--- title: 'I Gave AI My Trading Data… It Found This' source: 'https://youtube.com/watch?v=D_j2LeQ5Duw' video_id: 'D_j2LeQ5Duw' date: 2026-08-30 duration_sec: 482 channel: 'The Moving Average' --- # I Gave AI My Trading Data… It Found This > Source: [I Gave AI My Trading Data… It Found This](https://youtube.com/watch?v=D_j2LeQ5Duw) ## Summary The video demonstrates how AI can be used to analyze trading backtest data, revealing hidden insights that would be impractical to uncover manually. The creator shares a case study where AI identified specific days and times that significantly improved a strategy's performance, while also warning about the dangers of overfitting. ### Key Points - **The Problem with Manual Data Analysis** [00:02] — The creator explains that manually analyzing backtest data to understand why a strategy works is extremely time-consuming, potentially taking 45 days at 4 hours per day. - **AI's Strength in Data Analysis** [00:28] — AI is exceptionally good at analyzing data, and the creator wants to show how this can be applied to trading strategy evaluation. - **Testing a Specific Strategy** [00:42] — The creator tested a strategy using the 'Buyell' indicator on a 30-minute chart, from January 2023 to the present, to understand current market dynamics. - **The 'Why' Behind the Profit** [01:23] — The creator emphasizes the need to know not just if a strategy is profitable, but why it makes money, including which directions, days, and times perform best. - **Handing Data to AI** [02:15] — The creator gave the entire backtest file to AI and asked it to analyze the data, which quickly revealed key statistics. - **Initial AI Findings** [02:27] — The dataset had 776 completed trades, with only 95 winners (12.2% win rate), but the average winning trade was 9.6 times larger than the average losing trade, resulting in a profit of approximately $2700 with a profit factor of 1.3. - **Direction Analysis** [02:54] — AI split the trades into long and short positions: 389 long and 387 short. Long positions generated $2389 in profit, while short positions only $321. - **Day-of-Week Analysis** [03:20] — AI broke down performance by day of the week. Monday, Tuesday, and Thursday were profitable, Friday was a loss, but Wednesday alone accounted for nearly $1500 in profit—more than half of all historical profit. - **Time-of-Day Analysis** [03:48] — AI analyzed entry times and found that the period from 9:30 AM to 1:30 PM was one of the most effective trading windows. - **Adding Filters and Retesting** [04:14] — The creator added day-of-week filters to the indicator (with AI's help) and retested using only Wednesday. The win rate improved to 17.7%, and the profit factor rose to 1.96. - **Combining Filters** [04:41] — Combining Wednesday with the 9:30-1:30 time window resulted in 44 trades, 12 winners (27.2% win rate), and a profit factor of 3.7. - **The Overfitting Warning** [05:08] — The creator cautions that this process is optimization and can lead to overfitting. Continuing to add filters (e.g., specific hours, short-only, weather conditions) would create a perfect backtest that fails in live trading. - **The Real Value of AI** [05:48] — The video's core message is not about finding a profitable strategy, but about how quickly AI can help analyze data. The process that would take 45 days manually was done in seconds by talking to the computer. - **AI's True Role for Traders** [06:18] — AI is most useful for data analysis, not for predicting the next candle or giving magic strategies. It helps traders decipher what's useful and what's not. - **AI as a Research Partner** [06:45] — AI can suggest questions you didn't think to ask, leading to a scientific research process where each answered question reveals new ones. - **The Importance of Stopping** [06:58] — The key is knowing when to stop optimizing. Rules must be fixed and validated on out-of-sample data to avoid overfitting. - **Hypothesis Testing** [07:13] — The creator plans to treat the findings as a hypothesis and test it on unseen data, such as a different currency pair or index, to see if it holds up. - **Final Advice** [07:41] — Traders who only use AI for writing PineScript code are ignoring one of its most useful capabilities. They should provide their data and start asking questions, as hidden insights can be more valuable than the headline numbers. ### Conclusion AI is a powerful tool for traders to analyze backtest data, uncovering insights that would be impractical to find manually. However, it's crucial to avoid