Python

 

Рынок криптовалют характеризуется высокой волатильностью и большим количеством одновременно торгуемых инструментов. Для трейдера ключевой проблемой становится не столько поиск точки входа, сколько предварительный отбор активов, на которые вообще стоит обращать внимание. Ручной анализ десятков графиков требует значительных временных затрат и неизбежно приводит к субъективным ошибкам. Особенно актуально это стало на текущем крипторынке — в декабре, да и в целом во второй половина 2025 года, было огромное количество периодов с околонулевой волатильностью, что делает качественную торговлю невозможной.

Целью данной работы стало создание автоматизированного скрипта, который позволяет в реальном времени отбирать криптоактивы с признаками повышенного интереса со стороны участников рынка. В основе подхода лежит анализ динамики открытого интереса (Open Interest) и его соотношения с движением цены. В качестве платформы для оповещений я выбрал telegram — настроим бота, который будет присылать уведомления по необходимым активам.

( Читать дальше )

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.