#python — посты и обсуждения

Большинство трейдеров смотрят на рынок через индикаторы. Скользящие средние показывают тренд, RSI пытается найти перекупленность, MACD оценивает импульс. Однако все эти инструменты имеют одну общую особенность — они анализируют уже сформировавшееся движение цены.

Но что если исследовать не производные от цены, а саму структуру рынка?

Одна из наиболее интересных концепций современной финансовой математики связана с фрактальной природой рыночных данных. Согласно этому подходу, цена представляет собой не хаотический набор случайных колебаний, а сложную иерархическую систему, в которой одни и те же закономерности повторяются на различных временных масштабах.

Если внимательно посмотреть на график, можно заметить, что структуры, возникающие на минутном таймфрейме, часто напоминают движения на часовом, дневном и даже недельном графиках. Рынок словно строит сам себя по одинаковым правилам независимо от масштаба наблюдения.

Алгоритмическое определение фракталов позволяет формализовать этот процесс.

Вместо субъективного поиска фигур на графике компьютерный алгоритм анализирует локальные максимумы и минимумы, определяет точки структурного перелома, выделяет уровни вложенности и строит карту рыночной организации. В результате появляется возможность исследовать не отдельные сигналы, а саму архитектуру движения цены.

Такой подход открывает несколько важных преимуществ:

• выявление ключевых экстремумов без визуального анализа;
• уменьшение влияния рыночного шума;
• адаптация к различным таймфреймам;
• обнаружение зон возможного разворота;
• построение объективных моделей рыночной структуры.

Особенно интересно то, что фрактальные модели часто не требуют предположений о направлении рынка. Они концентрируются на форме движения цены, а не на прогнозировании каждой следующей свечи.

Современные вычислительные методы и Python позволяют автоматизировать поиск подобных структур даже на многолетних массивах данных. Благодаря этому фрактальный анализ постепенно превращается из красивой математической идеи в практический инструмент количественных исследований.

Возможно, главный вопрос для трейдера сегодня уже не в том, какой индикатор использовать, а в том, насколько хорошо мы понимаем внутреннюю структуру самого рынка.

Именно там могут скрываться закономерности, которые невозможно увидеть через традиционные инструменты технического анализа.

#Фракталы #АлгоритмическаяТорговля #Python #ТехническийАнализ #DataScience #Quant #ФинансовыеРынки #Трейдинг #Инвестиции #Математика

Привет, коллеги! 👋

Хочу поделиться опытом создания автономного ИИ-агента на блокчейне Base (L2 Ethereum).

**Что это такое:**

Агент AlexDOC работает на платформе moltlaunch — это смарт-контракт, который автоматически принимает задачи от клиентов, обрабатывает их через ИИ (Mistral-7B) и отправляет результат. Оплата происходит в ETH напрямую на кошелёк.

**Техническая часть:**

- Python-скрипт опрашивает API moltlaunch каждые 60-90 секунд

- При новой задаче — автоматическая отправка в Hugging Face Inference API

- Полученный ответ отправляется обратно через CLI

- Обработка ошибок: рейт-лимиты (429), SSL-ошибки, таймауты

**Что умеет агент:**

✅ Копирайтинг и тексты для сайтов

✅ Переводы английский ↔ русский

✅ Технический анализ и аудит

✅ Базовый код (HTML/CSS/JS)

✅ Исследования и обработка данных

**Экономика:**

- Цена за задачу: 0.0025 ETH (~$5.30)

- Оплата в ETH на кошелёк: 0x46eb0a4E43F7c9d4c05bb91C96d5825c64d81B4d

- Агент зарегистрирован: #53488

- TX регистрации: https://basescan.org/tx/0xdc5ceecd760b587671874ae5fe7fee28983c5a7ffa62c52b1c5da7c21b08c023

**Как это работает:**

1. Клиент создаёт задачу: `mltl hire --agent 53488 --task "Ваша задача"`

2. Скрипт видит задачу в блокчейне

3. Отправляет текст в ИИ для обработки

4. Получает готовый ответ

5. Автоматически отправляет результат

6. Клиент подтверждает → ETH приходит на кошелёк

**С какими проблемами столкнулся:**

1. Cloudflare иногда обрывает SSL-соединение → добавил повторные запросы

2. Hugging Face free tier имеет лимиты → модель может загружаться 20-40 сек

3. Windows Console плохо отображает эмодзи → заменил на текстовые метки

4. Индексация агента в каталоге занимает время (пока жду)

**Открытые вопросы сообществу:**

- Как вы обрабатываете рейт-лимиты при опросе API?

