Акции с высокой дивидендной доходностью часто являются отличной инвестиционной стратегией для инвесторов, стремящихся получать приток денежных средств каждый год. В данной статье буден создан скрипт на Python для отбора их на бирже NASDAQ.

Что такое дивидендная доходность?

Возьму определение из Википедии. Дивиде́ндная дохо́дность (англ. dividend yield) — это отношение величины годового дивиденда на акцию к цене акции. Данная величина выражается чаще всего в процентах.

Пример

При цене акции ОАО «Лукойл» 1124,37 рублей и дивиденде 28 рублей на акцию дивидендная доходность будет равна:

Так же необходимо обратить внимание, что многие растущие компании, такие как для примера Amazon и Yandex, не выплачивают дивиденды, поскольку они реинвестируют всю прибыль в развитие бизнеса. Поэтому дивидендная доходность для этих фирм будет равна нулю.

Расчет дивидендной доходности с помощью Python



( Читать дальше )

Altman Z-Score, названный в честь его создателя Эдварда Альтмана, используется для оценки риска банкротства компании по сравнению с группой аналогичных компаний. 

Немного о методе Z-Score

Это число, которое показывает, насколько сильно одна точка данных выделяется из среднего значения всех точек данных в аналогичной группе. Это значение можно рассчитать для любой группы данных, чтобы сравнить их отклонение со средним значением по группе. 

Например, вы можете использовать Z-Score, чтобы сравнить длину размаха рук Василия Олейника со средним аналогичным значением для всех инвесторов. Или вы можете сравнить доходность акций одной компании со средней доходностью акций всех компаний, входящих в индекс S&P 500. 

📍 В мире финансов и инвестиций Z-Score Эдварда Альтмана имеет более конкретную цель и является одним из многих способов измерения финансового состояния компании. Для расчета используются различные финансовые показатели, такие как оборотный капитал, общие активы и обязательства, нераспределенная прибыль и EBIT, а также рыночная стоимость собственного капитала и балансовая стоимость общих обязательств.

( Читать дальше )

Value trap — стоимостная ловушка, компания которая кажется дешевой но никогда не дорожает.

Недавно прочитал пост Александра Силаева (известного ныне книгой «Деньги без дураков»), Мораль басни про Газпром. И решил еще раз объяснить свою позицию по Газпрому.

Стоимостное инвестирование — это попытка купить дешево то, что в обозримом будущем подорожает. Компания не может быть дешева просто так. Всегда есть обоснованная причина. Задача инвестора понять, временна ли эта причина или нет. Если причины дешевизны никуда не исчезнут то глупо ждать что акция вдруг взлетит.


Отдача за десять лет: Газпром — синяя линия, ММВБ — черная, Лукойл — зеленая.

Для тренировки инвесторского скилла:

1. Легкий вопрос. Сравните ВТБ, Сбербанк. Какой банк классический Value trap?

2. Вопрос посложнее. Назовите причины дешевизны.

(Взрывной рост) Экспоненциальные организации — почему новые организации в 10 раз лучше, быстрее и дешевле, чем ваша (и что с этим делать) Салим Исмаил, Майкл Мэлоун, Юри ван Геест

Электронная книга t.me/kudaidem/1965

( Читать дальше )

Привет! Бегло полистал SL и обнаружил, что книжные обзоры делятся на 2 типа – инвесторские и хардкорное алго (HFT и опционы). Промежуточный вариант попытаюсь закрыть данным постом. По уровню сложности книги в обзоре находятся между зубодробительной подборкой от Eugene Logunov https://smart-lab.ru/blog/534237.php и приятным чтивом по фундаментальным стратегиям.

1)    Lasse H. Pedersen – Efficiently Inefficient

Отличная книга и №1 по соотношению польза/сложность. Автор показывает, как кванты тестируют и отбирают стратегии в портфель. Условно ее можно разделить на 4 части: арбитраж, факторные стратегии, глобал макро и технические моменты запуска и финансирования фонда. HFT и опционные стратегии упоминаются вскользь. Наверное, книга подойдет и для совсем начинающих, т.к. все метрики (вплоть до волатильности) и базовые концепции раскрываются с 0.

LHP – один из боссов крупного хедж фонда в Гринвиче, но в отличие от Далио или Дракенмиллера, еще и хардкорный академик. Поэтому в книге любое утверждение подтверждается ссылками, а для глубокого погружения есть отличный список первоисточников. Понятно, что никаких секретов своего работодателя LHP не раскрывает, но профильные главы для меня оказались полезными в плане идей + отсылки туда, где копать глубже.

