python

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 )

Кратко отличия Матлаб/Питон/Джулия sciml.github.io/Scientific_Modeling_Cheatsheet/scientific_modeling_cheatsheet

По сути Джулия это современный Матлаб.

И позволяет любые питоновские и R библиотеки использовать, подключая их и используя код питон прямо в julia.

И скоростью.

Но требует несколько дней, неделю освоится с VS Code Shift+Enter, чтоб держать сессию без рестарта, и настроить какой нить генератор отчетов типа как на R, она показывает графики в VS Code, но с генератором отчетов удобней.

R — слишком специфичен.
Python — огромная библиотека, в целом простой, но, скажем дипломатично очень далек от эргономики и красоты. И часто медленный.
Matlab — наверно был лучшим для своего времени, и куча всего, но староват, часто медленный и как язык имеет ряд недостатков.

В мире алгоритмической торговли доминируют крупные фонды с их колоссальными ресурсами. Но что, если мы, частные инвесторы и разработчики, можем создать собственный мощный и доступный инструмент? Что, если больше не придётся зависеть от проприетарных платформ или писать с нуля сложную инфраструктуру для тестирования каждой новой идеи?

Сегодня у нас есть Python и такие мощные библиотеки, как Backtrader. Однако голый фреймворк — это лишь половина дела. Чтобы он стал по‑настоящему народным инструментом, ему нужна удобная обвязка: готовая структура проекта, автоматический импорт стратегий, наглядные отчёты, тепловые карты для оптимизации и бесшовное подключение к API брокеров — не только российских, но надо начать с Мосбиржи.

Мы стремимся сделать инструмент таким же удобным, как TradingView. Простота в использовании и доступность всех функций для пользователей без глубокой технической экспертизы — мне кажется вот идеал. Чтобы каждый, кто заинтересован в алгоритмической торговле, мог без усилий внедрить свою стратегию, протестировать её и получить результаты, не проводя часы и дни за настройкой системы.

( Читать дальше )