Два года назад я уже делал пост на эту тему. Суть поста заключалась в том, что я сравнивал три варианта возможных накоплений, начиная с 1997 года и до сентября 2019 года:

Сценарий 1, Ультраконсервативный. Деньги накапливаются на вкладах в банках с ежемесячным пополнением.

Сценарий 2, Прагматичный. Деньги сначала накапливаются на вкладах, а затем в самый удобный для этого момент подключается кредитное плечо — в 2006 году покупается квартира в Санкт-Петербурге под сдачу в ипотеку. Сдача квартиры производится на идеальных условиях: без простоев, без затрат на ремонт и без налогов — и так на протяжении 13 лет.

Сценарий 3, Инвестиционный. Деньги инвестируются в российский фондовый рынок — в индекс Мосбиржи. Данные о дивидендах есть только с 2008 года, так что посчитал будто бы до 2008 года никаких дивидендов не было вообще, после 2008 года они реинвестируются.

Тогда для многих читателей (и для меня в том числе) результат расчётов стал открытием:

Каждый год, рынок предоставляет долгосрочному инвестору пару возможностей купить классные активы по фантастическим ценам. Только почти никто этого не делает. Потому что, страшно, нет денег, или комбинация из этих 2-х факторов.
Я помню, как 20 марта прошлого года я сидел с пальцем, занесенным над клавиатурой, и покупал активы по фантастическим ценам. Жаль, что в моем инвест счете тогда не было достаточно свободных денег, но несколько тысяч USD мне удалось очень хорошо пристроить.
Так, мне, например, удалось прикупить тикера RA по цене 7.6 за акцию 20 Марта 2020 года. Этой цены нет на графике этого тикера, но внутри дня он реально падал так низко. Это структурный leveraged продукт, который инвестирует в облигации инфраструктурных контор.
Обычно он торгуется возле своей Book value ($20) и платит около 10% дивидендов. Мне его удалось купить в момент, когда dividend yield был 31.5% !!

То есть, я теперь не только получаю больше 30% дивидендов на инвестированный тогда капитал, но и сам капитал вырос с 7.6 до текущей цены в 21.47, то есть поднялся до Book Value, что было немного предсказуемо.

Что я, собственно, пытаюсь сказать? Никто вне Китая не знает, что реально происходит у них в экономике.
Более того, я подозреваю, что и внутри Китая это знает только очень ограниченный список лиц.
Совершенно непонятно, чем закончится история с  Evergrande, но у нее есть хороший шанс запустить механизм дефолтов, который предоставит возможность купить хорошие активы по дешевке.
Вот как работают такие сценарии
1. Сначала падают только те сектора, которые могут пострадать. См. падение Deutsche Bank на 8 процентов сегодня (потому что они, как и любой международный банк, попадут под удар либо напрямую либо опосредовано). При этом, непричастные к п… цу сектора вроде ведут себя постабильнее. Смотрите макдональдс сегодня — падение на 1.26 процентов всего.
2. Потом, через несколько дней, когда у всех начинается паника и дефицит ликвидности, то падает АБСОЛЮТНО ВСЕ! Говно, не говно, будет бизнес затронут кризисом или нет — неважно. Валится весь рынок. Причем валится хорошо,  и внутри дня. К концу дня — обычно немного восстанавливается.
И тут то — как раз и надо покупать. Что покупать? Я думаю, ответ все тот же — покупать компании с непробиваемой стратегией, которая позволяет им расти быстрее рынка
Я лично сегодня запихнул несколько десятков килодолларов в свой инвест счет, и буду покупать свои любимые тикеры, если они продолжат падать — DHR (конечно!!!), MSFT, MCD, и чем черт не шутит, может даже TSLA.  Других идей пока что нет, если у читающих этот пост они есть, то с удовольствием приму их в комментах.

Для анализа будем использовать данные ETF c базовой валютой USD: FXCN, FXRL, FXIT, FXUS и FXRU. Временной ряд рассмотрим за три года с 2018 по 2020 года. Само исследование проведем в Google Colaboratory.

Как обычно в начале импортируем все необходимые библиотеки для дальнейшей работы.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files
import warnings
warnings.filterwarnings("ignore")

def changeDF(df):
  df['date'] = pd.to_datetime(df['<DATE>'].astype(str), dayfirst=True)
  name =[x for x in globals() if globals()[x] is df][0]
  df = df.drop(['<DATE>','<TIME>', '<OPEN>', '<HIGH>', '<LOW>'], axis=1)
  df = df.set_index(['date'])
  df.columns = [name+'_cl', name + '_vol']
  return df

fxgd_change = changeDF(fxgd)
fxrl_change = changeDF(fxrl)
fxit_change = changeDF(fxit)
fxus_change = changeDF(fxus)
fxru_change = changeDF(fxru)
fxcn_change = changeDF(fxcn)

etf = pd.concat([fxgd_change, fxrl_change, fxit_change, fxus_change, fxru_change, fxcn_change], axis=1)

etf.head()

import sqlite3 as sql
from scipy.stats import logistic
import math
import numpy as np
import numpy.random as rnd
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor

sdata =[]
sql1= "select ticker, date, open, high, low, close, vol \
    from Hist_1m where ticker_id=1 order by Date;"
con=sql.connect('C:/Users/ubase/Documents/StockDB/StockDB21.sqlite')
cur=con.cursor()
cur.execute(sql1)
sdata=cur.fetchall()
con.commit()
con.close()

Ldata = len(sdata)
N = 8000 # Количество сделок
ld = 5 #Продолжительность сделки
NNinterval = 20 # Количество входов NN

