Профиль инвестора QuantPiLL | Т-Инвестиции Пульс

подписчик

подписок

Анализ и обработка данных. https://t.me/QuantPiLL репозиторий https://github.com/socrat775/quant_pill/tree/main

Не является индивидуальной инвестиционной рекомендацией

Посты

Ролики

QuantPiLL

27 марта

Логарифмическая доходность Заметил интересную особенность расчёта годовых доходностей в Т-ивестициях. Вот моя за 2022 год (весьма печальная 😅): • Январь -4,64% • Февраль +7,04% • Март -9,97% • Апрель -35,76% • Май -21,73% • Июнь -34,73% • Июль +28,77% • Август +4,05% • Сентябрь -11,08% • Октябрь +5,25% • Ноябрь -3,26% • Декабрь +3,84% И суммарно -72.22% (так показывает в мобильном интерфейсе) На первый взгляд всё верно (если суммировать по месяцам), вот только проценты нельзя суммировать в данном контексте, с математической точки зрения это ошибка. Для примера: январь +50% февраль -50% Чему равна доходность за два месяца? Выходит что нулю) Однако если взять реальные цифры: 100 рублей + 50% = 150 рублей 150 рублей - 50% = 75 рублей Итог: доходность -25% Однако есть вполне себе рабочее решение, это логарифмическая доходность. И вот как раз таки их можно складывать получая корректные значения. И если воспользоваться логарифмами, то я получу -0.9679. Это можно перепроверить в процентах, если просто последовательно складывать и вычитать именно их на любой начальной сумме. Для моего 2022 года расчет через логарифмы дает итоговую доходность -62.01%, а не -72.22%. Вопрос к расскажи поподробнее как вы считает годовую доходность? Не является индивидуальной инвестиционной рекомендацией.

325,1 ₽

-17,81%

QuantPiLL

13 февраля

Классический анализ и ML Классический технический анализ подразумевает поиск определённых шаблонов на графиках. Нельзя сказать, что это совсем не работает, но уместно процитировать Уоррена Баффета: «Я понял, что технический анализ не работает, когда перевернул графики цен „вверх ногами“ и получил тот же самый результат». В противовес ему существует высокочастотная торговля — High Frequency Trading (HFT). Это вполне рабочий метод заработка, однако он накладывает жесткие ограничения: сделки длятся доли секунд, что требует размещения серверов максимально близко к бирже. А так же отличные знания C++. Фундаментальный анализ позволяет достичь хороших результатов на длинном горизонте, но требует обработки огромного объёма данных. Однако можно использовать своего рода симбиоз в виде Machine Learning (ML). При работе с большими данными, модель способна выявить неочевидные корреляции. «Фичами» (признаками) при этом может выступать что угодно: от классических индикаторов вроде SMA до текстов новостей и спутниковых снимков танкеров в океане для оценки запасов нефти. Особенность ML заключается в том, что он находит взаимосвязи там, где человек их просто не замечает. К примеру, влияют ли значения индекса товарного канала (CCI) на акции конкретных нефтедобывающих компаний? Можно ли с уверенностью сказать, что нет или да? С помощью обработки массивов данных можно проверить тысячи гипотез и выявить те самые рабочие паттерны. Конечно, здесь есть свои сложности: подбор признаков, их валидация и выбор архитектуры модели. Тем не менее на выходе мы можем получить систему, которая на коротком горизонте (от пары дней до недель) способна давать достаточно точные предсказания движения цены. Не является индивидуальной инвестиционной рекомендацией.

