Собственно вопрос заголовке. Заграницу не рассматриваю, потому что есть дети (я многодетный отец), сложно переезжать с детьми.

В какой город переехать в России для комфортной жизни. При условии, что не нужно искать работу там на месте.

Где-то читал, что при населении 300 000 человек, в городе будет вся нужная для жизни инфраструктура. С такой численностью населения в России много городов.

Всем известно, что перед тем как купить те или иные акции, нужно сделать анализ в виде «домашней работы»(это касается среднесрочных и долгосрочных инвесторов). Лично мне в этом нелегком деле помогают скринеры. Как правило finviz.com, stockrow.com и на финишной стадии — платный сервис finbox.com.

Сайты finviz.com и stockrow.com предусматривают платные и бесплатные сервисы. В бесплатном использовании эти сайты хоть и дают некий набор фильтров, но глядя на эти цифры в табличках, складывается такое чувство, что «Смотреть можно, а трогать нельзя». А поскольку это касается моих денег и денег людей, которые мне доверяют, принимать торговое решение, не пощупав эти цифры самому, считаю большой ошибкой в анализе.

Раньше я был верен только Excel, но с недавних пор стал понимать, что хорошей альтернативой являются Google таблицы. Вообще все сервисы Google отлично работают с веб-данными.

В этом посте я расскажу, как можно импортировать данные с сайта finviz.com в Google таблицы.

Все просто — нужно обратится с жалобой в Роскомнадзор https://rkn.gov.ru/treatments/ask-question/

Указанная  служба  имеет право требовать от оператора уточнения, блокирования или уничтожения недостоверных или полученных незаконным путем персональных данных, привлекать к административной ответственности лиц, виновных в нарушении  Федерального закона «О персональных данных», а так же обращаться в суд с исковыми заявлениями в защиту прав субъектов персональных данных, в том числе в защиту прав неопределенного круга лиц, и представлять интересы субъектов персональных данных в суде.

Необходимо знать, что в соответствии с требованиями Федерального закона  № 152-ФЗ от 27.07.2006  «О персональных данных», любая информация, относящаяся к прямо или косвенно определенному или определяемому физическому лицу (субъекту персональных данных), является персональными данными. Таким образом, адрес места жительства, телефон являются персональными данными гражданина. Обработка персональных данных может быть осуществлена с условием получения  согласия субъекта персональных данных на обработку его персональных данных.

Спрос на нефть определяется прежде всего темпами роста мировой экономики, а также рядом других факторов, к числу которых относятся структурные характеристики спроса на нефть, энергоемкость и нефтеемкость экономики, климатические (погодные) условия, уровень эффективности энергопотребляющих технологий и относительная конкурентоспособность других видов топлива.

Ключевой вопрос: а какой из факторов спроса можно спрогнозировать, хотя бы на ближайшее будущее? По моему мнению, прогнозу поддаются только темпы роста мировой экономики, и то лишь в краткосрочной перспективе.

В данном посте ответим на вопрос, можно ли на основе прогноза темпов экономического роста всего мира простроить стратегию на рынке нефти, которая бы отличалась простотой и прибыльностью.

В качестве переменной, отражающей будущее состояние мировой экономики, будем использовать опережающий индикатор (Composite Leading Indicator, далее CLI), публикуемый организацией экономического сотрудничества и развития. Ознакомиться можно здесь: https://data.oecd.org/leadind/composite-leading-indicator-cli.htm

Мы продолжаем делиться с вами полезными источниками информации для принятия инвестиционных решений.

Cегодня будет представлен список более продвинутых источников, которые, на наш взгляд, содержат в себе более объективную и полезную информацию для самостоятельного анализа. Они зачастую являются первоисточниками для всех тех новостей и аналитических сводок, с которыми вы знакомитесь на различных форумах, сайтах и телеграм-каналах, в том числе и на нашем :)

Что ж, давайте пройдемся по ним:

fred.stlouisfed.org/ — онлайн-база данных, состоящая из сотен тысяч графиков экономических данных из множества национальных, международных, государственных и частных источников. Призван помочь пользователям ознакомиться со свежими данными макроэкономической ситуации (преимущественно в США) + графики содержат довольно длинный исторический горизонт (от нескольких лет до нескольких десятков лет).

www.federalreserve.gov/ — сайт Федрезерва США. В разделе News & Events — Press releases наиболее интересными могут быть публикации с заседаний Федерального комитета по операциям на открытом рынке ФРС США (FOMC). Да-да, это те самые заседания, на которых принимаются решения о будущем «печатного станка» и ставки ФРС.

Сегодня стало известно, что премьер России Михаил Мишустин подписал распоряжение о минимальной планке дивидендов для госкомпаний в размере не менее 50% скорректированной чистой прибыли. Ранее дивиденды платились с нескорректированной чистой прибыли.

На этот раз при распределении дивидендной базы не будут учитываться финансовые доходы и расходы, не подтвержденные денежными потоками. Имеется ввиду такие статьи в финансовой отчетности, как переоценка имущества или в курсовые разницы.

Также в правительстве сообщили, если сумма чистой прибыли не позволяет выполнить норматив, то для выплаты дивидендов госкомпании должны будут использовать нераспределенную прибыль.

Новая директива по дивидендам госкомпаний вступает в силу с 1 июля 2021 г. Таким образом, по экспортам из-за валютных переоценок может база для выплаты дивидендов изменяться, как в положительную сторону, так и в отрицательную.

В связи с этим, мы ниже подготовили список госкомпаний и компании с долей государства в капитале, акции которых торгуются на Московской бирже.

Здесь периодически возникают статьи про применение нейронок в трейдинге.

Я решил поделиться примером того, как в одном пайплайне (единая структура программного кода) можно построить, обучить и протестировать нейронку в торговом алгоритме.

Статья будет более полезна и понятна тем, кто имеет хоть небольшой опыт работы с Python.

Итак, наша задача проверить, есть ли вообще надежда на успешное применение нейронных сетей в трейдинге, проверить гипотезу на простом алгоритме, понять, как можно в случае успеха перенести все на боевую среду (реальный торговый робот), и желательно, продемонстрировать все это понятно и доходчиво.

Чтобы в конце концов сделать вывод о перспективности применения нейронок, будем соревноваться с индексом РТС.

Сразу сделаю дисклеймер, все рассматриваемые и полученные в статье результаты являются лишь простым примером, и применять их на реальных деньгах не рекомендую. И я не буду давать теорию по нейронным сетям и работе с ними. Всё это находится/читается/выучивается.