Python Algorithmic Trading Library. PyAlgoTrade ist eine Python Algorithmic Trading Library mit Fokus auf Backtesting und Unterstützung für Papierhandel und Live-Trading Lassen Sie uns sagen, Sie haben eine Idee für eine Handelsstrategie und Sie möchten es mit historischen Daten zu bewerten und zu sehen, wie Es verhält sich PyAlgoTrade ermöglicht es Ihnen, dies mit minimalem Aufwand zu tun. Main features. Fully dokumentiert. Event driven. Supports Market, Limit, Stop und StopLimit orders. Supports Yahoo Finance, Google Finance und NinjaTrader CSV files. Supports jede Art von Zeitreihen-Daten Im CSV-Format, zB Quandl. Bitcoin Trading-Unterstützung durch Bitstamp. Technische Indikatoren und Filter wie SMA, WMA, EMA, RSI, Bollinger Bands, Hurst Exponent und andere. Performance Metriken wie Sharpe Ratio und Drawdown-Analyse. Handling Twitter Veranstaltungen in Echtzeit. Event profiler. TA-Lib Integration. Very einfach zu skalieren horizontal, das heißt, mit einem oder mehreren Computern zu Backtest eine Strategie. PyAlgoTrade ist kostenlos, Open Source, und es ist lizenziert unter der Apache-Lizenz, Version 2 0.Learn Quant Fähigkeiten. Wenn Sie ein Händler oder ein Investor sind und möchten eine Reihe von quantitativen Trading-Fähigkeiten zu erwerben, sind Sie an der richtigen Stelle Der Trading With Python Kurs wird Ihnen die besten Werkzeuge und Praktiken für quantitative Trading Forschung, einschließlich Funktionen und Scripts Geschrieben von erfahrenen quantitativen Händlern Der Kurs gibt Ihnen maximale Wirkung für Ihre investierte Zeit und Geld Es konzentriert sich auf die praktische Anwendung der Programmierung auf den Handel statt theoretischen Informatik Der Kurs wird sich schnell bezahlen, indem Sie Zeit sparen in der manuellen Verarbeitung von Daten Sie verbringen Mehr Zeit, Ihre Strategie zu erforschen und profitable Trades zu realisieren. Grundübersicht. Part 1 Grundlagen Sie werden lernen, warum Python ein ideales Werkzeug für den quantitativen Handel ist. Wir werden mit der Gründung einer Entwicklungsumgebung beginnen und Ihnen dann die wissenschaftlichen Bibliotheken vorstellen. Part 2 Handling Die Daten Erfahren Sie, wie Sie Daten aus verschiedenen freien Quellen wie Yahoo Finanzen, CBOE und anderen Seiten zu lesen Lesen und schreiben Sie mehrere Datenformate einschließlich CSV und Excel-Dateien. Part 3 Erforschung von Strategien Lernen Sie zu berechnen PL und begleitende Performance-Metriken wie Sharpe und Drawdown Erstellen Sie einen Handel Strategie und optimieren ihre Leistung Mehrere Beispiele von Strategien werden in diesem Teil diskutiert. Part 4 Going live Dieser Teil konzentriert sich auf Interactive Brokers API Sie werden lernen, wie man Echtzeit-Bestandsdaten und Platz Live-Aufträge. Lots von Beispiel Code. The Kurs Material besteht Von Notebooks, die Text zusammen mit interaktiven Code wie diese enthalten Sie können in der Lage sein, durch die Interaktion mit dem Code zu lernen und zu ändern, um Ihre eigenen Geschmack Es wird ein guter Ausgangspunkt für das Schreiben Ihrer eigenen Strategien. Während einige Themen sind in großartig erklärt Detail, um Ihnen zu helfen, die zugrunde liegenden Konzepte zu verstehen, in den meisten Fällen, die Sie gewonnen haben, müssen sogar Ihren eigenen Low-Level-Code schreiben, da die Unterstützung durch vorhandene Open-Source-Bibliotheken TradingWithPython-Bibliothek kombiniert viel von der Funktionalität, die in diesem Kurs als ein ready - To-use-Funktionen und wird während des Kurses verwendet werden Pandas wird Ihnen mit all den schweren Heben Macht benötigt in Daten knacken