overfitting by treating findings as hypotheses and validating them on out-of-sample data. ## Transcript сам. Мне бы тогда исполнилось сто лет. Большинство трейдеров вероятно, задаёте вопросы вроде: «Какая стратегия лучшая? Куда завтра двинется курс евро к доллару США ? Посоветуйте стратегию с 90% вероятностью успеха». И я думаю, что это, использования ИИ в торговле, потому что есть кое-что, в чем ИИ невероятно хорош. И на то, чтобы штука анализирует данные. И я хочу показать вам, что именно я имею в виду, потому что вчерашнее видео заставило меня сильно задуматься над этой темой. Я использовал стратегий. А конкретная настройка этого индикатора Buyell имеет огромное соотношение риска и прибыли на более высоком временном интервале, таком как 30-входовой график. И я намеренно тестировал это только с января 2023 года по сегодняшний день. Я мог бы вернуться гораздо дальше в прошлое, но меня больше интересует, как это покажет себя в данном временном диапазоне, поскольку это более актуально для понимания динамики рынка в наши дни. Как вы уже рынки сейчас крайне реактивны. Я провел тестирование на исторических данных, и TradingView каждый раз выдавал мне сотни сделок , все выходы, длинные и короткие позиции, убытки, выигрыши — все было на месте. Проблема в том, что же мне, черт возьми, делать с этими данными? Потому что общий результат — это только начало. Мне нужно знать не просто, принесла ли стратегия прибыль. Я хочу знать, почему это принесло деньги. Возможно, длинные брюки подходят лучше, чем короткие. Возможно, понедельник ужасный. Возможно, пятница ужасная. Возможно, стратегия работает утром, но полностью проваливается во второй половине дня. Возможно, вся прибыль была получена за один нелепый месяц в 2023 году, и с тех пор компания постоянно терпит убытки . Вот что меня интересует. Технически, я могу во всем этом разобраться сам. Мне бы тогда исполнилось сто лет. Мне бы пришлось буквально построчно просматривать каждый из этих CSV-файлов, создавать формулы, доставать калькулятор, отделять выигрышные сделки от проигрышных, сортировать все по дате, сортировать каждую сделку по часам, рассчитывать процент выигрышных сделок для каждого часа и повторять это день за днем, а затем год за годом. Затем нужно было бы проанализировать длинные и короткие позиции, рассчитать среднее количество выигрышных сделок, среднее количество проигрышных сделок, коэффициент прибыли, серии проигрышей, и в конце концов я получил бы ответ. Но при проведении сотен тысяч сделок в рамках тестирования стратегии это превращается в настоящую головную боль . Поэтому я передал весь файл искусственному интеллекту и, по сути, сказал: «Проанализируйте данные и скажите, что вы видите». И вот тут-то всё стало интереснее. Исходный набор данных содержал 776 завершенных сделок. Победителями стали всего 95 человек. Это означает, что процент выигрышей составляет 12,2%. Это звучит невероятно ужасно, за исключением того, что средний выигрышный раунд был примерно в 9,6 раз больше среднего проигрышного раунда. И внезапно этот 12-процентный показатель побед приобретает совершенно другое значение. В ходе тестирования эта стратегия принесла приблизительно 2700 долларов с коэффициентом прибыли 1,3. которую мне только что предоставила компания Trading. Я хотел, чтобы ИИ работал глубже. Поэтому я спросил, какое направление показывает лучшие результаты, и в течение нескольких секунд система разделила все длинные и короткие позиции. Количество сделок было практически одинаковым: позиции. Количество сделок было практически одинаковым: 389 длинных позиций и 387 коротких. 389 длинных позиций и 387 коротких. Однако прибыль от длинных позиций составила примерно 2389 долларов . Короткие позиции 321. Это то, что я мог бы совершенно упустить из виду, просто попросил разбить данные по дням недели, потому что знаю, что понедельники и пятницы для меня ужасны, когда я торгую вручную. И вот тут-то все стало еще интереснее. В понедельник принесли прибыль. Во вторник принесли прибыль. В четверг принесли прибыль. В пятницу компания понесла убытки. Но только в среду прибыль составила почти 1500 долларов. Более половины всей исторической прибыли по этой стратегии было получено от сделок, совершенных в один из дней недели. Теперь мы приближаемся к цели вопрос. В какое время суток результаты оказываются наилучшими? И вместо того, чтобы мне вручную сортировать 776 временных меток, ИИ проанализировал время входа в каждую сделку и начал сравнивать разные временные блоки. Один из самых широких и эффективных периодов, который удалось обнаружить, — это примерно