Этот репозиторий содержит Python-скрипты, которые помогают частным инвесторам находить ликвидные облигации, анализировать денежные потоки и отслеживать новости эмитентов.

Несмотря на обилие публичных сервисов для поиска облигаций, данное решение выделяется тем, что это open source решение, которое:

1. Формирует краткий список привлекательных вариантов, доступных для покупки прямо сейчас.
2. Проводит анализ денежных потоков.
3. Собирает актуальные новости по каждой компании.

Скрипт взаимодействует с API Московской биржи и фильтрует облигации по важным параметрам.
На рынке торгуется более 2500 облигаций, но многие из них неликвидны: по ним либо нет предложений, либо их очень мало, что делает покупку невозможной. Этот скрипт отбирает только те облигации, которые действительно доступны для торговли.

Читать подробнее об этом скрипте на: Хабр | Смартлаб

Этот скрипт загружает данные о купонах и выплатах номинала для списка облигаций из Excel-файла bonds.xlsx, используя API Московской биржи, и записывает результат в отдельную вкладку того же файла. Третья вкладка содержит анализ выплат. Это удобный инструмент для автоматизированного расчета кэшфлоу по облигациям.

Читать подробнее об этом скрипте на: Хабр | Смартлаб

Используя уже собранные коды ценных бумаг в Excel-файле bonds.xlsx для облигаций на Московской биржи, скрипт получает название эмитента с биржи и затем собирает последние новости по каждой из компаний. Просмотр заголовков помогает быстро понять, что сейчас происходит с эмитентом и чем он занимается.

Читать подробнее об этом скрипте на: Смартлаб | Хабр

Скрипт автоматически рассчитывает оптимальное количество облигаций для покупки, основываясь на доступной сумме денег. Получает актуальные цены и НКД через API Московской биржи для списка облигаций из Excel-файла bonds.xlsx и сохраняет результаты расчета в новый файл bonds_calculation purchase volume.xlsx.

Читать подробнее об этом скрипте на: Хабр | Смартлаб

Многие частные инвесторы не ведут учет облигационного портфеля, что затрудняет принятие стратегических и тактических решений. Доступные портфельные трекеры платные, а самостоятельное ведение Excel-документов требует значительных усилий. Данный проект создан для тех, кто хочет вести учет облигаций в Excel, но хочет избавиться от рутины.

Есть условные 300 000 руб: разделяем всю сумму на 10 облигаций.

1. Воспользуемся первой частью скрипта на питоне – он найдёт самый выгодные варианты.
2. Прогоняем их через поиск новостей – если в новостях не написано что прокуратура предъявила требования к этой организации, то следующий шаг.
3. Четвёртый скрипт рассчитает нужное количество к покупке на основании суммы.

Раз облигации достаточно много, то один раз в месяц просматривать брокерский счёт и докупать какие-то новые бумаги через первый шаг поиска облигаций.

И так повторять до бесконечности.

Я выбрал отдельные скрипты на Python вместо встроенных функций Python в Excel, потому что:

• Встроенный Python работает только в Microsoft Office 2024 и требует подписки Office 365.
• Он поддерживает только ограниченный список библиотек от Microsoft и Anaconda.
• Работает исключительно под Windows.

Скрипты, представленные здесь, лишены этих ограничений и могут использоваться на любой платформе: Windows, MacOS и даже Linux.

Если вы не разбираетесь в программировании, но хотите воспользоваться этими Python-скриптами, следуйте инструкции:

1. Откройте ссылку: GitHub проекта.
2. Нажмите “Code” → “Download ZIP”.
3. Разархивируйте ZIP-архив в удобную папку.

Если Python не установлен:

• Windows: скачайте и установите Python с официального сайта. В установке отметьте “Add Python to PATH”.
• MacOS: скачайте Python для macOS и установите.

1. Откройте папку с проектом.
2. Дважды кликните файл:
   • Windows: install_requirements.bat
   • MacOS: install_requirements.command

1. Дважды кликните файл 1_bonds_search by criteria.py.
2. Во время выполнения будет отображаться лог процесса.

После завершения работы скрипта будет создан файл с текущей датой:
bond_search_2025-03-25.xlsx

Убедитесь, что у вас установлен Python 3.9+ и выполните команду:

pip install -r requirements.txt

Использование виртуального окружения является хорошей практикой, она позволяет:

• позволяет изолировать зависимости для разных проектов;
• более простое управление зависимостями проекта;
• позволяет избегать конфликтов с системными пакетами;
• обеспечивает переносимость и повторяемость между разными компьютерами.

Документация к менеджеру пакетов https://docs.astral.sh/uv/

Для начала работы установите менеджер пакетов по инструкции https://docs.astral.sh/uv/getting-started/installation/ из документации.

Выполните команду

uv sync

Найдите скрипты в проводнике и дважды кликните по нужному Вам. Это запустит скрипт, и он обновит или создаст файл Excel.

После окончания работы можно посмотреть логи работы – скрипт ждёт нажатия кнопки.

uv run python src/cli.py

1. Сделайте форк репозитория.
2. Склонируйте свой форк к себе на рабочую машину.
3. Создайте виртуальное окружение и установите необходимые зависимости

uv sync

4. Перед тем как вносить изменения или добавлять тесты, проверьте текущее состояние тестов

uv run pytest

5. Создайте новую ветку

git checkout -b dev

6. Внесите свои изменения
7. Покройте свои изменения тестами
8. Проверьте что все тесты проходят

uv run pytest

9. Создайте коммит в коротким описание проделаной работы

git add спискок измененных файлов
git commit -m 'Выполнил полезную работу'

10. Отправьте изменения в свой форк

git push origin dev

11. Создайте pull request в интерфейсе github.

Если вы хотите использовать JavaScript-версию, у меня есть другой репозиторий с:

• Node.js-версией поиска
• Поиском в Google Таблицах на Google Apps Script

Смотреть здесь

Если у вас есть вопросы или предложения, создавайте issue или pull request. Буду рад обратной связи! 🚀

Автор: Михаил Шардин
🔗 Моя онлайн-визитка
📢 Telegram «Умный Дом Инвестора»