QuantPiLL

9 февраля

Логистическая регрессия После экспериментов с МНК решил попробовать логистическую регрессию, классика машинного обучения для задач классификации. В отличие от предсказания конкретной цены, этот метод предсказывает направление движения (вырастет акция или упадет). То есть мы решаем задачу классификации, что для рынка выглядит логичнее. Для того что бы алгоритм мог на чём то обучаться, ему нужны какие то признаки бумаги. Я взял несколько разных метрик: скользящую среднюю (тут писал про неё пару постов раньше, не знаю как тут ссылку вставить), моментум, EMA и ещё парочку. Бэктест Обучение: январь 2022 — февраль 2025. Тест: февраль 2025 — февраль 2026. Вот какие результаты получились, стратегия «купи и держи» vs. "логистическая регрессия": -30.0 vs +23% 🟢 +61% vs +12% 🔴 +40% vs +63% 🟢 -1% vs-46% 🔴 +4% vs +16% 🟢 -3% vs +14% 🟢 -33.% vs +58% 🟢 +8% vs 195% 🟢 0% vs -18% 🔴 -32% vs +34% 🟢 +4% vs +9% 🟢 -33% vs +19% 🟢 -19% vs +13% 🟢 Какие выводы я сделал: 1 Есть различные метрики которые у меня не учтены, например санкций (LKOH на них сильно просел) или инсайты (SFIN). Таким образом успех на некоторых акциях, может быть следствием удачной подгонки под конкретный период. 2 В стратегии учитывается комиссия, однако нет стопов-лоссов. На примере того же SBER видно что стратегия просто ушла в минус. 3 VSMO - показал рекордные 195% доходности. Это слишком круто что бы быть правдой😅 Здесь я пока что не знаю как объяснить почему модель так себя повела. На скрие кстати именно она представлены 4 Модель не стабильная, волатильность доходности выше, чем у базового актива. Не является индивидуальной инвестиционной рекомендацией.

LKOH

5 170,5 ₽

-8,36%

OZON

4 469,5 ₽

-31,99%

PLZL

2 667,8 ₽

-50,72%

SBER

301,73 ₽

-8,7%

YDEX

4 529 ₽

-12,56%

328,98 ₽

-18,78%

SFIN

953,8 ₽

-52,61%

VSMO

30 380 ₽

-27,98%

OZPH

52,1 ₽

-14,72%

NLMK

108,78 ₽

-33,11%

GEMC

864 ₽

-25,22%

ALRS

40,27 ₽

-48,72%

MOEX

178,4 ₽

-12,56%

QuantPiLL

20 января

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: +6.17% vs +24.2% 🟢 +7.46% vs +19.47% 🟢 +9.29% vs -6.58% 🔴 +4.71% vs +1.23% 🔴 +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.

OZPH

51,02 ₽

-12,92%

328,88 ₽

-18,75%

OZON

4 439,5 ₽

-31,54%

SBER

303,91 ₽

-9,35%

YDEX

4 642 ₽

-14,69%

QuantPiLL

9 января

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: - Тут всё совпало идеально. Поведение этих акций стабильно во времени. Стал более чувствителен по отношению к индексу (моя Beta выше, чем у брокера). Тут разница отрицательная (моя Beta ниже), значит, активы стали более защитными относительно индекса IMOEX. 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.

PLZL

2 409,8 ₽

-45,44%

SBER

298,44 ₽

-7,69%

YDEX

4 427 ₽

-10,55%

OZON

4 324 ₽

-29,71%

VSMO

30 860 ₽

-29,1%

OZPH

51,33 ₽

-13,44%

324,5 ₽

-17,66%

LKOH

5 842,5 ₽

-18,9%

SFIN

856,4 ₽

-47,22%

QuantPiLL

2 января

Расчёт коэффициента Beta 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 — tsq (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.

YDEX

4 571 ₽

-13,37%

QuantPiLL

23 декабря 2025

Стратегия моментума Попробовал на всё том же стратегию моментума. Алгоритм технически похож на работу со скользящими средними (SMA), однако есть важные отличия. Здесь используется логарифмическая доходность для нахождения прироста или падения цены с шагом в сутки. Использование логарифмов — одна из самых интересных деталей. В первую очередь они нужны для того, чтобы мы могли просто складывать доходности разных дней и сразу получать итоговый результат. С обычными процентами так не прокатит🙃 np.log(raw_data["price"] / df["price"].shift(1)) Вообще, для меня это была не самая очевидная штука поначалу. Но в алготрейдинге это считается нормой. Да и в целом использовать логарифм даже для отслеживания доходности вашего портфеля по дням очень удобно. Далее идёт расчёт, схожий с SMA, с фиксированным окном. Затем доходность актива умножается на полученный сигнал со сдвигом на один день (чтобы бэктест был честным и не «заглядывал в будущее»). Собственно, самое интересное здесь найти оптимальное значение окна (период моментума). Тут я пошёл «в лоб» и просто перебрал диапазон до 100 дней. Выяснилось что на отрезке данных в три года лучшую доходность показало окно в 33 дня. Итоговый результат: 165% общей доходности, или около 38,4% ежегодно. В целом неплохо. На скрине как раз продемонстрировано все 100 дней только где синим цветом выделен победитель, а жёлтым убыточные значения моментума. Не является индивидуальной инвестиционной рекомендацией.

