Полагаем, что оптимизм участников рынка в этом месяце сохранится, а индекс МосБиржи может приблизиться к верхней границе широкого полугодового диапазона — 3300 п. Тем не менее не исключаем некоторой краткосрочной консолидации возле уровня 3200 п.

Главное

• Краткосрочные идеи: без изменений.

• Динамика портфеля за последние три месяца: индекс МосБиржи прибавил 2%, фавориты выросли на 10%. аутсайдеры упали на 6%.



Краткосрочные фавориты

• ЛУКОЙЛ/Роснефть/Татнефть — ставка на восстановление цен на нефть краткосрочно.

• Сбер — сильные результаты за 2023 г. и потенциально интересный дивиденд.

• Магнит — ожидание дивидендов за 2023 г.

• НОВАТЭК — коммерческое производство на «Арктик СПГ – 2» в январе.

• Северсталь — ждем роста цен на сталь, потенциальные дивидендные выплаты.

Краткосрочные аутсайдеры

• Сургутнефтегаз-ао — низкая дивидендная доходность.

• АЛРОСА — слабый спрос на алмазы краткосрочно.

( 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 )