Избранное трейдера sam

-------------------------------
Во время работы робота смело изменяем CSV файл и сохраняем, и новые параметры у вас в роботе.
CSV файл можно держать открытым.
Рост ВВП на 6,5%, радикальное сокращение бедности, увеличение инвестиций в человеческий капитал — такие цели ставились более десяти лет назад в Концепции развития России до 2020 года.
А теперь по факту:



По данным Bloomberg, по итогам 2018 г. дивдоходность российского рынка составляет порядка 8%.
Данные Национального рейтингового агентства свидетельствуют о выплате рекордных 3,13 трлн руб. Это в 1,5 раза выше, чем по итогам 2017 г.
Допустим, что мажоритарные акционеры получат две трети от этих 3,13 трлн. Но ведь на долю миноритариев достанется около 1 трлн рублей.
Законодательство в РФ таково, что если акционеры на собрании проголосовали за выплату дивидендов, то их получат все акционеры имеющие акции в дату закрытия реестра для получения дивидендов. И основные владельцы, и миноритарные акционеры, то есть мы с вами
И если мы пришли на российский фондовый рынок за дивидендами, то, желательно за дивидендами, размер которых будет больше, чем банальный депозит. Это стало особенно актуально в связи с постоянным падением процентных ставок по банковским депозитам.

В пятницу 15.11.2019 из моего портфеля лучших бумаг года ушла по стоп-лоссу Распадская. Цена продажи 101.3. А сегодня (буквально на следующий торговый день!) Распадская выросла на 5.11% и чуть-чуть не была рекомендована к покупке моим самым результативным роботом PVVI!
Обидно! Стоило держать бумагу целый год, чтобы вот так вот ее продать! И это уже третья бумага из списка лучших бумаг года, которая так некрасиво со мной поступает. До этого по стоп-лоссу от меня ушли Алроса и префы Сургутнефтегаза.
Напомню, что в последний торговый день 2018 года я сформировал портфель из 8 лучших бумаг по итогам 2018 года.
ОАО РЖД предлагает строить мост на Сахалин стоимостью 540,3 млрд руб. с помощью концессии. Потенциальному концессионеру могут отдать различные участки проекта — только шестикилометровый мост, мост с железной дорогой или все вышеперечисленное с новым портом на Сахалине. все концессии в железнодорожной отрасли более рискованны для государства, чем для инвестора. Но у экономически выгодных проектов есть перспектива некоторой компенсации этих рисков, а у принципиально неокупаемого моста на Сахалин ее нет. Эксперты считают рациональным разделить концессии на порт и дорожную инфраструктуру.

