Девять из десяти, кто лезет в квантовую торговлю, умирают на одном и том же месте. Не стратегия плохая — инфраструктура не собрана.

Ты тратишь три недели на то, чтобы написать парсер свечей с биржи. Потом ещё неделю — на расчёт скользящей средней. Потом выясняется, что RSI считается не так, как у всех. Потом нужен бэктест. Потом нужно это всё как-то скормить GPT, чтобы он помог с гипотезами.

А стратегия? До неё руки так и не дошли.

Проблема не в идеях, а в сантехнике

Я видел людей, которые бросили квантование не потому, что у них не было идей. У них было по три гипотезы в неделю. Они бросили, потому что каждая проверка гипотезы требовала 40 часов кодинга.

Посчитаем. Один индикатор — это:

• загрузка исторических данных;
• нормализация таймфреймов;
• сам расчёт;
• визуализация;
• прогон на истории;
• метрики.

Если ты делаешь это с нуля на Python — это вечер. На Go — два вечера. А индикаторов нужно хотя бы пять-семь, чтобы стратегия была не наивной.

Вот тут и появляется cinar/indicator.

Что это такое

Открытый Go-пакет. Один разработчик, турецкий инженер, собрал в нём больше 80 технических индикаторов. Всё в одном стиле, с одинаковыми интерфейсами, с тестами.

Список впечатляет:

• SMA, EMA, WMA, HMA — все скользящие;
• RSI, Stochastic, Williams %R — осцилляторы;
• MACD, Aroon, ADX — трендовые;
• Bollinger Bands, ATR, OBV — волатильность и объёмы;
• Ichimoku Cloud — целиком.

Плюс стратегии из коробки: Moving Average Crossover, MACD Strategy, RSI Strategy. Не нужно писать самому — бери и гоняй на истории.

Почему Go, а не Python

Python — это стандарт для прототипов. Но когда ты гоняешь бэктест на 5 годах минутных свечей, Python начинает задыхаться. Pandas ест память, циклы тормозят.

Go — компилируемый, статически типизированный, с горутинами. Бэктест, который в Python идёт 20 минут, на Go пролетает за 40 секунд. Для итераций по гипотезам это критично: чем быстрее цикл «идея → проверка → вывод», тем больше шансов найти рабочую стратегию.

И вот что важно: cinar/indicator написан так, что тебе не нужно быть Go-гуру. Читаешь примеры в README, копируешь, меняешь параметры.

MCP — мост к AI

Самое интересное в этом проекте — не индикаторы. А то, что автор прикрутил MCP-сервер.

MCP (Model Context Protocol) — это способ дать GPT или Claude доступ к внешним инструментам. Вместо того чтобы копировать CSV в чат и просить «проанализируй», ты подключаешь MCP-сервер, и модель сама дёргает индикаторы, сама считает, сама смотрит на графики.

Сценарий: ты говоришь Claude «проверь, как ведёт себя RSI на дневках BTC за последние два года, и предложи три идеи для стратегии». Модель через MCP обращается к cinar/indicator, получает данные, считает, отвечает.

Это убирает главный bottleneck — ручную подготовку данных для AI-анализа.

Как это монетизировать

Сам по себе пакет денег не приносит. Но он срезает 80% рутины. А сэкономленное время — это и есть деньги. Вот три проверенных пути.

Путь 1: сигнальный бот в Telegram

Берёшь cinar/indicator, собираешь бота, который раз в час проверяет 5–7 индикаторов на топ-10 монетах. Если сходятся сигналы — шлёт сообщение в канал.

Монетизация: подписка. 500–1500 ₽ в месяц с человека. Сто подписчиков — это уже 50–150 тысяч ₽ в месяц. Да, нужна аудитория. Но продукт собирается за выходные.

Путь 2: кастомные дашборды для трейдеров

Есть куча трейдеров, которые торгуют руками и смотрят на TradingView. Но им нужны свои индикаторы, свои алерты, свои фильтры. Ты собираешь веб-морду на Go + HTMX, подключаешь cinar/indicator, продаёшь как SaaS за 10–30 $ в месяц.

Один клиент — это 1 000–3 000 ₽. Десять клиентов — уже подработка. Пятьдесят — основная работа.

Путь 3: AI-ассистент для анализа портфеля

Самое перспективное. Подключаешь MCP-сервер к Claude или GPT, делаешь простой веб-интерфейс, где пользователь вводит свой портфель. AI через MCP считает индикаторы, оценивает риски, предлагает ребалансировку.

Цена: 2 000–5 000 ₽ в месяц. Рынок — частные инвесторы, которым лень самим разбираться. В России и СНГ таких сотни тысяч.

С чего начать прямо сегодня

1. Клонируй репозиторий: github.com/cinar/indicator
2. Прочитай README — там есть готовые примеры для SMA, RSI, MACD.
3. Скачай исторические данные с Binance через публичное API (бесплатно, без ключей).
4. Прогони готовую стратегию Moving Average Crossover на дневках BTC за 3 года.
5. Посмотри на метрики: доходность, максимальная просадка, количество сделок.

Это займёт два часа. Через два часа у тебя будет первый бэктест. А дальше — итерации.

Главное

Не пытайся написать свой RSI с нуля. Не пытайся собрать свой бэктест-фреймворк. Всё это уже сделано, протестировано и лежит в открытом доступе.

Твоя задача — не сантехника. Твоя задача — гипотезы, проверка, монетизация.

Бери cinar/indicator, подключай MCP, и пусть AI помогает тебе искать закономерности. А время, которое ты раньше тратил на настройку, вложи в то, что реально приносит деньги.