Хэштег #python | Тинькофф Инвестиции Пульс

🎯 Добавил круговую диаграмму в портфельный анализатор! 📊 Что получилось: ✅ Интерактивная круговая диаграмма как в Тинькофф ✅ Цветные полоски-индикаторы для каждой позиции ✅ Три режима группировки: по компаниям, типам активов, секторам ✅ Центральная информация с общей суммой и количеством позиций ✅ Автоматическое обновление при изменении портфеля 🛠️ Технические детали: • Написано на чистом PySide6 без внешних зависимостей • Кастомная отрисовка через QPainter • Поддержка неограниченного количества активов • Автогенерация уникальных цветов 💡 Зачем это нужно: Теперь можно визуально оценить структуру портфеля, найти перекосы в распределении активов и принимать обоснованные решения по ребалансировке. 🎮 Что дальше: Планирую добавить свечные графики для отслеживания динамики портфеля во времени и дополнительную аналитику.

Продолжаем погружение в алготрейдинг… Как получить исторические котировки в автоматическом режиме — рассказал в предыдущем посте. Теперь переходим к самому интересному — поиску закономерностей, которые могут дать статистическое преимущество в торговле. Да, можно считать всё это в Excel, но это как рассматривать тычинки и пестики через линзу Левенгука, когда у нас под рукой электронный микроскоп. Позже покажу, что в Excel просто невозможно реализовать то, что в Python делается щелчком пальцев. Что делать, если не программируешь? Тогда в помощь — разновидность ChatGPT. Главное — правильно сформулировать задачу, то есть написать качественный промпт. Конечно грамотно сформулировать задачу - это нетривиальная задача, нужно понимать чего мы хотим и видеть подводные камни Советую заглянуть на (не реклама). На мой взгляд, он пишет интереснее, чем ChatGPT. Пишем ему примерно так: «Напиши код на Python для поиска закономерностей, которые дают статистическое преимущество при торговле акциями на российском фондовом рынке». Дальше оформляем инструкцию: где лежат исторические котировки, как называются столбцы, что в них содержится и т.д. Просим Grok также: написать функцию для построения сводной таблицы, сделать график equity, который покажет, как бы мы зарабатывали, следуя найденным закономерностям. В ответ он выдаст простыню кода. Копируем её и вставляем в PyCharm, Jupyter или любой другой интерпретатор. Установить python + pycharm/jupyter придется самостоятельно. Конечно мы можем подождать пока Grok не приделают ручки, и он сможет не только помогать вам на словах, но и делать необходимые действия на компьютере за вас (я думаю это перспектива уже самого ближайшего времени), но кто ждать не хочет, тому придётся пока этот этап работы сделать самостоятельно, благо не сказать что это требует каких-то семи пядей во лбу. Как писал выше, критически важно здесь написать хороший промпт (инструкцию). Grok это что-то вроде существа с интеллектом подростка (хотя сейчас наверное можно говорить об интеллекте двадцатипятилетнего человека), но всезнайки. То есть он как бы знает всё, но если вы корректно не сформулируете задачу он начнёт путаться, писать чепуху, и в конечном счёте сядет в лужу и вас усадит рядом. Откуда брать идеи для тестирования? Можно попросить Grok (с фантазией у него всё в порядке), можно порыскать по форумам, в конце концов вы можете протестировать собственные идеи, если они у вас есть. Grok автоматом предложил стратегию покупки фишка выросшей на 1%, откуда он это взял бог его знает, но не суть, пока мы осваиваем архитектуру, которая позволит нам дописывать какие то новые и новые правила, а на выходе получать оценку. Показатели эффективности стратегии - это большая тема, пока что ограничимся получением графика эквити и сводной табличку с данными о средней прибыльности на сделку, количестве сделок итд На график можете полюбоваться ниже. Чёрным на нем — стратегия buy & hold. Остальное — результат применения стратегии к разным фишкам. Замечу: Grok написал код быстро и неплохо — заняло меньше минуты. Дальше пожно попробовать улучшить с помощью фильтрация ( комбинаторика на коленках): применяем стратегию только в определённые дни недели, фильтруем по объёму, по скользящей средней и т.п. Здесь и пригодится сводная таблица. Применив фильтр, получаем, например, 507 сделок со средней прибылью 0.27 на сделку. А давайте проверим, насколько равномерно шла прибыль по месяцам? Одна строчка кода — и всё видно. Поначалу советую все результаты перепроверять в Excel — он хорош для «пощупать руками». Возможны ошибки, утечки, подглядывания и т.п. Конечно я показал только начало, саму идею, до подводных камней я даже не дошел, но «ищите и обрящете». Планирую открыть рубрику «Разрушители мифов», где вместе с Grok будем тестировать идеи с Пульса. Пару "гуру" уже присмотрел. Дальше будет интереснее 😉

