Trading Strategie Python

Leer Quant vaardighede As jy 'n handelaar of 'n belegger en wil graag 'n stel kwantitatiewe handel vaardighede te bekom, is jy op die regte plek. Die handel met Python kursus sal u voorsien van die beste gereedskap en praktyke vir kwantitatiewe handel navorsing, insluitende funksies en skrifte geskryf deur kundige kwantitatiewe handelaars. Die kursus gee jou maksimum impak vir jou belê tyd en geld. Dit fokus op praktiese toepassing van ontwikkeling te handel eerder as teoretiese rekenaarwetenskap. Die kursus sal vinnig betaal vir homself deur spaar jou tyd in handleiding verwerking van data. Jy sal meer tyd ondersoek jou strategie en implementering van winsgewende bedrywe. Natuurlik oorsig Deel 1: Basics Jy sal leer hoekom Python is 'n ideale hulpmiddel vir kwantitatiewe handel. Ons sal begin deur die oprigting van 'n ontwikkeling omgewing en sal dan stel jy die wetenskaplike biblioteke. Deel 2: Hantering van die data Leer hoe om data uit verskillende gratis bronne soos Yahoo Finansies, CBOE en ander terreine te kry. Lees en skryf verskeie data formate, insluitend CSV en Excel-lêers. Deel 3: Navorsing oor strategieë Leer om P L en gepaardgaande prestasie statistieke soos Sharpe en Onttrekking bereken. Bou 'n handel strategie en sy prestasie te optimaliseer. Veelvuldige voorbeelde van strategieë word in hierdie deel. Deel 4: Gaan lewendige Hierdie deel is gesentreer rondom Interaktiewe Brokers API. Jy sal leer hoe om realtime voorraad data en plek live bestellings te kry. Baie van die voorbeeld kode Die kursusmateriaal bestaan ​​uit notaboeke wat teks saam met interaktiewe kode soos hierdie een bevat. Jy sal in staat wees om te leer deur interaksie met die kode en pas dit om jou eie smaak. Dit sal 'n groot vertrekpunt om te skryf jou eie strategieë Terwyl sommige onderwerpe word in groot detail te help om die onderliggende konsepte verstaan, in die meeste gevalle sal jy gewen t eens nodig om jou eie lae-vlak-kode skryf, as gevolg van ondersteuning deur bestaande open-source biblioteke. TradingWithPython biblioteek kombineer baie van die funksies bespreek in hierdie kursus as 'n gereed-om-te gebruik funksies en sal deur die loop gebruik. Pandas sal u voorsien van al die swaar-opheffing krag wat nodig is in die data knars. Al die kode word onder die BSD lisensie, om die gebruik daarvan in kommersiële toepassings te Kursus gradering 'n vlieënier van die kursus was gehou in die lente van 2013, dit is wat die studente het om te sê: Matej goed ontwerpte kursus en goeie afrigter. Beslis die moeite werd om sy prys en my tyd Lave Jev natuurlik geweet sy dinge. diepte van dekking was perfek. As Jev so iets loop weer, sal ek die eerste wees om aan te meld. John Phillips jou kursus het regtig my spring begin oorweeg luislang vir voorraadstelsel ontleding. Binary Options Trading: Forex opsies, Stock opsies, indeks opsies Commodity opsies - optionsClick OptionsClick. Om handel te hou met OptionsClick Stem asseblief Ek aanvaar al LTL s (Leadtrade) beleid en terme en voorwaardes back testing n vooruitskatting Strategie vir die S P500 in Python met pandas Deur Michael Saal-Moore op 22 Januarie 2014 Onlangs op QuantStart ve ons bespreek masjienleer . voorspel. back testing ontwerp en implementering back testing. Ons gaan nou al hierdie vorige gereedskap kombineer om 'n finansiële vooruitskatting algoritme vir die S P500 Amerikaanse aandelemark indeks backtest deur handel oor die SPY ETF. In hierdie artikel sal swaar bou op die sagteware wat ons reeds in die bogenoemde artikels, insluitend die objekgeoriënteerde back testing enjin en die vooruitskatting seingenerator ontwikkel. Die aard van objekgeoriënteerde programmering beteken dat die kode wat ons daarna skryf kort gehou kan word as die swaar werk uit op klasse wat ons reeds ontwikkel is uitgevoer. Volwasse Python biblioteke soos matplotlib. pandas en scikit-leer ook die noodsaaklikheid te verminder om boiler-kode skryf of kom met ons eie implementering van bekende algoritmes. Die vooruitskatting Strategie Die vooruitskatting strategie self is gebaseer op 'n masjien leer tegniek bekend as 'n kwadratiese diskriminant ontleder. wat nou verwant is aan 'n lineêre diskriminant ontleder. Albei hierdie modelle word in detail beskryf in die artikel oor die voorspelling van finansiële tydreekse. Die weervoorspeller gebruik die vorige twee daaglikse opbrengs as 'n stel faktore tot vandag rigting van die aandelemark voorspel. As die waarskynlikheid van die dag om te oorskry 50, die strategie koop 500 aandele van die SPY ETF en verkoop dit aan die einde van die dag. As die waarskynlikheid