Python

Всем привет. Надоело читать аналитику, построенную на гаданиях по графику. Рынок двигают не паттерны, а инсайды и переток ликвидности. Поэтому я решил полностью убрать человеческий фактор и собрал алго-терминал «Trinity Skynet».

Под капотом — тяжелая нейросеть GLM-4.7, которая 24/7 парсит сырые данные с сервера раскрытия информации (e-disclosure) и бьет ордерами напрямую в API Т-Банка до того, как новости успевают дойти до толпы и СМИ.

На скрине ниже — первый тестовый прогон. Я выделил алгоритму 1 000 000 виртуальных рублей в Песочнице Т-Банка. Робот самостоятельно вычислил аномалию (скрытый созыв совета директоров) по Россетям СЗ (MRKZ) и загрузил 100 000 акций (10 лотов). Как видно по логам, позиция уже в плюсе.

Где следить за сделками нейросети? С учетом того, что привычные мессенджеры сейчас постоянно штормит и блочит (и половина комьюнити вообще не понимает, куда перекатываться в случае полного блэкаута), я развернул трансляцию в MAX Messenger. У них неубиваемый корпоративный бэкенд и отличный API для подключения ботов.

( Читать дальше )

Коллеги, привет!

Подскажите, пожалуйста, как сейчас оптимально торговать через роботов на бирже?

Я на python пишу код.

Самый очевидный вариант — подключать quik и городить его на quikpy или quik_python и отправлять заявки через него.

Но зачем мне quik? В боте не нужна визуализация, её можно потом добавить, нужна реально только возможность найти и выбрать нужный тикер, отправлять лимитки и получать уведомления о статусе подключения и о статусе заявки: дошла / не дошла и исполнена / не исполнена. Данные можно с Москухни забирать по апи. По идее, от брокера тоже должны они поступать.

Как вообще это делается? У брокера АПИ просить нужно? И какого брокера выбрать?

В идеале вижу бота так: что он торгует на выделенном серваке как приложение и присылает отчёты о сделках и P&L. Может уже что-то готовое есть?

Привет, смартлабовцы! Я бэкенд-разработчик (Python) и, как многие здесь, прошел классический путь алготрейдера: поверил в магию индикаторов -> написал бота -> слил часть депозита на реале -> задумался, что я делаю не так.

Сегодня хочу поделиться своей попыткой математически приручить рыночный хаос. Спойлер: Грааля нет. Но есть способ уйти от угадывания точной цены к нормальному расчету вероятностей, который спасает от тупых входов в рынок.

Иллюзия точного прогноза

Когда прогер приходит на биржу, он думает: «Сейчас скормлю котировки за 10 лет в XGBoost или нейросеть, и она скажет мне цену на завтра». На истории всё выглядит потрясающе. На реальном рынке выходит Пауэлл, или крупный игрок кидает объем по рынку — и ваш детерминированный прогноз летит в трубу.

Рынок — это хаос. Прогнозировать одну конкретную цену (например, что завтра евро будет стоить 1.0850) — это математическое самоубийство. Нам нужно оценивать распределение вероятностей.

Метод Монте-Карло и 30 параллельных реальностей

( Читать дальше )

Я написал компьютерную модель, которая симулирует рост семейного капитала через поколения. Стартуем с одной пары 25-летних, они работают, откладывают 10% зарплаты в семейный фонд, рожают детей, дети вырастают, начинают работать, откладывают в тот же фонд, создают свои пары, и так далее.

Главный вопрос: через сколько лет семья может перестать работать и жить на проценты с капитала?

Ответ оказался очень чувствительным к одному параметру — количеству детей.