- Стоит ли выносить SSL-обработку в отдельный модуль?

- Как лучше логировать работу фонового скрипта?

**Планы:**

Сейчас агент работает в тестовом режиме, жду индексации в каталоге moltlaunch. Параллельно ищу прямые заказы.

**Код и детали** — готов поделиться в комментариях или ЛС.

🔗 **Проверить агента** — https://basescan.org/tx/0xdc5ceecd760b587671874ae5fe7fee28983c5a7ffa62c52b1c5da7c21b08c023

Буду рад фидбеку от сообщества! 🙏

#Base #moltlaunch #ИИ #крипта #блокчейн #Python #автоматизация #фриланс #ETH

Использование средств генеративного искусственного интеллекта (ИИ) в разработке программного обеспечения радикально ускоряет создание кода. Однако обеспечение корректности, безопасности и долгосрочной сопровождаемости получаемых решений по-прежнему требует обязательного человеческого контроля. Данный материал разбирает, почему модель «человек в цикле» (human-in-the-loop) остаётся не просто полезной, а критически необходимой при промышленной разработке с применением ИИ-ассистентов.

ИИ как повседневный инструмент разработчика

Интеллектуальные инструменты — от автодополнения в IDE до генерации целых модулей по текстовому описанию — стали рутинной частью рабочего процесса. С их помощью инженеры формируют шаблонный код, пишут модульные и интеграционные тесты, выполняют рефакторинг, создают документацию к унаследованным системам и даже предлагают проектные шаблоны.

Производительность возрастает многократно: задачи, ранее требовавшие часа сосредоточенной работы, сегодня могут быть решены за несколько минут поверхностной проверки.

Однако скорость генерации не тождественна качеству конечного продукта. Одна из главных ловушек состоит в том, что сгенерированный код часто выглядит убедительно ещё до того, как установлена его действительная корректность. Он компилируется, проходит базовые тесты и оформлен аккуратно. Но промышленное программное обеспечение обязано удовлетворять гораздо более широкому спектру требований: точно реализовывать бизнес-логику, соблюдать интеграционные контракты, соответствовать ограничениям производительности и безопасности, оставаться удобным для сопровождения в течение многих лет. Именно в этих плоскостях ИИ способен демонстрировать крайне правдоподобные, но неверные предположения.

Поэтому участие человека не отменяется, а переосмысливается. Искусственный интеллект помогает быстрее создавать артефакты, но только разработчик способен оценить, насколько полученное решение пригодно для выполнения бизнес-задачи, безопасно ли оно и органично ли вписывается в контекст всей системы.

Что означает «человек в цикле взаимодействия»

В контексте ИИ-ориентированной разработки выражение «человек в цикле» не подразумевает отказ от автоматизации или ручной ввод каждой строки. Оно описывает осознанное включение инженеров в наиболее ответственные точки принятия решений.

К таким точкам относятся:

- точная постановка задачи и декомпозиция требований до уровня, понятного как человеку, так и модели;

- всесторонний анализ сгенерированного кода — не только синтаксиса, но и логических допущений;

- проверка поведения в условиях, максимально приближенных к эксплуатационным;

- оценка долгосрочного влияния решения на архитектуру системы.

Цель данной модели — не забюрократизировать процесс, а предотвратить тиражирование ошибок, которые на ранних стадиях легко пропустить, но которые катастрофически дороги на поздних. Это особенно важно с учётом природы генеративных моделей: они оптимизированы под правдоподобие, а не под фактическую истинность. Получаемый результат может выглядеть безупречно, но именно разработчик в конечном счёте несёт ответственность за то, что попадёт в продуктивную среду.