LKOH

5 720,5 ₽

-17,17%

QuantPiLL

8 декабря 2025

Бэктест стратегии на скользящих средних (SMA) В предыдущем посте я коротко разобрал, как строится индикатор SMA. Теперь стало интересно: а что будет, если применить его к историческим данным, то есть провести бэктест? В качестве подопытного актива я взял акции за последние 4 года. Я установил два окна — на 50 и 100 дней — и анализировал цену закрытия. Логика стратегии: Сигналы на покупку или продажу формируются путём сравнения двух скользящих средних. BUY (покупаем) — когда «короткая» SMA (50 дней) пересекает «длинную» (100 дней) снизу вверх. SELL (продаём) — когда «короткая» SMA пересекает «длинную» сверху вниз. HOLD (держим позицию) — в остальных случаях. Затем в цикле мы проходим по всем торговым дням и проверяем эти условия. Самое интересное: при нулевой комиссии брокера стратегия показала бы доходность +27% за 4 года. По графику видно, что основной прирост пришёлся на рост 2023 года. Однако цифры сильно падают если жить в реальности и учитывать комиссию 🙈. При комиссии 0,04 рубля за сделку (покупку и продажу) чистая доходность падает до +12,52%. Выводы: В целом, такие расчёты очень полезны для проверки торговых гипотез. С другой стороны, даже с учётом комиссий стратегия осталась в плюсе. Думаю кстати на pandas сделать полностью расчёт, но не осилил, в результате скатился в простой цикл😔 не является индивидуальной инвестиционной рекомендацией

LKOH

5 531,5 ₽

-14,34%

QuantPiLL

2 декабря 2025

Простая скользящая средняя или SMA Это базовый индикатор в алготрейдинге, позволяющий выявлять тренд. Я сделал (код на гитхабе) несколько таких индикаторов на акции , чтобы проверить, насколько он показателен. В целом, использование этого индикатора без каких-либо дополнительных инструментов бессмысленно. Если посмотреть на график, видно, что цена падает или растёт значительно раньше, чем это отражается в скользящей средней. Но это и очевидно: если бы пара строчек кода могли предугадать тенденцию рынка, мы бы все пользовались этим 🥸. Правда, есть пара торговых сигналов, основанных на скользящих средних с разными окнами, — это так называемый «золотой крест» и «крест смерти». В первом случае короткое окно пересекает длинное снизу вверх, что говорит о восходящем тренде, и наоборот: если короткое окно пересекает длинное сверху вниз, значит, мы идём ко дну.🙃 Однако на графике можно видеть, что пару раз эти тренды попадали в точку, но при этом цена акций уже успевала начать рост или падение. То есть этот индикатор всегда запаздывает. Таким образом, купить или продать вовремя на его основе не получится, но как дополнительный инструмент технического анализа понимать, как он устроен, нужно. Кстати, в pandas он считается одной строчкой кода: df["Price"].rolling(WINDOW_SIZE).mean() не является индивидуальной инвестиционной рекомендацией