Знакомый по фитнес залу оказалось тоже торгуют на фондовой бирже (Серега привет!), причём имеет солидный стаж за 10 лет. По его словам торгуют он по новостям – почему нет? Хотя мне это не подходит, потому что исключает возможность тестирования, а в этом основа моего подход (есть идея – протестируй ее, оформи в форму алгоритма и тогда вперед). Вообще забавно что фитнес зале можно встретить всех. Я уже нашёл стоматолога, винодела, теперь коллегу по опасному бизнесу на российском рынке ценных бумаг. В шутка он спросил когда начнешь меня торговать. Поэтому я подумал что неплохо было бы написать «курс молодого бойца», на собственном примере как я докатился до сегодняшней жизни такой, что возможно кому-то пригодится, а у меня потешет тщеславие (ведь все мы хотим плюсиков в ленту). Приступим. Начинать нужно со сбора данных. Без них о алгоритмической торговли говорить не приходится. Тут понадобится всё по максимуму - исторические котировки, макроэкономические показатели, новости - современные инструменты NLP творят чудеса, превращая текстовую кашу в числовые векторы (эмбединги) (все мы наверное уже успели попользоваться чат гпт, который как раз оперирует векторными представлениями слов). Так что даже новости можно представить в годном для числового анализа виде. С текстами можно даже поступить проще, например я оценивал отчёты американских компаний с помощью примитивных библиотек сантиментов, и получал довольно любопытные результат. Кстати гораздо интересней чем при использовании Берта, и прочих моделей с «Улицы Сезам» - не всегда нужно гоняться за самыми навороченными моделями, чтобы получить интересный результат. Сейчас не будем говорить о получении этой информации в режиме онлайн, а просто о получении исторических котировок. Можно пойти на соответствующие сайты и путём нажатия пары тысяч раз на соответствующие кнопки получить истории по сотне наиболее ликвидных российских бумаг за последние лет 12 (я беру с 2012, когда наконец то устаканился режим основных торгов (до этого режим время сессии периодически перетряхивали меняя) . Понятное дело каждый уважающий себя алготрейдер будет стремиться к автоматизированному получению этой информации. И возникает первый момент - по идее нужно знать язык программирования. Лично мне не мешало лет 10 заниматься алготрейдингом отсутствие этого навыка , я бодро искал неэффективности на рынке с помощью excell (в котором дальше умения манипулировать со сводными таблицами мои умения не шли). Какой язык – конечно python, он простой для изучения, читаемый, интегрируемый, есть куча библиотек отлично подходящих для изучения интересующих нас вопросов (pandas – отличная замена Excel, numpy - для математических вычислений, TA-Lib – для технического анализа, requests - для веб-скрейпинга, mplfinance - если нужны простые и настраиваемые графики свечей и баров). И тут, казалось бы, мы имеем все необходимое, но самое интересное только начинается. Ведь вся эта мощь Python в конечном итоге позволит нам выйти на машинное обучение, которое откроет двери к совершенно новым горизонтам в алготрейдинге (на питоне написано 90% всего что касается maching learnings). Кроме того, Python позволит автоматизировать торговлю, отправлять заявки через брокерские API чтобы перестать жить у монитора – вот она, свобода. Да и когда рынок разогрет, а волатильность лупит по депозиту как пьяный баянист по кнопкам, задача расставить заявки по десятку бумаг потными от волнения пальчиками – может затянуться. А тут вам на помощь приходит холодное, беспристрастное железо, которое без эмоций и паники сделает всё за вас – строго по алгоритму, без дрожащих рук и нервных срывов. На этом, пожалуй, рекламную паузу Python можно считать завершённой. Изучение всех этих вопросов с нуля займёт, как говорится, сущие пустяки – каких-то пару лет 😊 Но я уже вышел за рамки 4000 букв, продолжение следует

БРЮССЕЛЬ, 24 сентября 2021 г. (GLOBE NEWSWIRE) - Sonoco, производитель потребительской и промышленной упаковки, объявляет, что в связи с быстрым ростом стоимости энергии в Европе, цены на все виды переработанного картона, продаваемые в регионах Европы, Ближнего Востока и Африки, будут повышены на 50 евро за тонну, что вступит в силу для всех поставок, осуществленных 4 октября 2021 года или после этой даты. «Непредсказуемый рост затрат на энергию, наблюдаемый во всех регионах Европы, в настоящее время достиг беспрецедентного уровня и, по прогнозам, останется высоким в течение предстоящего зимнего периода. Насколько это возможно, компании пытаются снизить дополнительные расходы, но вскоре, большинство зависящих от стоимости энергии предприятий буду вынуждены делать то же самое. Друзья, это один из многих звоночков, которые нас ждут в ближайшее полугодие, ищем причинно-следственные связи. Простой пример, для тех, кто не верит: рост цены на нефть -> рост цены на топливо -> самый крупный потребитель топлива - авиатранспорт -> рост цены на тарифы авиаперевозок -> зависящий от сроков поставки товар - мясо -> рост цены на свинину и говядину в странах-импортерах мясной продукции. Другой вопрос, будет ли рост у стоимости акций, если компания увеличивает стоимость своей продукции? - ставим колокольчик на данной компании и узнаём через месяц-два. Сейчас, компания которая попала в простой пример - как раз в просадке, по которой пример будет очевиден. Теоретическая прибыльность при торговле в long, с 2019-03-27: -73.5% Прибыльность за период с 2020-09-25: -2.6% Вероятность просадки стоимости акций ниже 40%: 9.36% (высокая!) Текущий уровень прибыльности при торговле в long: -2.57%.