DeepSeek

Длинный, но поучительный текст.

Попросил у читателей моей рассылки поделиться своей финансовой историей. Как делать не нужно было. Откликнулся только один смельчак. Вот его история:

«Привет, Володя! У меня есть образцово-показательная история как делать НЕ НАДО. Я, в своё время, а именно в 2008 году, в банке Москвы взял ипотечный кредит (в йенах, бля...) на вторичку! Поддался уговорам жены… но вина моя полностью — я же Папа! В своё оправдание сообщу, что незадолго до этого я брал и быстро закрыл 2 ипотечных кредита, правда в рублях… В начале всё шло хорошо… (это как на морозе описаться — тепло только сначала), а потом ЦБ начал девальвировать рубль — это его любимая игра с целью генерации инфляции (внешне это выглядело, что йена дорожает). короче, сумма основного долга начала расти не по дням а по часам! Соответственно, рос и ежемесячный платёж… В итоге за несколько лет сложилась такая конфигурация: я плачу  кредит, а кредит всё больше

Сергей, менеджер по инновациям в одной средней компании (около 1000 человек), пялился в экран ноутбука, пролистывая очередной ролик про DeepSeek и ChatGPT. «Два месяца, а толку ноль», — пробормотал он, закрывая вкладку. В голове крутились фразы из видео: «революция в бизнесе», «автоматизация рутины»… Но как это все применить — совершенно непонятно!

Спасением стала курилка. Там он наткнулся на начальника контакт-центра, Игоря, который, выпуская клубы дыма, бубнил: 

— Мои ребята уже роботы! Одни шаблонные ответы, а клиенты злые. Да и сам чёрт ногу сломит — кто из них реально старается, а кто просто кнопки тыкает. Проверять каждую переписку — мне жизни не хватит!  

Сергей замер. В голове щёлкнуло: «LLM… А что, если не только клиентам помогать, но и сотрудников контролировать?» Мысль горела, как искра, но тут же накатил страх: он же в контакт-центре как инопланетянин — процессов не знает, метрик не понимает. 

Дневник трейдера (журнал сделок) — это ваш личный «детектор ошибок». Он фиксирует не только цифры и факты, но и эмоции, которые управляют решениями. Это инструмент, который помогает превращать хаотичную торговлю в системный процесс, где каждая сделка — шаг к пониманию своих слабостей и сильных сторон.

Мой эксперимент: голосовой дневник + ChatGPT

Так как я активно работаю с LLM (нейросети — языковые модели), то подумал: почему бы не приспособить для этого ChatGPT?
Ведь я же общаюсь в голосовом режиме с «GPT-психологом» — а здесь в чем принципиальная разница?

Я нашел подходящие вопросы, адаптировал их под себя и загрузил в промпт (инструкцию для ИИ).

Как это работает:

1. Подаю промпт с ролью и вопросами.
2. В голосовом формате (мне лучше подходит этот формат — это как разговор по телефону) попросил:

Депутаты решили в очередной раз «спасти» россиян простым решением — «запретить рекламу эзотерических, а также блокировать ресурсы с такими предложениями», но:

• Люди как пользовались услугами астрологов, так и будут. Только теперь — все в чёрную. Ни контроля, ни налогов».
• Запрет рекламы и блокировка сайтов — это только начало. Дальше пойдут книги, курсы, карты Таро, энергетические кристаллы и т.д.
  

Кстати, список обширный, но техническим аналитикам пока можно выдохнуть — их там нет )
Зато есть нутрициологи и игропрактики.

Почему ни одной компании из этой сферы нет на бирже?

Введение

В трейдинге каждая секунда может иметь значение. Но стандартные инструменты часто не позволяют работать с данными высокого разрешения. В этой статье я поделюсь опытом создания кастомного решения для TSLab, которое сохраняет 1-секундные свечи с расширенными метриками (открытый интерес, количество продавцов/покупателей, лента сделок, лучшие бид/аск и др.). Покажу, как забрать эти данные из TSLab, передать их в Python для ML – анализа и т.д.

Задача

Трейдеры часто сталкиваются с ограничениями стандартных платформ: нельзя сохранить сверхмалые таймфреймы, добавить кастомные метрики или быстро переложить данные в Python для ML.

**Цель проекта** — создать инструмент, который:

— Сохраняет 1-секундные свечи с расширенными данными (открытый интерес, лента сделок…).

— Автоматически генерирует CSV-файлы для анализа.

— Позволяет строить интерактивные графики и обучать ML-модели.

**Главный герой** — ИИ-ассистент DeepSeek, который ускорил разработку в несколько раз и решил ключевые технические проблемы.

Как превратить это в структурированные данные?

Мне хотелось бы получить простую табличку:

Как получить такие данные за 5 минут?

Реальный ответ: если важна точность, то никак. Но я решил проверить, можно ли быстро вытащить данные с помощью LLM.

Вчера после закрытия торгов отчиталась NVDA

Q4 2025 Earnings:
Adj EPS 89c, est. 84c
Rev. $39.3b, est. $38.25b
Data center revenue $35.6b, est. $34.09b
Adj gross margin 73.5%, est. 73.5%
Gaming rev. $2.5b, est. $3.02b
1Q rev. $43.0b plus or minus 2%, est. $42.3b
Maintains quarterly dividend at 1 cent/shr

 9-й раз подряд, Компания превзошла ожидания аналитиков. 

Типичная реакция рынка на отчеты компании это +10% на постмаркете. Но в этот раз ничего подобного не произошло. Реакция рынка — плюс/минус 2% и в конце цена на акцию остановилась на минус 1,5%. Сегодня после некоторого подъема, акции прочно ушли в минус 3-3,5%  И это несмотря на то, что CEO Дженсен Хуанг представил на конференс колле сильный прогноз роста Nvidia на первый квартал и сигнализировал о том, что растущий спрос на ее чипы искусственного интеллекта сохранился и что заказы на ее новые полупроводники Blackwell были «потрясающими». 

Но первые предвестники проблем появились раньше и инвесторы не могли забыть их так быстро.