Alle Code wird unter der BSD-Lizenz zur Verfügung gestellt, so dass seine Verwendung in kommerziellen Anwendungen. Course rating. A Pilot von Der Kurs wurde im Frühjahr 2013 abgehalten, das ist es, was die Schüler zu sagen haben. Matej gut entworfenen Kurs und gute Trainer Definitiv wert seinen Preis und meine Zeit Lave Jev offensichtlich wusste, seine Sachen Tiefe der Abdeckung war perfekt Wenn Jev läuft so etwas wieder , Ich werde der erste sein, um sich anzumelden John Phillips Ihr Kurs hat mich wirklich mit dem Sprung begonnen, um Python für die Lager-Systemanalyse zu betrachten. Mit Python. Ich habe vor kurzem einen tollen Beitrag vom Turinginance-Blog gelesen, wie man ein Quant ist Beschreibt einen wissenschaftlichen Ansatz zur Entwicklung von Handelsstrategien Für mich persönlich ist das Beobachten von Daten, das Denken mit Modellen und die Formhypothese eine zweite Natur, wie es für jeden guten Ingenieur sein sollte. In diesem Beitrag werde ich diesen Ansatz durch explizites Durchlaufen eines Anzahl der Schritte nur ein Paar, nicht alle von ihnen in der Entwicklung einer Trading-Strategie beteiligt. Lassen Sie einen Blick auf die häufigsten Handelsinstrument, die SP 500 ETF SPY Ich werde mit Beobachtungen beginnen. Beobnahmen Es fiel mir, dass die meisten von Die Zeit, in der es in den Medien viel darüber spricht, dass der Markt nach großen Verlusten über mehrere Tage verstreut ist, eine ziemlich deutliche Erholung manchmal folgt In der Vergangenheit habe ich ein paar Fehler gemacht, indem ich meine Positionen schließt, um Verluste kurz zu schneiden, nur um zu verpassen Eine Erholung in den folgenden Tagen. General Theorie Nach einer Periode von aufeinander folgenden Verlusten, viele Händler werden ihre Positionen aus Angst für noch größeren Verlust zu liquidieren viel von diesem Verhalten wird von Angst geregelt, anstatt berechnet Risiko Smarter Händler kommen dann für die Schnäppchen. Hypothese Die nächsten Renditen von SPY zeigen eine nach oben gerichtete Vorspannung nach einer Anzahl von aufeinanderfolgenden Verlusten. Um die Hypothese zu testen, habe ich die Anzahl der aufeinanderfolgenden Tage berechnet. Alles unter -0 1 tägliche Rückkehr qualifiziert sich als Abwärtstag Serien sind in der Nähe-zufällig, so wie man erwarten würde, sind die Chancen von 5 oder mehr aufeinander folgenden Tage niedrig, was zu einer sehr begrenzten Anzahl von Vorkommen führt. Eine geringe Anzahl von Vorkommnissen führt zu unzuverlässigen statistischen Schätzungen, also werde ich bei 5 anhalten. Unten ist eine Visualisierung von nex-tday-Renditen als Funktion der Anzahl der Down-Tage. Ich habe auch 90 Konfidenzintervall der Renditen zwischen den Zeilen aufgezeichnet. Es stellt sich heraus, dass die durchschnittliche Rendite positiv mit der Anzahl der Down-Tage korreliert ist. Hypothese bestätigt. Allerdings können Sie deutlich sehen, dass diese extra Alpha ist sehr klein im Vergleich zu der Band der wahrscheinlichen Rückkehr Ergebnisse Aber auch eine winzige Kante kann ausgenutzt werden finden Sie einen statistischen Vorteil und wiederholen Sie so oft wie möglich Nächster Schritt ist zu untersuchen, ob diese Kante sein kann Wandte sich in einer Handelsstrategie. Angesichts der Daten oben, kann eine Handelsstrategie forumlated Nach konsekutiven 3 oder mehr Verluste, gehen lange Ausfahrt auf nächster Abschluss. Below ist ein Ergebnis dieser Strategie im Vergleich zu reinen Buy-and-Hold Dies sieht nicht aus Schlechtes überhaupt Schauen ein die sharpe Verhältnisse die Strategie punktet einen Abstieg 2 2 gegen 0 44 für die BH Dies ist eigentlich