Хэштег #программирование | Тинькофф Инвестиции Пульс

Вот подборка из 5 технических книг, которые стоит добавить в список для чтения этой осенью. Список составлен на основе рекомендаций за сентябрь 2026 года и включает как новинки, так и обновлённые классические издания. 1. «Designing Data-Intensive Applications, 2nd Edition» — Martin Kleppmann & Chris Riccomini Библия для разработчиков бэкенда и системных инженеров. Второе издание (март 2026) полностью переработано с учётом современных реалий и помогает понять, как на самом деле работают базы данных и распределённые системы. Это книга, которая отличает инженеров, способных запустить продукт в продакшн, от тех, кто умеет только прототипировать. 2. «The Pragmatic Programmer, 2nd Edition» — Andrew Hunt & David Thomas Книга, которая делает практически любого программиста лучше. Вместо синтаксиса она учит ремеслу, правильным привычкам и тому, как мыслить, чтобы писать качественный код. 3. «A Philosophy of Software Design, 2nd Edition» — John Ousterhout Короткая и ясная книга об управлении сложностью. Поможет принимать правильные архитектурные решения и писать код, который не будет напоминать «наследство». 4. «Robot Physical Interaction» — Erfan Shahriari Главная техническая новинка сентября 2026. Книга о тактильном управлении роботами, выйдет 23 сентября. В ней представлена единая система управления силой и движением. Будет полезна исследователям и инженерам в области робототехники. 5. «AI Engineering» — Chip Huyen Книга, которая определяет профессию AI-инженера сегодня: как работать с фундаментальными моделями, а не просто обучать их с нуля. Отличная отправная точка для тех, кто хочет разобраться в современном искусственном интеллекте. #AI

Программное обеспечение (ПО) — это «мозг» системы управления лучом. Именно оно превращает набор высокоточных зеркал и датчиков в единый смертоносный комплекс, способный удерживать луч на цели с точностью до микрорадиана. Разработкой этого ПО занимается узкий круг оборонных подрядчиков и научных организаций. Давайте разберем их работу до мельчайших деталей. 🧠 1. Архитектура ПО: Многоуровневый подход Программный стек системы управления лучом строится по иерархическому принципу: · Низкий уровень (Embedded/Firmware): Написан на C/C++ и Assembly. Работает с АЦП/ЦАП, ШИМ-контроллерами и драйверами пьезоактуаторов. Обеспечивает реакцию на команды за микросекунды. · Средний уровень (Real-Time): C++ и Ada на платформах типа VxWorks или LynxOS. Вычисляет управляющие сигналы для FSM и деформируемых зеркал с частотой > 1000 Гц. · Верхний уровень (C2/Tactical): C++, Java, Python. Обеспечивает тактический интерфейс, отображение данных и интеграцию с системами боевого управления. 🏢 2. Кто пишет это ПО? Основные разработчики · MZA Associates Corporation — мировой лидер в моделировании. Разработчик WaveTrain (индустриальный стандарт для анализа атмосферной турбулентности), а также SHaRE (анализ боевого применения) и tempus (симуляция HPM/HEL-систем). · Lockheed Martin — разрабатывает собственную архитектуру и алгоритмы управления лучом. Работает над интеграцией ПО с оптикой и системами управления огнём. · Raytheon Technologies — активно привлекает сторонних подрядчиков, например, Cambridge Pixel (разработка графического интерфейса оператора). · Northrop Grumman — участвует в создании систем управления для авиационных лазеров. · AFRL (ВВС США) & Stellar Science — создают фреймворки для моделирования, такие как ETEM (End-to-End Modeler) и VIPERS (машинное обучение). 💻 3. Инструментарий и языки · MATLAB/Simulink: Главный инструмент для прототипирования алгоритмов. Используется для создания предиктивных моделей на основе ИИ и моделирования атмосферы. · Python: Царит в области ИИ/машинного обучения, а также для скриптов анализа данных и создания прототипов. · Git / JIRA / Jenkins: Используются для контроля версий, отслеживания задач и непрерывной интеграции (CI/CD). ⚙️ 4. Ключевые алгоритмы в коде · Компенсация задержки (Latency Compensation): Алгоритмы (например, фильтр Калмана) вычисляют положение высокоманевренной цели в момент прихода луча. · Фазовое сопряжение: «Сердце» адаптивной оптики. ПО рассчитывает «антиволну», чтобы деформируемое зеркало выдавило атмосферные искажения. · Спектральное объединение: Управляет суммированием пучков от множества волокон в один мощный луч. · Безопасность (Safety & Security): Отдельный уровень ПО включает аппаратные и программные системы аварийного отключения, если луч выходит за безопасный сектор. Таким образом, за каждой вспышкой боевого лазера стоит сложнейший многоуровневый код, созданный командами инженеров в MZA, Lockheed Martin и Raytheon с использованием C++, MATLAB и Python. --- #C++

