В 2013 году господин Делл, обладая 16% в Dell Inc и $750 млн наличными, решил выкупить свою компанию и сделать её частной. После акционерной войны с Карлом Айканом, который настаивал на оценке в $42 млрд, Делл убеждает мажоритариев продать компанию за $24.9 млрд, хотя Dell Inc стоила примерно столько же в 2006. Майкл находит private equity партнёра в лице Silver Lake, который вкладывает ярд баксов из своего кармана, а вместе они занимают два ярда у Microsoft и около шестнадцати у BofA, Barclays, Credit Suisse и других банков. Так Майкл Делл становится 75% владельцем частной компании Dell в октябре 2013.



Всего через два года предприятие, которое было оценено меньше, чем в $25 миллиардов анонсирует план поглощения EMC Corporation за $67 миллиардов для усиления позиций на рынке управления и хранения данных для предприятий. А 7 сентября 2016 года после месяцев переговоров с партнёрами и консорциумом банков  крупнейшая технологическая M&A сделка в истории

( Читать дальше )

Началось новое ЛЧИ. Нас снова ждут скандалы, интриги, расследования и шок контент.

Самый интерес вызывает категория трейдеров — миллионеров. По мелким счетам и так все понятно — либо банальный перелив, либо разнонаправленные позы, либо казино (ставка на черное). По крупным счетам можно ожидать реальный трейдинг, так что все внимание на них.

Мне лично запомнился 2017 год, то что тогда происходило на ЛЧИ с одним из участником, для меня на тот момент, был шок контент. 

В сравнении с 2017 годом, можно поставить только эпический шорт сишки Василием на ЛЧИ в 14 году, когда он слил 5 млн, обосновывая это тем что ЦБ РФ удержит коридор.


Пост чисто для новичков, взят тут  cricracry.livejournal.com/1467.html


Ну обо всем по порядку.
Начнем все же со скорби, тьфу ты со SCORP-a.
Жил да был трейдер под ником SCORP.


от него ничего не осталось

( Читать дальше )

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 )