Прошедший с 19 декабря месяц был очень удачным для рынка, у меня результат скромнее:

• 3,0% за месяц
• 26,1% за 12 месяцев

Записался на курс Введение в машинное обучение Яндекса и ВШЭ. Лекции достаточно легкие, но практические задания даются непросто, так как знания по программированию близки к нулю. Возможно дальше пойдет легче, но пока кучу времени уходит на установку и освоение софта, чтение  документации к библиотекам, освоение регулярных выражений и т.д. Первый блок заданий удалось сделать.

Брокер посчитал налоги за 2017 год — получилось около 2% от величины основного счета. Если пересчитать на величину ИИС, экономия по второму варианту вычета составила 46 тыс. рублей. Соответсвенно в 2018 году экономия налога, вероятно, получится выше, чем по первому варианту вычета. Изначально думал, что на это потребуется 5-10 лет, но благодаря повышению величины взноса до 1 млн. рублей и более высокой доходности, вычет по второму варианту оказался эффективным гораздо раньше.

Для уплаты налога продам немного AFLT.

Прошедший с 19 ноября месяц был негативным:

• -1,3% за месяц
• +22,8% за 12 месяцев

• закинуть после НГ на ИИС положенный по новым правилам миллион
• заплатить налоги — среди кандидатов на продажу под эти цели Мегафон и Юнипро. Решать буду после НГ, когда будет точно ясна необходимая сумма

Большинство постов на СмартЛабе посвящено отдельным идеям — акциям с хорошей отчётностью, удачным сочетанием корпоративных событий и т.д. В тоже время в большинстве случаев:

• интересных идей больше одной
• любая отдельная идея, несет огромные  специфический риск.

То есть в полный рост встает вопрос, как грамотно аллокировать средства между несколькими идеями. Сложилось впечатление, что в большинстве случаев средства распределяются произвольно или в лучшем случае в виде некой фиксированной суммы или доли портфеля.

А есть ли на СмартЛабе авторы, которые пользуются современной портфельной теорией?

Прочитал книжку Think Python: How to Think Like a Computer Scientist — очень понравилась: вместо сухого изложения с самого начала рассматриваются маленькие программы, которые в последующих главах дорабатываются с учетом более продвинутых концепций языка. Почти в каждой главе даются подходы, которые применяются при разработке и отладке больших по объёму программ. Даны основы data science — быстродействие различных структур данных, как организована их работа под капотом и т.д.

До прочтения написал программу строк на 200 про отслеживание диеты, которая представляла мало понятный кусок кода. После прочтения книги переписал в 100 строк.

Автор понравился, поэтому на очереди Think Complexity: Complexity Science and Computational Modeling. По планам к январю хочу поднабраться знаний и приступить к автоматизации торговой системы на  Python.

Результат месяца с 19 октября оказался достаточно удачным:

• +7,0% за месяц
• +31,7% за 12 месяцев

Использую торговую систему, реализованную на базе Excel. Возникла идея, изучить Питон и переписать системку на его основе. В связи с этим пару вопросов:

1. Посоветуйте дельную книжку с начальным курсом по Питону
2. Посоветуйте дельную книжку по статанализу данных с помощью Питона

Когда-то спокойно торговал акции с крайне низким оборотом, в том числе нулевым в отдельные дни. Но по мере увеличения портфеля торговля такими бумагами вызывала все больше проблем, и в какой-то момент я просто отказался от их использования. После ряда постов про ДЭК снова загорелся желанием поторговать неликвидные бумаги.

По совпадению в это же время читал книжку про квантов, где почерпнул идею про моделирование импакта, переделал немного торговую систему и приступил.

В итоге купил в пределах 1% от счета префов Пермьэнергосбыта, что сдвинуло характеристики других бумаг в портфеле, и система дала сигнал на серьезное сокращение доли Мостотреста, Акрона и префов Ленэнерго, в основном в пользу префов Ростелекома и немного в АВИСМА.

Вот так небольшая покупка неликвида привела прям к тектоническим сдвигам в структуре портфеля.