Избранное трейдера God
Много лет моя единственная квартира, в моём родном провинциальном городке, размером 33 кв.м, сдавалась одной квартирантке, о чём часто упоминал в блоге, например https://smart-lab.ru/blog/586790.php. Ренту можно назвать успешной, т.к. платежи приходили вовремя и не было простоя. Но не всё так замечательно.
В начале этого года ожидаемо сработал стоп-лосс https://smart-lab.ru/blog/677136.php.
Но с продажей я не спешил по двум причинам:
1) квартирантка оплачивала ренту и все ком.платежи;
2) было ожидание роста цены.
В середине ноября квартирантка купила квартиру в ипотеку, а мою квартиру освободила. Вот теперь пришло время продавать.
Сразу после освобождения квартиры, ключи были переданы риелтору с просьбой продать за 1.8 млн.руб. Значительного ремонта не было 12 лет, но были небольшие локальные ремонты во время проживания квартирантки. Вложений перед продажей 0₽. Я даже не заезжал ни разу и не смотрел, что там и как. Спустя 1.5 недели квартира не была продана.
до 100 сделок $50
От 100 до 1000 это $100
Свыше 1000 сделок $200
Я нахожусь в процессе тестирования на промышленных данных тех моделей, которые я разработал с помощью системы Backtest’а.
В основе системы лежит open-source библиотека Zipline, разработанная стартапом Quantopian, но не поддерживаемая где-то с апреля этого года, когда этот стартап приказал долго жить.
В библиотеке допилена возможность онлайн-закачки данных с источников (финам, mfd, YF), достаточно просто в алгоритме указать, какие тикеры нужны за какой период, и данные будут в нужном виде скачаны и преобразованы. А также допилена возможность работать с минутным таймфреймом.
Поскольку библиотека реализована на Python, то в пайплайн алгоритма можно вставить любые методы обработки и анализа данных, включая библиотеки машинного и глубокого обучения, сразу в одном ноутбуке и скачав данные, и обучив модели, и проведя бэктест алгоритма, что дико удобно.
В принципе, проверена даже техническая возможность повторить портал Quantopian, добавив на какой-либо сайт возможность работы с ноутбуком Zipline, расшаривая (при желании) для других пользователей на форуме либо полный скрипт пользовательского алгоритма, либо его результаты (таблицы и графики).
Приветствую, уважаемые смартлабовцы!
Наконец, я закончил разработку своего фундаментального скринера иностранных акций. В данном посте описываю основную идею созданной системы. Скринер анализирует финансовые отчеты компаний, торгуемых на Санкт-Петербургской фондовой бирже, и выстраивает их в рейтинг по инвестиционной привлекательности. Скринер решает следующие задачи:
1) Первоначальный отбор компаний. Отбрасываются компании с убывающей выручкой, с хроническими убытками и др.
2) Расчет комплексных финансовых индикаторов, например, усредненной за несколько лет прибыли, усредненной рентабельности, разброса доходов относительно среднего значения и др. Внесение этих данных в таблицу для анализа.
3) Ранжирование компаний одновременно по всему списку индикаторов.
Вышеперечисленные пункты стимулировали разработку данного скринера акций и являются его преимуществами по сравнению со скринерами, которые можно найти в интернете. Какие индикаторы я использую в анализе? Инвестиционная привлекательность акции определяется тремя составляющими: доходностью, темпом роста и риском. Текущую доходность можно характеризовать мультипликаторами стоимости компании (в скобках указано обозначение индикатора в таблице итоговых результатов ранжирования):
Продолжаю публикацию результатов разработки собственного скринера по фундаментальным показателям компаний. Ранее был создан фильтр для отбора безубыточных компаний с растущей выручкой и низкой долговой нагрузкой (ссылка).
Теперь задача скринера состоит в том, чтобы в Пространстве отобранных компаний отранжировать их по степени привлекательности для добавления в портфель. Начал я со стандартных мультипликаторов стоимости. В данный момент добавил мультипликаторы:
А также следующие доходности:
Часто бывает, что компании сильно различаются мультипликаторами. Например, показатель P/E ниже рынка, а P/B выше. Сложно определить, является ли компания недооцененной в таком случае, особенно если анализируемых мультипликаторов несколько. Задача данного скринера состоит в том, чтобы попытаться выстроить компании с наименьшими мультипликаторами и наибольшими доходностями по совокупности параметров. Результаты по лучшим 29 компаниям смотрите в таблице. Данные по всем компаниям из Пространства можно посмотреть в Гугл таблице.