deepseek

В предыдущей главе Джесси Ливермор оправился от потери своего капитала и вернулся на Уолл-Стрит, чтобы попытаться уже в третий раз обыграть рынок.

В начале своей карьеры Ливермор сосредотачивался на краткосрочных сделках, пытаясь извлечь выгоду из небольших колебаний цен. Он описывает это как попытку взять «пункт или два» прибыли, что было характерно для его торговли в «Bucket shops». Однако, перейдя к работе в брокерской конторе Фуллертона, он осознал необходимость смотреть на рынок шире.

Вот цитата из книги, которая наиболее точно передает эту мысль:

«Изучая свои выигрышные комбинации в офисе Фуллертона, я обнаружил, что хотя я часто оказывался на 100% прав в оценке рынка, то есть в своей оценке условий и общей тенденции, я не зарабатывал столько денег, на сколько мне позволяла моя рыночная “правота”. 
Там, где я должен был заработать двадцать тысяч долларов, я заработал две тысячи. Вот что сделал со мной мой консерватизм.»

📌 Главный урок:

Проиграв в прошлой главе $50,000 (≈$800,000 сегодня), Ливермор не сдался. Вместо этого он разработал тактику, которая позволила ему вернуться на Уолл-стрит.  Мне кажется, что его действия актуальны и сейчас.

3 шага Ливермора после слива депозита

1. Еще раз определил, что он хочет зарабатывать именно на бирже.
Из книги:
«Уолл-стрит — единственное место, где я могу реализовать свой потенциал».
👉 Важно: Честный взгляд на этот вопрос — фундамент для дальнейших действий. Без осознанной цели и упертости даже лучшие стратегии обречены.

2. «Разбор ошибок: как Ливермор превратил потери в систему»
Цитата:
«Я начал учиться тому, как зарабатывать, поняв, чего НЕ делать».
👉 Важно:  Не обязательно ждать проигрыша, чтобы внедрить этот совет:
— Исследования показывают, что Успешные спекулянты и инвесторы гораздо чаще ведут дневник трейдера и анализируют каждую сделку
(Barber and Odean (2000)* трейдеры, ведущие дневник, демонстрировали на 25% меньшую волатильность доходности и на 18% более высокий Sharpe Ratio по сравнению с теми, кто игнорировал эту практику. — **Сокращение убытков**: Анализ 3000 сделок на фьючерсном рынке (*Futures Industry Association, 2018).

Длинный, но поучительный текст.

Попросил у читателей моей рассылки поделиться своей финансовой историей. Как делать не нужно было. Откликнулся только один смельчак. Вот его история:

«Привет, Володя! У меня есть образцово-показательная история как делать НЕ НАДО. Я, в своё время, а именно в 2008 году, в банке Москвы взял ипотечный кредит (в йенах, бля...) на вторичку! Поддался уговорам жены… но вина моя полностью — я же Папа! В своё оправдание сообщу, что незадолго до этого я брал и быстро закрыл 2 ипотечных кредита, правда в рублях… В начале всё шло хорошо… (это как на морозе описаться — тепло только сначала), а потом ЦБ начал девальвировать рубль — это его любимая игра с целью генерации инфляции (внешне это выглядело, что йена дорожает). короче, сумма основного долга начала расти не по дням а по часам! Соответственно, рос и ежемесячный платёж… В итоге за несколько лет сложилась такая конфигурация: я плачу  кредит, а кредит всё больше

Сергей, менеджер по инновациям в одной средней компании (около 1000 человек), пялился в экран ноутбука, пролистывая очередной ролик про DeepSeek и ChatGPT. «Два месяца, а толку ноль», — пробормотал он, закрывая вкладку. В голове крутились фразы из видео: «революция в бизнесе», «автоматизация рутины»… Но как это все применить — совершенно непонятно!

Спасением стала курилка. Там он наткнулся на начальника контакт-центра, Игоря, который, выпуская клубы дыма, бубнил: 

— Мои ребята уже роботы! Одни шаблонные ответы, а клиенты злые. Да и сам чёрт ногу сломит — кто из них реально старается, а кто просто кнопки тыкает. Проверять каждую переписку — мне жизни не хватит!  

Сергей замер. В голове щёлкнуло: «LLM… А что, если не только клиентам помогать, но и сотрудников контролировать?» Мысль горела, как искра, но тут же накатил страх: он же в контакт-центре как инопланетянин — процессов не знает, метрик не понимает. 

Дневник трейдера (журнал сделок) — это ваш личный «детектор ошибок». Он фиксирует не только цифры и факты, но и эмоции, которые управляют решениями. Это инструмент, который помогает превращать хаотичную торговлю в системный процесс, где каждая сделка — шаг к пониманию своих слабостей и сильных сторон.

Мой эксперимент: голосовой дневник + ChatGPT

Так как я активно работаю с LLM (нейросети — языковые модели), то подумал: почему бы не приспособить для этого ChatGPT?
Ведь я же общаюсь в голосовом режиме с «GPT-психологом» — а здесь в чем принципиальная разница?

Я нашел подходящие вопросы, адаптировал их под себя и загрузил в промпт (инструкцию для ИИ).

Как это работает:

1. Подаю промпт с ролью и вопросами.
2. В голосовом формате (мне лучше подходит этот формат — это как разговор по телефону) попросил:

Депутаты решили в очередной раз «спасти» россиян простым решением — «запретить рекламу эзотерических, а также блокировать ресурсы с такими предложениями», но:

• Люди как пользовались услугами астрологов, так и будут. Только теперь — все в чёрную. Ни контроля, ни налогов».
• Запрет рекламы и блокировка сайтов — это только начало. Дальше пойдут книги, курсы, карты Таро, энергетические кристаллы и т.д.
  

Кстати, список обширный, но техническим аналитикам пока можно выдохнуть — их там нет )
Зато есть нутрициологи и игропрактики.

Почему ни одной компании из этой сферы нет на бирже?

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.

Как превратить это в структурированные данные?

Мне хотелось бы получить простую табличку:

Как получить такие данные за 5 минут?

Реальный ответ: если важна точность, то никак. Но я решил проверить, можно ли быстро вытащить данные с помощью LLM.