За прошедший с 19 февраля месяц обновил очередной максимум стоимости портфеля:

• 2,0% за месяц
• 31,7% за 12 месяцев
• дивидендов не поступало

Наиболее сильные движения были у AFLT и LSNGP. Структура портфеля остается близкой к оптимальной — очередной раз ничего не буду трогать.

Потихоньку продолжаю изучать программирование и писать программу по управлению портфелем:

• Реализовал загрузчики необходимых данных
• Настроил несколько сервисов автоматического тестирования и проверки кода
• Нашел старого университетского товарища с большим опытом программирования на Python для получения ценных советов
• Прослушал курс Яндекса Алгоритмы и структуры данных
• Прочитал книжку Python Testing with pytest 
• Начал читать Code Complete

Сейчас основная задача — доделать хранение локальной версии данных и приступить собственно к блоку оптимизации портфеля.

Продолжаю потихоньку писать программу по оптимизации долгосрочного портфеля акций. На первом этапе занялся загрузкой необходимых данных:

• Котировки — есть IIS MOEX и подробное описание запросов к нему
• Инфляция — есть регулярно обновляемый xls файл на сайте ФСГС, который можно забрать и обработать

Собственно вопрос: где-нибудь есть аналогичный публичный источник исторических данных по дивидендам?

Добрался до 5 недели Курса Яндекса и ВШЭ по машинному обучению. После достаточно напряжного начала, когда было необходимо поставить и освоить кучу программ, далее обучениях пошло достаточно просто — лекции вполне доступные, а задания решаются в несколько строчек кода, особенно если немного покопаться в описании библиотек.

Дополнительно решил послушать лекции Школы анализа данных Яндекса — материалы во многом пересекаются, но охват больше и раскрывается много интересных интерпретаций алгоритмов машинного обучения и их взаимосвязей.

Записался на курс Введение в машинное обучение Яндекса и ВШЭ. Лекции достаточно легкие, но практические задания даются непросто, так как знания по программированию близки к нулю. Возможно дальше пойдет легче, но пока кучу времени уходит на установку и освоение софта, чтение  документации к библиотекам, освоение регулярных выражений и т.д. Первый блок заданий удалось сделать.

Большинство постов на СмартЛабе посвящено отдельным идеям — акциям с хорошей отчётностью, удачным сочетанием корпоративных событий и т.д. В тоже время в большинстве случаев:

• интересных идей больше одной
• любая отдельная идея, несет огромные  специфический риск.

То есть в полный рост встает вопрос, как грамотно аллокировать средства между несколькими идеями. Сложилось впечатление, что в большинстве случаев средства распределяются произвольно или в лучшем случае в виде некой фиксированной суммы или доли портфеля.

А есть ли на СмартЛабе авторы, которые пользуются современной портфельной теорией?

Прочитал книжку Think Python: How to Think Like a Computer Scientist — очень понравилась: вместо сухого изложения с самого начала рассматриваются маленькие программы, которые в последующих главах дорабатываются с учетом более продвинутых концепций языка. Почти в каждой главе даются подходы, которые применяются при разработке и отладке больших по объёму программ. Даны основы data science — быстродействие различных структур данных, как организована их работа под капотом и т.д.

До прочтения написал программу строк на 200 про отслеживание диеты, которая представляла мало понятный кусок кода. После прочтения книги переписал в 100 строк.

Автор понравился, поэтому на очереди Think Complexity: Complexity Science and Computational Modeling. По планам к январю хочу поднабраться знаний и приступить к автоматизации торговой системы на  Python.

Использую торговую систему, реализованную на базе Excel. Возникла идея, изучить Питон и переписать системку на его основе. В связи с этим пару вопросов:

1. Посоветуйте дельную книжку с начальным курсом по Питону
2. Посоветуйте дельную книжку по статанализу данных с помощью Питона