Введение в Fincept Terminal: одно место для открытой количественной торговли

Fincept Terminal — это открытый терминал для количественных финансов, разработанный компанией Fincept Corporation. Его основная идея предельно ясна: заменить терминал Bloomberg, который стоит десятки тысяч долларов в год, на бесплатный инструмент с открытым исходным кодом, и при этом дать обычным разработчикам возможность собрать собственную систему количественной торговли.

Он собран на базе нативного C++20 + Qt6: по производительности приложение на порядки превосходит решения Electron/Web. Встроенные модули на Python обеспечивают полноценные возможности анализа уровня CFA. 37 AI-агентов покрывают различные фреймворки — от value-инвестирования до оценки влияния геополитики. Более 100 коннекторов данных охватывают все источники — от правительственной экономической статистики до криптовалют. Репозиторий размещён в GitHub: Fincept-Corporation/FinceptTerminal, лицензия — AGPL-3.0.

---

Сложность/время/результат

Для новичков | примерно 30 минут | Вы освоите полный путь от установки до запуска первого AI-количественного торгового сценария на Windows / macOS / Linux.

---

Целевая аудитория

• Разработчики с 1–4 годами опыта в коде, которые хотят собрать собственную систему количественной торговли
• Интерес к анализу финансовых данных и AI-помощи при инвестировании, но нет профильного финансового образования
• Нужен бесплатный инструмент с открытым исходным кодом, чтобы заменить дорогие функции Bloomberg (годовая плата — от нескольких тысяч до десятков тысяч долларов)

---

Ключевые зависимости и среда

Системные требования

---

Полное дерево структуры проекта

FinceptTerminal/
├── fincept-qt/                 # C++ главное приложение
│   ├── src/                   # Основной C++-исходный код
│   │   ├── core/             # Ядро
│   │   ├── ui/               # Компоненты Qt UI
│   │   └── python/           # Слой Python-связывания
│   ├── scripts/              # Скрипты сборки
│   ├── CMakeLists.txt        # Настройки C++ сборки
│   └── CMakePresets.json     # Наборы предустановок для кроссплатформенной сборки (важно)
├── docs/                      # Разработческая документация
├── Dockerfile                 # Настройка Docker-образа
├── setup.sh                  # Скрипт быстрой сборки для Linux/macOS
└── funding.json              # Настройки спонсорства сообщества

---

Пошаговые действия

Шаг 1: скачайте и установите Fincept Terminal

Проект предлагает три варианта установки — выберите то, что лучше всего подходит именно вам.

Вариант A: скачать и установить предсобранный пакет (рекомендуется, для новичков — сразу используйте его)

Текущая последняя версия — v4.0.2. Перейдите в раздел Releases и скачайте пакет для нужной платформы:

# Windows x64
# Скачайте FinceptTerminal-4.0.2-win64-setup.exe и запустите установщик двойным кликом

# Linux x64
# Скачайте FinceptTerminal-4.0.2-linux-x64-setup.run
chmod +x FinceptTerminal-4.0.2-linux-x64-setup.run
./FinceptTerminal-4.0.2-linux-x64-setup.run

# macOS Apple Silicon (M1/M2/M3)
# Скачайте FinceptTerminal-4.0.2-macOS-setup.dmg
# Откройте файл DMG и перетащите приложение в папку Applications

После установки запустите в терминале:

# Windows
FinceptTerminal.exe

# Linux
./FinceptTerminal

# macOS
open /Applications/FinceptTerminal.app

Вариант B: Docker (подходит для серверных сред)

# Получите официальный образ
docker pull ghcr.io/fincept-corporation/fincept-terminal:latest

# Запуск (нужна поддержка графического интерфейса X Server)
docker run --rm \
    -e DISPLAY=$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    ghcr.io/fincept-corporation/fincept-terminal:latest

Вариант C: клонирование исходников и сборка в один шаг (подходит для Linux/macOS-разработчиков)

После клонирования репозитория просто запустите setup.sh — скрипт автоматически обнаружит среду, скачает зависимости и выполнит компиляцию:

git clone https://github.com/Fincept-Corporation/FinceptTerminal.git
cd FinceptTerminal
chmod +x setup.sh && ./setup.sh

Скрипт автоматически обрабатывает установку и настройку CMake, Qt6 и Python. По окончании выполнения Fincept Terminal запустится автоматически.

