i
Portfolio Value
—
Fetching…
Total PnL
—
vs. first data point
vs Buy & Hold BTC
—
bot vs passive holding
📊
Advanced Analytics
▼
BTC/USD Price
—
—
Win Rate
—
closed trades
Avg Profit / Trade
—
per SELL
Max Drawdown
—
peak-to-trough
Sharpe Ratio
—
annualized · 4h
Profit Factor
—
gross profit ÷ gross loss
Avg Hold Duration
—
per trade cycle
Next Signal
—
time to next 4h candle
Equity Curve
Bot
BTC & HOLD
Trading Log
⬇ CSV
DateSideQtyPricePnLSignal
Trade PnL Breakdown
Win
Loss
Activity Heatmap
Mon
Wed
Fri
Less
More
📋
Project Architecture
GR
EN
▼
  • Πού βρίσκουμε δεδομένα; Ανακαλύψαμε το Alpaca Trade API και μάθαμε να τραβάμε ιστορικά δεδομένα σε Timeframe 4 ωρών.
  • Τεχνικοί Δείκτες: Με τη pandas-ta, φτιάξαμε 13 δείκτες (RSI, MACD, Bollinger Bands).
  • Sentiment: Fear & Greed Index API για να "βλέπει" το συναίσθημα της αγοράς.
  • Κανονικοποίηση: Z-Score Normalization, κλίμακα -10 έως 10.
  • Where do we find data? We discovered the Alpaca Trade API and learned to pull 4-hour historical data.
  • Technical Indicators: Using pandas-ta, we built 13 indicators (RSI, MACD, Bollinger Bands).
  • Sentiment: Fear & Greed Index API so the model "sees" market emotion.
  • Normalization: Z-Score Normalization, scale -10 to 10.
  • Η αρχική ψευδαίσθηση: Random Forest Classifier για πρόβλεψη "Πάνω ή Κάτω". Καλό accuracy, αλλά έχανε χρήματα.
  • Το μάθημα: Trading = πότε, πόσο, πότε να δεχτείς χασούρα. Το RF δεν έχει time-series awareness.
  • The illusion: Random Forest Classifier predicting "Up or Down". Good accuracy — but it lost money.
  • The lesson: Trading means knowing when, how much, and when to take a loss. RF has no time-series awareness.
  • Αλγόριθμος: RecurrentPPO από sb3-contrib με LSTM μνήμη (Hidden States).
  • Reward Function: Time-holding penalties και drawdown τιμωρίες — μαθαίνει να επιβιώνει.
  • Algorithm: RecurrentPPO from sb3-contrib with LSTM memory (Hidden States).
  • Reward Function: Time-holding penalties and drawdown punishments — it learns to survive.
  • Overfitting check: Test σε ETH και SOL για να σιγουρευτούμε ότι δεν απέστηθε το BTC chart.
  • Position Sizing: Από 99% κατέληξε στο 95% με cash buffer για να μην "καεί" ο λογαριασμός.
  • Overfitting check: Tested on ETH and SOL to ensure the AI didn't memorize the BTC chart.
  • Position Sizing: Settled at 95% with cash buffer to prevent account blowup.
  • Live κώδικας: live_apex.py — διαβάζει AI prediction (-1.0 έως +1.0) και υπολογίζει ακριβή position sizing.
  • Προστασίες: Hard-coded Stop-Loss και μέγιστος χρόνος κράτησης θέσης.
  • Market Buffer: 95% αντί 99% ρίσκο λόγω Alpaca reservation margin.
  • Live code: live_apex.py — reads AI prediction (-1.0 to +1.0) and calculates exact position sizing.
  • Safeguards: Hard-coded Stop-Loss and max hold duration.
  • Market Buffer: 95% instead of 99% risk due to Alpaca reservation margin.
  • Μνήμη: Google Cloud Storage για .pkl και .json — το bot δεν ξεχνά μετά από reboot.
  • Cron Job: Αυτόματη εκτέλεση κάθε 4 ώρες μέσω Render.
  • Ασφάλεια: Environment Variables για API keys.
  • Memory: Google Cloud Storage for .pkl and .json — bot never forgets after reboot.
  • Cron Job: Runs automatically every 4 hours via Render.
  • Security: Environment Variables for API keys.
  • HTML/CSS/JS με Chart.js για live equity visualization. CORS proxy APIs για browser ↔ Alpaca.
  • Αρχιτεκτονική: Backend + AI στο Render, Frontend στο Netlify.
  • HTML/CSS/JS with Chart.js for live equity visualization. CORS proxy APIs for browser ↔ Alpaca.
  • Architecture: Backend + AI on Render, Frontend on Netlify.
Mission Roadmap
Qorsair
Creation
Supervised
Learning
Reinforcement
Learning
Live
Execution
Stable
Profit