Trend-Following Momentum Strategy with Volatility Filtering Algorithm Example with Vis-Algo Boilerplate
This repository provides a lightweight, real-time visualization boilerplate for trading algorithm development. It is designed for researchers and developers to visualize signals immediately via TradingView's lightweight-charts interface. You can scale this infrastructure by routing data to high-performance Python backends (e.g., FastAPI with PyTorch/TensorFlow) or execute machine learning inferences client-side using JavaScript-based neural network frameworks.
If you intend to implement machine learning directly within the browser without setting up a Python backend service, utilize these frameworks:
- TensorFlow.js: https://www.tensorflow.org/js - Complete hardware-accelerated ecosystem for training and deploying deep learning models in JavaScript.
- Brain.js: https://brain.js.org/ - Simple, fast neural network library for JavaScript suited for feed-forward and LSTM architectures.
- Synaptic.js: http://caza.la/synaptic/ - Architecture-free neural network library for node.js and the browser, allowing generalized network topologies.
- RAFT (Retrieval-Augmented Time-Series Forecasting)
- Mechanics: Extracts historical sequence candidates from the database with patterns matching the current target lookback window, using past explicit representations to circumvent parameter bottlenecks.
- arXiv Link: https://arxiv.org/abs/2505.04163
- TSMixer (Lightweight All-MLP Architecture)
- Mechanics: Replaces heavy self-attention mechanisms with multi-layer perceptrons that mix features across temporal and channel dimensions, significantly reducing latency.
- arXiv Link: https://arxiv.org/abs/2303.06053
- SE-LLM (Semantic-Enhanced Large Language Model Forecasting)
- Mechanics: Embeds raw time-series components into textual prototypes, activating pre-trained language model transformers for cross-domain sequence mapping.
- arXiv Link: https://arxiv.org/abs/2508.07697
- RAF (Retrieval Augmented Forecasting for TSFMs)
- Mechanics: A zero-shot framework built for large Time-Series Foundation Models (e.g., Chronos, TimesFM) using cross-context retrieval to optimize forecasting steps.
- arXiv Link: https://arxiv.org/abs/2411.08249
- OLMAR (Online Moving Average Reversion)
- Mechanics: Predicts upcoming price-relative vectors assuming asset prices systematically revert to multi-period moving averages, solving a distance-minimizing portfolio distribution.
- arXiv Link: https://arxiv.org/abs/1212.2129
- PAMR (Passive Aggressive Mean Reversion)
- Mechanics: Formulates mean reversion using a passive-aggressive loss function, updating portfolio allocations dynamically when unexpected price movements exceed risk tolerances.
- arXiv Link: https://arxiv.org/abs/1212.2129
- Info-Proj EG (Information-Projection Exponentiated Gradient)
- Mechanics: Treats single-period Constant Relative Risk Aversion (CRRA) allocation choices as an information-projection optimization, updating transaction weights via Rényi divergence bounds.
- arXiv Link: https://arxiv.org/abs/2605.03184
This is under MIT License. Free to use commercially and personally.
Bu depo, ticaret algoritması geliştirme süreçleri için hafif ve gerçek zamanlı bir görselleştirme şablonu sunmaktadır. Araştırmacıların ve geliştiricilerin sinyalleri TradingView lightweight-charts arayüzü üzerinden anlık olarak izlemesi için tasarlanmıştır. Bu altyapıyı, verileri yüksek performanslı Python arka uçlarına (örneğin PyTorch/TensorFlow destekli FastAPI) yönlendirerek büyütebilir veya JavaScript tabanlı yapay sinir ağı kütüphaneleriyle doğrudan tarayıcı üzerinde makine öğrenimi çıkarımları yapabilirsiniz.
Bir Python sunucu altyapısı kurmadan makine öğrenimi modellerini doğrudan tarayıcı üzerinde çalıştırmak istiyorsanız aşağıdaki kütüphaneleri kullanabilirsiniz:
- TensorFlow.js: https://www.tensorflow.org/js - JavaScript ile derin öğrenme modelleri eğitmek ve dağıtmak için donanım hızlandırmalı ekosistem.
- Brain.js: https://brain.js.org/ - Feed-forward ve LSTM mimarileri için uygun, hızlı ve basit yapay sinir ağı kütüphanesi.
- Synaptic.js: http://caza.la/synaptic/ - Node.js ve tarayıcı için mimariden bağımsız, genel ağ topolojileri oluşturmaya izin veren kütüphane.
- RAFT (Retrieval-Augmented Time-Series Forecasting)
- Çalışma Mantığı: Veri tabanından mevcut veri penceresine en benzer geçmiş örüntü adaylarını çıkararak parametre darboğazlarını aşmak amacıyla model girdisine explicit geçmiş temsiller ekler.
- arXiv Bağlantısı: https://arxiv.org/abs/2505.04163
- TSMixer (Lightweight All-MLP Architecture)
- Çalışma Mantığı: Ağır self-attention katmanları yerine zaman ve kanal boyutlarında özellikleri harmanlayan çok katmanlı algılayıcılar (MLP) kullanarak işlem gecikmesini (latency) büyük ölçüde azaltır.
- arXiv Bağlantısı: https://arxiv.org/abs/2303.06053
- SE-LLM (Semantic-Enhanced Large Language Model Forecasting)
- Çalışma Mantığı: Zaman serisi bileşenlerini metinsel prototiplere dönüştürerek önceden eğitilmiş büyük dil modellerinin çoklu alan modelleme yeteneklerini zaman serisi tahminlemede kullanır.
- arXiv Bağlantısı: https://arxiv.org/abs/2508.07697
- RAF (Retrieval Augmented Forecasting for TSFMs)
- Mechanics: Büyük Zaman Serisi Temel Modelleri (Chronos, TimesFM gibi) için tasarlanmış, parametre ince ayarı yapmadan bağlamsal arama ile sonraki adımları optimize eden sıfır-atışlı (zero-shot) bir çerçevedir.
- arXiv Bağlantısı: https://arxiv.org/abs/2411.08249
- OLMAR (Online Moving Average Reversion)
- Çalışma Mantığı: Varlık fiyatlarının sistematik olarak çok periyotlu hareketli ortalamalarına geri döneceğini varsayarak gelecek fiyat vektörlerini tahmin eder ve mesafe minimizasyonu hedefleyen portföy dağılımları hesaplar.
- arXiv Bağlantısı: https://arxiv.org/abs/1212.2129
- PAMR (Passive Aggressive Mean Reversion)
- Çalışma Mantığı: Ortalamaya dönüşü pasif-agresif bir kayıp fonksiyonu ile formüle eder; beklenmeyen fiyat hareketleri risk tolerans limitlerini aştığında portföy dağılımlarını agresif bir şekilde günceller.
- arXiv Bağlantısı: https://arxiv.org/abs/1212.2129
- Info-Proj EG (Information-Projection Exponentiated Gradient)
- Çalışma Mantığı: Tek periyotlu Sabit Göreli Riskten Kaçınma (CRRA) seçimlerini bir bilgi projeksiyonu problemi olarak ele alır ve işlem ağırlıklarını Rényi diverjans sınırları üzerinden günceller.
- arXiv Bağlantısı: https://arxiv.org/abs/2605.03184
MIT Lisansı altındadır. Ücretsiz olarak ticari ve kişisel kullanılabilir.