Классический анализ и ML Классический технический анализ подразумевает поиск определённых шаблонов на графиках. Нельзя сказать, что это совсем не работает, но уместно процитировать Уоррена Баффета: «Я понял, что технический анализ не работает, когда перевернул графики цен „вверх ногами“ и получил тот же самый результат». В противовес ему существует высокочастотная торговля — High Frequency Trading (HFT). Это вполне рабочий метод заработка, однако он накладывает жесткие ограничения: сделки длятся доли секунд, что требует размещения серверов максимально близко к бирже. А так же отличные знания C++. Фундаментальный анализ позволяет достичь хороших результатов на длинном горизонте, но требует обработки огромного объёма данных. Однако можно использовать своего рода симбиоз в виде Machine Learning (ML). При работе с большими данными, модель способна выявить неочевидные корреляции. «Фичами» (признаками) при этом может выступать что угодно: от классических индикаторов вроде SMA до текстов новостей и спутниковых снимков танкеров в океане для оценки запасов нефти. Особенность ML заключается в том, что он находит взаимосвязи там, где человек их просто не замечает. К примеру, влияют ли значения индекса товарного канала (CCI) на акции конкретных нефтедобывающих компаний? Можно ли с уверенностью сказать, что нет или да? С помощью обработки массивов данных можно проверить тысячи гипотез и выявить те самые рабочие паттерны. Конечно, здесь есть свои сложности: подбор признаков, их валидация и выбор архитектуры модели. Тем не менее на выходе мы можем получить систему, которая на коротком горизонте (от пары дней до недель) способна давать достаточно точные предсказания движения цены. Не является индивидуальной инвестиционной рекомендацией.

Логистическая регрессия После экспериментов с МНК решил попробовать логистическую регрессию, классика машинного обучения для задач классификации. В отличие от предсказания конкретной цены, этот метод предсказывает направление движения (вырастет акция или упадет). То есть мы решаем задачу классификации, что для рынка выглядит логичнее. Для того что бы алгоритм мог на чём то обучаться, ему нужны какие то признаки бумаги. Я взял несколько разных метрик: скользящую среднюю (тут писал про неё пару постов раньше, не знаю как тут ссылку вставить), моментум, EMA и ещё парочку. Бэктест Обучение: январь 2022 — февраль 2025. Тест: февраль 2025 — февраль 2026. Вот какие результаты получились, стратегия «купи и держи» vs. "логистическая регрессия": -30.0 vs +23% 🟢 +61% vs +12% 🔴 +40% vs +63% 🟢 -1% vs-46% 🔴 +4% vs +16% 🟢 -3% vs +14% 🟢 -33.% vs +58% 🟢 +8% vs 195% 🟢 0% vs -18% 🔴 -32% vs +34% 🟢 +4% vs +9% 🟢 -33% vs +19% 🟢 -19% vs +13% 🟢 Какие выводы я сделал: 1 Есть различные метрики которые у меня не учтены, например санкций (LKOH на них сильно просел) или инсайты (SFIN). Таким образом успех на некоторых акциях, может быть следствием удачной подгонки под конкретный период. 2 В стратегии учитывается комиссия, однако нет стопов-лоссов. На примере того же SBER видно что стратегия просто ушла в минус. 3 VSMO - показал рекордные 195% доходности. Это слишком круто что бы быть правдой😅 Здесь я пока что не знаю как объяснить почему модель так себя повела. На скрие кстати именно она представлены 4 Модель не стабильная, волатильность доходности выше, чем у базового актива. Не является индивидуальной инвестиционной рекомендацией.

