В последнее время мне попадались множество публикаций про движение акций и в частности дивГэп и его закрытие, а также в этом контексте выплата дивидендов. В этой связи часто пишут про это явление , как нечто само по себе, живое и ходящее как бы само, по своей воле. Особенно это любят писать адепты технического анализа. У них "рынок аккумулируется", "акция скачет по седлам и впадинам" и развороты с пируетами совершает. Так вот: математическая формула построения графика купли-продажи : Построение графика купли-продажи может быть реализовано с помощью математической модели, основанной на временных рядах и анализа данных. Вот пример базовой модели, которая может быть использована: Ось X (горизонтальная ось) — время (дни, недели, месяцы и т.д.). Ось Y (вертикальная ось) — цена или объем продаж. Для построения графика можно использовать следующие основные формулы и шаги: Точки данных: Собрать данные о ценах и объемах продаж за определённый период времени. Временные ряды: Представить данные в виде временного ряда. Пусть 𝑡t — время, 𝑃(𝑡)P(t) — цена, а 𝑉(𝑡)V(t) — объем продаж в момент времени 𝑡t. Скользящее среднее: Для сглаживания данных можно использовать скользящее среднее. 𝑀𝐴(𝑡)=1𝑛∑𝑖=0𝑛−1𝑃(𝑡−𝑖)MA(t)=n1​i=0∑n−1​P(t−i) где 𝑛n — окно скользящего среднего. Линейная регрессия: Для прогнозирования цены или объема продаж можно использовать линейную регрессию. 𝑃(𝑡)=𝛽0+𝛽1𝑡P(t)=β0​+β1​t где 𝛽0β0​ и 𝛽1β1​ — параметры регрессии, которые можно оценить с помощью метода наименьших квадратов. Экспоненциальное сглаживание: Еще один способ сглаживания данных — экспоненциальное сглаживание. 𝑆𝑡=𝛼𝑃𝑡+(1−𝛼)𝑆𝑡−1St​=αPt​+(1−α)St−1​ где 𝛼α — параметр сглаживания (0 < 𝛼α < 1). На практике график может быть построен с использованием программных средств, таких как Python с библиотеками Matplotlib и Pandas. Вот пример кода на Python: import matplotlib.pyplot as plt import pandas as pd # Пример данных data = {'Дата': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04'], 'Цена': [100, 101, 102, 105], 'Объем продаж': [10, 15, 10, 20]} df = pd.DataFrame(data) df['Дата'] = pd.to_datetime(df['Дата']) df.set_index('Дата', inplace=True) # Построение графиков fig, ax1 = plt.subplots() ax1.set_xlabel('Дата') ax1.set_ylabel('Цена', color='tab:blue') ax1.plot(df.index, df['Цена'], color='tab:blue', label='Цена') ax1.tick_params(axis='y', labelcolor='tab:blue') ax2 = ax1.twinx() ax2.set_ylabel('Объем продаж', color='tab:red') ax2.plot(df.index, df['Объем продаж'], color='tab:red', label='Объем продаж') ax2.tick_params(axis='y', labelcolor='tab:red') fig.tight_layout() plt.title('График купли-продажи') plt.show() Этот код создает график с двумя вертикальными осями: одной для цены и одной для объема продаж. • Для тех кто плохо учился в школе: график, который вы видите на своём смартфоне или компьютере, это результат сделок. И поэтому дивидендный ГЭП, это не явление само по себе и уж тем более не обязаловка. Это отображение того, что один спекулянт продал, а другой хомяк 🐹 купил. Это посчиталось по формуле и вывелось вам в виде графика. И как правило, чтобы увидеть устойчивое движение на графике, необходим объем этих сделок в короткий промежуток времени. Спасибо тем, кто дочитал.