Хватит тестировать на мусоре! Python-скрипт для отбора ликвидных акций Мосбиржи под Backtrader через библиотеку Игоря Чечета

Обзор библиотек Игоря Чечета: AlorPy, TinkoffPy, FinamPy

Каждая из этих библиотек предназначена для взаимодействия с API соответствующего брокера — Т-Инвестиции, Алор и Финам. Они позволяют подключаться к торговому счёту, получать историю торгов, котировки в реальном времени, стакан заявок, выставлять и снимать ордера. Это делает их отличной основой как для обучения алгоритмической торговле, так и для построения полноценных торговых роботов.

Почему библиотеки не публикуются через PyPI

Если вы попробуете выполнить pip install TinkoffPy, ничего не произойдёт. Эти библиотеки не размещены в PyPI — и на это есть уважительная причина. Сам автор объясняет так:

Сам давно хочу сделать свои библиотеки в виде python packages для pip. Проблема в том, что я не могу синхронизироваться с версиями API брокера. Например, сделал сегодня сборку. Всё работает. А завтра, раз, и брокер меняет API. Да так, что моя библиотека перестает работать. Приходится править свою библиотеку. Т.к. мои библиотеки очень сильно зависят от API брокеров, то или брокеры ведут версии своих API и change log, или буду править по горячим следам.

По сути, нестабильность API со стороны брокеров делает публикацию стабильной версии библиотеки невозможной — приходится «патчить на лету».

Как установить библиотеку в режиме разработки

Нет рекомендованного автором способа установки, но я выбрал использовать установку через режим разработки. Это позволяет подключить библиотеку в виде живого кода, и при необходимости оперативно вносить правки без повторной установки.

Алгоритм следующий:

1. Скачиваете его репозиторий с GitHub (на примере с Т-Инвестициями).

2. В корневую папку добавляете файл setup.py:

<code class="python">from setuptools import setup, find_packages

setup(
    name="TinkoffPy",
    version="1.0.0",
    description="Tinkoff Invest API Python wrapper",
    packages=find_packages(),
    include_package_data=True,
    python_requires=">=3.6",
)</code>

Выполняете установку:

<code class="bash">pip install -e .</code>

Чтобы удалить пакет:

<code>pip uninstall TinkoffPy</code>

И не забудьте указать свой секретный токен доступа в файле TinkoffPy/Config.py — без этого запросы к API не будут работать.

Как скачать историю через Bars.py

В библиотеке TinkoffPy есть скрипт Bars.py, который позволяет скачивать исторические данные по выбранным тикерам. Однако перед этим необходимо подготовить список тикеров — его можно скачать через API Московской биржи.

Для этого можно использовать мой Python-скрипт, который возвращает список всех акций, торгующихся в основной секции TQBR Московской биржи:

<code class="python"># Этот скрипт обращается к Московской бирже (MOEX) по интернету
# и получает список всех доступных тикеров акций на основном рынке (TQBR).
# Затем он формирует строку вида:
# security_codes = ('SBER', 'GAZP', ...)
# которую можно использовать например в Python-программе скачивания котировок Bars.py библиотеки TinkoffPy.

# 24.05.2025
# Михаил Шардин, https://shardin.name/?utm_source=python

import requests

# Делаем запрос к серверу
url = "https://iss.moex.com/iss/engines/stock/markets/shares/boards/TQBR/securities.json"
params = {
    "iss.meta": "off",
    "iss.only": "marketdata",
    "marketdata.columns": "SECID"
}
response = requests.get(url, params=params)
response.raise_for_status()  # проверка на ошибку

# Извлекаем тикеры
data = response.json()
tickers = [item[0] for item in data['marketdata']['data']]

# Формируем строку
security_codes_str = f"security_codes = {tuple(tickers)}"
print(security_codes_str)</code>

Результатом будет строка вида security_codes = ('SBER', 'GAZP', 'LKOH', ...), которую можно вставить в Bars.py, чтобы начать загрузку котировок.

Я немного изменил Examples/Bars.py и добавил обработку ошибок в save_candles_to_file для предотвращения падения скрипта.

Теперь после того как мы подготовили список тикеров с Московской биржи и воспользовались скриптом Bars.py из библиотеки TinkoffPy (или её аналогом для Alor/Finam) для скачивания истории, мы получаем набор текстовых файлов.

Каждый полученный файл содержит дневные котировки (OHLCV) для одного тикера. Стандартное именование файлов, например, для данных от Тинькофф, выглядит так: TQBR.ТИКЕР_D1.txt. TQBR обозначает основной режим торгов акциями на Мосбирже, ТИКЕР — код акции (например, SBER, GAZP), а _D1 указывает на дневной таймфрейм.