ziemlich gut don t bekommen zu aufgeregt aber, wie ich nicht für Provisionskosten, Schlupf etc. While die Strategie oben ist Nicht etwas, das ich einfach wegen der langen Zeitspanne handeln möchte, die Theorie selbst provoziert weitere Gedanken, die etwas Nützliches hervorbringen könnten. Wenn das gleiche Prinzip für Intraday-Daten gilt, könnte eine Form der Scalping-Strategie aufgebaut werden Vereinheitlichte die Welt ein bisschen, indem sie nur die Anzahl der Tage unten zählte, ohne auf die Tiefe des Drawdowns zu achten. Auch der Ausstieg ist nur ein einfacher nächster Tag. Es gibt viel zu verbessern, aber das Wesentliche ist meiner Meinung nach Diese künftige Rückkehr von SPY wird durch Drawdown und Drawdown-Dauer über die letzten 3 bis 5 Tage beeinflusst. Ein erfahrener Trader weiß, welches Verhalten vom Markt auf der Grundlage eines Satzes von Indikatoren und ihrer Interpretation zu erwarten ist Letzteres wird oft auf der Grundlage seines Gedächtnisses getan Oder irgendeine Art von Modell Das Finden eines guten Satzes von Indikatoren und die Verarbeitung ihrer Informationen stellt eine große Herausforderung dar. Zuerst muss man verstehen, welche Faktoren mit den zukünftigen Preisen korreliert sind Daten, die keine prädiktive Qualität haben, führt nur zu Lärm und Komplexität, abnehmende Strategieleistung Finding Gute Indikatoren sind eine eigene Wissenschaft, die oft eine tiefe Verständnis der Marktdynamik erfordert. Dieser Teil des Strategieentwurfs kann nicht leicht automatisiert werden. Glücklicherweise, sobald ein guter Satz von Indikatoren gefunden wurde, können die Händler Gedächtnis und Intuition leicht mit einem ersetzt werden Statistisches Modell, das wahrscheinlich viel besser als Computer durchführen wird, haben makelloses Gedächtnis und kann perfekte statistische Schätzungen machen. Regarding Volatilität Handel, nahm es mich ziemlich lange zu verstehen, was beeinflusst seine Bewegungen Insbesondere interessiere ich mich für Variablen, die Zukunft voraussagen Rückkehr von VXX und XIV Ich werde hier nicht in voller Länge Erklärung, aber nur eine Schlussfolgerung meine beiden wertvollsten Indikatoren für die Volatilität sind der Begriff Struktur Steigung und aktuelle Volatilität Prämie Meine Definition von diesen beiden ist. Volatilität Prämie VIX-realizedVol. Delta-Term-Struktur Slope VIX-VXV. VIX VXV sind die Vorwärts 1 und 3 Monate implizite Volatilitäten der SP 500 realizedVol hier ist eine 10-Tage-realisierte Volatilität von SPY, berechnet mit Yang-Zhang Formel Delta wurde oft auf VixAndMore Blog diskutiert, Während Prämie aus der Option Handel bekannt ist. Es macht Sinn, kurze Volatilität zu gehen, wenn Prämie hoch ist und Futures sind in contango Delta 0 Dies wird dazu führen, dass ein Rückenwind sowohl von der Premium-und tägliche Rolle entlang der Begriff Struktur in VXX Aber das ist nur Eine grobe Schätzung Eine gute Handelsstrategie würde Informationen von Prämie und Delta kombinieren, um mit einer Vorhersage auf Handelsrichtung in VXX zu kommen. Ich habe schon lange gekämpft, um eine gute Möglichkeit zu finden, die lauten Daten von beiden Indikatoren zu kombinieren Ich habe versucht, die meisten der Standard-Ansätze, wie lineare Regression, schreiben eine Reihe von if-thens aber alle mit einem sehr kleinen Verbesserungen im Vergleich zu nur einem Indikator Ein gutes Beispiel für eine solche Indikator-Strategie mit einfachen Regeln finden Sie auf TradingTheOdds Blog Sieht nicht schlecht aus, aber was kann man mit mehreren Indikatoren machen. Ich fange mit einigen Out-of-Sample-VXX-Daten an, die ich von MarketSci