У нас с вами на бирже буквально за последние пару лет появилось 7 компаний, производящих софт.
С нуля.
Все эти компании представляют собой тот или иной сектор разработки.
Внимание айти специалисты, вам вопрос:

Какие сектора ПО на ваш взгляд будут расти опережающими темпами в ближайшие годы?

1✅Кибербез
2✅Базы данных
3✅Операционная система
4✅Корпоративные мессенджеры
5✅Заказная разработка для финсектора
6✅Софт для серваков/облаков

Жду фидбэк в коммены👇

Давно хотел поделиться своей историей, думаю она будет интересна людям, кто мечтает о своем доме и думает что это дорого и сложно. Кстати, регулярно читаю здесь на Смартлабе комментарии или посты, где обсуждают, что свой дом это дорого. Наверно, если это дворец, то дорого. Но если это хороший, современный дом для жизни семьи, в пригороде любого миллионника России, то это гораздо выгоднее любой квартиры в текущей ситуации.

В целом, мой пост подразумевает, что есть (ну или была), реальная возможность приумножить свой капитал, вложив деньги в строительство или недвижимость. Важный момент, что у меня не было этого капитала, то есть я начал с нуля, не имея вообще никаких средств.

Теперь вернемся в 2020 год. Был май, разгар карантина. Я уже тогда жил за городом и платил за ипотеку дома, построенного своими силами еще в 2014 году.  Денег впритык, у нас с супругой 2-е детей. В то же время государство запускает программу льготной ипотеки, чтобы стимулировать строительный сектор. Ставка рефинансирования снижается до минимальных исторических значений.

Представьте опытного трейдера: наверняка он не говорит котировками и не рассказывает про индикаторы — он просто говорит «сильный тренд», «пробой уровня» или «ложный отскок». Для него график это язык: свечи, объёмы и уровни складываются в понятные фразы о том, что сейчас происходит на рынке. Именно от этой человеческой интуиции я и отталкивался в своём эксперименте.

Идея была такая: а что, если научить искусственный интеллект понимать этот язык? Не подавать модели сырые числа, а переводить бары и объёмы в текстовые описания наблюдаемых паттернов и кормить ими языковую модель. Гипотеза была что в тексте уже будет содержатся достаточно данных, чтобы модель научилась связывать недавнюю торговую историю с тем, пойдёт ли цена вверх на следующий день.

Мои результаты, о них ниже

Инструмент эксперимента — модель distilbert‑base‑uncased с Hugging Face и это облегчённая, быстрая версия BERT для понимания языка.

В мире алгоритмической торговли доминируют крупные фонды с их колоссальными ресурсами. Но что, если мы, частные инвесторы и разработчики, можем создать собственный мощный и доступный инструмент? Что, если больше не придётся зависеть от проприетарных платформ или писать с нуля сложную инфраструктуру для тестирования каждой новой идеи?

Сегодня у нас есть Python и такие мощные библиотеки, как Backtrader. Однако голый фреймворк — это лишь половина дела. Чтобы он стал по‑настоящему народным инструментом, ему нужна удобная обвязка: готовая структура проекта, автоматический импорт стратегий, наглядные отчёты, тепловые карты для оптимизации и бесшовное подключение к API брокеров — не только российских, но надо начать с Мосбиржи.

Мы стремимся сделать инструмент таким же удобным, как TradingView. Простота в использовании и доступность всех функций для пользователей без глубокой технической экспертизы — мне кажется вот идеал. Чтобы каждый, кто заинтересован в алгоритмической торговле, мог без усилий внедрить свою стратегию, протестировать её и получить результаты, не проводя часы и дни за настройкой системы.

Если вы задумывались о системной торговле, то, скорее всего, уже слышали о Python библиотеке Backtrader. Это гибкий фреймворк для тестирования торговых стратегий на исторических данных, который к тому же может быть подключён к автоторговле через API российского брокера. В нём можно реализовать практически любую логику, от простого пересечения скользящих средних до сложных многофакторных моделей.

➡️ Робот, который живёт в стене: мой опыт автоматизации торговли на Python

Однако даже самая изощрённая стратегия ничего не стоит, если протестирована на неликвидных бумагах — там, где в реальной торговле вы бы просто не смогли купить или продать по нужной цене. Именно поэтому работа с ликвидными акциями — ключ к достоверному тесту.

Ликвидность — это не про «красиво на графике», а про то, как на самом деле исполняются сделки, насколько проскальзывает цена и как часто ваши заявки останутся без исполнения. Здесь нам поможет Игорь Чечет — автор библиотек AlorPy, TinkoffPy и FinamPy, размещенных на GitHub, которые дают удобный способ подключиться к API этих трёх брокеров из Python. Эти инструменты и библиотека-обертка — фактически мост между Backtrader и живым рынком.

В предыдущих статьях я рассказывал, как пришёл к идее создания собственного торгового робота. Мотивация проста:

• Автоматизация — алгоритм не спит, не нервничает и не занят своими делами.

• Дисциплина — робот исключает эмоции, следуя правилам.

• Тестирование — любую идею можно проверить на исторических данных, прежде чем рисковать деньгами.

Я всегда разделял два этапа: разработку торговых идей (логика стратегии) и реализацию механизма исполнения (отправка заявок, автотрейдинг). Сначала — бэктестинг и базовая оптимизация, и только потом — реальная торговля.

Поскольку я нахожусь в активном поиске подходящего решения для автотрейдинга и уже опробовал несколько рабочих вариантов, то эта статья представляет мои размышления об этом механизме исполнения заявок. Ваша критика или поддержка идей приветствуется.

Почему я не хочу использовать QUIК и Windows?

По моему мнению QUIK архаичен, нестабилен для автоматизации и требует оконной среды. Он не предназначен для headless-серверов (это компьютер без монитора, клавиатуры, мыши). QUIK + LUA или внешнее ПО — это сложная, криво документированная и уязвимая связка.

🚀 Введение: ИИ против рынка — кто кого?

Можно ли с помощью нейросети заработать на фондовом рынке больше, чем руками? Я поставил эксперимент и дал ИИ задачу: анализировать акции Сбербанка (SBER) и выдавать сигналы на основе прогноза. Результат — +20% прибыли за месяц на демо-счёте. В статье — полный разбор: какие инструменты я использовал, какой код написал, и как вы можете повторить всё это шаг за шагом.

🔍 Почему именно Сбербанк и нейросети?

• SBER — ликвиден: высокий объём торгов, идеален для алгоритмических сделок.

• Волатильность: движение цены даёт точки входа.

• Популярность на Smart-Lab: кейс интересен широкой аудитории.

А нейросети, в отличие от людей, не устают, не поддаются эмоциям и умеют видеть закономерности, которые не видны глазом.

⚙️ Эксперимент: +20% за 30 дней

Шаг 1. Сбор данных

Источники:

• moexalgo — данные с Мосбиржи

• yfinance — данные с Yahoo Finance