van 'n down dag meer as 50, die strategie verkoop 500 aandele van die SPY ETF en dan koop terug aan die einde. Dit is dus ons eerste voorbeeld van 'n intraday handel strategie. Let daarop dat dit nie 'n besonder realistiese handel strategie Ons is onwaarskynlik dat 'n opening of sluiting prys ooit bereik as gevolg van verskeie faktore soos oormatige opening wisselvalligheid, order routing deur die makelaars en potensiaal likiditeit kwessies rondom die oop / beslote. Daarbenewens het ons nie ingesluit transaksiekoste. Dit sou waarskynlik 'n aansienlike persentasie van die opbrengs wees as daar 'n heen-en terugreis handel elke dag uitgevoer. So ons weervoorspeller moet relatief akkurate by die voorspelling van die daaglikse opgawes te wees, anders transaksiekoste sal al ons handel opbrengste eet. Implementering Soos met die ander Python / pandas verwant tutoriale Ek het die volgende biblioteke gebruik: Die implementering van SNP forecast. py hieronder vereis backtest. py van hierdie vorige tutoriaal. Daarbenewens forecast. py (wat hoofsaaklik bevat die funksie te skep uitgestel reeks) is gemaak op grond van hierdie vorige tutoriaal. Die eerste stap is om die nodige modules en voorwerpe in te voer: Sodra al die relevante biblioteke en modules is ingesluit is dit tyd om die Strategie abstrakte basis klas oorerf, soos ons in die vorige tutoriale gedra. SNPForecastingStrategy is ontwerp om 'n kwadratiese Diskriminant Analyser pas by die S P500 voorraad indeks as 'n middel van die voorspelling van die toekomstige waarde. Die pas van die model is in die pas model metode hieronder gedra, terwyl die werklike seine gegenereer word uit die genereer seine metode. Dit pas by die koppelvlak van 'n strategie klas. Die besonderhede van hoe 'n kwadratiese diskriminant ontleder werk, sowel as die Python implementering hieronder, word beskryf in detail in die vorige artikel oor die voorspelling van finansiële tydreekse. Die kommentaar in die bronkode hieronder bespreek breedvoerig wat die program doen: Nou dat die voorspelling enjin die seine opgelewer het, kan ons 'n MarketIntradayPortfolio skep. Hierdie portefeulje voorwerp verskil van die inligting wat in die bewegende gemiddelde Crossover backtest artikel byvoorbeeld as dit voer die saak op 'n intraday basis. Die portefeulje is ontwerp om 'n lang (koop) 500 aandele van SPY gaan by die opening prys as die sein dat 'n up-dag sal plaasvind en dan verkoop aan die einde. Aan die ander kant, die portefeulje is ontwerp gaan kort (verkoop) 500 aandele van SPY as die sein bepaal dat 'n af-dag sal plaasvind en daarna sluit uit teen die heersende prys. Om hierdie verskil die prys tussen die mark oop en die mark naby pryse word bepaal bereik elke dag, wat lei tot 'n berekening van die daaglikse wins op die 500 aandele gekoop of verkoop. Dit lei dan natuurlik om 'n aandele kurwe deur kumulatief 'n opsomming van die wins / verlies vir elke dag. Dit het ook die voordeel van wat ons toelaat om wins / verlies statistieke te bereken vir elke dag. Hier is die lys vir die MarketIntradayPortfolio: Die finale stap is om die strategie te bind en Portefeulje voorwerpe saam met 'n hooffunksie. Die funksie verkry die data vir die SPY instrument en dan skep die sein genereer strategie op die S P500-indeks self. Dit word verskaf deur die GSPC ENKELE. Dan is 'n MarketIntradayPortfolio gegenereer met 'n aanvanklike kapitaal van 100,000 dollar (soos in die vorige handleidings). Ten slotte, is die opbrengs bereken en die aandele kurwe is geplot. Let op hoe min kode vereis op hierdie stadium, want al die swaar berekening in die strategie en portefeulje subklasse gedra. Dit maak dit baie maklik om nuwe handel strategieë te skep en toets hulle vinnig vir gebruik in die strategie pyplyn. Die opbrengs van die program word hieronder gegee. In hierdie tydperk teruggekeer die aandelemark 4 (aanvaarding van 'n ten volle belê koop en hou strategie), terwyl die algoritme self ook teruggekeer 4. Let daarop dat transaksiekoste (soos kommissie fooie) is nie by hierdie back testing stelsel. Sedert die strategie voer een maal per dag 'n heen-en terugreis handel, hierdie fooie is geneig om die opbrengste aansienlik beperk. In die daaropvolgende artikels sal ons realisties transaksiekoste voeg, te benut bykomende vooruitskatting enjins, bepaal prestasie statistieke en voorsien portefeulje optimalisering gereedskap. Michael Saal-Moore Mike is die stigter van QuantStart en is betrokke by die kwantitatiewe finansiële sektor vir die afgelope vyf jaar, in die eerste plek as 'n quant ontwikkelaar en later as 'n quant handelaar konsultasie vir verskansingsfondse.