Расчёт коэффициента Beta Начал погружаться в методы прогнозирования стоимости. Один из базовых инструментов для таких задач - метод наименьших квадратов (МН) из регрессионного анализа (область машинного обучения). На удивление я сразу нашёл практическое применение этого метода. Это расчёт Beta, эта цифра находится в раздел "Все показатели" у акций Т-брокера. Я решил попробовать рассчитаться его самостоятельно и заодно разобраться как работает метод. Что я делал: 1 Сбор данных. В описание указано "Волатильность акции к индексу IMOEX". Значит, нам нужны исторические данные акции и индекса. Я выгрузил их через API биржи за период в 1 год. 2 Подготовка данных. Рассчитал логарифмическую доходность (постепенно привыкаю к этому формату) для акции и индекса. 3 Расчёт Beta. Это самое интересное. В библиотеке numpy уже есть готовый и оптимизированный метод — np.linalg.lstsq (от англ. least squares). Всё, что нужно — это передать туда доходности. На выходе получаем коэффициенты Beta и Alpha (есть и другие технические значения, но сейчас они не в приоритете). 5 Визуализация. Построил график: красная линия на скрине — это и есть линия регрессии. Она показывает наиболее вероятную зависимость доходности акции от движения индекса. Любая прямая определяется простой функцией: y = b*x +a (да да, опять математика нам помогает🥸) , где b и есть та самая Beta. - если Beta > 1, акция более волатильна, чем рынок. При движении индекса вверх она может дать большую доходность, но при падении — принесет более существенный убыток. - если Beta < 1, то акция считается «защитной». Движение индекса влияет на неё слабее: она меньше падает в кризис, но и растет спокойнее рынка. У меня получилась Beta = 0.693, в то время как у брокера она указана как 0.7. В целом попал. На днях сделаю расчёт для других бумаг для сравнения. Не является индивидуальной инвестиционной рекомендацией.

Стратегия моментума Попробовал на всё том же стратегию моментума. Алгоритм технически похож на работу со скользящими средними (SMA), однако есть важные отличия. Здесь используется логарифмическая доходность для нахождения прироста или падения цены с шагом в сутки. Использование логарифмов — одна из самых интересных деталей. В первую очередь они нужны для того, чтобы мы могли просто складывать доходности разных дней и сразу получать итоговый результат. С обычными процентами так не прокатит🙃 np.log(raw_data["price"] / df["price"].shift(1)) Вообще, для меня это была не самая очевидная штука поначалу. Но в алготрейдинге это считается нормой. Да и в целом использовать логарифм даже для отслеживания доходности вашего портфеля по дням очень удобно. Далее идёт расчёт, схожий с SMA, с фиксированным окном. Затем доходность актива умножается на полученный сигнал со сдвигом на один день (чтобы бэктест был честным и не «заглядывал в будущее»). Собственно, самое интересное здесь найти оптимальное значение окна (период моментума). Тут я пошёл «в лоб» и просто перебрал диапазон до 100 дней. Выяснилось что на отрезке данных в три года лучшую доходность показало окно в 33 дня. Итоговый результат: 165% общей доходности, или около 38,4% ежегодно. В целом неплохо. На скрине как раз продемонстрировано все 100 дней только где синим цветом выделен победитель, а жёлтым убыточные значения моментума. Не является индивидуальной инвестиционной рекомендацией.

Бэктест стратегии на скользящих средних (SMA) В предыдущем посте я коротко разобрал, как строится индикатор SMA. Теперь стало интересно: а что будет, если применить его к историческим данным, то есть провести бэктест? В качестве подопытного актива я взял акции за последние 4 года. Я установил два окна — на 50 и 100 дней — и анализировал цену закрытия. Логика стратегии: Сигналы на покупку или продажу формируются путём сравнения двух скользящих средних. BUY (покупаем) — когда «короткая» SMA (50 дней) пересекает «длинную» (100 дней) снизу вверх. SELL (продаём) — когда «короткая» SMA пересекает «длинную» сверху вниз. HOLD (держим позицию) — в остальных случаях. Затем в цикле мы проходим по всем торговым дням и проверяем эти условия. Самое интересное: при нулевой комиссии брокера стратегия показала бы доходность +27% за 4 года. По графику видно, что основной прирост пришёлся на рост 2023 года. Однако цифры сильно падают если жить в реальности и учитывать комиссию 🙈. При комиссии 0,04 рубля за сделку (покупку и продажу) чистая доходность падает до +12,52%. Выводы: В целом, такие расчёты очень полезны для проверки торговых гипотез. С другой стороны, даже с учётом комиссий стратегия осталась в плюсе. Думаю кстати на pandas сделать полностью расчёт, но не осилил, в результате скатился в простой цикл😔 не является индивидуальной инвестиционной рекомендацией