bekam. Beachten Sie, dass dies simulierte Daten ist, bevor VXX erstellt wurde. Die Indikatoren für den gleichen Zeitraum sind Aufgetragen unten. Wenn wir einen der Indikatoren Prämie in diesem Fall und plot es gegen zukünftige Renditen von VXX, einige Korrelation gesehen werden kann, aber die Daten ist extrem laut. Still, ist es klar, dass negative Prämie wahrscheinlich positive VXX haben wird Kehrt am nächsten Tag zurück. Die Kombination von Prämie und Delta in ein Modell war für mich eine Herausforderung, aber ich wollte immer eine statistische Näherung machen Im Wesentlichen für eine Kombination von Delta, Premium, ich möchte alle historischen Werte finden, die sind Am nächsten zu den aktuellen Werten und machen eine Schätzung der zukünftigen Renditen auf der Grundlage von ihnen Ein paar Mal habe ich angefangen, meine eigenen Nachbar-Interpolation-Algorithmen zu schreiben, aber jedes Mal musste ich aufgeben, bis ich über die scikit nächsten Nachbarn Regression kam Ermöglichte es mir, schnell einen Prädiktor zu erstellen, der auf zwei Eingängen basiert und die Ergebnisse sind so gut, dass ich mir ein bisschen besorgt bin, dass ich irgendwo einen Fehler gemacht habe. Hier ist was ich gemacht habe. Schaffe einen Dataset von Delta, Premium - VXX am nächsten Tag - of-sample. create ein Nachbar-Prädiktor auf der Grundlage der Datensatz oben. trade Strategie out-of-Sample mit den rules. go lange, wenn vorhergesagt return 0.go kurz, wenn vorhergesagt return 0. Die Strategie könnte nicht einfacher sein Ergebnisse scheinen extrem gut und besser zu werden, wenn mehr Nachbarn für die Schätzung verwendet werden. Zuerst, mit 10 Punkten, ist die Strategie hervorragende in-Probe, aber ist flache Out-of-Probe rote Linie in Abbildung unten ist der letzte Punkt in-Probe. Dann wird die Leistung mit 40 und 80 Punkten besser. In den letzten beiden Plots scheint die Strategie das gleiche In - und Out-of-Sample-Sharpe-Verhältnis zu erzielen, ist etwa 2 3 Ich bin sehr zufrieden mit den Ergebnissen und habe das Gefühl, dass Ich habe nur gekratzt die Oberfläche von dem, was mit dieser Technik möglich ist. Meine Suche nach einem idealen Backtesting-Tool meine Definition von Ideal ist in den früheren Backtesting Dilemmas Beiträge beschrieben hat nicht zu etwas, was ich sofort verwenden könnte, aber die Überprüfung der verfügbaren Optionen haben mir geholfen, besser zu verstehen, was ich wirklich will Von den Optionen, die ich sah, war pybacktest die, die ich am meisten gefiel, wegen seiner Einfachheit und Geschwindigkeit Nach dem Durchlaufen des Quellcodes habe ich einige Ideen, um es einfacher und ein bisschen zu machen Eleganter Von dort aus war es nur ein kleiner Schritt, um meinen eigenen Backtester zu schreiben, der jetzt in der TradingWithPython-Bibliothek verfügbar ist. Ich habe einen Ansatz gewählt, bei dem der Backtester Funktionalität enthält, die alle Trading-Strategien teilen und oftmals kopiert werden Berechnen von Positionen und pnl, Performance-Metriken und Plots. Strategie-spezifische Funktionalität, wie die Bestimmung von Ein - und Ausstiegspunkten sollte außerhalb des Backtests durchgeführt werden Ein typischer Workflow wäre Eingang und Exits zu finden - berechnen pnl und machen Plots mit Backtester - Post-Process-Strategie Daten. In diesem Moment ist das Modul sehr minimal, werfen Sie einen Blick auf die Quelle hier, aber in der Zukunft planen wir, Gewinn - und Stop-Loss-Exits und Multi-Asset-Portfolios hinzuzufügen. Usage des Backtesting-Moduls wird in diesem Beispiel-Notebook gezeigt. Ich organisiere meine IPython-Notizbücher, indem ich sie