Открытые данные *

По свежим данным, сотрудники со стажем в компании менее года в октябре 2025 года получали в среднем 96,5 тыс. руб., двумя годами ранее было 71,9 тыс. руб., то есть рост составил +34,3%.

Самые высокие средние зарплаты оказались у сотрудников со стажем 1-5 лет - 99,3 тыс. руб., затем 5-10 лет - 98 тыс. руб., а у работников со стажем более 30 лет - 83,6 тыс. руб.

На первый взгляд это странно, ведь чем выше стаж, тем больше оплата должна быть. Но тут так не работает и чем ярче это искажение проявляется, чем очевиднее - для роста оплаты труда нужно менять компании.

Особенно остро этот вопрос стоит перед теми, кто торгует «статику» — фиксированные проценты риска и прибыли на сделку. Обычно эти параметры выбираются «на глаз» (например, классические 1% SL и 2% TP фиксировано, либо даже 1:1) или на основе общих тестов стратегии в симуляторе. Но рынок меняется, волатильность растёт/падает, и то, что работало в прошлом месяце, сегодня начинает медленно выедать депозит комиссиями, винрейт стратегии сильно падает.

В этой статье мы разберем, как написать инструмент на Python, который берет вашу реальную историю сделок с биржи, выкачивает под каждую сделку 500 свечей после её открытия и проводит глубокий пост-фактум анализ (Grid Search) тысяч комбинаций SL/TP с учетом плеча и комиссий. А на выходе строит наглядный интерактивный Excel-дашборд.

Все файлы прикрепил для вас на github. Скрипт работает с bingX, но логику всегда можно переделать под любую биржу.

Проблема «статического» трейдинга и классического бэктеста Большинство классических бэктестеров (вроде Backtrader или встроенного симулятора TradingView) тестируют стратегию в вакууме. Они генерируют сигналы на исторических графиках и симулируют их исполнение.

Но реальный трейдинг полон нюансов:

Проскальзывания, пинг, комиссии: Ваши реальные входы почти никогда не совпадают с идеальными точками на графике TradingView. Именно здесь имеет смысл применить пост-фактум реалтайм тест (Post-Trade Optimization). Мы не тестируем логику входов — мы тестируем качество наших реальных входов и оптимизируем правила выхода.

Никогда не думал, что парсинг Авито может стать серьезным испытанием, ну казалось бы - обычный сайт, на котором люди просто выкладывают объявления о продаже каких-либо вещей. Но я сильно ошибался. 

Площадка сильно изменилась за последние годы и из сайта с объявлениями превратилась в хорошо защищенный сервис. Мало того, что на него нельзя нормально зайти с иностранного IP-адреса, так еще и капчи понавешали на него больше чем нужно. Ощущение, что имеешь дело с каким-то Амазоном, но никак не с Авито.

Давно работая с HR‑аналитикой, мне в какой‑то момент стало интересно не просто смотреть на рынок, но и самому выделить что‑то основное, что с этого рынка я могу собрать и какие новые данные в новых разрезах представить (зарплатная аналитика, аналитика подбора персонала и тому подобное).

Есть такое, что частные случаи отсутствия роста оплаты труда могут восприниматься людьми так, будто бы такое везде, но это может быть ошибкой. У нас буквально год назад была достаточно сильная гонка зарплат, которая сейчас привела к лютому акценту на производительности труда в стране. И ведь многие ее не заметили.

И таких кейсов много: безработица низкая, а значит дефицит кадров. Но так не работает, сейчас не дефицит кадров вообще, а дефицит квалифицированных кадров и дефицит рабочих. Это был еще лишь один пример.

Что‑то может быть и правдой, но без данных такие фразы быстро превращаются в ощущения. А ощущения, как ни крути — плохая основа для выводов.

Поэтому я и начал собирать небольшой аналитический проект по рынку профессий. Идея простая: брать открытые данные, аккуратно их приводить в порядок и собирать короткие профили по отдельным профессиям.

Когда случается потерять работу, люди ищут новую разными путями: мониторят порталы по найму, подписываются на ленты компаний, вычитывают чаты профессиональных сообществ.

В этом утомляющем беге, именуемом расширение каналов поиска, немудрено пройти мимо лент вакансий из муниципального сектора по причине, что доставка информации потребителю в госсекторе обычно не блещет удобством. Да и вообще мало кто знает, что вместо ежедневного хождения к информационным стендам местного Центра занятости можно оперативно получать соискательскую информацию на смартфон.

Для устранения таких походов к стенду я разработал и делюсь с сообществом бесплатным веб-приложением, которое, будучи загруженным на хостинг, сможет через заданный интервал времени подключаться к государственной базе "Работа России" с целью забрать новые вакансии для интересующего города и вывести в ваш Telegram-канал.

Приходит ко мне как-то знакомый с импортным за 300р. «Слушай, – говорит, – ты ж антифрод-эксперт. Проверь, пожалуйста, школьную олимпиаду. У меня сын ходил, что-то результаты странные».

