Тем, кто не читал предыдущий топик этой темы, рекомендую для начала ознакомиться с ним [1].

В комментариях к предыдущему топику меня критиковали за неоптимальность кода Python. Однако, текст читают люди с совершенно разной подготовкой — от почти не знающих Python или знающих другие языки программирования, до продвинутых пользователей. Последние легко могут обнаружить неоптимальность кода и заменить его своим. Тем не менее, код должен быть доступен и новичкам, возможно не обладающим знанием пакетов и продвинутых методов. Поэтому, в коде я буду, по возможности, использовать только базовые конструкции Python, не требующие глубоких знаний, и которые могут легко читаться людьми, программирующими на других языках. Вместе с тем, по мере изложения, без фанатизма, буду вводить и новые элементы Python.
Если вы хотите как-то улучшить или оптимизировать код, приводите его в комментариях — это только расширит и улучшит изложенный материал.

Ну, а сейчас мы займемся разработкой и тестированием индикаторов. Для начала нам нужна простейшая стратегия с использованием МА — его и построим. Самой лучшей по характеристикам МА является ЕМА. Формула ЕМА:

Всего за 2 месяца было уничтожено столько рабочих мест, сколько было создано за 10 лет в США. В 2008-2010 потребовалось 24 месяца, чтобы осуществить переход от максимальной занятости к минимальной и за этот период было потеряно 6.3% рабочих мест или почти 9 млн. Сейчас за 2 месяца сокращение занятости составило 14% или 21.4 млн рабочих мест. По интенсивности сжатия экономической активности ничего подобного не случалось за всю историю США.

Это отличные данные, лучше не придумаешь – фондовые рынки, как обычно в наркотическом психозе и истерии, захлебываясь от радости, переписывают очередные максимумы по финансовым мультипликаторам не менее, чем на 30% от уровня января 2020. Но пока они там в очередной раз сходят с ума, как обстоят дела в реальной экономике?

В отчете по занятости США можно оценить масштаб ущерба и распределение по секторам экономики.

Индустрия культуры, массового спорта и развлечений (Arts, Entertainment, and Recreation) теряет 55% от занятых за 2 месяца,
Фитнесс-клубы, прачечные, парикмахерские, массажные и косметические салоны (Personal and Laundry Services) минус 54% от занятых
Индустрия кино и звукозаписи (Motion Picture and Sound Recording Industries) минус 48% занятых
Кафе, бары, рестораны (Food Services and Drinking Places) минус 48%
Гостиницы, отели, мотели (Accommodation) минус 42%
Производство одежды и обуви (Apparel) минус 40%
Производство транспорта и транспортного оборудования минус 25%

В таблице представлено более 86% от совокупных потерь по занятости.

Всем привет!

Вдохновился данным постом ( https://smart-lab.ru/blog/616708.php ) и решил немного подпилить код, пока карантин делать нечего.

Кто не знал как скачивать котировки по одной компании вручную — сайт для скачивания котировок по одному тикеру (финам):
www.finam.ru/profile/moex-akcii/gazprom/export/

Тут через питон скачиваем котировки из текстового файла, в который вносим желаемые тикеры компаний:




Сайт для скачивания среды программирования Python (PyCharm), пойдет обычная версия:
www.jetbrains.com/ru-ru/pycharm/download/#section=windows

Файлы из видео, в том числе и со списком тикеров:
yadi.sk/d/R3BSbFjV3Pfydg

Код программы:

import requests
import datetime
import pathlib
import apimoex
import pandas as pd
 
board = 'TQBR'
 
with open("C:/PYEX/TICK.txt", "r") as TICKs:
    TICKs = [line.rstrip() for line in TICKs]
pathlib.Path("C:/PYEX/Database/{}".format(board)).mkdir(parents=True, exist_ok=True)
process = 0
with requests.Session() as session:
    for TICK in TICKs:
         process = process + 1
         print((process / len(TICKs)) * 100, ' %')
         data = apimoex.get_board_history(session, TICK, board=board)
         if data == []:
             continue
         df = pd.DataFrame(data)
         df = df[['TRADEDATE','CLOSE']]
         df.to_excel("C:/PYEX/Database/{}/{}.xlsx".format(board,TICK), index=False)

Для моделирование ТС на Python, прежде всего нужен сам Python. Pythonы бывают очень разные.

Самый большой и длинный Python — Anaconda (https://anaconda.org/). Скачать дистрибутив Anaconda можно здесь — Индивидуальное издание -https://www.anaconda.com/products/individual.
Я работаю именно с Anaconda. Установив Anaconda мы получаем сам Python, уже установленные значительную часть нужных и ненужных пакетов с библиотеками Python, и несколько сред разработки. И все это сразу готово к работе, и нам, по большей части, уже не придется дополнительно устанавливать пакеты и среды.

Самый маленький Python последней версии 3.8.2. скачивается с сайта самого Python — https://www.python.org/. Это, практически, только сам язык, компилятор и минимальный набор пакетов. Сделать с ним практически ничего невозможно, и для работы придется постоянно устанавливать нужные пакеты. Среду разработки придется также устанавливать самостоятельно.
Этот Python больше подходит для запуска и работы с уже отлаженными законченными программами.

Смотрим последний макро-прогноз от ЦБ: 

Уважаемые экономисты, объясните, что такое Баланс первичных и вторичных доходов?
Спасибо

КОРОТКО:
— Изменены ПРАВИЛА и ФОРМА отчета о движении денежных средств — теперь в них добавлены элементы, относящиеся к счетам в иных организаций финансового рынка

— В Правилах уточнены способы подачи отчетов — ЧЕРЕЗ ЛИЧНЫЙ КАБИНЕТ НАЛОГОПЛАТЕЛЬЩИКА, лично и почтой с уведомлением о вручении

— К документам, составленным на иностранном языке, прилагается перевод на русский язык, надлежащим образом заверенный в соответствии с требованиями законодательства Российской Федерации. В случае необходимости по запросу налоговых органов представляется перевод на русский язык, нотариально заверенный в соответствии с требованиями законодательства Российской Федерации. Налоговая в Информации от 21.04.20 истолковало эту новацию как отмену требования о нотариальном заверении документов

— Отчет о движении предоставляется до 1 июня года, следующего за отчетным годом, а в случае закрытия счета до истечения отчетного года —