in verschiedenen Verzeichnissen einbringe. Das bringt aber eine Unannehmlichkeit, denn um auf die Notebooks zuzugreifen, muss ich ein Terminal öffnen und ipython notebook - pylab inline jedes Mal, wenn ich sicher bin, dass das ipython-Team das lösen wird Der lange Lauf, aber in der Zwischenzeit gibt es eine ziemlich absteigende Art und Weise schnell auf die Notebooks aus dem Datei-Explorer zugreifen. Alles, was Sie tun müssen, ist ein Kontextmenü, das ipython Server in Ihrem gewünschten Verzeichnis startet. Eine schnelle Möglichkeit, den Kontext hinzuzufügen Element ist, indem Sie diesen Registrierungs-Patch ausführen, dass der Patch davon ausgeht, dass Sie Ihre Python-Installation in C Anaconda haben. Wenn nicht, müssen Sie die Datei in einem Texteditor öffnen und den richtigen Pfad auf die letzte Zeile setzen. Anleitung zum Hinzufügen der Registrierung Schlüssel manuell finden Sie auf Frolian s Blog. Many Menschen denken, dass Leveraged etfs auf lange Sicht unterdurchschnittlich ihre Benchmarks Dies gilt für choppy Märkte, aber nicht im Falle von Trending Bedingungen, entweder nach oben oder unten Leverage hat nur Auswirkungen auf die meisten Wahrscheinlich Ergebnis, nicht auf das erwartete Ergebnis Für mehr Hintergrund lesen Sie bitte diesen Beitrag 2013 war ein sehr gutes Jahr für Aktien, die sich für die meisten des Jahres getan haben Lasst uns sehen, was passieren würde, wenn wir einige der gehebelten etfs genau a kurzgeschlossen haben Jahr zuvor und hedged sie mit ihrem Benchmark Wissend, dass die Leveraged etf Verhalten würde ich erwarten, dass Leveraged etfs übertroffen ihre Benchmark, so dass die Strategie, die versuchen würde, von dem Verfall zu profitieren würde Geld verlieren. Ich werde über diese Paare. SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1.Jeder Leveraged etf wird kurz gehalten und mit einem 1x etf abgesichert. Beachten Sie, dass zur Absicherung einer inversen und einer negativen Position gehalten wird In der 1x etf. Here ist ein Beispiel SPY vs SSO Sobald wir die Preise zu 100 zu Beginn der Backtest-Periode 250 Tage normalisieren, ist es offensichtlich, dass die 2x etf übertrifft 1x etf. Now die Ergebnisse der Backtest auf den Paaren oben. Alle 2x etfs einschließlich inverse haben ihre Benchmark im Laufe des Jahres 2013 übertroffen. Entsprechend den Erwartungen wäre die Strategie, die Beta-Zerfall ausnutzen würde nicht rentabel. Ich würde denken, dass das Spielen von Leveraged etfs gegen ihre unleveraged Gegenstück bietet keine Kante, es sei denn, Sie wissen, die Marktbedingungen im Vorfeld Trends oder Reichweiten gebunden Aber wenn man das kommende Marktregime kennt, gibt es viel einfachere Möglichkeiten, davon zu profitieren. Leider ist noch niemand sehr erfolgreich bei der Vorhersage des Marktregimes schon kurzfristig. Full Quellcode Der Berechnungen steht für die Abonnenten des Trading mit Python Kurs Notizbuch 307.Hier ist mein Schuss auf Twitter Bewertung Ich möchte mit einem Haftungsausschluss in diesem Moment beginnen ein großer Teil meiner Portrolio besteht aus kurzen TWTR Position, so meine Meinung Ist ziemlich schief Der Grund, warum ich meine eigene Analyse gemacht habe, ist, dass meine Wette nicht gut geklappt hat, und Twitter machte eine parabolische Bewegung im Dezember 2013 Also die Frage, die ich versuche, hier zu antworten ist, sollte ich meinen Verlust nehmen oder festhalten Meine Shorts. Zur Zeit des Schreibens, TWTR Trades um 64 Mark, mit einer Marktkapitalisierung von 34 7 B Bis jetzt hat das Unternehmen keinen Gewinn gemacht und 142M im Jahr 3013 nach 534M im Umsatz verloren Die