Триста за импортное – серьёзная заявка. Ну что ж, триста так триста. Погнали.

В апреле я писал тут про PaydaDosh — открытый словарь и корпус ингушского языка. Та статья была про «вот, собрали всё в одном месте»: 66 тысяч статей, параллельный корпус, ИИ в разделе вопросов. С тех пор прошло два месяца, и проект перестал быть просто словарём. Мы начали строить грамматику — движок, который понимает, как устроено ингушское слово.

Это статья про то, как мы это делаем технически: почему ингушская морфология — это больно, как устроен разбор словоформ, где он ломается и что мы с этим делаем. Плюс короткий обзор всего, что наросло вокруг за эти недели — корпус, инструменты, сообщество и первые встречи с академическим институтом.

Сразу оговорюсь про честность. Движок работает, но он в бете. Часть форм строится по правилам и может содержать неточности. Я буду показывать и то, что получилось, и то, что пока промахивается — потому что для малого языка вторая часть важнее первой.

Есть такой тип владельцев и руководителй бизнеса, которые искренне считают, что долги — это проблема компании, а не их личная. Компания накопила долгов? Не беда. Переведём на другого человека, перестанем сдавать отчётность, обнулим счета и забудем, а кредиторы пусть дальше сами разбираются.

Когда говорят о подделке документов, обычно подразумевают попытку обмануть человека. Но сегодня документы все чаще проверяют не сотрудники банков и служб безопасности, а алгоритмы цифрового онбординга, KYC и удаленной идентификации.

Поэтому появились подделки нового типа — рассчитанные не на людей, а на компьютеры. Их задача не выглядеть идеально, а заставить систему распознавания извлечь нужные реквизиты и пропустить заявку дальше.

Как выглядят такие атаки, почему существующие решения часто оказываются к ним не готовы и зачем мы создали открытый датасет цифровых подделок документов MIDV-DM — расскажем под катом.

Норвегия это страна, в которой нашли нефть и начали выстраивать богатую экономику. Что важно, они грамотно воспользовались своими ресурсами.

Но при этом, Норвегия обладает значительной зависимостью от нефтегазового сектора, который формирует около трети поступлений в государственный бюджет и обеспечивает немногим менее половины экспортных доходов.

О зависимости страны от нефти и газа мы еще поговорим, а сейчас разберемся, в какой точке находится нефтегазовый сектор Норвегии и что такое стареющий шельф.

Мы не собирались писать эту статью. Мы всего лишь хотели воспроизвести результаты открытого бенчмарка ICASSP-2024 по низкодозовой компьютерной томографии, сравнить их с алгоритмами Smart Tomo Engine и понять свое место относительно опубликованных baseline и SOTA-решений.

Сначала всё шло по плану. Потом более быстрый алгоритм неожиданно оказался точнее более медленного. Затем на картах ошибок начали повторяться странные структуры. А спустя несколько дней выяснилось, что часть измеряемого качества может определяться не реконструкцией томографических данных, а особенностями самого бенчмарка.

Так обычная задача воспроизведения результатов превратилась в расследование. В этой статье мы покажем, что именно удалось обнаружить, почему воспроизводимость в компьютерной томографии оказывается намного сложнее, чем кажется, и почему хороший результат в таблице лидеров не всегда означает хороший алгоритм.

Одна из моих любимых тем. И если у вас возникла ассоциация, что люди мало работают, плохо стараются или недостаточно выкладываются, то, скажу сразу, производительность не совсем и не всегда про это.

Производительность труда — это вообще‑то про то сколько ценности экономика умеет создавать на единицу труда.

Так вот, по данным World Bank, в 2024 году ВВП на одного занятого в России составлял около 86 тыс. международных долларов по ППС. Зафиксировали.

Для сравнения, средний уровень по OECD (организация экономического сотрудничества и развития) в 2024 году был выше 111 тыс., по ЕС — около 117 тыс., по Северной Америке — около 149 тыс. международных долларов на занятого.

И показатель ниже, потому что слишком часто один час труда, один сотрудник, одна команда или одно предприятие создают меньше добавленной стоимости, чем могли бы создавать при другой организации экономики.

Вы запустили продукт, вложили в него месяцы работы и деньги. А потом обнаружили, что конкурент выпустил почти точную копию — тот же интерфейс, та же логика, иногда даже те же баги. Что делать?

Эта статья — практический алгоритм. Разберём, как зафиксировать нарушение, какие способы защиты существуют, чем отличается путь через суд от пути через ФАС, сколько это стоит и сколько длится, какие дела уже прошли через суды и как не оказаться в роли нарушителя самому.

Месяц назад я начал делать pet-приложение для государственных закупок: свайпай тендеры как в Tinder, видишь AI-скоринг заказчика — стоит ли вообще лезть. Для скоринга нужны данные обо всех контрактах заказчика. Источник один — ЕИС zakupki.gov.ru. И тут начались сюрпризы.