с 9:30 утра до 13:30 дня. Таким образом, теперь у меня было два источника информации. В среду ожидается необычно многолюдно, особенно в период с 9:30 до 13:30 . Поэтому я вернулся к индикатору и добавил еще один фильтр, в чем мне также помог ИИ, потому что я совершенно ничего не смыслю в программировании. Я добавил отдельные переключатели для понедельника, вторника, я могу буквально включать и выключать отдельные торговые дни в индикаторе. Затем я повторно провел тест, используя только среду. Первоначальная стратегия имела среду. Первоначальная стратегия имела процент успешных сделок 12,2%. Только в среду этот показатель составил 17,7%. Коэффициент прибыльности вырос с 1,3 до 1,96, а самая длинная полоса убытков резко сократилась. Затем я объединил среду с этим конкретным временным промежутком, с 9:30 до 13:30. И теперь исторический результат до 13:30. И теперь исторический результат стал абсурдным. Всего 44 сделки, 12 стал абсурдным. Всего 44 сделки, 12 выигрышных, 32 проигрышных, показатель выигрыша 27,2% при стратегии, где средний выигрышный результат примерно в 10 раз превышает средний проигрышный. а исторический коэффициент рентабельности подскочил до 3,7. И вот здесь мне нужно кое-что предельно ясно прояснить. Я не просто волшебным образом открыл торговую стратегию с коэффициентом прибыли 3,7, потому что в моих действиях была огромная проблема . Я проанализировал исторические данные, определил день с наилучшими показателями, нашел временной интервал с наилучшими показателями, а затем объединил их. Это и есть оптимизация. Если я буду продолжать в том же духе, по средам с 10:30 до 12:30, только короткие сделки, поскольку статистически они оказались более выгодными, только когда в Германии идет дождь, только когда полнолуние, в конце концов я создам самый лучший бэктест, который вы когда-либо видели, и начну по нему торговать. Это называется переобучением. А искусственный интеллект на самом деле упрощает процесс переобучения, потому что позволяет быстро анализировать множество комбинаций . Итак, суть этого видео не в том, чтобы показать: «Искусственный интеллект нашел мне прибыльную стратегию». Суть в том, как быстро ИИ помог мне разобраться в данных. ИИ помог мне разобраться в данных. Весь этот процесс, если делать всё вручную, занял бы у меня около 45 дней, по 4 часа в день. Вместо этого я могу загрузить данные о сделках, буквально поговорить с компьютером, произнести реальные английские фразы, например, какой день показал лучшие результаты, разбить данные по годам, лучше ли короткие позиции, чем длинные, и за считанные секунды, буквально за секунды, я получу ответ. Именно здесь, на мой взгляд, ИИ становится невероятно полезен для трейдеров. Не буду предсказывать следующую свечу, не дам вам никакой волшебной стратегии и не буду спрашивать у Чада GPT, стоит ли вам покупать биткоин. Анализ данных. Вы генерируете данные. Искусственный интеллект помогает вам анализировать информацию, расшифровывать её и показывать, что полезно, а что — полная чушь. И есть еще одно преимущество, которое, как мне кажется, многие недооценивают. Иногда искусственный интеллект может подсказать вам вопрос, о котором вы даже не подозревали эта стратегия прибыльной. Затем ИИ обнаружил разницу между длинными и короткими днями, затем разницу, связанную со средой, а затем разницу во времени суток . На каждый отвеченный вопрос появлялся новый. Именно так и должны работать научные исследования. Единственное, на что нужно обратить внимание, это умение вовремя остановиться, интересное, необходимо зафиксировать правила и проверить их на данных, которые не использовались для их обнаружения. В противном случае, вы просто разрабатываете стратегию, которая идеально с этим и собираюсь сделать. Я не буду продолжать оптимизировать среду, пока не добьюсь 90% успеха. Я буду рассматривать полученные нами данные как гипотезу. Затем мы увидим, подтвердится ли эта гипотеза на данных, которые она ранее не встречала, например, на совершенно другой паре или совершенно другом индексе. Потому что если это произойдёт, тогда всё станет по-настоящему интересно. Но независимо от того, вы проводите тестирование стратегий и используете ИИ только для написания кода на Pinescript, вы, вероятно, игнорируете одну из самых полезных возможностей. Предоставьте данные и начните задавать вопросы, потому что информация, скрытая в вашем бэктесте, может быть значительно ценнее, чем цифры, которые Trading View выдает в верхней части окна тестера стратегий. Если вам понравилось это видео, you so much for watching and we'll see you in the next