( Читать дальше )

Вначале пару слов об авторе. Рабочий стаж Говарда Маркса в финансовой сфере – более 40 лет. Сейчас он является совладельцем крупной инвестиционной компании, под управлением которой свыше $120 млрд.   

За время карьеры автор прошел через множество рыночных катаклизмов, прочувствовав их изнутри. И это легло в основу стройной системы функционирования рынков, которую он раскрывает книге «Рыночные циклы». 

Согласно Марксу, в основе циклических изменений в финансовой сфере лежит поведение людей. А поведение редко находится в равновесии, когда речь идет о потерях или приобретениях. Так и проскакивает человек это равновесное состояние на пути от алчности к страху, и обратно. 

Естественно, эта неоптимальность в нашем поведении отражается на всех уровнях принятия финансовых решений. Будь то вложение в акции, получение займа или покупка недвижимости. 

В книге автор доносит до читателя три момента:

( Читать дальше )

Многим известно, что инфляция негативно влияет на доходность инвестиции. Но не все умеют правильно рассчитывать реальную доходность с учетом инфляции.

Проверьте себя 👇. 

Сначала определимся, что является доходностью. 

Деньги обладают покупательной способностью. То есть в будущем на одну и ту же сумму сможете купить меньшее количество товаров и услуг. Покупательная способность денег определяется инфляцией. 

Поэтому есть два варианта доходности:

• Номинальная доходность — рассчитанная без поправки на инфляцию.
• Реальная доходность — рассчитанная с поправкой на инфляцию, то есть с учетом  будущей покупательной способности денег в сегодняшних ценах.

Как рассчитать реальную доходность?

Я заметил, что многие считают этот показатель по простой формуле:

Реальная доходность = Номинальная доходность — Инфляция

Но этот способ неточен. Причем, чем выше инфляция, тем точность все ниже. 

( Читать дальше )

В начале 2017 года я сделал расчет, в котором сравнил различные способы расчета HV.
Свои выводы я представил на завтраке инвестора у Алины Ананьевой.
Были рассмотрены восемь активов на различных рынках и период с 2010 по 2016 гг.
Методы сравнивались по критерию наименьшей ошибки прогноза будущей волатильности.
Лучшими подходами по моему мнению оказались методы господина Твардовского, господина Механизатора, экспоненциальный способ, а также усреднение этих трех прогнозов. Сейчас мне стало любопытно, насколько я оказался прав тогда в своих выводах.

Для теста я взял часовые свечки различных активов с января 2017г. по январь 2021г.
Основные выводы представлены ниже, объяснения и таблички  следуют за ними.
 

Выводы

1. В общем рейтинге с учетом всех рынков первое место занял метод усредняющий три прогноза: г-на Твардовского, г-на Механизатора и экспоненциальный.

2. Подход г-на Твардовского с подобранным мной множителем подтвердил свою прогнозную силу на различных рынках. Для российского рынка акций и фьючерсов данный метод оказался наилучшим. Для commodities, индексов и американских акций этот подход вошел в тройку лучших. Для дневного таймфрейма подход г-на Твардовского оказался самым точным для выбранной группы из пяти активов.

3. Экспоненциальный метод также доказал свою полезность, заняв третье место в общем рейтинге. Для американских акций прогнозы в рамках данного подхода оказались самыми точными. 

4. Подход г-на Механизатора с выбранным мной множителем уступил лидерские позиции другим методам, но оказался полезен при совместном использовании с другими способами .

5. Для часового таймфрейма популярные подходы Parkinson, Yang-Zhang, Rogers-Satchell и Garman-Klass в большинстве случаев оказались хуже даже базового метода расчета исторической волатильности. Впрочем, для дневного таймфрейма показатели этих методов (в частности, подхода 

( Читать дальше )

Построение нестандартных графиков в Python при помощи библиотеки finplot.
Можно строить почти любые нестандартные графики: Range, Renco, Delta.
В качестве примера скрипт для построения Дельта графика.
График строиться с момента запуска по поступающим данным из таблицы обезличенных сделок.
Для получения данных из КВИКа используется PythonServer Евгения Шибаева (огромное спасибо автору!!!)

Тапками не кидайтесь, программировать только учусь.

