Python

Предыдущий опыт (разработка, тестирование и эксплуатация) использования алготрейдинга оказался достаточно удачным. Пришло время обновления для новыми решениями в своей автоматизации на #Python

• реализовал безопасный сброс позиций на плохих новостях или котировках

• реализовал алгоритм ежедневного мониторинга для ребалансировки портфеля

Как и раньше только своими силами и за свои, реализую в алгоритмах лучшие практики и находки на конференциях Смартлаба!

https://kimkarus.ru/2025/06/27/realizoval-i-zapustil-novye-mehaniki-dlya-svoego-proekta-algotrejdinga/

🚀 Китайский ИИ меняет правила игры

В январе 2025 китайская нейросеть DeepSeek R1 стала самым скачиваемым ИИ-приложением в мире. Созданная за $5,5 млн, она показала эффективность ChatGPT, но работает на дешёвом оборудовании и распространяется как open-source. За неделю —:

• 📉 Обвал NVIDIA на -18%

• 📈 Ажиотаж вокруг Baidu и китайских ИИ-компаний

• 🛑 Расследования в США о нелегальных поставках чипов

Это не просто хайп — это новая глава в ИИ-гонке, и на этом можно заработать. В статье — как я вышел в +15% на акциях Сбербанка и как ловить рост Baidu и NVIDIA.

🔍 Почему DeepSeek R1 — это «бомба»

• Бюджет: $5,5 млн за 2 месяца (у OpenAI — сотни миллионов).

• Инфраструктура: обучена на NVIDIA H800, а не H100.

• Доступ: 2,5 млн скачиваний форков на HuggingFace.

• Интеграции: в Baidu, WeChat и Tencent уже встроено ядро R1.

На фоне этого США приостанавливают поставки чипов, NVIDIA теряет $750 млрд капитализации, а китайский рынок получает буст.

🚀 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

Введение

В трейдинге каждая секунда может иметь значение. Но стандартные инструменты часто не позволяют работать с данными высокого разрешения. В этой статье я поделюсь опытом создания кастомного решения для TSLab, которое сохраняет 1-секундные свечи с расширенными метриками (открытый интерес, количество продавцов/покупателей, лента сделок, лучшие бид/аск и др.). Покажу, как забрать эти данные из TSLab, передать их в Python для ML – анализа и т.д.

Задача

Трейдеры часто сталкиваются с ограничениями стандартных платформ: нельзя сохранить сверхмалые таймфреймы, добавить кастомные метрики или быстро переложить данные в Python для ML.

**Цель проекта** — создать инструмент, который:

— Сохраняет 1-секундные свечи с расширенными данными (открытый интерес, лента сделок…).

— Автоматически генерирует CSV-файлы для анализа.

— Позволяет строить интерактивные графики и обучать ML-модели.

**Главный герой** — ИИ-ассистент DeepSeek, который ускорил разработку в несколько раз и решил ключевые технические проблемы.

IMOEX_req = requests.get(
  'https://iss.moex.com/iss/history/engines/stock/markets/index/securities/IMOEX.json?from=' + yesterdayDate + '&till=' + todayDate + '&interval=1').json()
data = [{k: r[i] for i, k in enumerate(IMOEX_req['history']['columns'])} for r in IMOEX_req['history']['data']]
frame = pd.DataFrame(data)

import pylunar
import pandas as pd
import matplotlib.pyplot as plt

df = intraday_df.resample('D').agg({'Open': 'first', 'High': 'max', 'Low': 'min', 'Close': 'last'})
df = df.dropna() 

Теперь в df содержатся дневки IMOEX.

  *** Вычисляем процентное изменение цены за один день
df['pct'] = df['Close'].pct_change().shift(-1)  

  *** Изменение цены за один день
df['diff'] = df['Close'].diff().shift(-1)              

Делаем стобец для хранения лунных дней
df['age'] = 0.0

mi = pylunar.MoonInfo((55,45,7),(37,36,56))

Здесь цифры (55,45,7),(37,36,56) — широта и долгота г.Москвы