Где ИИ приносит наибольшую пользу

Инструменты на базе ИИ наиболее продуктивны в задачах механического, рутинного или хорошо формализуемого характера. Они эффективно берут на себя ту часть инженерной работы, которая уже описана явными правилами или многократно повторяется.

К числу таких задач относятся:

- генерация CRUD-эндпоинтов, типовых контроллеров, сериализаторов;

- написание стандартных юнит-тестов и параметризованных тестовых сценариев...

#искусственныйинтеллект #программирование #код #разработка #SemanticCore #KnowledgeGraphs #нейросимволическиеагенты #DOLPHIN #SYNVER #Imandra #Lean4 #symbiosis #NeuroSymbolicAI #LOGOS #NIGC #FAIRCARE #AUniversum #SemanticDB #Python #Λоператоры #Logos #код

Источник: https://dstglobal.ru/club/1179-ot-augmentation-k-symbiosis-novaja-paradigma-programmirovanija

После всех попыток "угадать рынок" я решил попробовать другой подход.

Без прогнозов.

Без сигналов.

Без попытки поймать движение.

Просто облигации.

Сначала всё выглядело очень просто:

открыл список бумаг

посмотрел доходности

выбрал несколько

купил

Первый инструмент подбора бумаг, конечно был #Смартлаб! Большое спасибо за эту возможность.

#Корпоративные

#ОФЗ

Набрал бумаг (в основном ОФЗ, стремно же что-то другое) по доходностям и стал ждать. Казалось, что это вообще не про сложность, все просто. Но через некоторое время началось интересное.

Я увидел, что портфель ведёт себя странно:

купоны приходят неравномерно

в какие-то месяцы пусто

потом сразу несколько выплат

погашения скапливаются

И самое неприятное: часть денег просто лежит без дела. Я тогда еще не знал про фонды ликвидности и как заниматься ребалансировкой.

Я начал записывать всё вручную:

таблицы

даты

суммы

сроки

Первые попытки что-то рассчитать выглядели, как минимум уныло. В окружении не было никого, чтобы попросить дельный совет.

Пытался выстроить какую-то логику. Но чем больше облигаций становилось, тем сложнее было это держать в голове.

И вот тогда впервые появилась мысль: проблема не в том, какие облигации я выбрал, а проблема в том, что у портфеля нет структуры. Никакой структуры: ни по долям, ни по датам погашения или выплате купонов, ни по рейтингам ("что это и зачем?").

Это был момент, когда я начал смотреть на облигации не как на отдельные бумаги, а как на систему.

И с этого начались крутится мысли, как бы так сделать, чтобы:

1) желательно автоматизировать подбор - первая техническая задача оптимизировать "операционку" (технический трек: #MQL5 -> #JupyterLab -> #Python -> ....).

2) на полученные "заработки" съездить в Санкт-Петербург на #Смартлаб конференцию (тогда это был 2024 год) - первая финансовая цель, "зачем я это делаю"

3) познакомиться с профессионалами, подчерпнуть опыт и постараться применить

4) составить график регулярных действий с портфелем - первое практическое применение дисциплины в "личных" / "шкурных" интересах

