На падающем рынке фундаментальный анализ дает слабейший результат. Но он все таки нужен

За последние полгода я провел глубокое исследование — из 126 проверенных гипотез провалена была каждая третья.
Вот вам результат работы — сравнение доходности моей ФА-модели (синий график) с IMOEX (серый график) и банковским депозитом (желтый пунктир).



Желты пунктир — банковский депозит. 
Серый график — IMOEX. 
Синий график — ФА-модель.

На падающем рынке модель уверенно обгоняет индекс Мосбиржи, но догнать банковский депозит при текущих повышенных процентах не может — это логично, ведь крепкие бумаги падают вместе с рынком.

А вот этот же график, где модель решила, что что при ставке ЦБ>11% лучше выйти из любых акций и переложиться короткие ОФЗ, существенно обогнав банковский процент.

( Читать дальше )

Я делаю аналитический сервис по Мосбирже: считаю фундамент по всем бумагам Мосбиржи, ищу сетапы на графиках, проверяю гипотезы бэктестом. По ходу упёрся в вещь, которая к коду отношения не имеет, и решил про неё написать, а заодно показать, что из этого вышло.

На бирже почти невозможно учиться на собственном опыте по трем причинам:

1. Редкая обратная связь.Между решением и результатом дни и недели, в редких случаях часы (если ты не скальпер). А для прокатчик навыка нужны осмысленные циклы «решил → узнал, что вышло».
2. Шум вместо статистики.На коротком отрезке результат отдельной сделки в основном случаен. Из десяти сделок шесть-семь в плюс — готов вывод о «своём» методе, хотя выборка не отличает умение от везения. Обратная связь есть, но она врёт.
3. Искажение памяти.Через две недели никто не помнит, что именно думал в момент входа. Под результат задним числом подгоняется объяснение — проверить нечем (тем, кто добросовестно и регулярно ведет дневник — респект).

( Читать дальше )

Как устроен обычный сервис аналитики: разбор компаний, новости, фундаментал, вывод в духе «ждём роста» или «ждём коррекции». Выглядит солидно, но есть нюанс – такие прогнозы невозможно проверить.

Два аналитика смотрят на один и тот же график и делают противоположные выводы, и каждый по-своему прав. Ни один вывод нельзя ни воспроизвести, ни честно протестировать на истории. Это не инструмент принятия решений, а просто красивый текст.

И после сотен экспериментов за последние пару месяцев я поменял логику MOEX Analyst целиком. Сейчас внутри сервиса работает другой принцип. И в этой статье я честно расскажу, как он устроен, включая ту часть, которую обычно прячут. Выкладываю это под пиво в час ночи, может кто-то и прочитает...

Не прогноз, а повторяющаяся структура

Грамотные аналитики давно перестали отвечать на вопрос «куда пойдёт цена?» – ответ на этот вопрос не знает никто (ну кроме разве новичков, закрывших пару успешных сделок подряд).

( Читать дальше )

Привет, SmartLab. В прошлой статье о портфельной стратегии я обещал рассказать, что модель говорит о шортах. С тех пор накопилось достаточно данных: 8 600+ реальных триггерных сигналов с отслеживанием исходов и 63 000 исторических. Вот что получилось.

На текущем рынке шорты работают лучше лонгов

И это не гипотеза – это три независимых источника данных, которые говорят одно и то же.

Триггеры (live, с начала 2026 года):

MFE (Maximum Favorable Excursion) – максимальное движение в вашу сторону. MAE – максимальное движение против вас. У шортов MFE выше, а MAE ниже. То есть шорты не только чаще выигрывают, но и в среднем дают больше прибыли и меньше просадки на каждую сделку.

MFE/MAE — максимальное движение цены в вашу сторону и против вас за 10 баров после триггера:

• LONG: в среднем цена проходит 0.92% в вашу сторону и 1.07% против. Перекос в сторону убытка.

• SHORT: 1.10% в вашу сторону и 0.98% против. Перекос в сторону прибыли.

Это характеристика ценового движения до комиссий и проскальзывания (не P&L). Но она объясняет, почему WR шортов выше: цена чаще и дальше идёт в направлении шортовых триггеров.

( Читать дальше )

Привет, SmartLab. Я строю онлайн-сервис для анализа акций Мосбиржи, как инструмент принятия решений и системного инвестирования.
Вот здесь я рассказывал, как начинал с гугл-таблицы, а тут – какие поймал ограничения и как переписал все на Python+Flask.

Сегодня покажу результат одного конкретного теста: как количество акций в портфеле и период ребалансировки влияют на доходность. Казалось бы, очевидный вопрос, но когда я прогнал 30 сочетаний на реальных данных, результат оказался не таким однозначным.

Что тестировал

Модель выдаёт итоговый score для каждой акции. Берём ТОП-N акций по скору, держим Hz дней (Horizont), ребалансируем, повторяем.

Полный перебор: N = {5, 10, 15, 20, 25, 30} × Hz = {20, 30, 40, 60, 90} = 30 сочетаний.

Период: 2021–2026 (62 тридцатидневных периода).

Что учтено:

• Комиссия 0.03% (тариф популярного брокера) на каждую сделку

• Slippage 0.1% (проскальзывание при исполнении)

• Фильтр ликвидности ≥ 2 млн руб/день (об этом ниже – отдельная история)

( Читать дальше )

Привет, Смартлаб.

Три месяца назад я выкладывал здесь статью со своей Google-таблицей, которая скорит акции по фундаменталу. Идею я не забросил, но довольно быстро понял, что таблица – это тупик. Формулы разрастаются, периодически ломаются, а более сложные алгоритмы в таком формате просто нормально не живут.

В какой-то момент я просто психанул и переписал всё на Python и Flask. В итоге из таблицы вырос отдельный веб-инструмент.

Делал я его в первую очередь для себя, чтобы не тонуть в отчётах, новостях и бесконечном ручном сравнении компаний. Хотелось меньше субъективщины и рутины, а больше структурированной и воспроизводимой логики.

Задача:
за 1-2 минуты получить внятную картину по акции, а не собирать её вручную из десяти вкладок, отчётов и чужих мнений.

Что умеет сервис сейчас:

1. Многофакторный скоринг по фундаменталу
Компания оценивается не по одной-двум метрикам, а по набору показателей. При этом сравнение идёт не “со всей биржей сразу”, а внутри сектора — так картина получается заметно адекватнее.

( Читать дальше )

Привет, Smartlab! Я новичок на платформе, но на на рынке.

Сразу обозначу рамки. Ниже не будет:

• торговых сигналов
• обещаний доходности
• «лучших акций месяца» и т.д.

Речь о том, как я для себя решил проблему ручного фундаментального отбора и что из этого получилось.

Исходная проблема

С 2008 я на рынке перепробовал, наверное, всё от лудоманства скальпинга до коматозного инвестирования в стиле «купить и забыть» (с подробным разбором фундамента, разумеется).
Со временем стало понятно, что проблема не столько в знании рынка, психологии или чем-то еще, а в обычной рутине.

Фундаментальный анализ в ручном режиме плохо масштабируется:

• показатели постоянно меняются
• за десятками компаний невозможно следить одновременно
• часть решений неизбежно принимается «по ощущениям»
• ошибки возникают не из-за незнания, а из-за усталости и пропусков

Чек-лист вместо «ощущений»

В какой-то момент я зафиксировал для себя базовый набор критериев, который использую для первичного отбора (если очень кратко):

( Читать дальше )