Как работает модель (коротко)

— Старт: муж и жена, 25 лет. Зарплата мужа растет на 3% в год.
— Накопления: 10% зарплаты уходит в общий семейный капитал.
— Доходность капитала: 7% годовых.
— Пенсия: все мужчины старше 55 лет делят между собой 4% от капитала каждый год.
— Дети: рождаются, когда родителям от 25 до 40 лет.
— Зарплата сына: 85% от зарплаты отца на момент, когда сыну исполняется 25 лет.
— Пары со стороны: когда ребенку 25 лет, он находит партнера со стороны.
— Смерть: случайный возраст от 75 до 85 лет.

Условие финансовой свободы: 4% от капитала, деленные на количество живых людей, становятся больше или равны средней зарплате работающих. В этот момент всем можно забить на работу и жить на проценты.

( Читать дальше )

Продолжаем Питонизацию торговли.
Тестируем стратегию «Адаптивный ценовой канал» с фильтром по стадиям волатильности.
=> github.com/Alex-Shur/RoboBuilding/tree/main/Stocks/R3_PriceChannel

Для реализации робота используем пакет backtrader-next и индикаторы на Numba .
Робот тестировался на следующих тикерах 30мин интервала, данные с 01.01.2015 по 24.12.2025

AFKS,  AFLT,  ALRS,  BSPB,  CHMF, 
FEES,  GAZP,  GMKN,  HYDR,  IRAO, 
LKOH,  MAGN,  MGNT,  MOEX,  MTLR, 
MTSS,  NLMK,  NVTK,  PHOR,  PIKK, 
PLZL,  ROSN,  RTKM,  RUAL,  SBERP,
SBER,  SIBN,  SNGSP, SNGS,  TATNP, 
TATN,  TRNFP, UPRO,  VTBR

Данные были скачаны с Мосбирже с помощью
MOEX-Downloader  => github.com/Alex-Shur/moex-downloader

Результаты стратегии  alex-shur.github.io/RoboBuilding/R3_PriceChannel/output_stats.html

<code>Strategy                          R3_PriceChannel
pc_adx_length                                  50
pc_ratio                                      

( Читать дальше )

Большинство трейдеров привыкли смотреть на мир через «долларовые очки». Если индекс доллара (DXY) растет, кажется, что падает всё остальное. Но это искажение. Чтобы увидеть реальные связи между экономиками, нужно анализировать абсолютные курсы (Absolute Currency Rates).

Я провел исследование корреляций 45 мировых валют на глубоком горизонте в 10 лет (2016–2026). Делюсь результатами, которые помогут по-новому взглянуть на диверсификацию.

Методология: без «воды»

1. Данные: проект abscur.ru.

2. База: Логарифмические доходности ln(Pt​/Pt−1​). Это база для корректной статистики, позволяющая сравнивать волатильную лиру и стабильный дирхам.

3. Горизонт: 10 лет (статистическая достоверность выше рыночного шума).

---

1. Трансформация цен в доходности

Для корреляционного анализа нельзя использовать графики цен — они нестационарны. Переход к лог-доходностям превращает тренды в «белый шум», обнажая чистую взаимосвязь активов.

На графике: как трендовый EUR превращается в стационарный ряд доходностей.

( Читать дальше )

Принято считать, что валюты делятся по регионам: развитые, развивающиеся, сырьевые. Но рынок часто плевать хотел на эти ярлыки. Я решил проверить, как валюты группируются на самом деле, если скормить алгоритму машинного обучения сухие цифры, а не географические атласы.

Использовал метод K-Means (обучение без учителя) и данные об абсолютных курсах с платформы abscur.ru. Почему это важно? Потому что анализ пар (USD/RUB, EUR/USD) всегда искажен волатильностью доллара. Абсолютные курсы дают чистую картину «характера» каждой валюты.

Что оценивал алгоритм?

Я составил «поведенческий паспорт» для 45 валют по 4 метрикам:

1. CAGR (доходность) — куда идет тренд.

2. Волатильность — насколько сильно трясет.

