<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Анализ данных &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/category/data-analysis/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Sat, 21 Mar 2026 17:23:47 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>Анализ данных &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Проскальзывание (slippage) и его влияние на реальные результаты торговли</title>
		<link>https://mlgu.ru/7007/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Mar 2026 17:16:51 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[опционы]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[фьючерсы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=7007</guid>

					<description><![CDATA[Проскальзывание (slippage) — это разница между ценой, по которой стратегия ожидала исполнения ордера, и ценой, по которой он был исполнен фактически. И это довольно частое явление в трейдинге. В большинстве стратегий проскальзывание &#8212; постоянная составляющая транзакционных издержек, которая систематически снижает доходность. Для высокочастотных стратегий проскальзывание часто превышает комиссию брокера. Для стратегий с большим размером позиции [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>VWAP стратегия: расчет, бэктестинг и оценка эффективности</title>
		<link>https://mlgu.ru/6918/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Mar 2026 05:54:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6918</guid>

					<description><![CDATA[VWAP (Volume Weighted Average Price) — средневзвешенная по объему цена за период. В отличие от простой скользящей средней, VWAP учитывает не только динамику цены, но и количество контрактов или акций, торгуемых на каждом ценовом уровне. Это делает его значительно более информативным ориентиром для оценки справедливой стоимости актива в течение сессии. Институциональные участники используют VWAP как [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>25 преимуществ частного трейдера перед хедж-фондами</title>
		<link>https://mlgu.ru/6911/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 06 Mar 2026 12:55:41 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[маржинальная торговля]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6911</guid>

					<description><![CDATA[Существует устойчивый миф: чтобы зарабатывать на рынках, нужна армия аналитиков, Bloomberg-терминал за $24 000 в год и офис в небоскребе на Манхэттене. Хедж-фонды десятилетиями культивировали этот образ — и небезосновательно. Институциональный капитал обладает реальными преимуществами: доступом к IPO, инфраструктурой, связями с центральными банками. Но у медали есть обратная сторона. Размер — это не только сила, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Скользящие оконные функции в Pandas</title>
		<link>https://mlgu.ru/6872/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 25 Dec 2025 11:42:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6872</guid>

					<description><![CDATA[Скользящие оконные функции решают фундаментальную задачу анализа временных рядов: извлечение локальных паттернов из последовательных данных. Метод основан на применении агрегирующих операций к подмножествам наблюдений фиксированного размера, которые последовательно сдвигаются вдоль временной оси. Библиотека Pandas предоставляет три типа окон для работы с временными рядами: rolling &#8212; фиксированный размер; expanding &#8212; растущее от начала; exponentially weighted &#8212; [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Продвинутые статистические тесты в Python: причинность, бустрэп и непараметрические методы</title>
		<link>https://mlgu.ru/6847/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 15 Dec 2025 17:19:51 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6847</guid>

					<description><![CDATA[Стандартные статистические тесты опираются на строгие допущения. Они предполагают нормальное распределение данных, независимость наблюдений и линейные связи между переменными. Финансовые данные этим требованиям обычно не соответствуют. Доходности активов имеют тяжелые хвосты распределений. Волатильность склонна группироваться во времени. Связи между финансовыми инструментами часто нелинейны и тоже меняются со временем. Продвинутые статистические методы решают задачи, с которыми [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>EGARCH, TGARCH, FIGARCH для моделирования асимметричной волатильности</title>
		<link>https://mlgu.ru/6807/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 11 Dec 2025 00:51:07 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6807</guid>

					<description><![CDATA[Волатильность большинства финансовых активов ассиметрична: негативные шоки увеличивают ее сильнее, чем позитивные той же величины. Классическая модель GARCH (1,1) предполагает симметричный отклик условной дисперсии, что приводит к систематическим ошибкам в оценке риска и неэффективному хеджированию опционных позиций. Эконометрические модели EGARCH, TGARCH и FIGARCH расширяют базовую спецификацию GARCH, позволяя моделировать асимметричные эффекты и долгую память в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Автоматизация заполнения пропусков на основе сравнения 14 методов</title>
		<link>https://mlgu.ru/6784/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 03 Dec 2025 23:14:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[стат анализ]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6784</guid>

					<description><![CDATA[Пропуски в данных или NaN — это одна из самых частых проблем, с которой сталкиваются аналитики. И мало эти пропуски найти, важно еще правильно поработать с ними. Библиотека pandas предлагает множество методов замены пропусков, но на практике нередко возникает другой вопрос: а какой метод лучше выбрать, чтобы не исказить данные и сохранить их изначальный смысл [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Собственные числа и собственные векторы в финансах: разложения PCA и SVD</title>
		<link>https://mlgu.ru/6756/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 02 Dec 2025 09:31:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6756</guid>

					<description><![CDATA[Анализ главных компонент (PCA) — один из популярных способов изучения взаимосвязей между доходностями активов и их оценке в финансовом анализе. Метод основан на разложении ковариационной матрицы доходностей: собственные векторы определяют направления факторов, а собственные числа показывают, сколько дисперсии объясняет каждый фактор. PCA позволяет выделить доминирующие источники совместной изменчивости и отделить систематический риск от несистематического. Практическое [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Винрейт (Winrate) и Соотношение риск/прибыль (Risk/Reward Ratio, RRR)</title>
		<link>https://mlgu.ru/6668/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 29 Nov 2025 06:36:33 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[маржинальная торговля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6668</guid>

					<description><![CDATA[Эффективность торговой стратегии определяется двумя базовыми метриками: винрейтом и соотношением риск/прибыль. Винрейт показывает долю прибыльных сделок, RRR — соотношение потенциальной прибыли к риску в каждой позиции. Обе метрики связаны математически: стратегия с винрейтом 30% может быть прибыльной при RRR 3:1, тогда как стратегия с винрейтом 70% остается убыточной при RRR 1:3. Понимание взаимосвязи этих параметров [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Портфель максимальной диверсификации (Maximum Diversification Portfolio)</title>
		<link>https://mlgu.ru/6651/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 27 Nov 2025 11:15:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6651</guid>

					<description><![CDATA[Портфель максимальной диверсификации (Maximum Diversification Portfolio) представляет альтернативу классическим подходам к формированию инвестиционных портфелей. В отличие от метода Марковица, который требует оценки ожидаемой доходности активов, максимальная диверсификация фокусируется исключительно на структуре риска. Метод строится на максимизации диверсификационного коэффициента — отношения взвешенной волатильности отдельных активов к волатильности портфеля. Подход особенно востребован институциональными инвесторами, поскольку устраняет необходимость [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