Простая скользящая средняя или SMA Это базовый индикатор в алготрейдинге, позволяющий выявлять тренд. Я сделал (код на гитхабе) несколько таких индикаторов на акции , чтобы проверить, насколько он показателен. В целом, использование этого индикатора без каких-либо дополнительных инструментов бессмысленно. Если посмотреть на график, видно, что цена падает или растёт значительно раньше, чем это отражается в скользящей средней. Но это и очевидно: если бы пара строчек кода могли предугадать тенденцию рынка, мы бы все пользовались этим 🥸. Правда, есть пара торговых сигналов, основанных на скользящих средних с разными окнами, — это так называемый «золотой крест» и «крест смерти». В первом случае короткое окно пересекает длинное снизу вверх, что говорит о восходящем тренде, и наоборот: если короткое окно пересекает длинное сверху вниз, значит, мы идём ко дну.🙃 Однако на графике можно видеть, что пару раз эти тренды попадали в точку, но при этом цена акций уже успевала начать рост или падение. То есть этот индикатор всегда запаздывает. Таким образом, купить или продать вовремя на его основе не получится, но как дополнительный инструмент технического анализа понимать, как он устроен, нужно. Кстати, в pandas он считается одной строчкой кода: df["Price"].rolling(WINDOW_SIZE).mean() не является индивидуальной инвестиционной рекомендацией

LLM-помощник Появилась идея реализовать небольшого помощника на основе современных LLM (Large Language Models) — таких как ChatGPT, DeepSeek, Qwen, Grok, Llama. У нас есть инвестиционный портфель с определенной балансировкой. Например, классическое распределение активов может выглядеть так: 50% — акции 30% — облигации (государственные и корпоративные) 10% — золото и сырьевые товары 10% — кэш Раз в месяц мы хотим проводить ребалансировку портфеля, основываясь на внешних данных и наших инвестиционных стратегиях. Для подбора оптимальной стратегии необходимо анализировать различные данные. Одним из ключевых источников являются новости. В чем проблема анализа новостных данных? Базово — это задача NLP (Natural Language Processing — обработка естественного языка). Это сложная область, и как правило для решения задач в ней нужны хорошо подготовленные данные и правильная модель. Имел опыт работы с таким фреймворком как spacy задача заключалась к анализу на стоп слова в тексте🧐. В общем чем больше контекст тем тяжелее решить задачу. Потому для моей задачи будет проще и быстрее использовать LLM (к тому же у нас не прод решение😅). Итого: нужно проанализировать экономические новости и на их основе принять решение — стоит ли что то менять в нашем портфеле. Техническая реализация: В качестве источников данных будем использовать экономические новостные ресурсы (например, телеграм-каналы) После минимальной предобработки текста будем передавать его в LLM с подготовленным промптом, например такого: text Проанализируй следующие новости и дай рекомендации по ребалансировке портфеля: НОВОСТИ: [текст новостей] ПОРТФЕЛЬ: [структура портфеля] КРИТЕРИИ: - Оцени риски для каждой позиции - Предложи изменения в распределении активов - Обоснуй рекомендации ссылками на новости На выходе получаем готовую рекомендацию по управлению портфелем🙂.