SOAP-API требует ЭЦП юр.лица — отвал на старте. FTP-сервер с XML-выгрузками закрыт с 1 января 2025. OpenData портал — красивый каталог датасетов, но без единой ссылки на скачиваемый файл. Часа три я экспериментировал и сдался.

Остаётся HTML-парсинг публичных страниц. Дальше всё интереснее: 44-ФЗ и 223-ФЗ имеют разную вёрстку, заказчик идентифицируется тремя разными форматами одновременно (real_inn / orgId / orgCode), а НМЦК и дата эл.акта приёмки лежат вообще не там, где подсказывает имя URL.

В статье — архитектура на Vapor + Redis + PostgreSQL, код канонизации ИНН, четыре грабли где я тормозил по нескольку часов, и реальные цифры: 128k+ строк контрактов в БД, ~340 уникальных заказчиков с полным скорингом, ~100ms средняя latency на feed-запрос.

Если кто-то знает легальный путь к данным ЕИС без ЭЦП юр.лица — буду благодарен в комментах. Может я что-то упустил.

Сейчас достаточно опасно рассуждать о рынке труда как об одной единой системе.

Есть такой соблазн, а особенно когда на рынке труда растет конкуренция, то я частенько слышу выводы, касающиеся рынка в целом в стиле: окей, значит, компаниям теперь станет легче, потому что резюме больше, откликов больше, а значит и дефицит кадров должен хотя бы немного ослабнуть.

Риск такого вывода в том, что при сокращениях на рынке труда далеко не всегда высвобождается наиболее квалифицированный персонал.

Я бы сказал даже наоборот - это происходит крайне редко.

Наверняка все помнят о событиях вокруг Венесуэлы в начале этого года. Также, я ранее рассматривал в рамках обзора на нефть различных стран Венесуэлу и так как в основном тот материал был более историческим, решил добавить актуальных данных.

Можно считать это дополнением к предыдущему обзору на нефть Венесуэлы.

Если кратко по текущим потребителям: из очевидного США. Из менее очевидного - Индия (для вытеснения российской нефти).

Алгоритмический трейдинг давно превратился в новую форму цифровой мечты. Сегодня буквально каждый второй новичок уверен, что достаточно найти «правильный» индикатор, запустить Python-скрипт, подключить API биржи - и рынок начнёт стабильно печатать деньги.

Реальный рынок уничтожает такие системы с пугающей регулярностью.

И самое интересное здесь то, что проблема обычно не в самой идее. Проблема в фундаментальных ошибках проектирования алгоритма. Ошибках, которые допускает почти каждый начинающий алготрейдер.

В этой статье разберём три главные причины, из-за которых большинство торговых алгоритмов в конечном итоге уничтожают депозит. Делать это будем на примере реального Python-скрипта для торговли ETHUSDT

По свежим данным, сотрудники со стажем в компании менее года в октябре 2025 года получали в среднем 96,5 тыс. руб., двумя годами ранее было 71,9 тыс. руб., то есть рост составил +34,3%.

Самые высокие средние зарплаты оказались у сотрудников со стажем 1–5 лет — 99,3 тыс. руб., затем 5–10 лет — 98 тыс. руб., а у работников со стажем более 30 лет — 83,6 тыс. руб.

На первый взгляд это странно, ведь чем выше стаж, тем больше оплата должна быть. Но тут так не работает и чем ярче это искажение проявляется, чем очевиднее — для роста оплаты труда нужно менять компании.

Каждый, кто пробовал заставить кодинг-LLM написать вменяемый комментарий к коду на русском, знает, какая это боль. Часто модели либо срываются на английский, либо выдают «кальку», либо игнорируют структуру. А всё потому, что они изначально заточены на английский язык. Огрехи встречаются, в частности, в терминологии: модели путают технические заимствования, например «деплой», «коммит», с их буквальным переводом, что делает текст неестественным для разработчика. В структуре тоже не всегда всё гладко: при генерации на русском модели часто «ломают» установленный для Docstring формат (описание, параметры, return, exceptions), из-за чего IDE перестают подхватывать документацию.

Существующие в природе датасеты для обучения кодинг-моделей вроде CodeSearchNet и The Vault либо не содержат русского языка, либо, как MCoNaLa, заточены на поиск, а не на генерацию документации. Именно эту проблему решают ученые из MWS AI: они самостоятельно собрали датасет StRuCom, как раз ориентированный на обучение ИИ генерировать комментарии к коду.

Под катом — история о том, как он был собран.

ДМС становится все более привлекательной частью оффера при трудоустройстве в компанию. С точки зрения невозможности бесконечного роста оплаты труда, компании всё чаще предлагают дополнительные бонусы, такие как ДМС.

В этой статье я попробую разобрать ДМС через призму рынка труда и старения населения.