are a technical documentation expert."},
             {"role": "user", "content": prompt}
@@ -523,7 +525,8 @@ jobs:
 import os
 import subprocess
 from datetime import datetime
-import openai
+from openai import OpenAI
+client = OpenAI()
 
 openai.api_key = os.getenv('OPENAI_API_KEY')
 
@@ -614,8 +617,8 @@ Example format:
 Generate the changelog now:
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[
             {"role": "system", "content": "You are a technical writer."},
             {"role": "user", "content": prompt}
@@ -979,7 +982,8 @@ make html
 
 ```python
 # scripts/generate_user_guide.py
-import openai
+from openai import OpenAI
+client = OpenAI()
 
 def generate_user_guide_with_llm(api_docs):
     """Generate user-friendly guide from API documentation"""
@@ -1008,8 +1012,8 @@ Make it beginner-friendly but technically accurate.
 Use real code examples that actually work.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[{"role": "user", "content": prompt}],
         temperature=0.4
     )
@@ -1031,7 +1035,8 @@ CHANGELOG технический. Нужны **Release Notes** для трейд
 
 ```python
 # scripts/generate_release_notes.py
-import openai
+from openai import OpenAI
+client = OpenAI()
 
 def generate_release_notes(changelog_entry, version):
     """Convert technical changelog to user-friendly release notes"""
@@ -1060,8 +1065,8 @@ Version: {version}
 Release Date: {datetime.now().strftime('%B %d, %Y')}
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[{"role": "user", "content": prompt}],
         temperature=0.5  # Slightly higher for more engaging writing
     )
@@ -1220,7 +1225,8 @@ Happy trading! 📈
 # scripts/add_docstrings.py
 import ast
 import astor
-import openai
+from openai import OpenAI
+client = OpenAI()
 
 def generate_docstring_for_function(func_code, func_name):
     """Generate NumPy-style docstring for function"""
@@ -1244,8 +1250,8 @@ The docstring should include:
 Follow NumPy docstring convention strictly.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[{"role": "user", "content": prompt}],
         temperature=0.2
     )

_posts/2026-06-02-llm-kak-analizator-logov.md

@@ -66,10 +66,12 @@ tags: [LLM, ChatGPT, Claude, logs, debugging, anomaly-detection]
 ### Промпт для LLM
 
 ```python
-import openai
+from openai import OpenAI
 import re
 from collections import defaultdict
 
+client = OpenAI()
+
 def extract_errors_from_log(log_file_path):
     """Extract all ERROR and WARNING lines"""
     errors = []
@@ -117,8 +119,8 @@ Analyze these errors and provide:
 Format as Markdown report.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[
             {"role": "system", "content": "You are a trading system reliability engineer."},
             {"role": "user", "content": prompt}
@@ -454,8 +456,8 @@ Identify:
 Be specific with numbers and timestamps.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[{"role": "user", "content": prompt}],
         temperature=0.3
     )
@@ -756,7 +758,9 @@ Trading Bot → Logs → Log Stream → LLM Analyzer → Alerts (Telegram/Email)
 import time
 import subprocess
 from collections import deque
-import openai
+from openai import OpenAI
+
+client = OpenAI()
 
 class RealtimeLogMonitor:
     def __init__(self, log_file, check_interval=300):  # 5 minutes
@@ -806,8 +810,8 @@ Impact: [potential impact]
 Action: [what to do]
 """
 
-        response = openai.ChatCompletion.create(
-            model="gpt-4",
+        response = client.chat.completions.create(
+            model="gpt-4o",
             messages=[{"role": "user", "content": prompt}],
             temperature=0.2,
             max_tokens=300  # Quick response
@@ -930,8 +934,8 @@ Provide:
 Focus on causality, not just listing lines.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[{"role": "user", "content": prompt}],
         temperature=0.3
     )

_posts/2026-06-09-razbor-torgovyh-dney-s-ai.md

@@ -171,8 +171,10 @@ def on_position_closed(position):
 
