Вместе с растущими ставками по вкладам растут и доходности облигаций с постоянным купоном. Рассчитывать на сильное снижение ключевой ставки в этом году не приходится, хотя все может быть. Поэтому кроме облигаций-флоатеров смотрю в сторону облигаций с ежемесячным начислением купонов. Выбрал самые интересные варианты. Доходность указана до вычета налогов с учётом реинвестирования купонов. Если покупать на ИИС, то доходность будет выше.

1. Брусника 2Р02
Строительная компания, основана в 2004 г.
Рейтинг: А- (АКРА)
ISIN: RU000A107UU5
Стоимость облигации: 96,31%
Доходность к погашению: 21,5% (купоны 16,25%)
Амортизация: нет
Дата погашения: 28.03.2027 (оферта опцион колл 16.09.2025)

2. Балтийский лизинг БП8
Лизинговая компания, в портфеле которой преобладает грузовой и легковой автотранспорт, а также строительная и дорожно-строительная техника.
Рейтинг: ruAА- (эксперт РА)
ISIN: RU000A106ЕM8
Стоимость облигации: 91,36%
Доходность к погашению: 22,7% (купоны 10,7%)
Амортизация: нет
Дата погашения: 31.05.2033 (оферта 12.06.2025)

( Читать дальше )

В скриптах напрямую доступны все данные Quik'а, кроме греков с доски опционов. Но есть возможность рассчитывать их по формуле Блэка-Шоулза, исходя из доступных значений базы, страйка, дюрации и волатильности.
Чтобы удостовериться в совпадении греков с доски и расчётных, пришлось в скрипте отваять на Lua C API сервер DDE для приёма экспорта от доски опционов. И вот картинка

Разница в самом главном Греке — Дельте — менее 1%.
Через Lua в Quik'е доступны все возможности Windows.

local Titles, Entries, Desk = {}, {}, {}
local Wn1_Hndl
local Wn1_Field1, Wn1_Field2, Wn1_Field3, Wn1_Field4, Wn1_Field5
   = "Код CALL", "Страйк", "Дельта CALL", "Дельта расч", "Теор. расч"
   
function OnInit (scriptPath)
  qu = require ("QuikUtil(qu)") -- qc, lu, tu
  blk = require ("BlackScholes(blk)")
  glb_ScriptDir, glb_ScriptName = lu.SplitPath (scriptPath)
  message (glb_ScriptName .." started")
  server = require ("OptionDesk")
end -- OnInit()

function OnStop (signal)
  if Wn1_Hndl then DestroyTable (Wn1_Hndl) end
  StopFlag = true
  return 1000 -- 1 sec
end

local function ShowWin (cols)
  for k = 1, #Desk do
    local calCode = Desk[k][Entries[Wn1_Field1]]
    if calCode:sub (3,3) == "0" then
      calCode = calCode:sub (1,2) .

( Читать дальше )

Введение

Итак, это было обычное скучное утро, когда я решил: «А почему бы не попробовать этот Алгопак от Московской биржи?» Я давно слышал про него, а тут как раз была пара свободных часов и чашка горячего кофе. Что может пойти не так, верно?

Начало приключения

Регистрация и первый вход

Регистрироваться было просто. Почта, пароль, подтверждение — стандартный набор. И вот я уже на главной странице Алгопака, который выглядит достаточно дружелюбно. Однако, первый звоночек прозвенел, когда я начал искать справочную информацию. Документация оказалась несколько запутанной, а некоторые разделы вовсе не обновлялись годами.

Создание первой стратегии

Для начала я решил не мудрить и создать что-то простое. Пусть это будет стратегия на основе скользящих средних (SMA). Вот мой пример кода на Python, который я решил использовать:

import pandas as pd
import numpy as np

# Загружаем данные
data = pd.read_csv('historical_data.csv')

# Параметры стратегии
short_window = 40
long_window = 100

# Создаем сигналы
signals = pd.

( Читать дальше )

Прогнозирование — это просто. Доступно любому желающему. Прогнозирование котировок на 5 минут вперед. Для интрадея самое оно. Для чего-то большего и длительного — эт не знаю.
В данном примере берем язык Python, строим простейшую нейросеть (перцептрон, 4 слоя) — 15 входов и 1 выход, на котором имеем прогнозируемое значение котировок. На входы подаем обучающую последовательность — Close минутных данных и Close через 5 минут после окончания нашей входной 15 минутной последовательности. Формируем также тестовую последовательность (у меня это 1000 экземпляров). Нормируем наши обучающую и тестовые последовательности, обучаем, и получаем на тестовой последовательности картинку.

по х — прогнозируемые значения на 5 минут вперед, по у — реальные значения через 5 минут.
Значения predict около нуля (> -0.05 и <0.05) для сделок нас не интересуют, мы же не хотим получать нулевую прибыль, а вот значения <-0.05 и >0.05 для совершения сделок уже вполне подходят, и на графике мы видим, что в этом диапазоне неудачных сделок не так уж и много — в прибыли больше.

( Читать дальше )

Функция OnTrade
Сохранение параметров сделки в файл.
Работа с таблицей сделок.
Сохранение всех сделок дня.
Скрипт автосохранения всех заявок и сделок под завершение торгового дня.

Для отслеживания прошедших сделок мы можем задействовать функцию обратного вызова OnTrade. Она во многом похожа по логике на OnOrder, только возвращает коллбэки уже по исполненным сделкам. В случае, если заявка разбивается на несколько сделок, мы получим информацию по каждой.