letzten beiden Zahlen geben uns jährlich Unternehmensvergütungen von 676M. Preis abgeleitet von Benutzerwert. Twitter kann mit Facebook, Google und LinkedIn verglichen werden, um eine Vorstellung von Benutzernummern und deren Werten zu erhalten. Die folgende Tabelle fasst die Benutzernummern pro Unternehmen und einen Wert pro Benutzer aus der Marktkapitalisierung zusammen Quelle für die Anzahl der Nutzer Wikipedia, die Nummer für Google basiert auf der Anzahl der einzigartigen Suchen. Es wird deutlich, dass die Marktbewertung pro Benutzer für alle Unternehmen sehr ähnlich ist, aber meine persönliche Meinung ist, dass. TWTR ist derzeit mehr wert pro Benutzer Thatn FB oder LNKD Dies ist nicht logisch, da beide Konkurrenten mehr wertvolle persönliche Benutzerdaten zur Verfügung haben. GOOG hat sich hervorragend entwickelt, um Werbeeinnahmen von seinen Nutzern zu extrahieren. Um dies zu tun, hat es eine Reihe von stark diversifizierten Angeboten, von der Suchmaschine bis hin zu Google Docs und Gmail TWTR hat nichts Ähnliches, während sein Wert pro Benutzer nur 35 niedriger ist, dass der von Google. TWTR hat einen begrenzten Raum, um seine Benutzerbasis zu wachsen, da es nicht bietet Produkte vergleichbar mit FB oder GOOG Angebote TWTR hat sich für für Sieben Jahre jetzt und die meisten Leute wollen eine accout haben ihre Chance haben Der Rest passt einfach nicht. TWTR Benutzerbasis ist flüchtig und wird wahrscheinlich auf die nächste heiße Sache zu bewegen, wenn es verfügbar wird. Ich denke, die beste Referenz hier wäre LNKD , Die eine stabile Nische im professionellen Markt hat Durch diese metrische TWTR wäre überbewertet Einstellen Benutzerwert bei 100 für TWTR würde einen fairen TWTR Preis von 46.Price aus künftigen Einnahmen zu produzieren. Es gibt genügend Daten zur Verfügung der zukünftigen Ertrag Schätzungen Eins Von den nützlichsten, die ich gefunden habe, ist hier. Using diese Zahlen bei der Subtraktion von Unternehmensausgaben, die ich davon ausgehen, konstant zu bleiben produziert diese Zahlen. Basiert auf verfügbare Informationen, optimistische Bewertung von TWTR sollte in der 46-48 Bereich Es gibt keine klar Gründe, dass es höher sein sollte und viele operative Risiken für den Handel niedriger. Meine Vermutung ist, dass während der IPO genug Profis haben den Preis überprüft, die Einstellung auf ein faires Preisniveau Was als nächstes passiert war ein irrationaler Markt bewegen nicht durch neue Informationen gerechtfertigt Nur nehmen Ein Blick auf die bullish Raserei auf stocktwits mit Menschen behaupten, Dinge wie dieser Vogel fliegen zu 100 Pure Emotion, die nie gut funktioniert. Das einzige, was ruht mir jetzt ist, mein Geld, wo mein Mund ist und halten Sie sich an meine Shorts Zeit Wird erzählen. Shorting die kurzfristige Volatilität etn VXX mag wie eine tolle Idee, wenn man sich das Diagramm aus einer gewissen Distanz Aufgrund der contango in der Volatilität Futures, die etn Erfahrungen ganz einige Gegenwind die meiste Zeit und verliert ein wenig Bit sein Wert jeden Tag Dies geschieht aufgrund des täglichen Ausgleichs, für weitere Informationen schauen Sie bitte in die Aussicht In einer idealen Welt, wenn Sie es lange genug halten, ein Gewinn durch Zeitverfall in der Futures und etn Rebalancing ist garantiert, aber in der Kurzfristig musst du irgendwelche ziemlich schweren Drawdowns durchgehen. Schau jetzt zurück auf den Sommer 2011 Ich war unglücklich oder töricht genug, um eine kurze VXX-Position zu halten, kurz bevor die VIX aufgestiegen ist In nur ein paar tage was in einer drohung von margin call von meinem broker