Если вы используете стратегии в трейдингвью, например чтобы быстро накидать прототип идеи из какого нибудь источника и посмотреть её, то у вас наверняка также появлялся вопрос поиска приемлемых параметров и проверка как они влияют на стратегию. Делать это вручную крайне трудозатратно. Простейшая стратегия двух скользящих средних может давать 400 и более вариантов параметров. А любое увеличение кол-ва параметров и диапазона их значений приводит к необходимости перебора значений растущих в геометрической прогрессии. Например стратегия из 5 параметров по 15 значений дает 15 ^ 5 = 759 375 вариантов. Подобрать их руками, когда один вариант вычисляется пару секунд не реально.

А можно ли автоматизировать этот процесс? Ниже описание решения через расширение для браузера на основе Chrome.

В прошлый раз я публиковал статью, в которой говорил об ассистенте для

( Читать дальше )

Она давно известна, но возможно кто то не знает.

— Устраиваешся на работу программистом.
— 8 час в день решаешь несложные задачи. (сейчас вообще удаленно, даже в офис не нужно ходить)
— В конце месяца гарантированно получаешь 200-400 т.р.

Изучить программирование чтобы устроится на работу новичком на 50-100тр нужно где то полгода. через еще полгода будет достаточно знаний чтобы перейти на 100-150, eще через полгода год будет достаточно знаний чтобы перейти на >200.

P.S.

Что интересно, люди сомневаются смогут ли они изучить программирование, что есть стандартная, давно изученная и хорошо решаемая задача средней сложности. Тем не менее они верят что смогут победить играя в игру с нулевой суммой против роботов Симонса, над которыми работают целые армии специалистов высокого класса. :)

Свежая книга по алготрейдингу российского автора Евдокима Малыхина.
Поскольку на рынке наблюдается дефицит отечественных книг по теме алготорговли, то каждая выходящая книга читается на одном дыхании с нескрываемым интересом.
Малыхин Евдоким Михайлович серьезный практик, кандидат физико-математических наук и эксперт в области разработки программного обеспечения. И этот факт ощущается уже с чтения первых строк книги. В книге нет никаких кодов торговых роботов или готовых алгоритмов. Она немного о другом — а именно об инженерном подходе к построению алгоритмов и программ. Книга не для новичков, для ее чтения требуется определенный собственный опыт разработки роботов и шишки от граблей.
В ней описано:
— назначение и функции роботов;
— как архитектурировать программы;
— как создавать, аудировать, и развивать свою алгоритмическую систему;
— виды обрабатываемых данных и их особенности;
— масштабируемость и жизненный цикл роботов;
— управление рисками в алготрейдинге (в т.ч. описываются риски программного кода, железа, средств связи, методы вскрытия ошибок до выхода программы в эксплуатацию); 

( Читать дальше )

Смотрю люди продолжают нести деньги мошенникам в надежде урвать грааль.


Истина же заключается в том, что рабочую систему, позволяющую масштабировать прибыль вам ни кто ни когда не продаст, ни за какие деньги.

Я вот тоже долго искал комфортную ТС на срочном рынке.

В итоге остановился на шорте фьюча лесенкой под наличный бакс (евро).

Что имеем.

1. 10 лотов наличного евро, купленных по 70 руб в 20 году.

2. 10 лотов фьючерса евро/рубля продаваемых лесенкой со спредом 2 руб.

3. Фикс прибыли от 2000 руб.

4. Ежедневно выплачиваемое контанго по фьючерсу, в среднем 1200-1500 пунктов каждые 3 месяца.

5. ГО 10 тыс руб и ОФЗ.

Риски

1. Уход курса выше 95 руб — тупо закрою срочку наличным евро.

2. Проблемы с брокером, отсутствие времени - тупо закрою срочку наличным евро.


Итоги за год -
по наличному евро — 160 тыс руб прибыли
по срочке 170 тыс прибыли.

Общая доходность, с учетом размещенных ден средств (10 лотов евро) 750 тыс руб, около 45%.

( Читать дальше )

Вполне даже реализуемо с помощью такой штуки:




( Читать дальше )

Я решил разобрать ТОП-8 самых интересных (с моей точки зрения) компаний на нашем рынке по размеру и потенциалу выплаты дивидендов.

Газпром — Менеджмент этой компании очень долго не хотел переходить на выплату 50% от чистой прибыли, которую должны платить все гос. компании, ссылаясь на высокие капексы. С 2021 года все-таки продавили и теперь у него более прозрачная див. политика, а с учетом позитивной рыночной конъюнктуры, мы можем ожидать хорошие выплаты по итогам 2021 года. За 1 полугодие уже заработали 20 рублей на акцию или 6% ДД.

Фосагро — Я как раз недавно сделал подробный разбор бизнеса. Дивидендная политика максимально прозрачная, платят ежеквартально из свободного денежного потока (FCF), в зависимости от уровня долговой нагрузки. За 2 квартал заплатили чуть больше 100% FCF, за 1 полугодие выплатили 261 рубль, что дает 5,3%, за 2 полугодие ожидаю примерно столько же. Годовая див. доходность может быть двузначной к текущим ценам.

Глобалтранс — новая история среди компаний с хорошими дивидендами. Многие могут со мной не согласиться из-за того, что в этом году менеджмент явно жадничает. Суммарно по итогам года планирую выплатить примерно 50 рублей, что дает 8,7% годовых. Ожидали больше, но, как говорится, наши ожидания это наши проблемы, див. политику менеджмент не нарушает. С текущей долговой нагрузкой акционерам должно распределяться «не менее 30%» от FCF.

( 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 )

Делюсь своим опытом на алгоконференции:



( Читать дальше )

Подготовил перевод англоязычного видео, где Баффет делится своей философией на целый ряд важных как жизненных, так и бизнес вопросов.