3. Max Drawdown (MDD) — глубина «ямы» при кризисе.

4. Recovery Days — сколько дней вы будете сидеть в убытке, прежде чем цена вернется к пику.

Результаты: 4 типа «валютных личностей»

Алгоритм выделил группы, которые сильно отличаются по эффективности капитала:

( Читать дальше )

Продолжаем Питонизацию торговли.
Тестируем стратегию Три Солдата и фильтруем по стадиям волатильности.
=> github.com/Alex-Shur/RoboBuilding/tree/main/Stocks/R2_Soldiers

Для реализации робота используем пакет backtrader-next и индикаторы на Numba .
Робот тестировался на следующих тикерах 30мин интервала, данные с 01.01.2015 по 24.12.2025

AFKS,  AFLT,  ALRS,  BSPB,  CHMF, 
FEES,  GAZP,  GMKN,  HYDR,  IRAO, 
LKOH,  MAGN,  MGNT,  MOEX,  MTLR, 
MTSS,  NLMK,  NVTK,  PHOR,  PIKK, 
PLZL,  ROSN,  RTKM,  RUAL,  SBERP,
SBER,  SIBN,  SNGSP, SNGS,  TATNP, 
TATN,  TRNFP, UPRO,  VTBR

Данные были скачаны с Мосбирже с помощью
MOEX-Downloader  => github.com/Alex-Shur/moex-downloader

Результаты стратегии alex-shur.github.io/RoboBuilding/R2_Soldiers/output_stats.html

<code>Strategy                                R2_Soldiers
sma_filter                                     True
sma_period                                      150
volume_pct       

( Читать дальше )

Продолжаем Питонизацию торговли.
Тестируем стратегию на Канале линейной регрессии и фильтруем по стадиям волатильности.
=> github.com/Alex-Shur/RoboBuilding/tree/main/Stocks/R1_LinearRegression

Для реализации робота используем пакет backtrader-next и индикаторы на Numba .
Робот тестировался на следующих тикерах 30мин интервала, данные с 01.01.2015 по 24.12.2025

AFKS,  AFLT,  ALRS,  BSPB,  CHMF, 
FEES,  GAZP,  GMKN,  HYDR,  IRAO, 
LKOH,  MAGN,  MGNT,  MOEX,  MTLR, 
MTSS,  NLMK,  NVTK,  PHOR,  PIKK, 
PLZL,  ROSN,  RTKM,  RUAL,  SBERP,
SBER,  SIBN,  SNGSP, SNGS,  TATNP, 
TATN,  TRNFP, UPRO,  VTBR

Данные были скачаны с Мосбирже с помощью
MOEX-Downloader  => github.com/Alex-Shur/moex-downloader

Результаты стратегии alex-shur.github.io/RoboBuilding/R1_LinearRegression/output_stats.html

Strategy                  R1_LinearRegression
lr_period                                 180
lr_deviation                              2.5
sma_filter   

( Читать дальше )

Я завершил разработку коннектора bn_quik (репозиторий на GitHub) для интеграции с backtrader-next. Коннектор основан на моем модуле quik_python (репозиторий на GitHub). Теперь вы можете подключаться к Quik и осуществлять торговлю!

С чего начать?

1. Зарегистрируйте демо-аккаунт Quik на сайте ARQA.
2. Попробуйте свои силы на демо-версии.
3. Ознакомьтесь с примерами использования коннектора в репозитории.

Немного о backtrader-next

Backtrader-next — это обновленная версия оригинального backtrader. Хотя модуль не мой, я активно его использую и могу выделить следующие преимущества:

• Ускоренное тестирование: работает примерно в 4 раза быстрее, чем оригинальный backtrader.
• Новые индикаторы: добавлены индикаторы Джона Эллерса, реализованные с использованием Numba для высокой производительности.
• Улучшенная визуализация: графики, индикаторы, таблицы сделок и навигация по датам сделок реализованы на базе библиотеки TradingView.
• Расширенная статистика: доступна как в тестовом формате (аналогично backtesting.py), так и в HTML-формате (похожем на quantstats).

( Читать дальше )