Margin call würde bedeuten, den Verlust zu bezahlen Dies ist nicht eine Situation, die ich jemals gerne wieder in Ich wusste, es wäre nicht einfach, Kopf kühl zu allen Zeiten zu halten , Aber erlebt den Stress und Druck der Situation war etwas anderes Glücklicherweise wusste ich, wie VXX dazu neigt, sich zu benehmen, also habe ich keine Panik, aber wechselte Seite zu XIV, um einen Margin Call zu vermeiden Die Geschichte endet gut, 8 Monate später war mein Portfolio zurück An der Stärke und ich habe eine sehr wertvolle Lektion gelernt. Um mit einem Wort der Warnung hier zu beginnen, handeln Sie nicht Volatilität, es sei denn Sie wissen genau, wieviel Risiko Sie nehmen, das, lassen Sie s einen Blick an einer Strategie, die einige der minimiert Risiken durch Kurzschluss von VXX nur, wenn es angemessen ist. Strategie-These VXX erlebt am meisten schleppen, wenn die Futures-Kurve in einem steilen Contango ist Die Futures-Kurve wird durch die VIX-VXV-Beziehung angenähert Wir werden kurz VXX, wenn VXV eine ungewöhnlich hohe Prämie über VIX hat. Zuerst werfen wir einen Blick auf die VIX-VXV-Beziehung. Das Diagramm oben zeigt VIX-VXV Daten seit Januar 2010 Datenpunkte aus dem letzten Jahr sind in rot gezeigt Ich habe gewählt, um eine quadratische Passung zwischen den beiden zu verwenden, um VXV f VIX zu approximieren Das f VIX ist als blaue Linie aufgetragen Die Werte oberhalb der Linie stellen die Situation dar, wenn die Futures stärker sind als normales contango Jetzt definiere ich eine Delta-Indikator, was die Abweichung vom Fit Delta VXV-f VIX ist Zum Preis von VXX zusammen mit delta. Above Preis von VXX auf Log-Skala unter Delta Green Marker Indikator Delta 0 rote Marker Delta 0 Es ist offensichtlich, dass grüne Flächen entsprechen einem negativen Renditen in der VXX. Let s simulieren eine Strategie mit diesem diese Annahmen. Short VXX, wenn Delta 0.Constant Kapital Wette an jedem Tag ist 100.No Schlupf oder Transaktionskosten. Diese Strategie wird mit dem, der handelt jeden Tag verhandelt verglichen wird, aber nicht delta berücksichtigen. Die grüne Linie repräsentiert unsere VXX Kurze strategie, blaue linie ist die dumme ein. Sharpe von 1 9 für eine einfache end-of-day-Strategie ist überhaupt nicht schlecht in meiner Meinung Aber noch wichtiger ist, dass die gut-wrenching Drawdowns weitgehend vermieden werden, indem sie die Aufmerksamkeit auf die Forward Futures-Kurve. Building dieser Strategie Schritt-für-Schritt wird während der kommenden Trading mit Python-Kurs diskutiert werden. Preis eines Assets oder eine ETF ist natürlich die beste Indikator gibt es, aber leider gibt es nur so viel Informationen enthalten in Es Manche Leute scheinen zu denken, dass die mehr Indikatoren rsi, macd, gleitende durchschnittliche Crossover etc desto besser, aber wenn alle von ihnen auf der gleichen zugrunde liegenden Preisreihen basieren, werden sie alle enthalten eine Teilmenge der gleichen begrenzten Informationen in den Preis enthalten Wir brauchen mehr Informationen zusätzlich zu dem, was der Preis enthält, um eine informiertere Vermutung zu machen, was in der nahen Zukunft passieren wird. Ein ausgezeichnetes Beispiel für die Kombination aller Arten von Informationen zu einer klugen Analyse finden Sie auf der Short Side of Long Blog Die Herstellung dieser Art von Analyse erfordert eine große Menge an Arbeit, für die ich einfach nicht die Zeit habe, da ich nur Teilzeit treibe. So baute ich mein eigenes Markt-Dashboard, das automatisch Informationen für mich sammelt und es in einer leicht verdaulichen Form präsentiert In diesem Beitrag werde ich zeigen, wie