Индикатор AT-levels для отрисовки горизонтальных уровней для quik



( Читать дальше )

Наверное многие боятся слова инвестиции, но вам надо побыть инвестором всего около 5 дней и опять забыть это страшное слово!

Суть: вы инвестируете в сбере 15000 руб, через примерно 5 дней, возвращаете на банковскую карту 18000 руб (с учетом налога 17610 руб). И можете забыть навсегда о инвестициях.

Возврат реально работает, мои близкие родственники и друзья уже получили кэшбэк! Но есть подводные камни, поэтому дочитайте до конца!

Возврат легко делается в мобильном приложение сбера или на сайте сбера онлайн. Брокерский счет открывать не надо, процедура займет около 5 рабочих дней.

Начну с того, что инвестициями я уже занимаюсь около 5 лет, кто-то скажет не много. Но я к тому, что с инвестициями в сбере я знаком, и эта акция не вызвала у меня никакого сомнения.

( Читать дальше )

Какой Кхал аналитик не мечтает покрыть весь мир…

У меня регулярно спрашивают, инвестирую ли я в иностранные акции, и если нет, то почему? Обычно отвечаю, что у меня нет компетенций по ним (возможно, сейчас их стало побольше, я анализировал уже иностранные акции) либо просто не интересно.

Зачем мне казахстанские или бразильские акции, если есть российский рынок!? Где всё-таки более понятно. Хотя я уже несколько раз смотрел на акции стран бывшего СССР ранее, (например, обзор в 2013 году по всем рынкам бывшего СССР в FOстр.16). Еще Грузия, Казахстан, Украина и т.д. Стоит всё обновить.

А если говорить про развитые рынки, то после наших компаний там казалось всё дорого. Хотя зачастую, дорогое становится только дороже! 

( Читать дальше )

 

БЕСПЛАТНЫЙ робот на освоение которого нужно потратить несколько часов времени. Зарабатывающий десятилетиями.

 

Качаем: https://o-s-a.net/market/item/20

 

Графики эквити выглядят вот так:


Рис.1 

( Читать дальше )

Друзья, спасибо за звезды. Вот та самая система 100%/250% годовых:

Берем фьюч Сбера на минутках. Навешиваем Simple MA. Выставляем период 70 и расчет по цене Median. Отрисовку SMA делаем точками, а не линией. Перестаем бухать и начинаем пристально пялиться в эти точки............

Если не в позе, то открываем лонг, когда 3 точки SMA поднимаются вверх.
Если не в позе, то открываем шорт, когда 3 точки на SMA опускаются вниз.

Для лучшего понимания привожу рисунок шортового сигнала:



Точки на SMA — 1,2,3 — идут вниз. Как только сложилась такая нехитрая конструкция и мы не в позе, то встаем в шорт на открытии следующей свечи после точки 3 с тейком 1% и стопом 1% от цены открытия. Сидим на попе ровно до сработки тейка или стопа. Если мы не в позе и точки пошли вверх — встаем в лонг и сидим в нем по аналогичному сценарию. Входим и выходим по рынку. Но никто не запрещает дрочить лимитниками — это дело вкуса. В конце каждого дня после 23:45 принудительно закрываем позу, если она осталась открытой. На утренней сумасшедшей свече не открываем позу, чтобы не скользить носом по вазелину.

( Читать дальше )

На текущий момент, в рамках распределения депозита по разным корзинам, планируем купить квартиру в Новой Москве, т.к занимается этим мои родственник, разработали примерный алгоритм.

Ориентир — вторичка, т.к на новостройки сейчас застройщик дает ипотеку под 2% годовых. Видимо рассчитывая таким образом распродать весь построенный обьем на волне падения спроса.
Во вторичке ипотека сейчас 9% годовых, спрос минимальный, т.к 70-90% рынка, это ипотечные сделки.

Короче, имея на руках наличные деньги сейчас выиграть можно только на вторичке и то если продавцу срочно нужны деньги.

При ином раскладе сидеть продавцы по текущим ценам будут очень долго, вплоть до того момента, пока инфляция не догонит рублевые цены на недвижимость.

Цены в рублях снижаться не будут. Цены могут снижаться только в валюте. Стоит учитывать это.


Первые шаги:
1. Определяемся, где и что хотим купить.
2. На сайтах собираем информацию по ценам на данный тип жилья, в данном районе.

( Читать дальше )

Для тех, кто пока не в теме: у нас тут сериал, и это не первая серия.
Качать будем не робота, а данные для него. Для них. Для всех.

Что мы делали до этого?
1. Скачали и запустили платформу OsEngine
2. Познакомились с главными разделами, почитали доки

3. Скачиваем исторические данные

Напомню, зачем нам исторические данные. Они нам нужны для тестов и оптимизации. Умные люди роботов никогда не запускают сразу в «боевом» режиме для управления настоящими деньгами. Сначала нужно проверить, смог бы робот что-то заработать со своим алгоритмом на каких-то предыдущих периодах времени. Мы скармливаем роботу историю давно прошедших торгов, он пытается торговать, будто идут настоящие торги, и выдает нам какой-то результат. Есть заработок — хороший робот. Нет заработка — тоже наверняка хороший ;-) Но для чего-то другого, а не для заработка.

На всякий случай сообщу еще одну очевидную вещь, которая может оказаться не такой уж очевидной для новичков. Когда робот торгует по-боевому в реальном времени, одна минута проходит за одну минуту, а год проходит за один настоящий календарный год. Когда мы тестируем робота, мы можем подсовывать ему данные гораздо быстрее. Переварил робот свечку — сразу даем ему следующую. И 600 минутных свечек (10 часов реального времени) робот может обработать за несколько миллисекунд или секунд. Таким образом, за считанные минуты мы можем протестировать месяцы или годы предыдущих торгов.