LKOH

5 493,5 ₽

-13,74%

QuantPiLL

24 ноября 2025

LLM для анализа состава портфеля Продолжая в тему поста про написание бота для анализа портфеля. Решил попробовать подключиться к API DeepSeek и закинул ему на разбор структуру своего условного портфеля: 🤖 Акции - 29% 🛡 Облигации - 21.1% 🏦 Депозиты - 26.2% 🥇 Металлы - 10% 📊 Фонды - 3.9% 💵 Кэш - 5.9% 🥸 Прочее - 3.9% Из приятного — дешёвая цена за токен. За пару запросов вышло $0.0005. Для сравнения: у ChatGPT за 1 млн входных токенов — $1.25, а у DeepSeek — $0.028. Разница в 45 раз. Но стоит отметить, что цена $0.028 действует при условии, что токены не попадают в кэш (CACHE MISS), то есть когда модель видит промпт впервые, иными словами какие то токены в начале будут считаться по $0.28. Однако после нескольких запросов контекст устанавливается, и цена снижается. По качеству ответа: в целом модель указала, что при консервативном подходе стоит уменьшить долю акций в портфеле. Также после нескольких запросов подряд она стабильно рекомендует диверсификацию за счёт покупки зарубежных активов 😅. Тут, конечно, пришлось объяснять, что есть свои «нюансы». Итог: Для тестирования гипотез DeepSeek выглядит отличным бюджетным вариантом. Качество пока уступает топовым моделям, но соотношение цена/производительность для технических экспериментов вполне подходит. код в моём канале P.S. Не ИИР. Это просто эксперимент с LLM.

QuantPiLL

7 ноября 2025

Великий разумный пузырь Сегодня поговорим об ИИ-буме и о том, почему все чаще слышны сравнения с пузырем доткомов 2000-х. Что за пузырь доткомов?🥸 «Пузырь доткомов» — это история о том, как интернет с ".com" в названии компании изменил всё. С 1995 по 2000 год индекс Nasdaq взлетел с 1000 до 5000 пунктов. Ожидания были запредельными: мир мгновенно переедет в онлайн, бизнес-модели рухнут, а реклама станет цифровой уже прямо сейчас. Оказалось, мир меняется не за 2 года, а за 10-15. Пузырь лопнул, Nasdaq рухнул, но из пепла выросли Google, Amazon и вся когорта FAANG. Ожидания опередили реальность, но в итоге — превзошли ее. Чем эта история похожа на текущую ситуацию ИИ? В целом в истории нет идеально похожих паттернов. Нельзя сказать, что всё будет ровно так же. Однако настораживают действия тех, кто предвидел прошлые кризисы: - Уоррен Баффет (Berkshire Hathaway) нарастил позицию в кэше до $380 млрд, в основном в гособлигациях. - Майкл Бьюрри (тот самый из «Игры на понижение») сделал прямую ставку против акций NVIDIA и Palantir. LLM и их применение, а также подобие ИИ, будут полезны в роботах/автопилотах/строительстве. Однако возможно, их потенциал раскроется лишь через несколько лет, а не прямо сейчас. не индивидуальная инвестиционная рекомендация.

NVDA

184,68 $

+2,83%

BRK.B

494,48 $

+3%

QuantPiLL

4 ноября 2025

Не инвестиции от LLM) Что ж, прошёл уже месяц с начала эксперимента по трейдингу с помощью LLM-моделей. И можно видеть, что DeepSeek уверенно удерживает лидерскую позицию; за ним следует, также, китайский MiniMax, а далее уже GPT-5 и в самом конце — Gemini. В целом +11% — неплохой показатель. Однако стоит отметить, что прошёл лишь месяц, а фиксировать реальные результаты стоит спустя год. Из интересного стоит отметить, что все модели в разных пропорциях, но держат в составе своего портфеля акции биг-теха, такие как: DeepSeek немного диверсифицирует портфель, вкладываясь в товары повседневного потребления, как, например PepsiCo, однако процент в портфеле очень низок. Из этого следует, что весь рост сейчас идёт исключительно за счёт бычьего рынка биг-теха, который всё больше и больше последнее время напоминает пузырь доткомов. По этой теме сделаю отдельный пост, однако сейчас действительно рынок биг-теха за счёт колоссальных инвестиций в ИИ сильно перегрет, и его ждёт коррекция. Вопрос лишь в том, когда и насколько. P.S. возможно скоро появится индекс LLM😅 Не ИИР