Поиск самых ликвидных акций

Откуда берутся данные: структура файлов

Содержимое файла TQBR.ТИКЕР_D1.txt представляет собой таблицу, где колонки разделены табуляцией:

Здесь:

• datetime: дата и время свечи (для дневных данных время обычно 00:00).

• open: цена открытия.

• high: максимальная цена за день.

• low: минимальная цена за день.

• close: цена закрытия.

• volume: объем торгов в лотах. Важно помнить, что это именно лоты, а не количество акций или денежный объем. Для расчета реального денежного оборота нам потребуется знать размер лота для каждой акции.

Скрипт: находим самые ликвидные акции по кварталам за последние 20 лет

Теперь, когда исторические данные по всем доступным акциям доступны, мы можем приступить к анализу их ликвидности. Для этой задачи я написал Python-скрипт liquid_stocks_by_quarter.py. Его основная цель — обработать все скачанные файлы с дневными котировками, рассчитать суммарный торговый оборот в рублях для каждой акции поквартально за указанный период (по умолчанию 5 лет, но в примере ниже будет 20 лет для наглядности в статье) и отобрать топ-N наиболее ликвидных бумаг для каждого квартала. Для статьи отбирал только 7 штук — иначе бы в форматирование не поместилось.

Ключевые шаги работы скрипта:

1. Поиск файлов: скрипт сканирует указанную папку (Data/Tinkoff/) на наличие файлов с данными (TQBR.ТИКЕР_D1.txt).

2. Чтение данных: каждый файл загружается в pandas DataFrame. Производится парсинг дат и необходимых колонок (OHLCV).

3. Получение размера лота: для корректного расчета денежного оборота скрипт пытается подключиться через TinkoffPy к API брокера и получить актуальный размер лота для каждого тикера. Если API недоступно или информация по тикеру отсутствует, используется размер лота равный 1 (это может исказить результаты).

4. Расчет оборота в рублях: для каждой дневной свечи вычисляется оборот.

5. Агрегация по кварталам: дневные обороты суммируются по каждому тикеру внутри каждого квартала.

6. Отбор топ-N акций: для каждого квартала акции сортируются по убыванию суммарного рублевого оборота, и отбирается заданное количество лидеров.

7. Сохранение результата: итоговая таблица с самыми ликвидными акциями по кварталам сохраняется в CSV-файл (по умолчанию liquid_stocks_by_quarter.csv).

Скрипт также включает логирование для отслеживания процесса обработки и возможных ошибок, а также отладочный вывод для проверки корректности чтения форматов файлов. Параметры, такие как глубина анализа в годах (years_back) и количество отбираемых акций (top_n_stocks), легко настраиваются.

Вот сам скрипт на Гитхабе, из-за объема (примерно 400 строк) решил в текст статьи не вставлять:

Результат — файл liquid_stocks_by_quarter.csv

Анализируя эти получившиеся данные по самым топ-7 ликвидным акциям с 2005 по 2025 год, можно выделить несколько ключевых периодов:

• 2005-2017: высокая волатильность состава.
  Доминировали ТГК-компании (TGKB, TGKA, TGKN) и региональные энергетики. Состав менялся практически каждый квартал.

• 2018: кардинальная смена лидеров — переход к «голубым фишкам»: SBER, GAZP, LKOH, ROSN, GMKN стали основой топа.

• 2018-2025: относительная стабилизация.
  Костяк из 4-5 акций (Сбербанк, Газпром, Лукойл) остается неизменным, меняются только 2-3 позиции.

Этот файл можно использовать для динамического формирования списка торгуемых инструментов в Backtrader на каждый квартал, что позволит адаптировать стратегию к изменяющимся условиям ликвидности на рынке.

7 позиций это конечно мало, но я сделал так специально для статьи. Код открыт — Вы можете провести свои исследования.

Заключение

Итак, мы прошли путь от настройки окружения и загрузки исторических данных с помощью библиотек Игоря Чечета до анализа ликвидности акций Московской биржи. Результат статьи — готовый CSV-файл с топ-7 ликвидными бумагами по кварталам за 20 лет. Это не просто таблица, а инструмент для последующего динамического отбора активов в Backtrader, позволяющий строить более реалистичные и адаптивные торговые стратегии.

Что думаете?

Автор: Михаил Шардин
🔗 Моя онлайн-визитка
📢 Telegram «Умный Дом Инвестора»

27 мая 2025 г.