( Читать дальше )

Сначала я пытался бэктестить системы в TradingView и этого было достаточно для быстрой оценки торговых гипотез, но оказалось, что мало просто знать, где купить и где продать. Не менее важно понимать, сколько купить или продать и для этого нужны другие инструменты.

Зачем Python?

Лично мне он показался удобнее. Например, можно быстро подключить telebot и система начнёт отправлять сигналы прямо в телегу на все девайсы. Работать со скриптами можно даже на айпаде где-нибудь в дороге, тоже плюс.

Самая простая система, которую можно потестить это пересечение двух скользящих средних: если быстрая SMA пересекает медленную вверх, то покупаем, а если вниз, то закрываем открытую позицию, шортить рынок не будем. Комиссии, проскальзывание и прочие расходы пока не учитываем, нужно начать с какой-то основы.

Что потребуется?

— backtrader для логики торговой системы

— quantstats для формирования отчёта

— Jupyter Notebook, если нужно удобнее редактировать код

( Читать дальше )

С проникновением аналитики во многие сферы нашей жизни она не могла обойти стороной финансы. В этой статье рассмотрим ее применение для анализа ETF с целью их анализа, в том числе и с применением визуализиции.

1. О данных

Для анализа будем использовать данные ETF c базовой валютой USD: FXCN, FXRL, FXIT, FXUS и FXRU. Временной ряд рассмотрим за три года с 2018 по 2020 года. Само исследование проведем в Google Colaboratory.

Как обычно в начале импортируем все необходимые библиотеки для дальнейшей работы.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files
import warnings
warnings.filterwarnings("ignore")

Сначала необходимо получить данные. Есть несколько способов. Мы воспользовались — взяли их с Finam в формате csv. Дальше написал функцию для обработки полученных данных и при помощи concat свел их в один датафрейм.

def changeDF(df):
  df['date'] = pd.to_datetime(df['<DATE>'].astype(str), dayfirst=True)
  name =[x for x in globals() if globals()[x] is df][0]
  df = df.drop(['<DATE>','<TIME>', '<OPEN>', '<HIGH>', '<LOW>'], axis=1)
  df = df.set_index(['date'])
  df.columns = [name+'_cl', name + '_vol']
  return df

fxgd_change = changeDF(fxgd)
fxrl_change = changeDF(fxrl)
fxit_change = changeDF(fxit)
fxus_change = changeDF(fxus)
fxru_change = changeDF(fxru)
fxcn_change = changeDF(fxcn)

etf = pd.concat([fxgd_change, fxrl_change, fxit_change, fxus_change, fxru_change, fxcn_change], axis=1)

etf.head()

В результате получили:

( Читать дальше )

Итак, код обучения и прогнозирования нейросетью рыночных котировок на 5 минут.

import sqlite3 as sql
from scipy.stats import logistic
import math
import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor

sdata =[]
sql1= "select ticker, date, open, high, low, close, vol \
    from Hist_1m where ticker_id=1 order by Date;"
con=sql.connect('C:/Users/ubase/Documents/StockDB/StockDB21.sqlite')
cur=con.cursor()
cur.execute(sql1)
sdata=cur.fetchall()
con.commit()
con.close()

Ldata = len(sdata)
N = 8000 # Количество сделок
ld = 5 #Продолжительность сделки
NNinterval = 20 # Количество входов NN

# Генерация случайных чисел
rng = rnd.default_rng()
rm=rng.integers(0, Ldata, N )

class Candle:
    tr = 0
    dt = 1
    o = 2
    h = 3
    l = 4
    c = 5
    v = 6
    
cl = Candle
DataC =[sdata[i][cl.c] for i in range(0,Ldata)]

# sigmoid линейность до 0.5
def sigmoidnorm(x, alfa = 0.9, xmin = -1.3, xmax = 1.3):
    return (xmax - xmin)*((1 / (1 + math.exp(-x*2.0*alfa))) - 1.0) + xmax

x = [0.002 * i - 3 for i in range(0,3000)]
y = [sigmoidnorm(x[i]) for i in range(len(x))]


plt.plot(x,y)
plt.grid()
plt.show()

# формируем сделки.
def DealsGenL(rm,ld):
   #Lm = len(rm)
   ix = []
   x = []
   pr = []
   
   for i in range(0,N):
        if rm[i] + ld < Ldata and rm[i] - NNinterval - 1 > 0:
            delta = (sdata[rm[i]+ld][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]+ld][cl.c]*100
            x0 = [sigmoidnorm((sdata[rm[i] - j][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]][cl.c]*100) \
                 for j in range(0, NNinterval)]
            ix.append(rm[i])
            x.append(x0)
            pr.append(delta)
   return ix, x, pr


Ix, X, Pr = DealsGenL(rm,ld)



Ib = 0
Ie = 100

plt.plot(X)
plt.legend()
plt.grid()
plt.show()


plt.plot(Pr, label = 'Prof')
plt.legend()
plt.grid()
plt.show()


regr = MLPRegressor(hidden_layer_sizes = [30,20,15,10,5], \
                    max_iter=500, activation = 'tanh')

regr.fit(X, Pr)
Out = regr.predict(X)

plt.plot(Pr, Out, '.')
plt.grid()
plt.show()

И вот результат прогнозирования:

( Читать дальше )