Избранное трейдера DR_Univestoff
Несколько слов о том, как разрабатывается библиотека и как сообщество влияет на разработку Os.Engine. Поговорим о процессе выбора задач для приоритетной разработки. Ведь на это могут влиять пользователи библиотеки! И в этой статье я покажу, как это делать!
1. Как выбираются задачи для реализации
Идём на страницу проекта: os-engine
Пролистываем пафосные тексты вниз и в нижней части страницы находим таблицу «Стек задач проекта». По ней всегда можно понять, чем мы заняты сейчас и что будем делать в ближайшее время:
Несколько лет, команда профессиональных программистов трудилась над созданием универсального МТС билдера, который бы смог удовлетворить потребности самого широкого круга пользователей. От создания неспешных роботов на индикаторах, до сложнейших межбиржевых арбитражеров способных в два клика строить свои индексы. И нам это удалось!
В ноябре 2016 года мы приняли решение сделать проект полностью открытым.
Качаем по ссылке:o-s-a.net/os-engine.html
Коротко о том, что там есть:
1. Мощнейший слой создания роботов, похожий на Велс/Тс Лаб. Который можно освоить в кратчайшие сроки.
2. Около 30 встроенных роботов готовых к модернизации и торговли. Тренд, КонтрТренд, Арбитраж.
3. Os.Robot:
a. Индекс Билдер подключенный к роботу. Позволяющий писать арбитражеров в 200 строк.
b. Подключения: Квик, СмартКом, Плаза 2, Interactiv Brokers, Финам(для получения данных)
c. МультиКоннект с одновременным подключением к нескольким источникам.
d. МультиИнструментные стратегии с одновременным доступом из робота к множеству инструментов и индексов.
Совет директоров Qiwi утвердил выплату дивидендов в размере $0,22 на акцию.
Дата закрытия реестра для получения дивидендов — 5 декабря 2016 года,
Компания намерена выплатить дивиденды 6 декабря 2016 года
«ГАЗПРОМ НЕФТЬ» НЕ БУДЕТ ПЛАТИТЬ ПРОМЕЖУТОЧНЫЕ ДИВИДЕНДЫ, ОЖИДАЕТ «СЕРЬЕЗНОГО РОСТА» ПО ИТОГАМ 2016Г – CFO
Давайте продолжим наблюдение за ударниками чистоприбыльного производства по итогам 9 месяцев 2016 года.
Статья из блога Robot Wealth.
Продолжая мои исследования в области моделирования временных серий, я решил изучить авторегрессивные и условные гетероскедатичные модели. В частности, я взял авторегрессивную модель ARIMA и общую авторегрессивную гетероскедатичную модель GARCH, так как на них часто сылаются в финансовой литературе. Далее следует описание того, что я узнал об этих моделях и основной процесс нахождения их параметров, а также простая торговая стратегия, основанная на предсказаниях полученной модели.
Сначала дадим несколько необходимых определений. Я не хочу воспроизводить всю теорию целиком, ниже дан краткий обзор моделирования временных серий, в частности ARIMA и GARCH моделей:
В первую очередь, вычисление ARIMA и GARCH моделей это способ узнать, при каких прошлых наблюдениях, шуме и дисперсии временной серии возможно предсказать следующее значения этой серии. Такие модели, параметры которых правильно установлены, имеют некоторую предсказательную способность, предполагая, конечно, что эти параметры остаются постоянными на некоторое время для данного процесса.