Пока что можно убедиться: всерьёз доверять свой портфель
LLM — не лучшая идея. Вот яркий пример: ChatGPT с трейдинговой задачей ушёл в минус на $7200 из начальных $10K. Тем не менее, я по-прежнему считаю, что использовать эти модели — хорошая практика. Просто нужно понимать, что это инструмент не широкого, а специфического назначения. С помощью LLM, например, можно писать код, но без ревью пускать такой код в продакшн нельзя. Это правило распространяется на любую сферу их применения. Вывод: LLM не заменят людей. Они заменят лишь тех, кто наотрез отказывается их использовать, и тех, кто, наоборот, доверяет им абсолютно всё. #LLM #ChatGPT #технологии
2
Нравится
Не является индивидуальной инвестиционной рекомендацией
Ваш комментарий...
Анализ компаний
Подробные обзоры финансового потенциала компаний
QuantPiLL
14 подписчиков • 6 подписок
Портфель
до 5 000 000 ₽
Доходность
+12,42%
Еще статьи от автора
20 января 2026
Регрессия и короткий горизонт.
Сегодня проверяю метод наименьших квадратов (МНК) в регрессионном анализе.
В прошлом посте я использовал его для расчёта Beta. Сейчас попробовал построить на основе того же метода предсказание поведения цены акции.
В текущем варианте за основу были взяты три периода с разными длинами (лагами): от 1 до 3 дней. Период обучения модели — с января по сентябрь 2025 года. Тестовый период — с октября по декабрь.
Вот какие результаты получились, стратегия «купи и держи» vs. МНК:
OZPH +6.17% vs +24.2% 🟢
T +7.46% vs +19.47% 🟢
OZON +9.29% vs -6.58% 🔴
SBER +4.71% vs +1.23% 🔴
YDEX +18.78% vs +3.65% 🔴
Выводы:
1. Всё же МНК в таком формате пытается предсказать значение (величину доходности), а для торговли нам важнее направление (движение вверх или вниз).
2. Модель нестабильна: в некоторых случаях стратегия даёт значительный прирост, а в некоторых уходит в минус относительно рынка.
3. Результат сильно зависит от количества лагов (параметров), что подтверждает чувствительность модели к входным данным.
4. В расчётах я не учитывал комиссию брокера, но при реальной торговле частая смена позиций может «съесть» значительную часть прибыли.
Не является индивидуальной инвестиционной рекомендацией.
#технологии
#python
#программирование
#машинное_обучение
9 января 2026
Сравнение Beta: где мой расчет отличается от брокера.
Рассчитал коэффициент Beta для нескольких интересующих меня акций и сравнил свои цифры с данными, которые публикует брокер. Вот что получилось:
PLZL SBER YDEX - Тут всё совпало идеально. Поведение этих акций стабильно во времени.
OZON Стал более чувствителен по отношению к индексу (моя Beta выше, чем у брокера).
VSMO OZPH Тут разница отрицательная (моя Beta ниже), значит, активы стали более защитными относительно индекса IMOEX.
T LKOH SFIN Небольшие изменения, в пределах статистической погрешности.
В чём может быть причина такой разницы?
Я вижу три основных фактора:
1) Тип цены. Я брал цену закрытия по дням. Брокер, возможно, использует немного другую цену (например, среднюю цену за сессию или ещё что то).
2) Разные периоды окна для расчёта. У меня данные только за последний год, у брокера это может быть, средняя Beta за 3 или 5 лет.
3) Методология расчёта. Возможно, брокер использует более сложную модель, например сглаживает выбросы или ещё как то предварительно валидирует данные.
P.S.
Так и не смог разобраться, как вытащить готовую Beta через API. Пришлось вручную копировать из веб-версии.😭
Не является индивидуальной инвестиционной рекомендацией.
#технологии
#python
#программирование
2 января 2026
Расчёт коэффициента Beta YDEX
Начал погружаться в методы прогнозирования стоимости. Один из базовых инструментов для таких задач - метод наименьших квадратов (МН) из регрессионного анализа (область машинного обучения).
На удивление я сразу нашёл практическое применение этого метода. Это расчёт Beta, эта цифра находится в раздел "Все показатели" у акций Т-брокера.
Я решил попробовать рассчитаться его самостоятельно и заодно разобраться как работает метод.
Что я делал:
1 Сбор данных. В описание указано "Волатильность акции к индексу IMOEX". Значит, нам нужны исторические данные акции и индекса. Я выгрузил их через API биржи за период в 1 год.
2 Подготовка данных. Рассчитал логарифмическую доходность (постепенно привыкаю к этому формату) для акции и индекса.
3 Расчёт Beta. Это самое интересное. В библиотеке numpy уже есть готовый и оптимизированный метод — np.linalg.lstsq (от англ. least squares). Всё, что нужно — это передать туда доходности. На выходе получаем коэффициенты Beta и Alpha (есть и другие технические значения, но сейчас они не в приоритете).
5 Визуализация. Построил график: красная линия на скрине — это и есть линия регрессии. Она показывает наиболее вероятную зависимость доходности акции от движения индекса.
Любая прямая определяется простой функцией:
y = b*x +a
(да да, опять математика нам помогает🥸) , где b и есть та самая Beta.
- если Beta > 1, акция более волатильна, чем рынок. При движении индекса вверх она может дать большую доходность, но при падении — принесет более существенный убыток.
- если Beta < 1, то акция считается «защитной». Движение индекса влияет на неё слабее: она меньше падает в кризис, но и растет спокойнее рынка.
У меня получилась Beta = 0.693, в то время как у брокера она указана как 0.7. В целом попал. На днях сделаю расчёт для других бумаг для сравнения.
Не является индивидуальной инвестиционной рекомендацией.
#программирование
#python
#технологии