Избранное трейдера Константин
А еще апрель — юбилейный месяц моей биржевой истории. Можно по-разному отсчитывать дату, когда все началось. Можно с юности, первый депозит в Сбербанке был открыт в 2000 году. Не биржевой, а тот, который сберкнижка. Это были первые литературные деньги, достаточно весомые, чтобы не прогулять их разово или отдать родителям… Можно считать с 2005 года, там был первый ПИФ. Но вложение было сделано в бессознательном состоянии, увидел рекламу — зашел — вложил. Полагаю, люди обычно так и делает. Как раз захватил рост 2005-2006 гг., и кризис 2008, чтобы в 2010 выйти в ноль. Но это тоже не то.
Первый биржевой счет был именно весной 2010-го. Первая сделка в апреле. Тогда я впервые, наконец, подумал, а как оно все устроено? Вот с момента начало мышления (а не первых занесенных денег!) я бы и считал начало инвестиций.
Нельзя сказать, чтобы я занимался этим постоянно, как говорится 24 на 7. Кормился по-прежнему в журналистике года до 2014-го. Был главредом небольшого, но глянцевого издания. Но думал про биржу уже больше, чем про основную работу.
Сегодня буду читать «Мастер класс» в Школе АЛОР для участников Всероссийской олимпиады по финансовым рынкам.
16:00 ПО МСК. 16 апреля (сегодня, совсем скоро)
Ссылка: https://alorstudy.ru/pl/webinar/show?id=3127312
будем разбирать вот эту схему «Котла ценообразования»:
В очередной раз усложнил её немного, стала ближе к реальности. Кто всё ещё не понимает, чем занимаются алготрейдеры, Вам сюда.
По итогам теоретической части хотелось бы, чтобы запомнилась вот эта картинка:

9 апреля 2025 года S&P 500 +11% +500 пунктов, с 1,5%-ным гэпом на минутном (!) графике в процессе торговой сессии. Рост индекса S&P 500 стал самым значительным внутридневным движением с 6 апреля 2020 года. В тот день ФРС объявила о новой помощи финансовой системе для преодоления кризиса, вызванного пандемией COVID-19.

Небольшой экскурс в историю моих «ну теперь-то видел всё»
2008 год застал только в созерцании Тимофея Мартынова на РБК, да чтении рассказов о «пенсионерах в 35». Миллер обещает капитализацию Газпром в $1 триллион в течение 10 лет. Костин обещает рост стоимости акций ВТБ до 15 копеек.
Капитализация крупнейших компаний в 2007 году, млрд. долларов США:
Газпром $365,1
ВТБ $35,5
Microsoft $340
Google $215
Apple $170
NVidia $19,1
2017 год июнь Газпром после упоротого падения по 111,46 — ну теперь я видел всё!
2018 год апрель, когда Сбер упал на 27% с 262,32 на 191,50 на сообщении об американских санкциях на Русал (да что люди в 2018 году вообще знали о санкциях??) — ну теперь точно всё!

Что нам снег, что нам зной, когда есть облигации с доходностью до 30%. Смотрим, какие фиксы эмитентов с рейтингом от A- и выше дают богатеть максимально лучше вкладов.

Ещё подборки и обзоры:
Если богатеете на купонах, обязательно подписывайтесь и не пропускайте новые обзоры.
Параметры: корпоративные облигации с фиксированным купоном, без оферты, с амортизацией или без. Срок большинства до трёх лет, только Евротранс длиннее.
Еще одна сенсация потрясла фондовый рынок вслед за сенсационной моделью DeepSeek, которая обвалила компанию NVDA и уничтожила ее неоспоримое конкурентное преимущество перед другими производителями чипов.
Alibaba в ответ на DeepSeek запустила «Qwen» — модель искусственного интеллекта, которая пишет, генерирует изображения/видео и выполняет поиск в Интернете. Qwen превосходит по своим возможностям DeepSeek, ChatGPT-o1 и Claude sonnet.
Вот 5 примеров того, на что Qwen способен:
1. Написать код и использовать артефакты для его тестирования. Qwen не просто генерит код, он может запускать его, отлаживать и использовать артефакты для тестирования в реальном времени.
2. Генерировать изображения с предельной точностью. Забудьте об общем искусстве искусственного интеллекта. Квен может создавать очень подробные изображения, следующие инструкциям, которые могут конкурировать с генераторами искусственного интеллекта высшего уровня. Уровень точности просто сумасшедший.
Эксперимент DeepSeek-R1-Zero показал нечто замечательное: используя чистое обучение с подкреплением с тщательно продуманными функциями вознаграждения, им удалось заставить модели развивать сложные способности рассуждения полностью автономно. Речь шла не только о решении проблем — модель органически научилась генерировать длинные цепочки мыслей, самостоятельно проверять свою работу и выделять больше вычислительного времени для более сложных задач.
Техническим прорывом здесь стал их новый подход к моделированию вознаграждения. Вместо того чтобы использовать сложные нейронные модели вознаграждения, которые могут привести к «взлому вознаграждения» (когда модель находит фиктивные способы увеличить свои вознаграждения, которые на самом деле не приводят к лучшей производительности модели в реальном мире), они разработали умную систему на основе правил, которая сочетает вознаграждения за точность (проверку окончательных ответов) с вознаграждениями за формат (поощрение структурированного мышления). Этот более простой подход оказался более надежным и масштабируемым, чем модели вознаграждения на основе процесса, которые пробовали другие.
