Python

🚀 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

pythonКопироватьРедактироватьfrom moexalgo import Ticker import pandas as pd sber = Ticker('SBER') data = sber.candles(date='2022-01-01', till='2024-12-31', period='D') data = pd.DataFrame(data)[['close', 'volume']]

( Читать дальше )

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.

( Читать дальше )

Торговля акциями требует гибкости, особенно когда речь идет о тестировании стратегий технического анализа на прошлых данных. Я выбрал Python и библиотеки backtesting.py и aiomoex, потому что они позволяют анализировать рынок без сложных платформ и ограничений. Python дает свободу автоматизации, backtesting.py обеспечивает удобный и быстрый механизм тестирования стратегий, а aiomoex позволяет скачивать данные напрямую с Московской биржи без привязки к брокеру.

Важно, что backtesting.py получил обновление после четырех лет без обновлений, что делает его актуальным инструментом. И в отличие от MetaTrader, StockSharp, TSLab и Quik, которые работают с Московской биржей, но требуют Windows, если брокер имеет API, то можно запускать скрипт на любом сервере, включая облачные решения и Raspberry Pi.

В этой статье я протестирую самую свежую стратегию теханализа Джона Ф. Элерса (John Ehlers), направленную на устранение запаздывания скользящей средней. Разберемся, как её адаптировать к акциям Московской биржи и протестировать с помощью Python.

( Читать дальше )

Писать заметки нужно, так мы оставляем следы своих достижений, хотя бы для самих себя.

Для автоматической торговли облигациями на MOEX (тут подробнее)
1) реализовал работу в режим мультиброкер с использованием API: Финам, Алор Т-Инвестиции (Тинькофф)
2) реализовал автоматическое перекладывание свободных средств в фонды ликвидности (овернайт)
3) питонизировал (Python) монолит на разные микросервисы (роботы): аналитика, мониторинг, подготовка и размещение заявок, овернайт

Цели инвестирования:
1) пассивный доход достиг 42 из 100% за один год
2) доходность стратегии выше чем 30% г/г с учетом налогов, всех брокерских сборов и просадок
3) инвестиционный рейтинг от мосбиржи держится на уровне ~590-700

Всем привет.
На пути к красоте при публикации ежедневных отчётов в канале Gilean Talk, хочу добавить ежедневную-еженедельную-ежемесячную публикацию изменения индекса в сравнении с моей стратегией. 
Как я забираю дневки (Python):

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)

Но, если день не закончен, значения дневной свечки по нему не приходят.
А потому: может ли кто то подсказать запрос получения минуток текущего дня?

Попробуем быстренько исследовать, можно ли извлечь что-нибудь из лунного цикла с помощью питона и библиотек pandas и pylunar на индексе IMOEX. Предварительно устанавливаем pylunar. Библиотека дает дает информацию о луне на основе локации и даты.

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

*** Теперь готовим дневные данные индекса IMOEX ***
*** Если есть минутные данные в формате DataFrame, то делаем следующее  ***

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

( Читать дальше )

На данный момент голосовое управление в 1С в самом развитии. Пока реализовано только распознавание речи в конфигурации 1С Документооборот корп версия 3.
speech.1c.ai/apps/1c-do_30/
Достаточно удобная интеграция, помогает связать распознавание речи и голосовое управление.


1 Для итого необходимо сделать типовые настройки работы с речью в конфигурации 1С Документооборот корп 3



2 Дополнить их настройками детализации процесса распознавания (выводить или нет сообщения)


( Читать дальше )

Предлагаю для тестирования и постоянного использования дополнительные обработки, как примеры бесплатного варианта программы «Биржевой Спекулянт Инвестор» написанную на платформе 1с Предприятие 8. Программа торгует через обмен с QUIK. Использует все возможности 1С и возможности Python.

Бесплатная версия включает в себя дистрибутив и документацию по установке, использованию и возможностям программы.

Примеры обработок:
1 Автоматическая торговля — конкретные примеры алгоритмов покупки и продажи
2 Внешний анализ- обработка запуска из 1С скриптов на Python для построения графиков технического анализа
3 Торговые сигналы- обработка построения графиков по динамике цен активов
Протестировать работу можно на прилагаемой тестовой демо базе
(Данные по ценам придется накопить с реального или демо счета, так как история данных собственность биржи)

Бесплатная версия доступна для тестирования и постоянного использования:
https://disk.yandex.ru/d/nm2ZTNl8MoOyXw
Тестировать можно как на реальном так и на демо счете:

( Читать дальше )

Последний публичный мониторинг алготорговли на Binance останавливается, поскольку у нас появилось довольно много частных клиентов, а публичный портфолио Binance позволяет персонализировать работу с ними приблизительно никак. К тому же многие не хотят публично светить свои инвестиции. Поэтому пришло время подвести итоги:

Первые 90 дней торговли:


Следующие 20 дней:


( Читать дальше )

0. Импортируем нужные библиотеки

import requests
import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt

1. Извлекаем данные о расчетных параметрах КБД
Расчетные параметры на конкретную дату указаны внизу страницы
www.moex.com/ru/marketdata/indices/state/g-curve/

# URL для API MOEX, данные по ZCYC (zero coupon yield curve)
url = "https://iss.moex.com/iss/engines/stock/zcyc/securities.json"

# Запрос на получение данных
response = requests.get(url)
data = response.json()

# Извлекаем данные из секции 'params'
columns = data['params']['columns']
values = data['params']['data']

# Преобразуем в DataFrame
df = pd.DataFrame(values, columns=columns)

# Выбираем нужные столбцы: B1, B2, B3, T1, G1, ..., G9
df_selected = df[['tradedate', 'tradetime', 'B1', 'B2', 'B3', 'T1', 'G1', 'G2', 'G3', 'G4', 'G5', 'G6', 'G7', 'G8', 'G9']]

# Извлекаем параметры для функции GT из df_selected
beta0 = df_selected['B1'].values[0]  
beta1 = df_selected['B2'].values[0]  
beta2 = df_selected['B3'].values[0]  
tau = df_selected['T1'].values[0]   
g_values = df_selected[['G1', 'G2', 'G3', 'G4', 'G5', 'G6', 'G7', 'G8', 'G9']].values[0].tolist() 

( Читать дальше )