Для сравнения языков MQL5 и QLUA мы написали несколько тестов, которые замеряют скорость выполнения базовых операций.

В тестах использовался компьютер с Windows 7 Professional 64 bit, MetaTrader 5 build 1340 и QUIK версии 7.2.0.45.

Результаты представлены в таблице, где все значения представлены в миллисекундах (чем меньше время, тем лучше):

Название            MQL5        QLUA     Преимущество MQL5

TestFloat          3 969     273 391     69 раз
TestArrays           375     230 768    615 раз
TestFibo           1 125      61 110     55 раз
TestPiCalculated   2 328     183 812     79 раз
TestQuickSort      2 031     211 279    104 раза
TestAckermann        828      64 541     78 раз

( Читать дальше )

В 2014 году покупаем на отсечке по режиму Т+2 в последние минуты торгов дивидендные акции с максимальными выплатами!
Риски снижаем за счет диверсификации, взяли 12 эмитентов!
Ниже в таблице чистая ДД


На полученные дивиденды докупаем еще два эмитента(отмечены красным)
Уже некоторые эмитенты выплатили дивиденды, выделены желтым



И просто читаем отчеты этих компаний и соответственно сущфакты!
Затраты времени максимум 2 суток в год, а результат есть!
Если взять счет ИИС, результат будет выше!
Можно ли выехать в ЕС на 20-25 дней на такой размер дивиденда выводя их н

( Читать дальше )

Подробнее тут





( Читать дальше )

                                          Россия прошла дно кризиса еще в прошлом году.
                                                                                                       В.Путин

Начнем с пищевой и сырьевой промышленности. Успехи видны невооруженным глазом:

Легкая промышленность в целом не вызывает никаких опасений.
Хотя и подпорчена красным цветом некоторыми отраслями:

По лёгкой промышленности обращает на себя внимание один нюанс.
Повседневная одежда шьется в мизерных количествах.
«Спецуха» же шьется десятками миллионов.
Как думаете, это одежда

( Читать дальше )

По мотивам предыдущего поста.
Было предложено посчитать на большем кол-ве акций и с учетом снятия налога за дивы.
Решил посчитать на 10 акциях. Выбраны «случайно», которые на слуху. Не все дивидендные.

Виртуально инвестировано 1млн руб. в сентябре 2013 года.
после получения дивов (за минусом 13% налога) на их сумму докупались акции по цене начала сентября месяца.

В итоге: предполагаемые дивы за 2016 = 123`278руб (12,32%)
Текущий депозит в акциях = 1`887`120 (+89%)

Суммы получились уже менее радужные.
Но: 
1. Выбраны не самые лучшие в плане дивидендов акции
2. Срок инвестирования  слишком мал — нужно хотя бы лет 5 что бы сложные проценты начали работать.


Вот подробней:




( Читать дальше )

Продолжаем разработку универсального робота!

Выкладываю код OUR-0.3, который в настоящий момент еще далеко не полный – это только основа, скачать можно здесь https://yadi.sk/d/l3uic67yruCxa

Код прокомментирован подробно, но дам дополнительное описание общего плана, чтобы логику работы робота можно было представить.

Итак, по порядку:

Робот состоит из двух файлов: OUR.lua содержит основные функции (OnInit, main, коолбэки – пока только один OnStop), FunOUR.lua содержит вспомогательные функции – все остальные. Дополнительно приложен файл с информацией и файл с образцом котировок.

Функция OnInit

1 Первоначально котировки с сервера поступают в источник – таблицу с барами TBar (там все заполняется автоматически при подключении источника).

2 Далее робот делает различные вычисления, результаты которых он помещает в таблицу с данными TDat (также туда копируются параметры баров из TBar), эту таблицу нужно заполнять самому, ключи таблицы на свое усмотрение, но конечно часть ключей в алгоритм уже заложены, это «key»,«O»,«H»,«L»,«C»,«V»,«T» от них идут все вычисления. TDat – это таблица, содержащая таблицы по каждому бару, ключ соответствует номеру бара в источнике. Структура такого типа:

TDat = {
[1321] = {"O","H","L","C","SMAf","SMAs"…},
[1322] = {"O","H","L","C","SMAf","SMAs"…},
…
}

( Читать дальше )

Небольшая статья с ресурса http://www.talaikis.com/ о построении простой стратегии, использующую наивный байесовский классификатор при создании процесса возврата к среднему. Весь код в статье приведен на языке Python.

Это достаточно большая область исследований, но расскажем все очень кратко. Мы попытаемся найти взаимоотношение между  временными сериями  (в данном случае возьмем в качестве сигнала взаимный фонд XLF из финансового сектора, сдвинутый по времени на 1 день назад), а нашей целью будет фьючерс S&P500 в форме CFD. Будем входить в длинную позицию по этой бумаге при нулевой вероятности приращения. Логически нулевая вероятность ни о чем не говорит, другими словами, будем покупать возврат к среднему.

1. Получение данных

Y = read_mongo(dbase, "S&P5001440")
X = read_mongo(dbase, syms[s]).shift()

#готовим набор данных
res = pd.concat([X.CLOSE, Y.CLOSE], axis=1, join_axes=[X.index]).pct_change().dropna()
res.columns = ['X', 'Y']

( Читать дальше )

В этот раз было все как то иначе.
Очень долго собирались поехать на природу, на шашлык, но вот погода московская подвела.
И вот, видать осталось желание вкусно и плотно поесть, тем более, что А. прям пообещал угостить хорошим вином, купленным
под это действо. Он у нас заведующий по спиртным, так что к нему доверие было 100%.
И наши ожидания оправдались, действительно, хорошее вино под закуску, в компании людей, где ты можешь говорить на странном,
но понятным именно для них языком — это ценно.

На этот раз прям как то было еще уютнее, многие уже привыкли, какой то костяк образовался,
периодически приходят новые люди, что то рассказывают о себе, задают вопросы. Обычное, неформальное общение,

( Читать дальше )