Python

Полностью автоматизируем трейдинг по аукционной теории — от базы до python робота.

В классическом алготрейдинге рынок часто моделируется как временной ряд: индикаторы, скользящие средние, осцилляторы. Аукционная теория рассматривает рынок иначе — как процесс распределения объёма по ценовым уровням, где цена ищет баланс между спросом и предложением.

Ключевым элементом такого подхода является Volume Profile, а именно Point of Control (POC) — уровень цены, на котором за выбранный период был проторгован максимальный объём. В терминах аукционной теории POC соответствует зоне максимального согласия участников рынка.

В статье рассматривается создание алгоритмического торгового бота, основанного на реакции цены относительно:

• POC

• Value Area High (VAH)

• Value Area Low (VAL)

В качестве основы используется Python‑скрипт back.py, предназначенный для параметрического бэктеста стратегии.

Все скрипты из статьи я выложил на github для вашего удобства.

Архитектура backtest‑скрипта

( Читать дальше )

Проекту автоматизированный торговли облигациями (#алготрейдинг), когда начал экспериментировать с разными счетами (разные дюрации) на брокере #Финам чуть больше 2х лет. С момента, когда отпустил алгоритм в свободное плавание и немного дорабатывал по мере возможности меньше двух лет. Сухие результаты “на автопилоте” на 16.12.2025 = 56% / 2 года или 28% годовых чистыми за вычетом комиссий и НДФЛ. Онлайн график AlgoBond – kimkarus.ru/go/grafik-irr-algobond/. Можно мышкой поводить.



Анализ брокерской отчетности постфактум произвожу с использованием автоматизаций #Python, #Jupyter, #PostgreSQL и #BI #Yandex #DataLens. Видео об этом здесь — rutube.ru/video/b912ff87864e8f4759e37a8ef199bdcb/. kimkarus.ru/2025/12/18/irr-rezultat-proekta-algobond-v-celom-za-2024-2025-goda

Один из основателей Google Сергей Брин передал на благотворительность акции Alphabet на сумму свыше $1,1 млрд. Это одно из крупнейших его пожертвований за последние годы, пишет Bloomberg. Сергею Брину принадлежит около 6% Alphabet — он передал на благотворительность более 3,5 млн своих акций.

Когда появляется ощущение, что ты спидраннер рынка — ставишь таймер, жмёшь сделки, потом делаешь паузу — возникает мысль: а почему бы не дать часть работы машине? Таким образом стартует тема — не «сделаем миллионы на автопилоте» (это утопия), а «построим домашний автоматизированный брокер-робот, который возьмёт на себя рутинные операции, а ты будешь подглядывать и корректировать».

Писалось это не как идеальный план, а как рабочий дневник: были провалы, были глюки, были «вот что я бы сделал иначе». И всё с прагматичным взглядом: минимальные затраты, максимум гибкости, открытый API, чтобы не быть связаными с закритой системой.

---

1. Почему вообще стоит автоматизировать

Торговля вручную — эмоциональна, непоследовательна, разбросна. Машина может:

• выполнять сигналы без дрожания рук;
• фиксировать сделки сразу по алгоритму;
• не уставать, не отвлекаться.

Но автоматизация — не волшебный ключ. Нужно потратить время на: инфраструктуру, код, тестирование, мониторинг. Нет смысла запускать робота и забыть: всё должно быть под наблюдением.

( Читать дальше )

В данном видео собрал элементы моего варианта автоматизированной работы с финансовыми инструментами в одном видео: #API брокеров (#Финам, #Алор, #Т-Инвестиции), работа с отчётностью Финам, скрипт парсинга отчетности и загрузки в PostgreSQL, #дашборд #BI #Yandex #DataLens, где собраны ключевые показатели агрегировано со всех счетов брокеров, в качестве хранилища данных (ХД) выступают #PostgreSQL и #ClickHouseDB.

Для меня данная сборка проекта работает хорошо.

( Читать дальше )

Посещал 27.09.2025 конференцию Викинга https://kimkarus.ru/go/smart-lab-post-shardin-viking/ (Шардин Михаил лучше всего осветил событие), познакомился с мощными представителями арбитражной торговли на финансовых рынках.

По результату решил, что обязательно нужно попробовать реализовать коннектор к #API платформы Викинга для своей автоматизированной стратегии облигациями (#BI Дашборд — https://imkosarev.ru/go/publichnyj-dashbord-avtomatizirovannyj-strategii-na-rynke-obligacij/), чтобы еще быстрее и точнее входить в рынок.