Добрый день, уважаемые Инвесторы. Пока мой предыдущий пост утопает в скепсисе того, что в России действительно сильное образование, наши студенты в очередной раз разбили все стереотипы. Команда СПбГУ триумфально выиграла чемпионат мира по программированию ICPC 2025. И это не просто победа — это демонстрация силы российской образовательной системы. Масштаб триумфа? Команда "Polar Bear Transform" из СПбГУ: •Решила 11 из 12 задач за 5 часов; •Абсолютная победа среди 140 команд из 103 стран; •Опередила Великий Гарвард (6 место), знаменитый MIT (8 место), Токийский университет (2 место). Состав команды-победителей: •Максим Туревский — недавно стал абсолютным чемпионом международной математической олимпиады IMC-2025 •Леонид Данилевич — студент 4 курса математики •Федор Ушаков — магистрант "Современной математики" Российское доминирование в ICPC. •Историческая статистика впечатляет •СПбГУ 11 раз завоевывал медали ICPC; •4 мировых первенства: 2000, 2001, 2014, 2016 годы; •Россия побеждала 8 лет подряд с 2013 по 2021 год; •Единственная страна с таким постоянством побед; •Даже когда первое место уходило (как в 2022 к Пекинскому университету), российские команды стабильно входили в тройку лидеров. Что такое ICPC и почему это важно ICPC — самое престижное соревнование по программированию среди студентов**. Это олимпийские игры IT-мира: •400+ тысяч выпускников в глобальном сообществе; •73 тысячи студентов участвовали в отборочных турах; •3000+ университетов со всего мира пытались попасть в финал. Задача: за 5 часов решить максимально сложные алгоритмические задачи, работая в команде из 3 человек. Мой взгляд как инвестора Образование — это тот самый скрытый актив российской экономики, который недооценён рынком. Почему россияне побеждают в ICPC: •Фундаментальная математическая подготовка — не зря Максим Туревский одновременно чемпион и по программированию, и по математике; •Системное мышление — российская школа учит не заучивать алгоритмы, а понимать принципы; •Командная работа — в отличие от индивидуалистичных западных подходов, у нас сильна коллективная подготовка; •Государственная поддержка — Яндекс, Сбер, Газпром-Нефть ( ) спонсируют факультет. Инвестиционные выводы Российское техническое образование — это конкурентное преимущество, которое рынок систематически недооценивает. Кто выигрывает от сильных кадров? IT-компании с сильными R&D центрами в России: — генеральный партнёр ICPC, постоянно рекрутирует победителей — партнёр СПбГУ, инвестирует в образование —кибербезопасность требует именно таких кадров Образовательные активы: университеты и IT-школы получат приток талантливых абитуриентов Глобальный тренд: "Утечка мозгов" из России замедлилась. Талантливые программисты всё чаще остаются работать в российских компаниях. Санкции парадоксально усилили внимание к внутренним кадрам и образованию. Главный вывод. Пока экономисты спорят о "парадоксе образования", российские студенты на практике доказывают: у нас лучшая в мире система подготовки технических кадров. ICPC 2025 — это не просто победа. Это подтверждение того, что инвестиции в российское техническое образование остаются одной из самых недооценённых возможностей на рынке. Когда другие страны покупают готовые решения, Россия растит собственных гениев. И результат налицо — 11 из 12 задач против лучших умов планеты (только посмотрите списки университетов с 1 по 12 место!!!).

судьба свела меня с одним камрадом в далёком 1991м. Он уже тогда программером был а я тогда ещё был раздолбаем. Меня знакомая завела к ним в отдел АСУ покопировать дискетки на 386м компе. И тут входил вышеописанный камрад и с удивлением обнаруживает меня за его рабочим местом с немым вопросом на лице "почему, зачем, а главное, накуя!?". Потом судьба нас мотала всяко разно. Сначала я подкинул ему заказчика на которого он какое-то время отгружал поставки и жил на эти деньги со своей женой и 2мя сыновьями расселяя коммуналку. Потом я у него 6 лет снимал эту проходную двушку, в которую он расселял ту алкоголичку из своей коммуналки. Потом мы мутили бизнес из которого я убежал сверкая пятками через 3 месяца, т.к. не готов был работать за штуку баксов которая тогда была 28к руб всего-то :) по 12 часов без выходных без приёма на работу и записи в трудовой, потом мутили каталог и я как специалист по компьютерной вёрске и дизайну замутил ему каталог подрабатывая вечерами. И вот почти 35 лет спустя он тимлид в одном голубом банке с ЗП 100500к руб а а я безработный инвестиционный пенсионер на пассивном доходе. Заразил его идеей зайти в долговой рынок накануне конца года. А он уже прикручивает к этому свой программный подход. В 20м закинул ему идею тинькофского API для торгов роботами. Отака казочка, малята. На фото я типа слева ;) шютка. Это расчёт израильских снайперов.