Шаг 2: настройка LLM API (чтобы AI-агенты реально работали)

После запуска Fincept Terminal AI-агентам нужно подключиться к большой языковой модели, чтобы они могли выполнять задачи. Откройте Settings → AI Providers:

1. Выберите AI Provider, который хотите использовать. Проект поддерживает следующие варианты:

OpenAI       → GPT-4o / o1 / GPT-4.5
Anthropic    → Claude 3.5 / 3.7
Google       → Gemini 1.5 / 2.0 / 2.5
Groq         → Быстрые вычисления
DeepSeek     → Хорошее соотношение цена/качество
MiniMax      → Удобно в Китае
OpenRouter   → Агрегация нескольких моделей
Ollama       → Локальные модели (полностью офлайн)

1. Введите соответствующий API Key. Если у вас есть локальный Ollama, можно работать полностью офлайн:

# Если вы выбрали Ollama (локальная модель, без API Key)
# Сначала установите Ollama и запустите его
ollama pull llama3.2
ollama serve

# Затем настройте в Fincept Terminal:
# Provider: Ollama
# Base URL: http://localhost:11434
# Model: llama3.2

Шаг 3: подключение источников данных

Fincept Terminal предлагает более 100 коннекторов данных — от макроэкономики до криптовалют. Откройте страницу Data Sources и выберите источники, которые хотите включить:

Бесплатные источники данных (готово к использованию):

# Макроэкономика
DBnomics          → Глобальные макроэкономические временные ряды
FRED              → Экономические данные Федеральной резервной системы США
IMF              → Данные Международного валютного фонда
World Bank       → Показатели развития Всемирного банка

# Акции и криптовалюты
Yahoo Finance    → Исторические данные по акциям, котировки в реальном времени
Kraken           → Криптовалюты в реальном времени через WebSocket
Polygon          → Данные по акциям США (бесплатный уровень ограничен)

# Другое
AkShare          → Данные по A-акциям/фьючерсам в Китае (Python-библиотека)
government APIs  → Публичные данные правительств разных стран

Универсальные шаги подключения источника данных:

1. Откройте Data Sources → Add Connection
2. Выберите тип источника данных (например, "Stock Market Data")
3. Введите API Key (некоторые источники требуют) или оставьте по умолчанию (публичные данные)
4. Нажмите Test Connection, чтобы проверить связность
5. После подтверждения данные автоматически синхронизируются с терминалом

Шаг 4: создайте AI-агента и выполните первую количественную задачу

Fincept Terminal включает 37 AI-агентов — они разделены на три большие категории:

Агенты для Trader / Investor (сторонники value-инвестирования):

Economic-агенты: анализ макроданных, прогноз ставок, моделирование инфляции

Geopolitics-агенты: оценка влияния геополитики, анализ рисков цепочек поставок

Давайте выполним первую задачу с агентом Buffett — проанализируем стоимость одной акции:

1. Откройте AI Agents → Create New Agent
2. Выберите Buffett как базовый шаблон
3. Поставьте задачу: проанализировать внутреннюю стоимость Apple (AAPL)

Analyze the intrinsic value of AAPL using DCF model.
Use the latest financial data from Yahoo Finance.
Show the margin of safety based on current price.

Агент Buffett вызовет модуль анализа на Python, получит финансовые данные, запустит модель DCF (discounted cash flow — дисконтирование денежных потоков) и выведет оценку внутренней стоимости, а также «запас прочности» относительно текущей цены.

Шаг 5: создайте количественный процесс с помощью редактора узлов

Редактор узлов — одна из самых мощных функций Fincept Terminal. Он позволяет визуально собирать источники данных, аналитические модули и AI-агентов, чтобы построить сложный количественный процесс — без необходимости писать хоть одну строку кода.

Откройте страницу Node Editor — вы увидите workflow, похожий на следующий:

[Данные Yahoo Finance] → [Python Очистка данных] → [Решение AI Agent] → [Исполнение ордера Broker]
     ↑                                              ↓
  [Макро данные FRED]                               [Результат в Portfolio]

Создание первого количественного workflow:

1. Перетащите слева узел Data Source и выберите Yahoo Finance
2. Перетащите узел Filter и настройте условия фильтрации (например, "PE < 15, Market Cap > 10B")
3. Перетащите узел Buffett Agent и подключите выход Filter
4. Перетащите узел Backtest, чтобы проверить историческую эффективность стратегии
5. Нажмите Run, чтобы выполнить workflow

Шаг 6 (по желанию): ручная сборка из исходников

Если вы хотите глубже кастомизировать или у вас нет предсобранного пакета на платформе, можно собрать из исходников. Это требует точной настройки версий зависимостей.

