Всем привет.

Я QA-инженер, в инвестициях уже 6 лет. Мой путь стандартный: сначала слушал «гуру», потом поумнел и собрал гигантскую таблицу в Excel. Я из тех, кто не покупает акцию, не посмотрев тренды выручки, маржинальности и ROIC за 5–10 лет.

 

 

В чем была моя личная боль:

На глубокий анализ одной компании по моему чек-листу (14 метрик в динамике) уходило около 2 часов. Забивать руками данные из Macrotrends в таблицу — то еще удовольствие. Самое обидное, когда в конце второго часа понимаешь, что компания — переоцененный шлак с падающей маржой, и время потрачено зря.

Еще одна боль — это «магия цифр» (это касается и книг и обучающих видео).
Книги и видео говорят: «Ищите рост выручки > 7% или ROA > 6.5%». Но почти никто не объясняет — почему? Откуда взялись эти цифры? Почему 7 и 6.5, а не 10 и 8 или не 5 и 3...

 

 

Что я накодил:

Написал сервис на FastAPI, который через API тянет отчетность и делает «Sanity Check» компании за 2 секунды. А вместо слепого следования догмам из книг и видео, я привязал все метрики к усредненным показателям компаний из S&P 500.

( Читать дальше )

Весь 2025-й я ковырялся в pair trading стратегиях, бэктестил их вдоль и поперек. И — не нашёл там эджа.

Пробовал классические подходы:
— линейная регрессия двух активов (акций или криптовалют) со скользящим окном
— вход и выход в спрэд через боллинджера
— моделирование спрэда с помощью OU-процесса (процесса Орнштейна-Уленбека)
— сглаживание коэффициентов регрессии с помощью фильтра Калмана
— использование не одной пары активов, а портфеля пар

Но ничто из этого не дало мне стабильно выигрышного алгоритма. Объясняю это тем, что:
— классический pair trading на двух активах давно и хорошо известен, и из него арбитраж уже высосан 
— коинтеграция пары активов нестабильна и быстро разваливается 

О потраченном времени не жалею: много чего узнал, особенно из области статистики, разобрал несколько интересных фундаментальных статей на эту тему, например Avellaneda, Lee — Statistical Arbitrage in the U.S. Equities Market ( papers.ssrn.com/sol3/papers.cfm?abstract_id=1153505 ). 

Считаю, что сама идея статистического арбитража не тупиковая, она жива и используется во многих хедж-фондах, но ее нужно прокачивать с помощью:

( Читать дальше )

Привет Смартлба. Есть еще такие динозавры кто это юзает?

Хочу инфу подсобрать, что сейчас вообще существует. Может опытные поделятся мнением? Хочу выбрать соотношение цена/качество чисто для просмотра амерских фьючей. Что посоветуете?

Что знаю я:

— Volfix. Супер лакшери вещь ) 70Usd/Мес. Может работать под Linux. Не совсем понимаю, что означает "...(подключение счета через CQG, Rithmic)...", то есть мне и там еще придется оплатить?

— Atas. Мало что понял. Видимо амерский фьючей там нет

— SpbPRO. Супер дешевая весчь. Но не фига не понятно, какие нынче биржи она поддерживает? Раньше СME норм показывало

— TigerTrade. Есть тариф. «Демотрейдинг на исторических данных». Вроде прям то что надо, за это можно отдать 1300р. Но не понятно, на сколько отставание истории? Вчерашние данные смогу смотреть?

— TradingView. 56$. Веб можно смотреть на Linux.  К вебу все таки там нужно суметь привыкнуть

— ru-ticker. Демократичные тарифы, даже суточные, покупал пару раз, удобно. Но не пойму, есть ли амерские фьючи cme

( Читать дальше )

В общем, я тут пробую применять Rust к биржевой торговле. Сделал простенькое приложение, которое:

1. Подключается к биржам (пока это Бинанс и Кракен, дальше буду смотреть, что подключить еще)
2. Собирает тиковые данные по трейдам и ордербуку
3. Приводит это всё к единому формату
4. Сохраняет историю в базу для дальнейшего анализа
5. Мониторит арбитражные возможности

Наверное, я не буду рассказывать все детали реализации, потому что это мало кому интересно. Вместо этого поделюсь выводами:

1. Rust очень дружелюбный для своей производительности язык. Если кто ещё не пробовал, то максимально рекомендую. Во-первых, вы не испытываете никаких проблем с управлением памятью. Во-вторых, он настолько параноидально следит за всеми местами, где можно накосячить, что выстрелить себе в ногу практически невозможно (а это важно, согласитесь). В-третьих, с ним очень дружит ChatGPT, и вы можете спокойно писать хороший, чистый и читаемый код в расслабленном стиле, и, по факту, остаётся следить только за архитектурой приложения.

