Хэштег #сбор | Тинькофф Инвестиции Пульс

РБК сообщает, что Минпромторг установил размеры технологического сбора на импортную и производимую в России электронику. Согласно документам ведомства, за каждый смартфон производители и поставщики должны будут уплачивать 250 рублей, а за ноутбук — 500 рублей. Другая электроника также будет подвержена сбору, но на гораздо меньше суммы. Это должно будет стимулировать локализацию производства, на что будут направляться собранные суммы. Новый сбор распространяется на юрлиц и индивидуальных предпринимателей, реализующих соответствующую продукцию на территории страны. Решение было принято в третьем чтении закона Государственной думой РФ в ноябре 2025 года. Первоначально рассматривался вариант собирать с каждого смартфона вне зависимости от марки 750 руб., а с каждого ноутбука — 1500 руб. Если верить РБК, утверждённые на сегодняшний день суммы будут в три раза меньше: 250 руб. за смартфон и 500 руб. за ноутбук. За радиотрубки с проводными базами сбор будет 100 руб. за аппарат, а за «другие» телефоны — 25 руб. Напомним, технологический сбор начнёт взиматься с 1 сентября 2026 года за каждую единицу товара независимо от его стоимости. Обязанность по уплате лежит на всех участниках цепочки поставок — от производителей до импортеров. Механизм техсбора призван защитить российскую индустрию. Внутренние производители, вносящие платеж, смогут претендовать на отраслевые меры господдержки при условии соответствия критериям локализации производства. Сбор вводится только по тем товарным позициям, где доля отечественной продукции пока остаётся низкой, что должно стимулировать рост локализации и импортозамещения в электронной отрасли. Минфин рассчитывает, что инициатива принесёт федеральному бюджету около 218 млрд руб. За четыре месяца 2026 года это будут 20 млрд руб., за 2027 год — ещё 88 млрд руб. и 110 млрд руб. за 2028 год.

Для создания инструмента анализа акций российского рынка и прогнозирования их перспектив необходимо интегрировать методы фундаментального, технического анализа и машинного обучения. Ниже представлен структурированный подход: ### 1. Сбор данных - Источники данных: - Финансовые показатели: Отчеты МСФО за последние 12 месяцев с сайта Smart-Lab[1]. - Котировки: Программный интерфейс Московской Биржи (режим TQBR)[1]. - Новости: Автоматизированный сбор из СМИ (например, «Коммерсантъ», РИА «Новости») для анализа тональности[2]. - Инструменты: Python-библиотеки (Quandl, yfinance) для автоматизации загрузки[4]. ### 2. Фундаментальный анализ - Ключевые мультипликаторы: - P/E, P/S, P/B: Оценка стоимости компании относительно прибыли, выручки и балансовой стоимости[1][5]. - EV/EBITDA и долг/EBITDA: Анализ долговой нагрузки (оптимально ≤3)[1]. - ROE/ROS: Рентабельность капитала и продаж[1]. - Оценка справедливой стоимости: Использование коэффициента Грэма для выявления недооцененных акций (значение <22.5)[1]. ### 3. Технический анализ - Индикаторы: - Скользящие средние (SMA/EMA): Определение трендов[1]. - RSI (Relative Strength Index): Выявление перекупленности (RSI>70) и перепроданности (RSI<30)[1]. - VPT (Volume-Price Trend): Анализ связи объема торгов и цены[1]. - Визуализация: Построение графиков с помощью Matplotlib/Plotly[4]. ### 4. Прогнозирование с использованием ML - Гибридные модели: - LSTM + ARIMA: Для учета долгосрочных зависимостей и сезонности[3]. - Метод STTM (Spatio-Temporal Topic Modeling): Комбинация новостной тональности и исторических котировок. При STTM>1 прогнозируется рост цены[2]. - Фичи: Макроэкономические индикаторы и тематические кластеры новостей (LDA/DTM)[2][3]. ### 5. Инструментарий и реализация - Стек технологий: ```python # Пример кода для прогноза с Prophet from prophet import Prophet import pandas as pd # Загрузка данных df = pd.read_csv(‘stock_prices.csv’) model = Prophet() model.fit(df) forecast = model.make_future_dataframe(periods=30) predictions = model.predict(forecast) ``` - #Бектестирование: Валидация стратегий на исторических данных (например, с использованием Backtrader)[5]. - Визуализация: Dash/Streamlit для интерактивных дашбордов[4]. ### 6. Оптимизация и риски - Калибровка моделей: Тестирование на данных за 8 лет (2013–2021 гг.) для верификации[2]. - Ограничения: Учет внешних шоков (санкции, политика) через анализ новостей[2][5]. - #Точность: Гибридные подходы улучшают прогноз на 20–30%[2][3]. ### Итог Инструмент должен совмещать: 1. Автоматизированный #сбор данных с Smart-Lab и биржи[1][5]. 2. #Мультимодальный анализ: Финансовые коэффициенты + RSI + новостная# тональность[1][2]. 3. Прогнозирование: STTM для краткосрочных трендов, LSTM-ARIMA для долгосрочных[2][3]. 4. Визуализацию и бектестинг для стратегий[4][5]. Для используйте открытые репозитории (например, LaWeite/stock-analysis)[1] и документацию библиотек (Prophet, Scikit-