Пример автоматизации подбора ОФЗ в #JupyterLab

Вы когда‑нибудь смотрели на строку кода и думали: «Как вообще это работает? И смогу ли я так же?» Ответ: **да, сможете**. И сегодня разберёмся, как сделать первый шаг без стресса, паники и ощущения, что вы ничего не понимаете. ## Почему программирование — это не магия Код — это просто набор инструкций для компьютера. Представьте, что вы объясняете другу, как дойти до кафе: 1. Выйди из дома. 2. Поворачивай направо. 3. Пройди 300 метров. 4. Зайди в здание с вывеской «Кофе тут». Программирование — то же самое, только для машины. Вы даёте чёткие команды, а компьютер их выполняет. ## С какого языка начать? Разберём популярные варианты: * **Python** — идеален для старта. Простой синтаксис, много готовых решений. Подходит для: * автоматизации задач, * анализа данных, * веб‑разработки (Django/Flask), * машинного обучения. * **JavaScript** — язык веба. С ним вы сможете: * делать интерактивные сайты, * создавать браузерные игры, * писать мобильные приложения (React Native). * **HTML/CSS** — не языки программирования в чистом виде, но основа веба. Научитесь верстать — и уже сможете собрать свою первую страницу. * **Java** — мощный язык для крупных проектов. Используется в: * корпоративных системах, * Android‑приложениях, * банковских технологиях. * **C#** — выбор для тех, кто хочет писать игры (Unity) или работать с экосистемой Microsoft. **Совет:** не тратьте месяцы на выбор «идеального» языка. Начните с Python или JavaScript — они дружелюбны к новичкам. ## План на первые 3 месяца Разделим обучение на этапы, чтобы не перегореть: **Месяц 1: основы** * Изучите синтаксис (переменные, условия, циклы). * Решайте задачи на платформах: * [Codewars](https://www.codewars.com) * [LeetCode](https://leetcode.com) (простые уровни) * Напишите 3–5 мини‑программ: калькулятор, конвертер валют, игру «Угадай число». **Месяц 2: проекты** * Соберите портфолио из 3–4 проектов: * сайт‑визитка на HTML/CSS, * чат‑бот на Python, * интерактивная анкета на JavaScript. * Освойте Git и GitHub — сохраняйте код в облаке и учитесь работать с версиями. **Месяц 3: углубление** * Попробуйте фреймворки: * Django (Python), * React (JavaScript). * Разберитесь с API — научитесь получать данные из внешних сервисов (погода, курсы валют). * Создайте итоговый проект: например, трекер привычек или мини‑блог. # 5 ошибок новичков (и как их избежать) 1. **«Хочу выучить всё сразу»** → Фокус на одном языке и 2–3 инструментах. 2. **«Смотрю туториалы, но ничего не пишу»** → 80 % времени — практика, 20 % — теория. 3. **«Боюсь ошибок в консоли»** → Ошибка — это подсказка. Читайте текст ошибки: часто там уже есть решение. 4. **«Пишу код без плана»** → Перед работой набросайте алгоритм на бумаге: «ввод → обработка → вывод». 5. **«Работаю без отдыха»** → Метод «Помодоро»: 25 минут кода + 5 минут отдыха. Так мозг не устаёт. ## Где учиться бесплатно? Проверенные ресурсы: * **Курсы:** * Stepik («Программирование на Python»), * Hexlet («Основы программирования»). * **Видео:** * YouTube‑каналы: «Гоша Дударь», «WebDevSimplified». * **Практика:** * Exercism (задачи с проверкой менторов), * FreeCodeCamp (полные программы по веб‑разработке). * **Сообщества:** * Telegram‑чаты по языкам, * Stack Overflow (задавайте вопросы грамотно!). ## Мотивация: зачем это всё? Даже базовые навыки программирования открывают двери: * **Фриланс:** автоматизируйте задачи для знакомых — и получайте первые заказы. * **Карьерный рост:** знание кода ценится в аналитике, маркетинге, дизайне. * **Собственные проекты:** воплотите идею в жизнь без зависимости от разработчиков. * **Зарплата:** junior‑разработчики в России стартуют с $60\,000$–$100\,000$ ₽, в Москве — от $120\,000$ ₽. 💡 **Финальный совет** Не ждите «правильного момента». Просто сделайте первый шаг. Дальше — больше! 💬 **А вы уже пробовали программировать? Какой язык вас заинтересовал больше всего? Пишите в комментариях — обсудим!** 👇 #программирование #IT #Python #JavaScript #обучение #код #новичок #саморазвитие

Есть база по Python, но до вакансий как до луны? Нужен не просто курс, а план создания реального проекта для портфолио. Практический курс Артема Шумейко — это путь от азов до рабочего приложения: Пишем backend на FastAPI. Подключаем PostgreSQL, Redis, Celery. Добавляем авторизацию и тесты (pytest). Разворачиваем на сервере с CI/CD. Итог: готовый к продакшену проект в резюме, а не просто теория. Тариф «Только курс»: доступ на 9 месяцев + практика с code review от куратора. 👉 Подробнее по ссылке: [Практический курс ] #Python #Backend #FastAPI #Курс #IT #разработка