За последний месяц мы провели масштабную модернизацию каталога новостроек, чтобы вы не просто размещали объекты, а управляли ими с максимальным комфортом.
Теперь в вашем распоряжении — персональный кабинет застройщика. Это ваш цифровой помощник, который берет на себя рутину:
• Загрузка данных — добавляйте планировки и актуальные цены в пару кликов; • Полный контроль — ведите перечень продаваемых квартир в структурированном виде; • Аналитика под рукой — отслеживайте статистику по каждому объекту в режиме реального времени, чтобы видеть полную картину спроса.
Как получить доступ?
Это просто. Если вы уже работаете с нами, отправьте запрос с той корпоративной почты, которая указана в контактах ваших объектов. Мы моментально пришлем вам персональную ссылку для привязки объектов к вашему новому аккаунту. Начните работать эффективнее уже сегодня.
Если откатиться на 10 лет назад и посчитать инвестиционную привлекательность новостроек с учетом сдачи в аренду, то выглядит все довольно радужно. Во всех регионах "бетон" обгоняет вклад.
Но что будет в будущем никто не знает, моя аналитика показывает, что как минимум "бетон" будет наравне со вкладом следующие 10 лет.
Сделал сервис для сравнения накоплений на вкладе и оформления ипотеки на недвижимость.
Удалось сделать
Получение исторических данных средних ставок по вкладу с сайта ЦБ РФ
Получение исторических данных стоимости квадратного метра недвижимости по каждой области с сайта федеральной статистики.
"Предсказание" будущих ставок по вкладам с помощью рядов Фурье.
"Предсказание" будущей стоимости квадратных метров, тоже с помощью рядов Фурье.
Итоги
Накопление на вкладе за последние 20 лет выигрывает у ипотеки, даже с учетом съема аналогичной квартиры.
В ряде областей и в определенные периоды ипотека на новостройки обыгрывает вклад, если не учитывать, что лет 10-15 назад, новостройка - это было ожидание готовой квартиры от 2 лет и более и если сравнивать с ценами на текущие новостройки, не учитывая, что купленная ранее вами квартира уже стала вторичкой.
Сделал интересный индикатор, который анализирует приращения между максимумами и минимумами, как случайную величину. Пока что накапливаю информацию по криптовалютам, так как биржа EXMO довольно легко дает получать ценовые ряды по любым периодам.
Более подробно...
Пусть у нас есть ценовой ряд за некоторый период:
P0, P1, ... PN - например, цены закрытия дня.
Мы находим локальные максимумы и минимумы (пики и впадины) на этом ряде. Используем правило Pt - локальный максимум,
если Pt > Pt−k и Pt > Pt+k, для некоторого окна k
После идентификации получаем две последовательности:
Максимумы: M1, M2 ... Mm Минимумы: L1, L2 ... Ll
Возможные варианты «разницы между точками»
1. Разница по времени (временной интервал)
Случайная величина
Dt=Tnext max−Tlast min
или наоборот — время между соседними экстремумами разного типа.
Это интервал времени от минимума до следующего максимума или от максимума до следующего минимума.
2. Разница по цене (амплитуда движения)
Случайная величина
Dp=Mj−Li
где Li предшествующий минимум перед максимумом Mj.
Это величина трендового движения (рост от минимума к следующему максимуму) или падение от максимума к следующему минимуму.
На данном этапе выбрал для реализации вариант № 2 (Разница по цене) !
Расчет вероятности
Далее считаем математическое ожидание случайной величины, среднеквадратичное отклонение. Соотносим эти значения относительно цены актива в процентном соотношении.
А уже используя матожидание и отклонение считаем вероятность относительно последнего зафиксированного экстремума, используя экспоненциальную функцию:
Теперь можно отследить график котировок наложенный на изменения индекса информационного фона, посмотреть список новостей, которые используются при формировании индекса с кратким описанием положительных и отрицательных аспектов новости.
Жду дальнейшего накопления информации по изменению индексу...
Вы когда-нибудь замечали, что цены в магазинах растут быстрее, чем обещает статистика? Многие из нас, глядя на официальные данные об инфляции в 4-7%, скептически качают головой, вспоминая, как еще год назад могли купить гораздо больше за те же деньги. Этот разрыв между "бумажной" инфляцией и реальной жизнью заставляет задуматься.
Поэтому сделал раздел Инфляция, где буду считать реальную инфляцию на одни и те же группы товаров. На данный момент настроил минимальную продуктовую корзину на месяц по Москве. Она оказалось довольно не высокой, порядка 8000 руб. То есть на эти деньги в Москве реально питаться месяц и не умереть с голоду.
Индекс информационного фона акций (ИИФ) — это комплексный количественный показатель, который оценивает тональность и насыщенность публикаций в СМИ и социальных сетях об определенной компании, отрасли или рынке в целом.
Проще говоря, это "градусник" новостного настроения, который показывает, как часто о чем-то пишут и в каком ключе (позитивном, негативном или нейтральном).
Как это работает?
ИИФ строится с помощью технологий обработки естественного языка (NLP) и анализа тональности (sentiment analysis):
Сбор данных: Роботы (краулеры) агрегируют новости из тысяч источников: деловые СМИ (Bloomberg, РБК, Коммерсант), официальные пресс-релизы, социальные сети (Twitter, Telegram), форумы и т.д.
Анализ тональности: Каждый текст "прочитывается" алгоритмом, который определяет его эмоциональную окраску:
Нейтральная: фактологическая информация без явной оценки.
Взвешивание и расчет: Разным источникам и типам упоминаний присваиваются разные веса (упоминание в крупном СМИ важнее, чем в маленьком блоге). На основе этого рассчитывается итоговый индекс. Он может быть представлен в виде числа (например, от -10 до +10) или градации (например, "крайне негативный", "нейтральный", "крайне позитивный").
В своем же расчете на данный момент для оценки новости, я использую большую языковую модель (LLM). В частности DeepSeek.
Новости пока что берутся только с РБК, поэтому оценивается вес каждой новости, вес источника не учитывается.
Новость оценивается от -10 до +10.
Для того чтобы минимизировать ошибку оценки новости нейросетью, оценка производится до 6 раз.
Как рассчитывается итоговый результат?
Расчет итогового результата ведется по алгоритму экспоненциального затухания.
Идея: каждая оценка "теряет вес" со временем по экспоненте. Чем старше оценка, тем меньше её вклад.