Подготовка среды (пример для Windows):

# 1. Установите Visual Studio 2022 (включает MSVC 19.38)
# 2. Установите CMake 3.27.7 и добавьте в PATH
# 3. Установите Ninja 1.11.1 и добавьте в PATH
# 4. Установите Qt 6.8.3 (в онлайновом установщике выберите Qt 6.8.3 > MSVC 2022 64-bit)
#    Установочный путь: C:/Qt/6.8.3/msvc2022_64
# 5. Установите Python 3.11.9 и добавьте в PATH

Сборка (с использованием CMake Presets):

git clone https://github.com/Fincept-Corporation/FinceptTerminal.git
cd FinceptTerminal/fincept-qt

# Однократная настройка (в будущем перед изменением CMakeLists.txt нужно запускать заново)
cmake --preset win-release

# После каждого изменения кода — пересборка
cmake --build --preset win-release

# Запуск
.\build\win-release\FinceptTerminal.exe

Если CMake не находит Qt, вероятно, путь к установке другой. Переключитесь на ручной режим:

cmake -B build/win-release -G Ninja -DCMAKE_BUILD_TYPE=Release `
  -DCMAKE_PREFIX_PATH="C:/Qt/6.8.3/msvc2022_64"
cmake --build build/win-release

---

Частые проблемы и поиск причин

Q1: CMake сообщает об ошибке "Could not find Qt6 6.8.3"

Симптомы: при выполнении cmake --preset win-release выводится Could not find Qt6 6.8.3.

Причина: путь установки Qt не соответствует путям, по которым CMake выполняет поиск по умолчанию.

Решение:

1. Убедитесь, что в пути установки Qt присутствует директория lib/cmake/Qt6
2. Укажите путь вручную:

cmake -B build/win-release -G Ninja -DCMAKE_BUILD_TYPE=Release `
  -DCMAKE_PREFIX_PATH="C:/Qt/6.8.3/msvc2022_64"

1. Если вы тестируете другую версию Qt, можно передать -DFINCEPT_ALLOW_QT_DRIFT=ON, чтобы обойти проверку версии (только для локальных тестов, не используйте в CI или в релизных сборках)

Q2: Несовместимость версии MSVC

Симптомы: C++ compiler version not supported или в середине сборки — множество ошибок из-за нераспознанных идентификаторов.

Причина: проект требует MSVC 19.38+ (это соответствует Visual Studio 2022 17.8+).

Решение:

# Проверка версии MSVC
cl /?

# Если версия слишком низкая — обновите до последней версии VS 2022
# Адрес загрузки: https://visualstudio.microsoft.com/downloads/

Q3: Несовпадение версии Python

Симптомы: падение после встраивания Python или ошибка python3.x.x not found.

Причина: проект жёстко требует Python 3.11.9; другие версии (включая 3.10 и 3.12) не поддерживаются.

Решение:

# Проверка текущей версии Python
python --version

# Если это не 3.11.9 — установите правильную версию
#Адрес загрузки：https://www.python.org/downloads/release/python-3119/

# После установки на Windows проверьте, что путь Python 3.11.9 находится в PATH выше
# В Linux можно использовать pyenv:
pyenv install 3.11.9
pyenv local 3.11.9

Q4: В Docker не отображается графический интерфейс Qt

Симптомы: ошибка QPA platform: cannot connect to X server.

Причина: в Docker-контейнере нет графической среды.

Решение:

# Linux: разрешить Docker доступ к локальному X Server
xhost +local:docker
docker run --rm \
    -e DISPLAY=unix$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    ghcr.io/fincept-corporation/fincept-terminal:latest

Q5: AI-агент отображает "Connection Failed"

Симптомы: вызов LLM возвращает ошибку, агент не может выполнить ни одной задачи.

