Telegram-бот для анализа и прогнозирования акций

Учебный проект по машинному обучению и автоматизации финансового анализа

Цель разработки

Разработать Telegram-бота, который позволяет пользователю:

• Получать прогноз цены акций на 30 дней вперёд;
• Получать рекомендации по покупке/продаже на основе прогноза;
• Рассчитывать условную прибыль от стратегии торговли;
• Всё это — в удобном интерфейсе мессенджера, без необходимости использовать специализированные платформы.

Проект демонстрирует применение трёх различных подходов к прогнозированию временных рядов: классической ML-модели, статистической модели и нейросети.

---

Основной функционал

1. Ввод данных

Пользователь указывает:

• Тикер компании (например, AAPL, TSLA, MSFT);
• Сумму условной инвестиции (в USD).

2. Анализ и прогноз

Бот автоматически:

• Загружает исторические данные за последние 2 года с Yahoo Finance;
• Обучает три модели:
  • Random Forest с лаговыми признаками;
  • Prophet (Meta);
  • LSTM (нейросеть);
• Выбирает лучшую модель по метрике MAPE (Mean Absolute Percentage Error).

3. Визуализация

Отправляет график с:

• Историей цен (последние 90 дней);
• Прогнозом на 30 дней вперёд.

4. Торговые рекомендации

Анализирует прогноз и предлагает:

• Дни для покупки (локальные минимумы);
• Дни для продажи (локальные максимумы);
• Расчёт потенциальной прибыли от суммы пользователя.

5. Логирование

Все запросы сохраняются в файл audit_logs.csv с деталями:

• ID пользователя, дата, тикер, сумма;
• Выбранная модель, значение MAPE, прибыль.

---

Технологический стек

• Python 3.9+
• aiogram - Telegram-бот фреймворк
• pandas/numpy - Обработка данных
• scikit-learn - Реализация Random Forest
• prophet - Прогнозирование временных рядов
• tensorflow - Нейронные сети LSTM
• yfinance - Yahoo Finance API
• matplotlib - Построение графиков

---

Особенности

• Три разных класса моделей — обеспечивает объективный выбор наилучшего подхода.
• Реальное время — все расчёты выполняются после запроса пользователя.
• Обработка ошибок — некорректные тикеры или суммы не ломают бота.
• Нет зависимости от внешних сервисов (кроме Yahoo Finance).
• Учебный характер — результаты не являются финансовыми рекомендациями.

---

Инструкция по развёртыванию

Требования

• Python 3.9–3.13 (внимание: для TensorFlow требуется Python ≤ 3.13)
• Доступ в интернет (для загрузки данных с Yahoo Finance)
• Telegram-аккаунт и BotFather для получения токена

---

Шаги по установке

1. Клонируйте репозиторий:

   git clone <url>
   cd StockBot

2. Создайте виртуальное окружение (рекомендуется):

   python -m venv venv
   source venv/bin/activate        # Linux/macOS
   # или
   venv\Scripts\activate          # Windows

3. Установите зависимости:

   pip install --upgrade pip
   pip install -r requirements.txt

   ⚠️ Если возникают проблемы с yfinance, выполните:

pip uninstall yfinance -y
pip install --no-cache-dir git+https://github.com/ranaroussi/yfinance.git@main

1. Настройте Telegram-бота:

   • Напишите @BotFather → /newbot

   • Скопируйте токен (например: 123456789:ABCdefGhIJKlmNoPQRsTUVwxyZ)

   • Создайте файл .env в корне проекта:

     TELEGRAM_BOT_TOKEN=ваш_токен_здесь

2. Запустите бота:

   python app.py

   Готово! Бот запущен и готов принимать запросы.

---

Использование бота

1. Найдите своего бота в Telegram по имени (указано при создании через BotFather).

2. Отправьте команду:

   /start
   

3. Следуйте инструкциям:

   • Введите тикер (например: AAPL);
   • Введите сумму инвестиций (например: 1000).

4. Дождитесь анализа (обычно 30–120 секунд, особенно при первом запуске LSTM).

5. Получите:

   • График прогноза;
   • Изменение цены через 30 дней;
   • Рекомендации по сделкам;
   • Расчёт прибыли.

Поддерживаются популярные тикеры: AAPL, MSFT, GOOGL, TSLA, AMZN, NVDA и др.

---

Важное примечание

• Результаты носят исключительно учебный характер.
• Бот не подключён к реальным биржам и не совершает сделок.
• Прогнозы основаны на исторических данных и могут быть неточными.
• Не используйте вывод бота как основу для реальных инвестиций.

---

Производительность моделей

Бот автоматически выбирает лучшую модель на основе MAPE:

• Random Forest: Хорош для краткосрочных паттернов, быстрое обучение
• Prophet: Отлично выявляет тренды и сезонность
• LSTM: Улавливает сложные нелинейные зависимости

Каждая модель оценивается на отложенной тестовой выборке (20% от обучающих данных) перед выбором.

---