( Читать дальше )

Когда стратегия перерастает в систему… и когда система перерастает в самого трейдера

Как метод Mean Reversion Hedging («возврат к среднему + хедж») эволюционирует в торговлю уровнем выше — в торговлю через понимание цены.

Есть стратегии, которые учат работать с рынком. А есть стратегии, которые учат работать с собой.

Метод «возврат к среднему + хеджирование на двух счетах» — из второй категории.
Сначала ты, как и все, опираешься на статистику, на среднее, на математическую симметрию и т.п.
Но если идти дальше… всё это становится ненужным. Потому что в какой-то момент ты перестаёшь торговать возврат к среднему — и начинаешь торговать сам рынок.

Этап 1. Механика

На старте всё выглядит просто:
— отклонение от среднего — вход;
— продолжение — хедж;
— возврат — фикс;
— отсутствие возврата — спокойный выход.

Это учит дисциплине, учит не спорить с ценой, учит жить в диапазоне вероятностей.

( Читать дальше )

Привет, Смартлаб.

 

Дисклеймер: книжек не читал, теханализом никогда не увлекался, на истину не претендую, в терминах могу ошибаться, просто описываю свой первый опыт.

 

Примерно год назад смотрел динамику своего портфеля в сравнении с бенчмарками LQDT и MOEX. И думал, эх, тут бы всё продать, переложиться в LQDT, а вот здесь совершить обратную рокировку. Даже придумал худо-бедный алгоритм для своей торговой системы. Совершил подход — заблудился в 3-х соснах IDE для Python + нужная версия Python + нужные библиотеки. Забил.

В начале апреля запал этой идеи вновь разгорелся. Методом проб и ошибок нашёл основные столпы для своей системы:

1. Разработка — Python, потому что по работе немного умел скопировать чужое и наложить на своё
2. Брокер — Т-Инвестиции. Потому что он у меня уже и так есть. А ещё есть нормальная документация: https://github.com/RussianInvestments/invest-python , https://tinkoff.github.io/investAPI/faq_python/
3. Крутой тип, который доступно объясняет, как со всем этим работать: https://azzrael.ru/api-v2-tinkov-invest-getportfolio , https://www.youtube.com/watch?v=QvPZT5uCU4c

( Читать дальше )

Внимание! Пожалуйста, уберите от экранов всех программистов в финансовой области с опытом менее 15 лет — мы будем обсуждать настоящие чудеса инженерии.

Введение

Протокол FAST (FIX Adapter for STreaming) — это международный стандарт, используемый для обмена данными в реальном времени на финансовых рынках. Этот протокол был разработан для повышения эффективности и скорости обмена информацией между различными участниками рынка, такими как брокеры, биржи, банки и другие финансовые учреждения. Протокол FAST является ключевым элементом в инфраструктуре высокочастотной торговли (HFT) и продолжает оставаться актуальным, несмотря на его «почтенный» возраст.

История и Развитие

Протокол FAST был разработан организацией FIX Protocol Limited (FPL) в начале 2000-х годов как улучшенная версия протокола FIX (Financial Information eXchange). Основная цель разработки FAST заключалась в снижении объема передаваемых данных и увеличении скорости их передачи, что стало критически важным с ростом объемов торгов и появлением высокочастотной торговли (HFT).

( 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 )

Рис.1: Ответ gRPC сервера на любой вопрос.

Краткое содержание для непрограммистов: gRPC круто и быстро и знать об этом незачем. Всего хорошего!

При написании коннектора к любой бирже на 99% везде используется два основных вида способа передачи запросов и получения данных — это через отдельные REST-вызовы (например, «биржа, дай мне список инструментов») и через веб-сокеты (например, «биржа, дай мне поток обезличенных сделок по Газпромнефти»).

В этих «обычных» случаях всё общение происходит через JSON-запросы, то есть, говоря по-русски, в текстовом виде.



( Читать дальше )

Совсем недавно, буквально 2 месяца назад, Мосбиржа запустила Algopack и выложила на Гитхаб долгожданную многими библиотеку на python –moexAlgo, которая должна упростить работу с AlgoPack API.

Что такое Алгопак?

ALGOPACK предоставляет исторические данные, на которых можно тестировать стратегии и делать бэктестинг. Также предполагаются онлайн данные для запуска торговых стратегий.

Данные в ALGOPACK включают:

– Super Candles – 5-минутные свечи с 50+ параметрами, история с 2020 года.

– Mega Alerts – уведомления о рыночных аномалиях.

– Market Signals – сигналы о рыночных аномалиях.

– Market Data – стандартные онлайн данные: стаканы и свечи.

Исторические данные в алгопаке доступны с 2020 года. Доступ к данным возможен через API и Python клиент на библиотеке moexAlgo.

В настоящий момент в Алгопаке доступен только раздел Super Candles (суперсвечи), который (согласно информации с мосбиржи) имеет более 50 готовых сигналов, рассчитанных:

( Читать дальше )