Однозначно советую всем! Причем даже опытным. И вот почему.
Эта книга — тот редкий случай, когда книгу про инвестиции/трейдинг мне читать еще интересно. Мне кажется, я уже знаю почти все, поэтому меня сложно чем-то удивить, это надо учитывать, когда вы читаете рецензию от меня.
Сразу оговорюсь, что в целом, книга произвела неоднозначное впечатление: вначале она прям меня привела в чувство полного восторга. С половины книги, я “увяз”, уже не мог читать, пролистывал страницы. Но новичкам — однозначно читать вдумчиво и целиком. Лично для меня было бы идеально, если бы она закончилась на половине. Но это чисто для меня. Теперь по делу.
Автор книги, Силаев — большой молодец, я проникся уважением к его интеллекту, эрудиции, кругозору и дару писать. Начало книги я вообще читал взахлеб, оставил массу пометок на страницах. Я бы даже сказал, что он пишет не хуже Талеба. Итак, автор:
оригинально мыслит и пишет
необычный текст и слог
я читал и получал удовольствие от чтения.
Только есть проблема. Некоторые места книги настолько оригинальны, что не все это поймут и оценят. По-моему я не встретил в книге ни одного момента, где я был бы не согласен с автором. Более того, многие моменты мне близки именно с позиции моего опыта и я рад что увидел в этой книге похожие мысли.
Какие интересные идеи я бы подчеркнул?
(Мысли очень концентрированные, на самом деле далеко не все поймут и осознают сходу их ценность)
Так как насчет практического применения ML? Как вообще это выглядит?!
А выглядит это так, что 80% времени data scientist тратит на работу с данными, чтобы потом загнав их в модельку мобильно получить прогноз. Вообще, предполагалось что такой мощный инструмент как нейросети сможет работать с сырыми данными, то есть загонишь в нейросеть обычную котировку, а дальше могучие нейроны похимичат, сгенерируют кучу фичей и найдут нужную их комбинацию (на самом деле никаких фичей нейросети на создают, но можно представить). Ну вот например такое явление как большой ГЭП, важный показатель? Еще какой! В сырых данных он содержится, то есть можно помечтать что если мы создадим очень сложную нейросеть, то она сможет вытащить это значение самостоятельно. Что такое ГЭП нейросеть конечно не знает, но путем манипуляций с весами она найдет, что когда меняется циферка в дате то образовавшийся большой разрыв в цене имеет большое влияние для хорошей аппроксимации.
Мечты, мечты. Пока все что я видел в результате скармливания нейросети сырах данных-это слезы, боль и убожество. В общем мы пойдет другим путем. Мы не будет скармливать модели сырятину и мусор, мы постараемся кормить его качественно чтобы удои увеличивались и все такое.
Есть такое понятие как в ML как feature engenering. Наверно единственное более менее креативное что остается человеку в этом бездушном мире машинного обучения. А уж коли мы ведем речь о RF, то сам бог велел заняться этим, RF знаете ли не нейросети, там даже теоретически сырятина в данных не приветствуется. Вот этим мы и займемся.
Откуда же нам взять эти фичи и главное как? Тут каждому воля вольная. Например можно сдув пыль с WealthLab использовать старичка как генератора фичей. Кто не знает в него вшито около полусотни известных индексов и еще столько же, но с неизвестным кодом. А еще можно запрограммировать свои фичи. По своему «знанию и разумению», своих «знаний и разумений» я накопил много, но почти все они из разряда «все эти технические индикаторы не стоят ничего». Зато кое что из своего показали свою небезнадежность. В общем на первый случай я сгенерировал около 17 своих фичей, затем ранжировал их для каждой стоки, итого 34 фичи. Стоки брал из числа 20 самых ликвидных отечественных фишек с 2010 года по март 2018, что дало 50 тысяч дневных наблюдений. Прямо сказать не густо, но что есть. Тем более речь идет о демонстрации силушки RF.
Вот набор моих фичей:
Week 49303 non-null int64 GEP 49303 non-null float64 Min10 49303 non-null float64 Cl/High 49303 non-null float64 Cl/Low 49303 non-null float64 Cl/w_High 49303 non-null float64 Cl/w_Low 49303 non-null float64 wdif 49303 non-null float64 dif 49303 non-null float64 Vol20/Vol200 49303 non-null float64 tHigh% 49303 non-null float64 tLow% 49303 non-null float64 tHigh%-tLow% 49303 non-null float64 Cl/SMA21 49303 non-null float64 Cl/SMA5 49303 non-null float64 SMA5-SMA21 49303 non-null float64 Cl/(minSMA) 49303 non-null float64 Cl/(maxSMA) 49303 non-null float64 l_Min10 49303 non-null int64 s_Min10 49303 non-null int64 l_gep 49303 non-null int64 s_gep 49303 non-null int64 l_cl/high 49303 non-null int64 s_cl/high 49303 non-null int64 l_cl/low 49303 non-null int64 s_cl/low 49303 non-null int64 l_wdif 49303 non-null int64 s_wdif 49303 non-null int64 l_SMA5-SMA21 49303 non-null int64 S_SMA5-SMA21 49303 non-null int64 L_Cl/(maxSMA) 49303 non-null int64 S_Cl/(maxSMA) 49303 non-null int64 L-tHigh%-tLow% 49303 non-null int64 S_tHigh%-tLow% 49303 non-null int64