# В КВИКе запускаем луа-скрипт QuikLuaPython.lua
import socket
import threading
from datetime import datetime, timezone
import pandas as pd
import finplot as fplt

fplt.display_timezone = timezone.utc


class DeltaBar():
    def __init__(self):
        self.df = pd.DataFrame(columns='date_time open high low close delta delta_time_sec'.split(' '))
        self.df.loc[len(self.df)] = [0, 0, 0, 0, 0, 0, 0]

    def parser(self, parse):
        if parse[0] == '1' and parse[1] == 'RIH1':
            if abs(self.df.iloc[len(self.df) - 1]['delta']) >= 500:
                self.df.loc[len(self.df)] = [0, 0, 0, 0, 0, 0, 0]  # Добавляем строку в DF

            self.df.iloc[len(self.df) - 1]['close'] = float(parse[4])  # Записываем последнюю цену как цену close бара

            if self.df.iloc[len(self.df) - 1]['date_time'] == 0:
                self.df.iloc[len(self.df) - 1]['date_time'] = \
                    datetime.strptime(f'{parse[7]} {parse[8][0:-1]}', "%d.%m.%Y %H:%M:%S.%f").replace(microsecond=0)

            if self.df.iloc[len(self.df) - 1]['open'] == 0:
                self.df.iloc[len(self.df) - 1]['open'] = float(parse[4])

            if float(parse[4]) > self.df.iloc[len(self.df) - 1]['high']:
                self.df.iloc[len(self.df) - 1]['high'] = float(parse[4])

            if (float(parse[4]) < self.df.iloc[len(self.df) - 1]['low']) or \
                    (self.df.iloc[len(self.df) - 1]['low'] == 0):
                self.df.iloc[len(self.df) - 1]['low'] = float(parse[4])

            if parse[5] == '1026':
                self.df.iloc[len(self.df) - 1]['delta'] += float(parse[6])

            if parse[5] == '1025':
                self.df.iloc[len(self.df) - 1]['delta'] -= float(parse[6])

            self.df.iloc[len(self.df) - 1]['delta_time_sec'] = \
                datetime.strptime(f'{parse[7]} {parse[8][0:-1]}', "%d.%m.%Y %H:%M:%S.%f") - \
                self.df.iloc[len(self.df) - 1]['date_time']
            self.df.iloc[len(self.df) - 1]['delta_time_sec'] = self.df.iloc[len(self.df) - 1]['delta_time_sec'].seconds


def service():
    sock = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
    sock.bind(('127.0.0.1', 3587))  # Хост-этот компьютер, порт - 3587
    while True:
        res = sock.recv(2048).decode('utf-8')
        if res == '<qstp>\n':  # строка приходит от клиента при остановке луа-скрипта в КВИКе
            break
        else:
            delta_bar.parser(res.split(' '))  # Здесь вызываете свой парсер. Для примера функция: parser (parse)
    sock.close()


def update():

    df = delta_bar.df
    # Меняем индекс и делаем его типом datetime
    df = df.set_index(pd.to_datetime(df['date_time'], format='%Y-%m-%d %H:%M:%S'))
    # print(delta_bar.df)

    # pick columns for our three data sources: candlesticks and TD
    candlesticks = df['open close high low'.split()]
    volumes = df['open close delta_time_sec'.split()]
    if not plots:
        # first time we create the plots
        global ax
        plots.append(fplt.candlestick_ochl(candlesticks))
        plots.append(fplt.volume_ocv(volumes, ax=ax.overlay()))
    else:
        # every time after we just update the data sources on each plot
        plots[0].update_data(candlesticks)
        plots[1].update_data(volumes)


if __name__ == '__main__':
    delta_bar = DeltaBar()
    # Запускаем сервер в своем потоке
    t = threading.Thread(name='service', target=service)
    t.start()

    plots = []
    ax = fplt.create_plot('RIH1', init_zoom_periods=100, maximize=False)
    update()
    fplt.timer_callback(update, 2.0)  # update (using synchronous rest call) every N seconds

    fplt.show()

Привет всем любителям и ценителям опционов. С большим вниманием ознакомился с содержанием раздела на смартлабе и принял решение зарегистрировать здесь свой опционный блог. Пока учился торговле этим замечательным инструментом, перечитал стопку учебников, пересмотрел сутки видеороликов на русском и английском, взял платные курсы, облазил интернет в поисках скудных крох практических аспектов, но в итоге все практические навыки пришлось извлекать самому, некоторые — весьма болезненно. Думаю, от меня не убудет поделиться, и считаю, что удивительный мир опционной торговли заслуживает того, чтобы о нем писали больше и чаще.

Во первых строках — кратко о себе и о том, что, как и где торгую. Мне 46, в мир опционов пришел давно, лет 5 назад, но с первого захода не сложилось — торговал рублевыми опционами, и неудачно. Я потом объясню, почему неудачно. В прошлом году покинул, наконец, работу, открыл счет в IB, закинул туда столько, сколько не жаль потерять полностью, и начал учиться на свои кровные. Начал, как водится, с покрытых коллов. Потом перешел к голым путам. Кривая обучения выглядит классически: первые два месяца — уверенный, но небольшой плюс. 

( Читать дальше )