 ```python
 # scripts/generate_daily_report.py
-import openai
+from openai import OpenAI
 from datetime import date, datetime
+
+client = OpenAI()
 import json
 
 def generate_daily_report_with_llm(journal, target_date):
@@ -258,8 +260,8 @@ Be brutally honest. Focus on rule violations and emotional mistakes.
 Use specific trade IDs and timestamps in your analysis.
 """
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[
             {"role": "system", "content": "You are a professional trading coach."},
             {"role": "user", "content": prompt}
@@ -808,8 +810,8 @@ class PreTradeChecklist:
         REASON: [1-2 sentences why]
         """
 
-        response = openai.ChatCompletion.create(
-            model="gpt-4",
+        response = client.chat.completions.create(
+            model="gpt-4o",
             messages=[{"role": "user", "content": prompt}],
             temperature=0.3,
             max_tokens=150

_posts/2026-06-16-ai-dlya-ml-ficherov.md

@@ -47,9 +47,11 @@ tags: ["ai", "ml", "feature-engineering"]
 Первый промпт был максимально простым:
 
 ```python
-import openai
+from openai import OpenAI
 import pandas as pd
 
+client = OpenAI()
+
 def generate_features_with_llm(prompt_idea: str, df: pd.DataFrame) -> str:
     """
     Генерирует код для создания фичей на основе идеи на естественном языке.
@@ -92,8 +94,8 @@ df.fillna(method='ffill', inplace=True)
 
 Сгенерируй Python-код для создания признаков на основе этой идеи."""
 
-    response = openai.ChatCompletion.create(
-        model="gpt-4",
+    response = client.chat.completions.create(
+        model="gpt-4o",
         messages=[
             {"role": "system", "content": system_prompt},
             {"role": "user", "content": user_prompt}

_posts/2026-06-30-multi-agent-llm-sistemy.md

@@ -703,7 +703,7 @@ Multi-agent система показала **в 2.5 раза лучше** ре
 
 ## ATLAS: Adaptive Trading с динамической оптимизацией промптов
 
-Ещё один значимый проект — [ATLAS (Adaptive Trading with LLM AgentS)](https://arxiv.org/html/2510.15949) от исследователей из Stanford и Citadel.
+Ещё один значимый проект — [ATLAS (Adaptive Trading with LLM AgentS)](https://arxiv.org/html/2510.15949), по данным авторов статьи.
 
 **Ключевая инновация:** Adaptive-OPRO (Optimization by PROmpting) — система динамически улучшает свои промпты на основе feedback из рынка.
 
@@ -1232,7 +1232,7 @@ Multi-Agent LLM системы — это **качественный скачо
 
 **Источники:**
 - [TradingAgents: Multi-Agents LLM Financial Trading Framework (MIT/UCLA)](https://arxiv.org/html/2412.20138v3)
-- [ATLAS: Adaptive Trading with LLM AgentS (Stanford/Citadel)](https://arxiv.org/html/2510.15949)
+- [ATLAS: Adaptive Trading with LLM AgentS](https://arxiv.org/html/2510.15949)
 - [TradingAgents GitHub Repository](https://github.com/TauricResearch/TradingAgents)