В файле QLUA.chm в директории терминала находим через поиск описание самой функции:

И таблицу с параметрами:

( Читать дальше )

Ребята помогите с QuiкPy, хочу подключить второй квик. 
Меняю порты в файле QuikSharp.lua,


 
Далее в питоне в файле который прекрасно работал с строкой 

qp_provider = QuikPy()<br /><br />теперь пишу<br /><br />

qp_provider = QuikPy(host='127.0.0.1', requests_port=50827, callbacks_port=50828)<br /><br />получаю<br /><br />

C:\Users\vadim\PycharmProjects\pythonProject\.venv\Scripts\python.exe C:\Users\vadim\PycharmProjects\pythonProject\MyFolder\TestSupport.py
Traceback (most recent call last):
File «C:\Users\vadim\PycharmProjects\pythonProject\MyFolder\TestSupport.py», line 25, in <module>
qp_provider = QuikPy(host='127.0.0.1', requests_port=50827, callbacks_port=50828)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File «C:\Users\vadim\PycharmProjects\pythonProject\QuikPy\QuikPy.py», line 168, in __init__
self.socket_requests.connect((self.Host, self.RequestsPort)) # Открываем соединение для запросов
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
ConnectionRefusedError: [WinError 10061] Подключение не установлено, т.к. конечный компьютер отверг запрос на подключение

( Читать дальше )

Что необходимо для заработка?

1.Соблюдение рисков, важнейший параметр, при его не соблюдении хана без вариантов, обязательно к просмотру     с 12 минуты основная суть, я просматривал раз 10.

2.Сделки нужно планировать, поделюсь как это делаю я. 
   
2.1 сделать премаркет, в трейдинг вью акции в растущем тренде и в падающем, растущие на поддержках подбираем, падающие на сопротивлениях продаем. 
2.2 посчитать наши риски, для этого эксель. Основное этот лист мне считает сколько взять лотов под мой стоп, чтоб не превысить риски.
2.3 Далее все это хозяйство заносить в программу помощник  Acceleration LUA.
  1.Это автоматический стоп и самое интересное пакет заявок


( Читать дальше )

Мы выпустили книгу «Нейросети в алготрейдинге на MQL5». Это учебное пособие по использованию искусственного интеллекта при создании торговых роботов в платформе MetaTrader 5. Автор книги — Дмитрий Гизлык, профессионал в области нейросетей, написавший около сотни обучающих статей на эту тематику. Теперь при поддержке MetaQuotes все его ценные знания удобно собраны в одну книгу. Вы последовательно познакомитесь с основами нейросетей и возможностями их применения в алготрейдинге. По мере продвижения вы создадите и обучите собственный искусственный интеллект, постепенно дополняя его новыми функциями.

 

Книга доступна онлайн всем желающим в разделе «Учебник по нейросетям» на сайте MQL5 Algo Trading community. Она состоит из семи частей:

• Глава 1 вводит вас в мир искусственного интеллекта, обучая основам построения нейронных сетей и их ключевым компонентам, таким как функции активации и методы инициализации весов.
• Глава 2 раскрывает возможности MetaTrader 5, детально описывая, как использовать инструменты платформы для создания мощных алготрейдинговых стратегий.

( Читать дальше )

Бывает нужно мне посмотреть где и как распределился объем по свечам внутри определенного диапазона.
Обычно смотрю за последние 2-3 часа на 5-минутках (можно и точные срезы делать) или за день на 15/60-минутках.

Минусы текущей реализации:
— картинку 5 минуток за большой промежуток времени смотреть не получится, но за 2-3-4 часа вполне себе. Зависит от таймфрейма, диапазона, за который надо посмотреть данные, и ваших требований по красоте картинки. Мне хватает пока.
— данные обрабатываются относительно долго (библиотека matplotlib каждый раз рисует график заново + недостаток знаний программирования/ума).

Плюсы:
— свое, родное, надежное и хоть как-то контролируемое. И бесплатное.

Данные: КВИК (Финам или Мосбиржа с задержкой).
Подключаюсь к КВИКу — вывод по ODBC — использую MS SQL 2012.
Обработка данных: Python (pandas + matplotlib) + просмотр графиков через браузер.

Знания Python поверхностные, но добрые люди здесь помогли построить график.

Вкратце суть такая.
1. Сначала делаю с помощью pandas мультииндексный таймфрейм следующего вида:

( Читать дальше )

Результаты неоднозначные, хотя есть вполне конкретная закономерность почти по всем бумажкам. Увидите ли? :)

Методика такая:

• берём историю с 2010 или откуда она есть по бумажке
• ищем лучшую сделку внутри дня по максимальной прибыли
• фиксируем время входа и выхода, прибыль
• делаем это как для long, так и для short
• сделки, открытые с 10:00 до 10:30, выкидываем
• оставшееся приводим к часам суток и дням недели, прибыль агрегируем
• чартим

Про рисунки ниже:

• в заголовке диаграммы — тикер и направление сделки
• по Y — день недели, где 1 — понедельник, 5 — пятница
• по X — час суток, в котором открыта или закрыта сделка
• на левой диаграмме — входы, на правой — выходы и, что важно — они связаны! тут вам не просто агрегация всех входов или выходов
• размер точки — суммарная прибыль от сделок в этот день и час — открытых слева, закрытых справа

Ищите рыбу. Найдёте — напишите :)
Приятных выходных :)

ps замучился вставлять картинки. Хорошо бы поиметь механизм для массового прикрепления картинок!

( Читать дальше )