TGTGInsightаналитика telegramLIVE / telegram public index
← 🍯 Горшочек, вари! | Ковтун Александр

TGINSIGHT SIMILAR POSTS

Найти похожее

Источник @willberich · Post #708 · 29 мар.

Что происходит? Рассуждения об инвестициях в ОФЗ по текущим ценам Итак, с депозитами разобрались, с накопительными счетами (НС) – тоже. А что насчет ОФЗ? Ожидания высокой доходности ОФЗ не оправдались. Пока. Взамен в моменте сложилась дилемма: короткие ОФЗ по текущим ценам не так выгодны, как короткие вклады, но на сроки >9 месяцев ОФЗ по текущим ценам выгоднее вкладов. Что делать? ⚠️ Прежде чем рассуждать дальше, напомню: наши личные финансовые и инвестиционные решения должны основываться на наших личных убеждениях, отношению к риску и его оценке. Базовые допущения: ▪️рассуждения приводятся в контексте текущих санкций и ответных мер ▪️речь идет о сохранении денег или об инвестициях, а не о спекуляциях ▪️есть налог на купоны по ОФЗ, но нет налога на %% по депозитам 📍До 1 года Коротких выпусков ОФЗ не так много: на 4, 8 и 10 месяцев. В моменте доходность по ним составляет ок.16-17%, а с учетом налога ок.14-15%. Что ниже коротких депозитов со ставками около 20+%. Кто их тогда покупает (кроме спекулянтов, рассчитывающих на колебания цен)? Например, те, у кого: ▪️нет доверия к банкам/АСВ ▪️есть потребность в подобной диверсификации (например, не получается соблюдать страхуемый лимит в ₽1,4 млн) ▪️есть желание дождаться хороших цен на фондовом рынке, но не сидеть при этом в депозите/НС; ▪️есть уверенность в падении ключевой ставки до 17% или ниже в ближайшее время Для остальных, по идее, депозиты или НС остаются более привлекательными. 📍До 3 лет Вариантов больше – 8 выпусков со сроками от 1 года 5 месяцев до 2 лет 10 месяцев. Доходности где-то 14-15% (после налога 12-13%). В моменте это выше депозитов – там предлагают ниже 12% (хотя есть и редкие исключения). Среднесрочные ОФЗ могут быть интересны тем, кто хочет зафиксировать доходность на этот срок на уровне выше текущих депозитов и уверен в снижении ключевой ниже 15% на горизонте 6-9 месяцев. Или рассчитывает на резкий рост цен на ОФЗ в течение года для их последующей перепродажи. Однако на этом горизонте ОФЗ скорее нужны для диверсификации из-за необходимости учитывать высокую инфляцию и альтернативные доходности (по фондовому рынку). Ведь из-за текущих санкций и макроэкономики деньгам просто некуда выходить из России, а значит они могут в конце концов стимулировать инфляцию и/или перетекать на фондовый рынок. Как это происходит в Иране, который сейчас часто вспоминают как ближайший пример изолированной экономики. 📍От 3 лет Самый широкий выбор и наиболее низкие ставки, в районе 13% и ниже. Из-за ЛДВ налог влияет только на купоны (если держать до погашения), а вкладов на такие сроки чаще всего просто нет. Покупателей ОФЗ заметно меньше, а их ожидания могут быть дополнительно связаны с надеждой на получение долгосрочной доходности на уровне исторической среднерыночной (если все вернется на круги своя). Однако высокая неопределенность, инфляция и слишком длинная «срочность» служат существенными ограничениями для их покупки. Что в итоге делать с ОФЗ, каждый решает самостоятельно. Но в происходящем нам стоит учитывать еще 2 момента: 1️⃣ Клиенты брокера «Универ Капитал» потеряли свои вложения в ОФЗ: их активы были принудительно проданы Национальным клиринговым центром (НКЦ) на открытии рынка в счет погашения задолженности брокера перед НКЦ. Объем безвозвратных убытков составил ок.173,8 млн рублей. Если кратко – это неприятно и неожиданно для тех инвесторов, но законно. Если подробно, то вся история здесь. Сейчас лучше пользоваться крупными брокерами, аффилированными с банками из перечня системно-значимых. Подобные риски от этого не исчезнут, но уменьшатся хотя бы в теории. 2️⃣ Нерезидентов рано или поздно все-таки должны «выпустить» из ОФЗ. Как и когда именно это произойдет, неизвестно. Но этот выход, когда он случится, однозначно повлияет на цену и будет толкать ее вниз (а доходности - вверх). Вероятность получения более высоких доходностей сохраняется, поэтому для тех, кто готов подождать, вклады и НС по-прежнему остаются интересными. А вы сейчас покупаете/купили ОФЗ?👇🏻 #чтопроисходит#инвестиции P.S. Берегите себя и своих близких, а также свои финансы🕊

Результаты

Найдено 1 похожих постов

Поиск: #activelearning

当前筛选 #activelearning清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8234 · 08.08.2025, 10:01

🚀Прорыв от Google: активное обучение с экономией данных на 10 000× при дообучении LLM Google разработала масштабируемый процесс *active learning*, который позволяет в десятки тысяч раз сократить объём размеченных данных, необходимых для тонкой настройки больших языковых моделей на сложных задачах — например, при модерации рекламного контента. 🟢 Как работает метод: 1. Стартовая модель (LLM-0) получает промпт и автоматически размечает огромный массив данных. 2. Кластеризация выявляет примеры, где модель путается (наиболее спорные и ценные для обучения). 3. Отбор данных: из этих кластеров выбирают информативные и разнообразные примеры. 4. Экспертная разметка — только для выбранных примеров. 5. Итерации: дообучение модели → новый отбор спорных примеров → разметка → снова обучение. 🟢Результаты: - Сокращение с 100 000 размеченных примеров до менее 500 при сохранении или улучшении качества. - Улучшение метрики *Cohen’s Kappa* на 55–65 %. - В больших продакшн-моделях — до 3–4 порядков меньше данных при сопоставимом или лучшем качестве. 🟢Что такое Cohen’s Kappa? Это метрика, которая показывает, насколько два "судьи" (например, эксперт и модель) согласны между собой с поправкой на случайные совпадения. - 0.0 — нет согласия (или хуже случайного) - 0.41–0.60 — умеренное согласие - 0.61–0.80 — значительное - 0.81–1.00 — почти полное согласие В задачах с дисбалансом классов Kappa даёт более честную оценку, чем обычная точность (accuracy). Чем лучше предыдущих методов: - Точечная разметка: размечаются только самые информативные примеры. - Масштабируемость: метод применим к наборам данных с сотнями миллиардов примеров. - Экономия ресурсов: меньше времени и затрат на разметку. - Быстрая адаптация: подходит для доменов с быстро меняющимися правилами (реклама, модерация, безопасность). 🟢Вывод: При умном отборе данных LLM можно адаптировать в тысячи раз быстрее и дешевле, чем при традиционном обучении на больших размеченных наборах. #GoogleResearch#ActiveLearning#AI#LLM#MachineLearning#DataEfficiency 🟠Почитать подробно @ai_machinelearning_big_data #GoogleResearch#ActiveLearning#AI#LLM#MachineLearning#DataEfficiency