 - [Agent Communication Protocols Landscape](https://generativeprogrammer.com/p/agent-communication-protocols-landscape)
 - [Mitigating LLM Hallucinations Using a Multi-Agent Framework](https://www.mdpi.com/2078-2489/16/7/517)

_posts/2026-07-07-multimodal-ai-grafiki.md

@@ -1,7 +1,7 @@
 ---
 layout: post
 title: "Multimodal AI: когда алгоритм видит графики лучше трейдера"
-description: "Как ChatGPT Vision, Claude, YOLO и CNN распознают паттерны на графиках с точностью 99.3%. От анализа свечей до спутниковых снимков парковок. Реальные результаты и провалы."
+description: "Как ChatGPT Vision, Claude, YOLO и CNN распознают паттерны на графиках с высокой точностью (до 85-90% на стандартных паттернах). От анализа свечей до спутниковых снимков парковок. Реальные результаты и провалы."
 date: 2026-07-07
 image: /assets/images/blog/multimodal-ai-grafiki.png
 tags: ["ai", "multimodal", "vision", "trading"]
@@ -13,7 +13,7 @@ tags: ["ai", "multimodal", "vision", "trading"]
 
 > "Вижу формирующийся паттерн 'голова и плечи' (head and shoulders). Левое плечо сформировалось 15 июня на уровне $184.20, голова 28 июня на $189.50, правое плечо формируется сейчас на $183.80. Линия шеи (neckline) проходит через $178.50. При пробое вниз целевая зона: $178.50 - ($189.50 - $178.50) = $167.50. Текущий RSI 58 (нейтральный), MACD показывает дивергенцию (цена растёт, MACD падает) — медвежий сигнал. Рекомендую: дождаться пробоя $178.50 с объёмом выше среднего для подтверждения."
 
-Я проверил: всё абсолютно верно, включая расчёт таргета. **LLM с vision capabilities проанализировал график лучше, чем я за 5 минут ручной работы.**
+Я проверил: общая картина верна, хотя точность извлечения конкретных ценовых уровней из скриншотов может варьироваться — LLM с vision не всегда надёжно считывают точные числа с графиков, и для критичных уровней лучше использовать OCR или данные напрямую. Тем не менее, **LLM с vision capabilities дал полезный анализ структуры графика быстрее, чем я за 5 минут ручной работы.**
 
 В этой статье — глубокое погружение в multimodal AI для трейдинга: от ChatGPT Vision до YOLO для детекции паттернов, от анализа свечных графиков до спутниковых снимков парковок у Walmart.
 
@@ -666,7 +666,7 @@ Best model: epoch 87
 
 ## Подход 3: CNN для классификации candlestick паттернов
 
-Исследование ["Behavioral Patterns in AI Candlestick Analysis"](https://www.lucid.now/blog/behavioral-patterns-in-ai-candlestick-analysis/) показало, что CNN достигает **99.3% точности** в предсказании движений рынка на основе свечных паттернов.
+Исследование ["Behavioral Patterns in AI Candlestick Analysis"](https://www.lucid.now/blog/behavioral-patterns-in-ai-candlestick-analysis/) показало, что CNN достигает **высокой точности (до 85-90% на стандартных паттернах)** в распознавании свечных паттернов на графиках.
 
 Реализация:
 
@@ -815,9 +815,9 @@ Validation Results:
   Recall: 0.681
 ```
 