AMZN

250 $

-9,56%

AAPL

266,75 $

+26,71%

NVDA

202,99 $

-6,45%

GOOG

282,17 $

+18,01%

MSFT

513,6 $

-21,34%

AMD

253 $

+68,13%

QuantPiLL

31 октября 2025

💰 Депозиты Фондовый рынок в последнее время не радует… А как обстоят дела с депозитами? Увидел интересное предложение от Т-банка — 16% годовых на 13 месяцев! (не реклама 😅) Звучит неплохо, но стало интересно — насколько это реально выгодно? Давайте разберёмся на примере двух сценариев: 🌤 Идеальный — инфляция снижается, а доллар растёт очень медленно или вообще стоит на месте. ⛈ Неблагоприятный — инфляция держится на двухзначном уровне и продолжает расти, доллар тоже растёт. Судя по последнему обращению главы ЦБ Эльвиры Набиуллиной, ставка может продолжать снижаться в следующем году. Насколько быстро и сильно — пока непонятно. Инфляцию я прогнозировать не берусь, а вот курс доллара можно прикинуть через метод Монте-Карло (вспоминаем дни универа😃). Да, предсказание курсов валют — дело неблагодарное, но интересно понять, при каком курсе такое предложение остаётся выгодным. Итоги: • Прирост капитала за срок: 17,33% • Точка безубыточности: 94,68 ₽/$ • Средний курс по моделям через 13 месяцев: 88,11 ₽/$ • Средняя доходность в $: 12,25% • Вероятность быть в плюсе (доходность > 0): 67,3% Playbook можно найти в моём канале(в профиле), если хочется самому поиграть с моделями — ключевые параметры: дрейф курса и волатильность. В моём примере они были 8 и 20. В целом цифры получились интересные. В 2023 году когда так же была высокая ставка ЦБ многие смогли хорошо заработать. Стоит ли рискнуть снова?🥸 Не является индивидуальной инвестиционной рекомендацией. $USD000UTSTOM

QuantPiLL

29 октября 2025

OpenAI IPO После завершения реструктуризации к 2027 году OpenAI может провести IPO. Впрочем, это подтвердил и сам Сэм Альтман, правда, без конкретных сроков. Напомню, что по последним оценкам, OpenAI достигла оценки в $500 млрд. долларов. Это самая дорогая частная компания в мире. Около 47% акций будут распределены между бывшими и нынешними сотрудниками компании и другими инвесторами. Эх, хорошо бы поучаствовать😅 #ai

QuantPiLL

28 октября 2025

LLM-помощник Появилась идея реализовать небольшого помощника на основе современных LLM (Large Language Models) — таких как ChatGPT, DeepSeek, Qwen, Grok, Llama. У нас есть инвестиционный портфель с определенной балансировкой. Например, классическое распределение активов может выглядеть так: 50% — акции 30% — облигации (государственные и корпоративные) 10% — золото и сырьевые товары 10% — кэш Раз в месяц мы хотим проводить ребалансировку портфеля, основываясь на внешних данных и наших инвестиционных стратегиях. Для подбора оптимальной стратегии необходимо анализировать различные данные. Одним из ключевых источников являются новости. В чем проблема анализа новостных данных? Базово — это задача NLP (Natural Language Processing — обработка естественного языка). Это сложная область, и как правило для решения задач в ней нужны хорошо подготовленные данные и правильная модель. Имел опыт работы с таким фреймворком как spacy задача заключалась к анализу на стоп слова в тексте🧐. В общем чем больше контекст тем тяжелее решить задачу. Потому для моей задачи будет проще и быстрее использовать LLM (к тому же у нас не прод решение😅). Итого: нужно проанализировать экономические новости и на их основе принять решение — стоит ли что то менять в нашем портфеле. Техническая реализация: В качестве источников данных будем использовать экономические новостные ресурсы (например, телеграм-каналы) После минимальной предобработки текста будем передавать его в LLM с подготовленным промптом, например такого: text Проанализируй следующие новости и дай рекомендации по ребалансировке портфеля: НОВОСТИ: [текст новостей] ПОРТФЕЛЬ: [структура портфеля] КРИТЕРИИ: - Оцени риски для каждой позиции - Предложи изменения в распределении активов - Обоснуй рекомендации ссылками на новости На выходе получаем готовую рекомендацию по управлению портфелем🙂.