Шаги проверки:

1. Убедитесь, что API Key действителен (можно проверить ключ на соответствующем сайте)
2. Если вы используете Ollama — убедитесь, что ollama serve запущен
3. Если вы используете прокси (например, корпоративную сеть), настройте переменные окружения для HTTP-прокси:

# Linux/macOS
export HTTP_PROXY=http://your-proxy:8080
export HTTPS_PROXY=http://your-proxy:8080

# Windows PowerShell
$env:HTTP_PROXY="http://your-proxy:8080"
$env:HTTPS_PROXY="http://your-proxy:8080"

1. Проверьте, может ли сеть достучаться до API-эндпойнта AI Provider:

# OpenAI
curl https://api.openai.com/v1/models

# Anthropic
curl https://api.anthropic.com/v1/messages \
    -H "x-api-key: YOUR_KEY" \
    -H "anthropic-version: 2023-06-01"

Q6: Неудачная аутентификация при подключении брокера (Paper Trading / Реальные сделки)

Симптомы: после настройки API брокера система сообщает об ошибке аутентификации.

Решение:

1. Убедитесь, что в Fincept Terminal вы ввели именно API Key, а не пароль от торгового аккаунта
2. Некоторые брокеры (например, IBKR) требуют включить доступ к API в Trader Workstation (TWS)
3. Настройки API для Paper Trading и реальной торговли различаются — подтвердите, что выбран правильный режим

---

Расширенное чтение / направления для дальнейшего развития

Подключение Adanos Market Sentiment для количественной оценки настроений

Adanos вводит в Fincept Terminal данные о настроениях из Reddit, X/Twitter, финансовых новостей и Polymarket. Откройте Data Sources → Alternative Data → Adanos, настройте API — и модуль Equity Research покажет снимки настроений розничных инвесторов из нескольких источников. Вы можете добавить показатели настроений как факторы в количественные стратегии и выполнить более комплексный анализ, сочетая их с традиционными финансовыми данными.

Использование QuantLib Suite для ценообразования деривативов

В Fincept Terminal встроены 18 модулей QuantLib для количественных вычислений, охватывающих:

# Модели оценки
Опционная оценка Black-Scholes
Биномиальное дерево для американских опционов
Оценка Монте-Карло

# Управление рисками
Расчёт VaR (Value at Risk)
Анализ чувствительности Greeks
 Стресс-тесты / сценарный анализ

# Фиксированный доход
Построение Yield Curve
Анализ Duration / Convexity
Оптимизация портфеля облигаций

Через интерфейс AI Quant Lab вы можете вызывать эти модули и строить собственные модели рисков без ручного написания Python-кода.

Настройка мульти-брокерного подключения для программной торговли

Fincept Terminal поддерживает API-интеграцию 16 брокеров, покрывая акции, фьючерсы и криптовалюты:

Индийские брокеры: Zerodha, Angel One, Upstox, Fyers, Dhan, Groww, Kotak,
         IIFL, 5paisa, AliceBlue, Shoonya, Motilal
Брокеры США: IBKR, Alpaca, Tradier
Международный брокер: Saxo
Криптовалюты: Kraken, HyperLiquid (WebSocket котировки в реальном времени)

Можно одновременно подключить нескольких брокеров и построить кросс-рыночные арбитражные стратегии в редакторе узлов.

AI Quant Lab: обучение ML-моделей и поиск факторов

Модуль AI Quant Lab в Fincept Terminal предоставляет полный количественный процесс машинного обучения:

# Использование Python-модулей
from fincept_ml import FactorDiscovery, ModelTrainer

# Автоматическое обнаружение эффективных факторов на данных рынка
factors = FactorDiscovery.run(data_source="yahoo_finance",
                              target="AAPL_returns",
                              n_factors=20)

# Обучение торговой стратегии с подкреплением
strategy = ModelTrainer.train_rl(
    agent="PPO",
    environment="crypto_portfolio",
    episodes=1000
)

Также поддерживаются задачи обучения с учителем (для HFT-стратегий), прогнозирование временных рядов и фреймворк для бэктестов.

Участвуйте в разработке с открытым исходным кодом

Fincept Terminal — это открытый проект. Добро пожаловать вносить вклад в код:

• C++ модули: компоненты Qt UI, коннекторы данных, обёртки для QuantLib
• Python модули: новые аналитические модели, машинно-обучаемые торговые стратегии
• AI-агенты: новые инвестиционные фреймворки, модули анализа геополитики
• Документация: руководства по подключению для каждого из функций

Руководство по вкладу: docs/CONTRIBUTING.md Нормы для C++ разработки: fincept-qt/CONTRIBUTING.md