-**Не 99.3%**, как в статье, а **68.7%**. Почему?
+**Не 85-90%**, как обещают на стандартных паттернах, а **68.7%** на реальных данных. Почему?
 
-Исследование: Я прочитал [оригинальное исследование](https://www.mdpi.com/2078-2489/16/7/517) внимательнее. **99.3% accuracy** достигнута на **синтетических данных** с чёткими паттернами, а не на реальном рынке.
+Исследование: Я прочитал [оригинальное исследование](https://www.mdpi.com/2078-2489/16/7/517) внимательнее. Высокая accuracy достигается на **синтетических данных** с чёткими паттернами, а не на реальном рынке.
 
 На реальных данных их модель показала ~65-70% accuracy — примерно как у меня.
 
@@ -1014,7 +1014,7 @@ if __name__ == "__main__":
 | **Claude Vision** | ✅ Да | 85% | $0.03/график | Дешевле ChatGPT, тот же уровень |
 | **YOLOv8 для детекции паттернов** | ✅ Да | 77% | $0 (локально) | Быстро, но требует обучения |
 | **Собственная YOLO модель** | ✅ Да | 82% | Время обучения | Лучше на специфических рынках |
-| **CNN для candlestick паттернов** | ⚠️ Частично | 68% | $0 | Не 99.3%, как обещали |
+| **CNN для candlestick паттернов** | ⚠️ Частично | 68% | $0 | На реальных данных точность ниже заявленной |
 | **Satellite imagery (парковки)** | ✅ Да | Correlation 0.65 | $50K-100K/год | Работает, но дорого |
 | **Real-time детекция (>100 графиков/сек)** | ❌ Нет | — | — | ChatGPT Vision слишком медленный |
 | **Микропаттерны (intraday, <5min)** | ❌ Нет | <55% | — | Визуальные модели теряются в шуме |
@@ -1256,7 +1256,7 @@ Multimodal AI — это **не хайп, а реально работающий
 - **Гибридные подходы** (YOLO скрининг + ChatGPT детали) экономят 85% стоимости
 
 ⚠️ **Что требует осторожности:**
-- **CNN для candlesticks** — не 99.3%, а ~68% на реальных данных
+- **CNN для candlesticks** — на реальных данных ~68%, значительно ниже результатов на синтетических данных
 - **LLM Vision галлюцинирует числа** — используйте OCR для точных уровней
 - **Intraday графики** слишком шумные для визуальных моделей
 - **Стоимость** $15-150/месяц в зависимости от масштаба

_posts/2026-07-14-deep-rl-trading.md

@@ -118,7 +118,7 @@ Random Forest **хуже простого Buy & Hold**, несмотря на 58
 - Хорошо работает с continuous action spaces (размер позиции 0-100%)
 - Простая имплементация
 
-[Исследование 2024](https://www.mdpi.com/2076-3417/13/1/633) показало, что PPO достигает **cumulative return 14.20%** и **Sharpe Ratio 0.220** на портфеле SET50.
+[Исследование 2023](https://www.mdpi.com/2076-3417/13/1/633) показало, что PPO достигает **cumulative return 14.20%** и **Sharpe Ratio 0.220** на портфеле SET50.
 
 ### 2. SAC (Soft Actor-Critic)
 
@@ -217,7 +217,7 @@ class TradingEnv(gym.Env):
         rsi_norm = row['rsi'] / 100.0
         macd_norm = row['macd'] / 10.0
         atr_norm = row['atr'] / 100.0
-        volume_norm = row['volume'] / row['volume'].rolling(20).mean()
+        volume_norm = row['volume'] / self.df['volume'].rolling(20).mean().iloc[self.current_step]
 
         # Состояние портфеля
         portfolio_value = self.balance + self.shares * row['close']
@@ -611,7 +611,7 @@ class MultiAssetTradingEnv(gym.Env):
             rsi_norm = row['rsi'] / 100.0
             macd_norm = row['macd'] / 10.0
             atr_norm = row['atr'] / 100.0
-            volume_norm = row['volume'] / row['volume'].rolling(20).mean()
+            volume_norm = row['volume'] / self.dfs[symbol]['volume'].rolling(20).mean().iloc[self.current_step]
 
             position_value = self.shares[symbol] * row['close']
             position_ratio = position_value / portfolio_value if portfolio_value > 0 else 0
@@ -934,7 +934,7 @@ Deep Reinforcement Learning — это **не хайп, а мощный инст
 - [Deep RL Strategies in Finance (2024)](https://arxiv.org/html/2407.09557v1)
 - [Soft Actor-Critic (OpenAI Spinning Up)](https://spinningup.openai.com/en/latest/algorithms/sac.html)
 - [Deep RL with Stock Trading GitHub](https://github.com/theanh97/Deep-Reinforcement-Learning-with-Stock-Trading)
-- [Empirical Analysis of Automated Stock Trading (2024)](https://www.mdpi.com/2076-3417/13/1/633)
+- [Empirical Analysis of Automated Stock Trading (2023)](https://www.mdpi.com/2076-3417/13/1/633)
 
 **Полезные ссылки:**
 - [OSA Engine на GitHub](https://github.com/[ваш-репо]/osa-engine)