Python Portal

Новая Python-библиотека для алгоритмического трейдинга. Представляют TensorTrade — опенсорсный Python-фреймворк для трейдинга на базе обучения с подкреплением (RL / AI). По словам Quant Science : TensorTrade — это фреймворк для сборки, обучения, оценки и деплоя торговых стратегий на RL, использующий стек: - numpy - pandas - gym - keras - tensorflow Пример: обучение и оценка стратегии с Reinforcement Learning Шаг 1: формируем датасеты для тренировки и валидации Готовим два CSV, один под обучение, второй под тест.

import yfinance
import pandas_ta  #noqa

TICKER = 'ITRD'  # TODO: подставь свой тикер
TRAIN_START_DATE = '2021-02-09'  # TODO: замени на свою дату начала обучения
TRAIN_END_DATE = '2021-09-30'    # TODO: замени на свою дату конца обучения
EVAL_START_DATE = '2021-10-01'   # TODO: замени на свою дату начала валидации
EVAL_END_DATE = '2021-11-12'     # TODO: замени на свою дату конца валидации

yf_ticker = yfinance.Ticker(ticker=TICKER)

# Загружаем данные для обучения
df_training = yf_ticker.history(start=TRAIN_START_DATE, end=TRAIN_END_DATE, interval='60m')
df_training.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_training["Volume"] = df_training["Volume"].astype(int)

# Технические индикаторы
df_training.ta.log_return(append=True, length=16)
df_training.ta.rsi(append=True, length=14)
df_training.ta.macd(append=True, fast=12, slow=26)

df_training.to_csv('training.csv', index=False)

# Загружаем данные для оценки
df_evaluation = yf_ticker.history(start=EVAL_START_DATE, end=EVAL_END_DATE, interval='60m')
df_evaluation.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_evaluation["Volume"] = df_evaluation["Volume"].astype(int)

# Те же индикаторы для оценки
df_evaluation.ta.log_return(append=True, length=16)
df_evaluation.ta.rsi(append=True, length=14)
df_evaluation.ta.macd(append=True, fast=12, slow=26)

df_evaluation.to_csv('evaluation.csv', index=False)

Шаг 2: конфигурация В конфиг-словарь кладём нужные параметры, включая имя CSV, который будем читать. (3 скрин) Шаг 3: запуск через Ray Инициализируем Ray, пробрасываем параметры и имя функции, создающей окружение (create_env из примера выше), и запускаем пайплайн. (4 скрин) Дальше: Reward Agents Reward Agents позволяют интегрировать систему вознаграждений, чтобы агент оптимизировал стратегию под конкретную метрику (например, прибыль). По сути, это даёт нормальный цикл RL-тюнинга под реальные цели. (5 скрин) Какой следующий шаг, если хочется заняться этим по-серьёзке? - разобраться с базой и посмотреть, как собирали свой хедж-фонд на Python 👉 @PythonPortal

christmasTree 👉 @PythonPortal

5 реальных проектов на Python 1. Трекер расходов (приложение для личных финансов) Что делает: Отслеживает доходы, траты, категории, месячную статистику. Практический кейс: Люди используют такое, чтобы контролировать бюджет, как в Walnut или Money Manager. Что прокачаешь: • работа с файлами / SQLite • структуры данных • базовая аналитика • простой UI или CLI 2. Веб-скрэпер для отслеживания цен Что делает: Собирает цены с Amazon/Flipkart и присылает уведомления при снижении. Практический кейс: Используется в сервисах сравнения цен. Что прокачаешь: • веб-скрейпинг (BeautifulSoup / Selenium) • HTTP-запросы • автоматизация • планировщики задач 3. Бот для автоматизации рутины Что делает: Автоматизирует повторяющиеся задачи: почта, отчёты, переименовывание файлов. Практический кейс: Офисная автоматизация, фриланс, помощь в рабочих процессах. Что прокачаешь: • планирование/расписание задач • автоматизация почты • скриптовая логика 4. Анализатор цен акций Что делает: Следит за котировками, считает прибыль/убыток, строит графики. Практический кейс: Используют трейдеры, аналитики, финтех-приложения. Что прокачаешь: • API • анализ данных (pandas) • графики (matplotlib) 5. Система логина и аутентификации Что делает: Обрабатывает регистрацию и вход пользователей с безопасным хранением данных. Практический кейс: Нужно в любом веб-приложении. Что прокачаешь: • хеширование паролей • поток аутентификации • работа с базой и отношениями таблиц 👉 @PythonPortal