Договорились Ефимом (директор по развитию), что попробуем.

Ефим, Рамиз и Дмитрий из компании Викинг спасибо вам за предоставленную возможность поработать с вашей платформой!

Еще спасибо Артему из #Финам за быстрое подключение к #FAST.

Организовали доступ, начал писать коннектор к платформе API VIKING и одновременно адаптировать под свою стратегию.

Поскольку платформа заточена под арбитражную торговлю, сразу стало понятно, что портфель брокера не равно портфель на платформе.

( Читать дальше )

Для алготрейдеров, работающаих с QUIK, связка «QUIK + Lua» всегда была одновременно и благословением, и проклятием. Мощно — но на малопопулярном в трейдинге языке.

Решения вроде QUIKSharp (.NET) стали шагом к более распространённым экосистемам, но что насчёт многомиллионного сообщества Python?

Новый проект QUIK-python портирует нативный QUIK Lua API прямо в Python — с сохранением всей гибкости оригинала и удобством современного async-кода.

Ключевые особенности и преимущества

-  Полностью асинхронный клиент — коллбеки данных из стаканов, сделок и свечей не блокируют основную логику.

-  Прямой доступ к API QUIK — вызывайте функции Lua напрямую из Python-кода.

-  Событийная модель — подписывайтесь на стаканы, свечи и сделки, получая события прямо в Python.

— 🐍 Нативный Python-код — всё, от коллбеков до торговой логики, пишется на чистом Python с доступом к его экосистеме (NumPy, Pandas, asyncio и др.).

( Читать дальше )

Попробуем сравнить Python и С# (берем OsEngine) в скорости тестирования стратегий
и смотрим что получится.



Для тестирования берем простую стратегию «Пересечение двух SMA», торгуем только лонг 1контракт, 
данные по акции Сбербанк 1мин  c 01.01.2024 по 10.10.2025 года все примерно 428000 свечек.

Сразу надо уточнить что с новой OsEngine на .NET 9 были проблемы, она напрочь отказывалась запускаться
на чистой машине с Windows10 и .NET 9.0
Вот с такой ошибкой при запуске


( Читать дальше )

Для построения и отладки алгоритма, Python гораздо удобней, об этом даже и спорить не надо. Я выбрал Python не только для этого, но и для продакшн, т.е. для построения рабочей системы.
Многие мне говорили, что Python медленный, что все плохо и т.д. Понятно, что на С++ будет быстрее, но ты еще попробуй реализуй на С++ то, что на Python делается с помощью уже готовых и заведомо рабочих модулей. Потому будем сравнивать  Python и С#, т.к. любителей С# тоже достаточно.
Я и раньше говорил, что если не рассматривать простейшие программы, скорости Python и С#, в общем, сравнимы. Но кто я такой, чтобы вы с этим соглашались.))
Решил этот вопрос задать ИИ. Беседа была достаточно продолжительной, касалась нескольких аспектов сравнения, по большинству из которых Python в заметном отрыве от С#.
Приведу итоговую таблицу сравнения, составленную ИИ по моей просьбе:

Думаю, комментировать здесь нечего.

Всем, Добрый день!

Меня зовут Андрей Счастливый. Пишу на Python. Месяц назад разбираясь с одним пакетом для бэктестинга торговых стратегий на C был очень разочарован в низкой скорости. А ведь в пакете для бэктестинга самое главное скорость и вообще возможность массово пакетами тестировать торговые стратегии. Решил написать на Python свой бэктестер с GPU.

За месяц написал пакет и вот ближе к делу, хочу рассказать о нём. Тянуть не буду сразу в лоб, цифры в факты.

WarpTrade — высокопроизводительный GPU-бэктестинг торговых стратегий, написанный на Python с использованием Taichi. Проект построен на модульной архитектуре с универсальным движком, способным запускать любые торговые стратегии через систему регистрации ядер. В основе лежит алгоритм собственной разработки.

Писал и тестировал пакет на следующем железе, цифры будут относиться к тестам на данном железе: рабочая станция Lenovo P15, процессор Xeon W-10885M 8/16 ядер, 64 Gb ram, видео Nvidia Quadro RTX5000 с 16 Gb видеопамяти.

( Читать дальше )