Главные уроки из предыдущей главы см. тут


Джесси Ливермор — легенда Уолл-стрит, который мог заработать $250 000 на одной интуитивной сделке, но вовремя понял: слепое доверие «чутью» ведет к краху. Вот ключевые события, которые изменили его подход:

---

📉 История двух сделок

1. Продажа Union Pacific «на чутье»
• Весной 1906 года Джесси Ливермор был вне позиций и думал только о том, чтобы сменить обстановку и хорошенько отдохнуть. Однако, каждое утро заходил вместе с другом в офис Harding Brothers — скорее по привычке, чем по необходимости.
  (Эх, счастливые в то время были трейдеры, всего лишь раз в день проверяли обстановку на рынке, а сейчас терминал в каждом мобильнике, 24 часа в сутки…)
  
  
• На фоне растущего рынка Джесси внезапно почувствовал: «Нужно шортить Union Pacific». Без новостей, аналитики — только внутренний голос.
  
  
• Результат: Продал 5000 акций. Через день грянуло землетрясение в Сан-Франциско — акции рухнули. Чистая прибыль: $250 000.

( Читать дальше )

По работе мне постоянно приходится быть в курсе разных нейросетей и простых решений на них,  чтобы подсмотреть часть идей для использования в компании. В феврале я наткнулся на исследование OpenAI под названием SWE-Lancer, в котором ИИ должен был заработать $1 млн .

Что такое SWE-Lancer? Если коротко, то

Опытные специалисты из OpenAI (разработчик ChatGPT) выгрузили с фриланс-биржи Upwork кучу задач. Далее отобрали только те, где в описании есть все данные для решения задачи. Осталось 1488 штуки. После этого начали тестировать как с ними справятся нейросети.

 

Сколько «заработали» нейросети (в теории)?

Самая лучшая на тот момент, Claude 3.5 Sonnet, успешно справилась с 26,2% задач кодирования  и 44,9% решений по управлению проектами (например: выбор подрядчиков, оценка рисков, распределение бюджета). 

 

Что меня особенно заинтересовало в этом исследовании: ИИ оказался сильнее в принятии решений, чем в написании кода, при том, что в СМИ рассуждают о программистах, копирайтерах и дизайнерах. У меня на работе больше менеджеров, чем программистов, но есть вероятность, что они не очень будут рады новым возможностям по использованию нейросетей.

( Читать дальше )

Полагаю, что многие, как и я, часто работают с таблицами. Бывают ситуации, когда нужно добавить пару категорий, но руками это делать долго (а еще информацию нужно поискать), а формулы не подходят.

Недавно попробовал новый, для себя, способ разметки данных через Google Gemini и решил сделать небольшой ролик, надеюсь будет полезно.

📌 Что в ролике:

✔ Как автоматически классифицировать строки в таблице. Сделал на примере покупок во ВкусВилл
✔ Пример промпта для достаточно точной разметки. Там он простой, но можно гораздо больше накрутить
✔ Экономия времени и снижение ошибок

(Звука нет, но, надеюсь, там все понятно сделал)

Если будут вопросы, спрашивайте в комментариях.



ссылка на  rutube


Если вам интересны практические примеры применения LLM (DeepSeek, ChatGPT и пр.) для работы и жизни — подписывайтесь на мой тг-канал

В предыдущей главе Джесси Ливермор оправился от потери своего капитала и вернулся на Уолл-Стрит, чтобы попытаться уже в третий раз обыграть рынок.

В начале своей карьеры Ливермор сосредотачивался на краткосрочных сделках, пытаясь извлечь выгоду из небольших колебаний цен. Он описывает это как попытку взять «пункт или два» прибыли, что было характерно для его торговли в «Bucket shops». Однако, перейдя к работе в брокерской конторе Фуллертона, он осознал необходимость смотреть на рынок шире.

Вот цитата из книги, которая наиболее точно передает эту мысль:

«Изучая свои выигрышные комбинации в офисе Фуллертона, я обнаружил, что хотя я часто оказывался на 100% прав в оценке рынка, то есть в своей оценке условий и общей тенденции, я не зарабатывал столько денег, на сколько мне позволяла моя рыночная “правота”. 
Там, где я должен был заработать двадцать тысяч долларов, я заработал две тысячи. Вот что сделал со мной мой консерватизм.»