На Stepik вышел курс по Linux Внутри 20+ модулей: от установки Linux и работы с файлами до сетей, прав, дисков, процессов, автоматизации на Bash и многого другого. Всё сразу закрепляется на практике (200+ заданий с автопроверкой) Материал подаётся понятным языком, шаг за шагом, на реальных примерах и с наглядными схемами. После прохождения вы получите сертификат, который можно добавить в резюме. Есть бесплатные демо-уроки для ознакомления. В ближайшие 48ч курс доступен со скидкой 25% по промокоду «HNY_LINUX»: открыть курс на Stepik P.S. Курс можно купить в подарок на Новый год

Практичное руководство по структуре реальных проектов 👉 @PythonPortal

Кое-что интересненькое: проект отслеживает позы людей сквозь стены, используя Wi-Fi сигналы для реконструкции положения тела. 100% открытый исходный код 🕺 👉 @PythonPortal

😂 VSCode переименовали в «опенсорсный AI-редактор кода» The open source AI code editor Сейчас у VSCode реально полно нативных AI-фич: автодополнение, предложения правок кода, подтверждение изменений с помощью модели и прочие штуки прямо из коробки. 👉 @PythonPortal

Требования к начальным должностям в наши дни😂 👉 @PythonPortal

Использовать mocap-костюм, чтобы робот пнул тебя по яйцам, звучит как идеальная метафора для финала 2025. 👉 @PythonPortal

Давай соберем динамическую память для AI-агентов на графах знаний и RAG всего в 6 строк кода, шаг за шагом (100% локально). Когда ты шлёшь в агента большие объёмы данных, это часто приводит к раздутию контекста и галлюцинациям. Чтобы агенты были надежными, нужен способ связать данные между собой и зафиксировать базовые «ground truth», которые повышают точность в многошаговых диалогах. Именно это и делает Cognee. Он помогает строить динамическую память для AI-агентов, заменяя RAG на масштабируемые модульные ECL-пайплайны (Extract, Cognify, Load). Давай пройдемся по настройке по шагам: Шаг 1: Data ingestion В этом примере мы просто прокинем строку текста в Cognee и превратим её в память для ИИ. Но ты не ограничен только текстом: можно кормить документы, файлы или любые другие источники данных, чтобы собрать knowledge graph. Дальше можно дергать search() и ходить в него с обычными текстовыми запросами. Шаг 2: Memify Теперь добавляем функции памяти. Они работают поверх семантического слоя (knowledge graph), связывают точки и улучшают поиск. Memify полностью кастомизируется и может использовать любые преобразования, которые ты напишешь. Шаг 3: Наконец, добавляем Feedback Loops Cognee поддерживает непрерывное улучшение за счёт механизма обратной связи: он фиксирует, насколько полезны и релевантны результаты поиска по реальным сообщениям пользователей. Со временем получается обучающаяся система, которая адаптируется под твои задачи и предпочтения. Cognee сделан под память агентов. Он превращает документы, чаты и файлы в knowledge graph, по которому любая LLM может рассуждать. Можно запускать локально, в том числе через интерактивные ноутбуки. Он на 100% опенсорс. 😱 👉 @PythonPortal

Генерируй сортируемые ID экспериментов с UUID v7 из Python 3.14 UUID4 выдаёт чисто рандомные идентификаторы без хронологического порядка. Без встроенного таймстемпа тебе приходится заводить отдельное поле с временем и городить свою сортировку по времени создания записей. В Python 3.14 появился UUID версии 7 со встроенной упорядоченностью по времени. Ключевые моменты: • Порядок создания можно определить просто сравнивая два UUID напрямую • Точное время создания можно вытащить из встроенного в UUID таймстемпа

import uuid
from datetime import datetime

# UUID v7 вшивает таймстемп для сортируемых ID
id1 = uuid.uuid7()
id2 = uuid.uuid7()

# Получить UUID
print(id1)
# '019a0da1-c3be-744e-9062-9cfa43dbfe41'

# Извлечь таймстемп в миллисекундах
print(id1.time)
# '1761165168875'

# Автоматическая сортировка по времени создания
id1 < id2
# True

👉 @PythonPortal

Я люблю таких вайб-кодеров спасибо за все халявные API-ключи чел получил четыре предупреждения «не пушить в паблик» и все равно выкатил туда 💀😂 👉 @PythonPortal