man einen Indikator auf der Grundlage von kurzen Volumen Daten zu bauen Dieser Beitrag wird veranschaulichen, den Prozess der Datenerfassung und Verarbeitung. Schritt 1 Finden Sie Datenquelle BATS-Austausch bietet tägliche Volumen Daten kostenlos auf ihrer Website. Schritt 2 Get Daten manuell inspizieren Kurze Datenträger Daten der BATS-Austausch ist in einer Textdatei enthalten, die gezippt wird Jeder Tag hat eine eigene Zip-Datei Nach dem Herunterladen und Entpacken der txt-Datei ist das, was s in der ersten paar Zeilen. Insgesamt enthält eine Datei etwa 6000 Symbole Diese Daten benötigen eine gewisse Arbeit, bevor sie in einer aussagekräftigen Weise präsentiert werden kann. Schritt 3 Daten automatisch erhalten Was ich wirklich will, ist nicht nur die Daten für einen Tag, sondern ein Verhältnis von kurzem Volumen zu Gesamtvolumen für die letzten Jahre , Und ich spüre nicht wie das Herunterladen von 500 Zip-Dateien und kopieren Sie sie in Excel manuell Glücklicherweise ist die Vollautomatisierung nur ein paar Code-Zeilen entfernt. Zuerst müssen wir dynamisch eine URL erstellen, aus der eine Datei heruntergeladen wird Kann mehrere Dateien auf einmal herunterladen. Schritt 4 Parse heruntergeladenen Dateien. Wir können Zip und Pandas Bibliotheken verwenden, um eine einzelne Datei zu analysieren. Es gibt ein Verhältnis von Short Volume Total Volume für alle Symbole in der Zip-Datei Schritt 5 Machen Sie ein Diagramm Jetzt nur die Ding übrig ist, alle heruntergeladenen Dateien zu analysieren und sie zu einem einzigen Tisch zu kombinieren und das Ergebnis zu zeichnen. In der obigen Abbildung habe ich das durchschnittliche kurze Volumenverhältnis für die letzten zwei Jahre gezeichnet, ich könnte auch eine Untergruppe von Symbolen verwendet haben, wenn ich wollte Werfen Sie einen Blick auf einen bestimmten Sektor oder eine Aktie Schnelle Betrachtung der Daten gibt mir einen Eindruck, dass hohe kurze Volumenverhältnisse in der Regel mit Marktböden und niedrigen Verhältnissen scheinen, gute Einstiegspunkte für eine lange Position zu sein. Von hier aus, dieses kurze Volumenverhältnis Kann als Grundlage für die Strategieentwicklung verwendet werden. Trading Mit Python Kurs. Wenn Sie ein Händler oder ein Investor sind und möchte eine Reihe von quantitativen Trading-Fähigkeiten erwerben können Sie erwägen, die Trading mit Python couse Der Online-Kurs wird Ihnen mit Die besten Werkzeuge und Praktiken für die quantitative Handelsforschung, einschließlich Funktionen und Skripte, die von Experten quantitativen Händlern geschrieben werden Sie lernen, wie man unglaubliche Mengen an Daten, Design und Backtest-Strategien zu bekommen und zu verarbeiten und die Handelsleistung zu analysieren. Dies wird Ihnen helfen, fundierte Entscheidungen zu treffen, die entscheidend sind Für einen Händler Erfolg Klicken Sie hier, um den Handel mit Python Kurs Website fortzusetzen. Mein Name ist Jev Kuznetsov, während des Tages bin ich ein Forscher Ingenieur in einer Firma, die in Druckgeschäft beteiligt ist Der Rest der Zeit bin ich ein Händler. Ich studiert Angewandte Physik mit Spezialisierung auf Mustererkennung und künstliche Intelligenz Meine tägliche Arbeit beinhaltet alles von schnellem Algorithmus Prototyping in Matlab und anderen Sprachen bis hin zu Hardware Design Programmierung. Seit 2009 habe ich meine technischen Fähigkeiten auf den Finanzmärkten verwendet. Bevor ich zu dem Schluss gehe, dass Python der ist Das beste Werkzeug, ich arbeitete ausführlich in Matlab, das auf meinem anderen Blog abgedeckt ist. Du kannst mich erreichen.
No comments:
Post a Comment