 

📌 Главный урок:

( Читать дальше )

Согласно последней годовой отчётности, к концу декабря общая численность сотрудников Shopify сократилась до 8100 человек по сравнению с 8300 годом ранее. 

Возможно эти шаги направлены на повышение эффективности и внедрение автоматизированных инструментов, которые способны заменить рутинные задачи, при этом позволяя работникам сосредоточиться на более интересных задачах.

 

CEO Shopify, Тобиас Литке, 07 апреля обратился ко всей команде, подчеркивая, что в современных условиях искусственный интеллект становится не просто инструментом, а настоящим мультипликатором возможностей. Основные идеи его обращения можно резюмировать так:

• Эффект умножения: AI способен увеличить продуктивность в 10–100 раз. Если раньше выполнение задачи могло требовать долгих часов кропотливой работы, сегодня нейросети помогают решить её за считанные минуты. Это – качественный скачок в эффективности.
• Стандарт нового времени: Вместо традиционного запроса на расширение команды, Тоби призывает сотрудников сперва доказать, что без AI не обойтись. Такой подход позволяет избежать неэффективности и гарантирует, что каждая новая задача решается с максимальным использованием передовых технологий.

( Читать дальше )

Проиграв в прошлой главе $50,000 (≈$800,000 сегодня), Ливермор не сдался. Вместо этого он разработал тактику, которая позволила ему вернуться на Уолл-стрит.  Мне кажется, что его действия актуальны и сейчас.

 

3 шага Ливермора после слива депозита

1. Еще раз определил, что он хочет зарабатывать именно на бирже.
Из книги:
«Уолл-стрит — единственное место, где я могу реализовать свой потенциал».
👉 Важно: Честный взгляд на этот вопрос — фундамент для дальнейших действий. Без осознанной цели и упертости даже лучшие стратегии обречены.

 

2. «Разбор ошибок: как Ливермор превратил потери в систему»
Цитата:
«Я начал учиться тому, как зарабатывать, поняв, чего НЕ делать».
👉 Важно:  Не обязательно ждать проигрыша, чтобы внедрить этот совет:
— Исследования показывают, что Успешные спекулянты и инвесторы гораздо чаще ведут дневник трейдера и анализируют каждую сделку
(Barber and Odean (2000)* трейдеры, ведущие дневник, демонстрировали на 25% меньшую волатильность доходности и на 18% более высокий Sharpe Ratio по сравнению с теми, кто игнорировал эту практику. — **Сокращение убытков**: Анализ 3000 сделок на фьючерсном рынке (*Futures Industry Association, 2018).

( Читать дальше )

Недавно Тимофей Мартынов провел мощный опрос предпринимателей: "Как обстоят дела в вашем бизнесе?".

226 комментариев — кладезь инсайтов, но читать и осмыслить это крайне неудобно. 

Я хотел решить это с помощью разных ИИ, но не хотелось потратить на них кучу времени. И тут бывшие работники Google и Baidu выпустили Genspark  — решение, которое обещало решить эту задачу одним махом.

 

Визуализация с помощью Genspark:

 

Ссылка на полные версии ниже 

 

В видео можно посмотреть, как Genspark сам обходит таблицу, размечает данные, строит презентацию:

 

( Читать дальше )

В предыдущем посте я показал, как легко сделать саммари из книги с помощью ИИ (ключевые идеи + упражнения, даже если их там нет) .

Продолжаю выкладывать обработанный вариант. Посмотрим, как он справится с новой главой: 

 

Глава 2

Основные идеи:

 

• Дисциплина и следование стратегии: Автор подчеркивает, что его главной ошибкой было непостоянство в следовании собственной системе. Успех приходит, когда торговля ведется только при наличии четких сигналов, а не из-за азарта или желания действовать постоянно.
  
  
• Разница между bucket shops и реальной биржей: В bucket shops можно было быстро зарабатывать на мелких колебаниях, так как исполнение ордеров было мгновенным. На реальной бирже задержки в исполнении, влияние крупных ордеров на цену и необходимость учитывать комиссии делали прежние стратегии неэффективными.
  
  
• Адаптивность: Успешная торговля требует понимания специфики рынка. То, что работало в одном контексте (например, скальпинг в bucket shops), не работает в другом (например, на NYSE).

( Читать дальше )