1) Неск недель (может месяцев) разобраться с базовыми конструкциями языка и базовыми структурами данных, связанный список, граф. Любой учебник, не больше 100 страниц, лучше если в нем есть картинки. Может быть скучновато, но это недолгий этап. Проверкой что вы эго закончили будет упражнение построить и сравнить два графа (см картинку), одинаковые они или нет, это полстраницы кода.



2) Дальше, выполнить 1-4 интересных визуальных задачи. Визуальных ключевой момент поскольку у людей визуальная система ведущая и если ее задействовать то все будет получаться легче, проще и лучше. 

Например скачать текст Войны Миров, сделать гистограмму частоты слов, и нарисовать ее в красивом виде как на картинке ниже (в зависимости от уровня может уйти от неск дней до неск недель). В процессе выполнения вы обнаружите пробелы в своих знаниях и заполните их. После того как вы это сделаете вы будете знать 70% того что требуется знать в типовых задачах программирования.

( Читать дальше )

00:00 коротко про книгу
01:55 про прогнозы
03:40 защита от инфляции и прогнозирование циклов
06:25 торговый дефицит и как оценивать компании
09:15 ключ к успешному инвестированию
14:15 три фильтра для отбора качественных акций
16:50 долгосрочная доходность рынка акций
18:15 как в воду глядел в 1999 году
19:45 аккуратнее с быстро-растущими секторами
27:45 про показатель EBITDA
29:30 что читать инвестору
32:00 своя база данных
34:00 куда инвестировать при высокой инфляции
40:10 когда облигации лучше акций?
42:40 лайфхак про инфляцию и инвестиции в золото

Основные источники происхождения богатства миллиардеров в разрезе стран. 
Размер стран на карте пропорционален количеству миллиардеров. 

Разбивка источников богатства по цветам: 
красный — наследство,
зелёный — создание своего бизнеса,
синий — руководители компаний,
коричневый — политические связи, 
жёлтый — финансовый сектор (?). Вероятно, имеются ввиду удачные инвестиции.



Всё вполне ожидаемо:
В России — политические связи,
В Европе — наследство,
Америка — многогранна,
Азия — регион стартаперов.


Источник: 

howmuch.net/articles/billionaires-map

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 )

​​Продолжаю рубрику тезисного чтения интересных книг — на очереди книга выдающегося управляющего Питера Линча под названием «Переиграть Уолл стрит». Сразу предупреждаю, пост является длинным, поэтому тем, кто дочитает до конца — ✋. За один раз прочитать пост будет трудновато, но как вариант сэкономить Ваше время и прочитать краткое содержание — вполне. )

Ранее данные цитаты выкладывал у себя в телеграм канале тут — t.me/kuzmlab

С каждой главы выцарапал наиболее интересные мысли. Поехали. 

Введение

👉 Питер Линч, как он сам пишет, испытывал страсть к акциям. Приобрёл в свое время для фонда Magellan акций более 15000 компаний.

👉 Жизнь — краткий миг, после которого наступает небытие.

👉 Вложения в акции гораздо выгоднее вложений в облигации и депозиты. Доходность облигаций была выше доходности акций лишь единожды за 70 лет, в 1930е.

👉 Непрофессионал, посвящающий некоторое время изучению компаний отрасли, может превзойти 95% высокооплачиваемых экспертов, управляющих взаимными фондами, и вдобавок получить от этого удовольствие.

( Читать дальше )

Всем добрый день!

В этом посте решил продемонстрировать свой подход к составлению инвестиционных портфелей и показать во что я буду инвестировать с горизонтом 1-3 месяца.

Для этого я использую две основные стратегии «Премия за риск» и «стратегия двойного импульса Гарри Антоначчи», скрипт стратегии написан на Lite-C для платформы Zorro.

 

Начнем со стратегии «Премия за риск»

Основная идея стратегии описана в данном видео:

https://youtu.be/2mkvAjxdayc

 

Все сделки только LONG. Когда мы собираем премию за риск, управление рисками имеет важное значение.

Для управления рисками в данной стратегии я использую показатели волатильности каждого инструмента. Если волатильность актива увеличивается, тогда я сокращаю объем этого актива, соответственно, если волатильность уменьшается, тогда я увеличиваю объем позиции.



Бэктест стратегии:

( Читать дальше )

это объем создаваемой информации в мире с прогнозом до 2025. 

С изобилием информации возникла проблема, большая ее часть имеет слишком малый срок годности. "Когда информация дешевая, внимание становится дорогим."© какой то дяденька
Граждане которые тратят почти все свое время на создание и чтение информационных однодневок тратят только свой самый важный актив — время. 
Есть смысл сосредоточиться на информации с наибольшим сроком хранения, не смотря на то, что на создание такой возможно потребуется больше  усилий.Всегда лучше и читать и писать то, что  может научить вас/других чему-то, что вы/читали могли бы использовать всю оставшуюся жизнь .

Так что не стоит тратить их на информацию, которая скоро устареет.

Не кисло я заморочился, со вступлением да? )

Именно такой долговременной информацией я и хочу поделиться с вами.

1

( Читать дальше )

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

( Читать дальше )