Дрон, который стартует прыжком, как птица 🐦‍⬛️ Исследователи из EPFL собрали RAVEN: дрон по мотивам птиц, который умеет ходить, подпрыгивать и прыгать в момент взлета без полосы, катапульты и без помощи человека. Вместо того чтобы считать ноги балластом, команда спроектировала легкие птичьи ноги, которые реально участвуют и в передвижении, и во взлете. Дрон использует пружинно-моторные ноги, вдохновленные воронами, за счет чего он может проходить по неровной местности, запрыгивать на возвышения и эффективно “выстреливать” себя в воздух. Энергия накапливается и высвобождается за счет гибких пальцев и пружин, работающих как сухожилия, на ногах. При размахе крыльев 1 метр дрон может пройти метр за четыре секунды, прыгнуть на 26 см и перепрыгивать щели шириной 12 см. По сравнению со статическим запуском, взлет с использованием ног подбрасывает его почти на 50 см при скорости вперед 2,2 м/с, и это дает примерно в 10 раз лучшую энергоэффективность. 👉 @PythonPortal

Ты должен увидеть мои мегапиксели 😅 👉 @PythonPortal

Создавай Python-пакеты за пару секунд с uv init --package Python-пакеты позволяют вынести код в переиспользуемые модули и шарить их между проектами. Обычно это возня с setuptools, настройка билд-системы и разбор всей этой кухни с дистрибуцией. UV, быстрый установщик и резолвер зависимостей для Python, упрощает всё до двух команд: • uv init --package сразу поднимает структуру пакета • uv build и uv publish собирают и отправляют пакет на PyPI Полная статья: https://bit.ly/3Jyqtok 👉 @PythonPortal

Какие фичи C++ реально стоят того, чтобы ими пользоваться каждый день — а какие живут только в докладах и спорах на форумах? Во втором выпуске «АйТир Листа» встретились два практикующих разработчика — Данил Черепанов (МойОфис) и Антон Полухин (Яндекс) — и разобрали любимые и спорные возможности C++. Где-то всё было однозначно, а местами мнения разошлись кардинально 🙂 👉 Выпуск ЗДЕСЬ Реклама ООО "НОВЫЕ ОБЛАЧНЫЕ ТЕХНОЛОГИИ" ИНН: 7703807270 erid: 2W5zFHaafsW

С 35-летием, WorldWideWeb, первый браузер! 25 декабря 1990 года в CERN британский физик и интернет-первопроходец Тим Бернерс-Ли сделал первый в мире веб-браузер под названием WorldWideWeb. Потыкать эмулятор браузер 👌 👉 @PythonPortal

FastPython Это официальный репозиторий FastPython на GitHub. FastPython — проект про повышение производительности Python за счет практичных, drop-in паттернов и техник оптимизации. Локальные переменные, меньше обращений к атрибутам, микротюнинг горячих функций Обещает ускорить код без переписывания всего приложения 😋 👉 @PythonPortal

Преобразуй сложные регэкспы в нормальный читаемый Python-код с Pregex Шаблоны вроде [a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,} выглядят пугающе и плохо читаются. Команде без опыта в регулярках сложно понять и править такие валидации. Pregex разворачивает regex в понятный питоновский код из описательных компонентов. Что получаем: • Код сам объясняет намерение, даже без комментариев • Можно править без знаний регэкспов • Компонуешь паттерны для сложной валидации • При необходимости обратно экспортируешь в обычный regex Инструмент open source. Установка: pip install pregex Полная статья: https://bit.ly/3IWAE5O Запустите этот код: https://bit.ly/4hdQjKM 👉 @PythonPortal

❗ Пора отвлечься от хотфиксов на приятные хлопоты ❗ Время забирать подарки — годовые подписки на Облако Mail и VK Музыку. Чтобы посоревноваться за подарки: 🔹 подпишитесь на наш канал @backendhubvk 🔹 нажмите кнопку «Участвовать» 🔹 почитайте по ссылке информацию об организаторе, правилах и призах 🔹 дождитесь 30 декабря — в этом посте мы выберем случайным образом 6 победителей