python

 

На крипторынке есть редкий класс стратегий, где не нужно угадывать направление цены. Нет анализа свечей, индикаторов или прочей тяжелой математики.

Одна из таких стратегий — арбитраж ставок финансирования (funding rate arbitrage).

Этот материал — не обещание лёгких денег. Это разбор реальной рабочей системы, которую я сначала писал для себя, а позже обернул в Telegram-бота. Ниже я разберу:

• как именно зарабатываются деньги на арбитраже ставок финансирования

• почему ручной арбитраж не работает

• как устроена архитектура алгоритмической системы

• как код собирает данные, считает спреды и фильтрует мусор;

• какие риски остаются и как их контролировать.

Автоматизированная торговая система может кратко упростить поиск грамотных связок между биржами и присылать уведомления. Я обернул эту систему в телеграм бота @Fandyng_Bot, логику которого мы сегодня и разберём — от получения данных с нескольких бирж, до обработки этой информации и практической значимости.

Что такое funding rate и откуда берётся доход

( Читать дальше )

Приложение  github.com/Alex-Shur/moex-downloader

Привет, трейдеры!

Представляю вам MOEX-Downloader — python приложение для скачивания свечных исторических данных с MOEX для дельнейшего использования с библиотеками типа pandas и тестирование стратегий на python.
Это готовое приложение с UIна PyQt6, позволяющее в пару кликов:
- выбрать тикеры (акции или фьючерсы),
- скачать historical candles (OHLCV),
- сохранить данные в CSV,
- обновить список инструментов,
- и не смотреть в консоль.

Установка и запуск — дело пары команд для тех, кто хоть чуть знаком с Python-средами
После запуска — выбираешь тикеры, таймфреймы, и получаешь CSV-таблицы OHLCV для своих стратегий.

Параметры дат
Start — начальная дата, с которой приложение будет скачивать свечные данные.
End — конечная дата. Если поле пустое, данные будут скачаны до последнего доступного момента.

Обновление данных при повторном запуске

Если вы повторно запускаете скачивание с теми же параметрами:

( Читать дальше )

Введение

Цель этой статьи — максимально подробно и практично разобрать реальный Python‑проект автоматического трейдинга. Это не концепт, а рабочий бот, который: непрерывно анализирует рынок Binance Futures, ищет сигналы по открытому интересу (Open Interest), применяет набор защитных фильтров, работает с множеством пользователей одновременно, управляется через Telegram‑интерфейс и при необходимости открывает реальные сделки через API биржи BingX.

Далее я последовательно разберу всю логику и все функции основного файла main.py, объясняя, как и зачем они реализованы именно так.

Общая архитектура проекта

Архитектурно проект разделён на два слоя: Управляющий слой — получение данных, расчёт сигналов, фильтры, Telegram‑интерфейс, логика пользователей и принятие решений. Исполнительный слой — работа с торговым API BingX: подпись запросов, установка плеча, открытие ордеров, трейлинг.

Ключевая идея — вся торговая логика должна быть независима от конкретной биржи. В main.py мы оперируем функции вроде place_market_order(), а не HTTP‑запросами. Клиент для биржи я написал самостоятельно и использую его во всех своих проектах и статьях. Ссылка на файла проекта, включая этот клиент: github

( Читать дальше )

 

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 )