# Генерация случайных чисел
rng = rnd.default_rng()
rm=rng.integers(0, Ldata, N )

class Candle:
    tr = 0
    dt = 1
    o = 2
    h = 3
    l = 4
    c = 5
    v = 6
    
cl = Candle
DataC =[sdata[i][cl.c] for i in range(0,Ldata)]

# sigmoid линейность до 0.5
def sigmoidnorm(x, alfa = 0.9, xmin = -1.3, xmax = 1.3):
    return (xmax - xmin)*((1 / (1 + math.exp(-x*2.0*alfa))) - 1.0) + xmax

x = [0.002 * i - 3 for i in range(0,3000)]
y = [sigmoidnorm(x[i]) for i in range(len(x))]


plt.plot(x,y)
plt.grid()
plt.show()

# формируем сделки.
def DealsGenL(rm,ld):
   #Lm = len(rm)
   ix = []
   x = []
   pr = []
   
   for i in range(0,N):
        if rm[i] + ld < Ldata and rm[i] - NNinterval - 1 > 0:
            delta = (sdata[rm[i]+ld][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]+ld][cl.c]*100
            x0 = [sigmoidnorm((sdata[rm[i] - j][cl.c] - sdata[rm[i]][cl.c])/sdata[rm[i]][cl.c]*100) \
                 for j in range(0, NNinterval)]
            ix.append(rm[i])
            x.append(x0)
            pr.append(delta)
   return ix, x, pr


Ix, X, Pr = DealsGenL(rm,ld)



Ib = 0
Ie = 100

plt.plot(X)
plt.legend()
plt.grid()
plt.show()


plt.plot(Pr, label = 'Prof')
plt.legend()
plt.grid()
plt.show()


regr = MLPRegressor(hidden_layer_sizes = [30,20,15,10,5], \
                    max_iter=500, activation = 'tanh')

regr.fit(X, Pr)
Out = regr.predict(X)

plt.plot(Pr, Out, '.')
plt.grid()
plt.show()

Эта задача встала передо мной случайно. Ко мне обратились хорошие знакомые с вопросом: «Можно ли на ближайший год разместить 0,5 млн. руб. под ставку 6%?».  Их собственное исследование ставок депозитов в Сбербанке, ВТБ и Тинькоффе не привело к результату больше 4,5% годовых, а менее крупные банки они рассматривать не хотят по причине рисков.

Понимаю, что эта задача не интересна большинству пишущих на этом сайте, но, думаю, что состав читателей несколько шире и потому расскажу к чему я пришел.

В принципе задача несложная: у ОФЗ 26209 (321 день до погашения)   сегодня доходность к погашению ~6,7% годовых. Правда с учетом нынешних налогов на купоны получится меньше, но все же больше 6% годовых.

Но мы все помним, что даже короткие ОФЗ могут просаживаться на повышении ставок (цифры будут ниже), а тут мы имеем дело с людьми, которые привыкли как в банках: в любой момент можно снять вклад, потеряв только  проценты. Что делать?

Ну первая идея пришла в голову сразу, так как она мною используется давно при построении облигационного бенчмарка:

def TradeSystem(ibegin):
    ln = len(sdata)
    i = ibegin
    indata =[]
    dealdata =[]
    while i < ln:
        ls = DealIn(i)
        if ls != 0:
            j = DealControl(i, ls)
            i = j
        i += 1 
    return dealdata, indata
    
DealsData, InData = TradeSystem(100)  #вызов тестера стратегий

Всем известно, что перед тем как купить те или иные акции, нужно сделать анализ в виде «домашней работы»(это касается среднесрочных и долгосрочных инвесторов). Лично мне в этом нелегком деле помогают скринеры. Как правило finviz.com, stockrow.com и на финишной стадии — платный сервис finbox.com.

Сайты finviz.com и stockrow.com предусматривают платные и бесплатные сервисы. В бесплатном использовании эти сайты хоть и дают некий набор фильтров, но глядя на эти цифры в табличках, складывается такое чувство, что «Смотреть можно, а трогать нельзя». А поскольку это касается моих денег и денег людей, которые мне доверяют, принимать торговое решение, не пощупав эти цифры самому, считаю большой ошибкой в анализе.

Раньше я был верен только Excel, но с недавних пор стал понимать, что хорошей альтернативой являются Google таблицы. Вообще все сервисы Google отлично работают с веб-данными.

В этом посте я расскажу, как можно импортировать данные с сайта finviz.com в Google таблицы.

2021 год (спасибо правительству) начался с новых налогов для инвесторов. С этого года купонный доход облигаций подлежит налогообложению, в том числе и облигаций федерального займа (ОФЗ).

Напомню, что купонный доход теперь облагается НДФЛ по ставке 13% (15% с суммы, превышающей 5 млн руб).

Есть ли способы освободить данный доход от уплаты налога? Да, но с нюансами.

1️⃣ Можно ли освободить купонный доход от уплаты налога при применении вычета по долгосрочному владению (ЛДВ)?

Данная льгота дает право освободить от уплаты НДФЛ прибыль от купли-продажи ценной бумаги, если вы владели ценной бумагой более 3 лет. Но не доходы от полученных купонов. 

Однако накопленный купонный доход (НКД), который вы можете получить при продаже ценных бумаг, подпадает под вычет и подлежит освобождению от уплаты НФДЛ. 

НКД — это часть купонного процентного дохода по облигации, рассчитываемая пропорционально количеству дней, прошедших от даты выпуска купонной облигации или даты выплаты предшествующего купона.