Trading Strategia In Python

Maggiori competenze Quant Se sei un commerciante o un investitore e vorrebbe acquisire una serie di abilità di negoziazione quantitative, siete nel posto giusto. Il Trading con corso Python vi fornirà i migliori strumenti e le pratiche per la ricerca di trading quantitative, comprese le funzioni e script scritti dai commercianti quantitative esperti. Il corso ti dà il massimo impatto per il vostro tempo investito e denaro. Essa si concentra sulla applicazione pratica di programmazione alla negoziazione piuttosto che informatica teorica. Il corso si ammortizza rapidamente consentendo di risparmiare tempo nel trattamento manuale dei dati. Vi permetterà di trascorrere più tempo alla ricerca la vostra strategia e l'attuazione di fruttuosi scambi commerciali. Scheda del corso Parte 1: Basics Imparerete perché Python è uno strumento ideale per la negoziazione quantitativa. Inizieremo con la creazione di un ambiente di sviluppo per poi farvi conoscere le biblioteche scientifiche. Parte 2: Gestione dei dati di imparare come ottenere i dati provenienti da varie fonti gratuiti come Yahoo Finance, CBOE e altri siti. Leggere e scrivere più formati di dati, inclusi file CSV e Excel. Parte 3: La ricerca di strategie Impara a calcolare la PL e metriche di performance di accompagnamento come Sharpe e drawdown. Costruire una strategia di trading e ottimizzare le prestazioni. Molteplici esempi di strategie sono discussi in questa parte. Parte 4: andare in diretta Questa parte è centrata intorno Interactive Brokers API. Imparerete come ottenere i dati in tempo reale di magazzino e gli ordini di posto dal vivo. Un sacco di codice di esempio Il materiale del corso è costituito da quaderni che contengono testo insieme con il codice interattivo come questo. Sarete in grado di imparare interagendo con il codice e modificarlo a proprio piacimento. Sarà un ottimo punto di partenza per scrivere le proprie strategie Mentre alcuni argomenti sono spiegati in dettaglio per aiutarvi a capire i concetti di base, nella maggior parte dei casi è solito nemmeno bisogno di scrivere il proprio codice di basso livello, a causa del sostegno da parte esistente aperto biblioteche - source. biblioteca TradingWithPython riunisce molte delle funzionalità discusso in questo corso come un funzioni pronte per l'uso e verrà utilizzato in tutto il corso. Pandas vi fornirà tutto il potere pesante di sollevamento necessaria in scricchiolio dei dati. Tutto il codice è fornito sotto la licenza BSD, che ne permette l'uso in aplications commerciali Course Rating Un pilota del corso si è tenuta nella primavera del 2013, questo è ciò che gli studenti avuto modo di dire: corso Matej ben progettato e buon allenatore. Sicuramente vale il suo prezzo e il mio tempo Lave Jev ovviamente sapeva la sua roba. profondità della copertura è stato perfetto. Se Jev gestisce qualcosa di simile di nuovo, Ill essere il primo a firmare. John Phillips tuo corso davvero mi ha fatto saltare iniziato a considerare pitone per magazzino sistema analysis. Python Algorithmic Trading Biblioteca PyAlgoTrade è un Trading algoritmico libreria Python con particolare attenzione alla backtesting e il supporto per la carta-trading e live-trading. Diciamo che avete un'idea per una strategia di trading e youd piace di valutare con i dati storici e vedere come si comporta. PyAlgoTrade permette di farlo con il minimo sforzo. Principali caratteristiche completamente documentato. Evento guidato . Supporta Mercato, Limite, Stop e ordini StopLimit. Supporta i file di Yahoo Finance, Google Finance e NinjaTrader CSV. Supporta qualsiasi tipo di dati di serie temporali in formato CSV, ad esempio Quandl. supporto commerciale Bitcoin attraverso Bitstamp. Indicatori tecnici e filtri come SMA, WMA, EMA, RSI, le bande di Bollinger, Hurst esponente e altri. metriche di performance come indice di Sharpe e analisi drawdown. Gestione degli eventi di Twitter in tempo reale. profiler evento. Integrazione TA-Lib. Molto facile da scalare orizzontalmente, cioè, utilizzando uno o più computer di backtest una strategia. PyAlgoTrade è gratuito, open source, ed è rilasciato sotto la licenza Apache, versione 2.0.Backtesting una Moving Average Crossover in Python con i panda nel precedente articolo sulla ricerca Backtesting ambienti in Python con i panda abbiamo creato un backtesting basata sulla ricerca orientata agli oggetti ambiente e testato su una strategia di previsione casuale. In questo articolo andremo a fare uso della macchina abbiamo introdotto per effettuare ricerche su una strategia vera e propria, vale a dire il Moving Average Crossover su AAPL. Moving Average Crossover Strategia The Moving Average Crossover tecnica è una strategia estremamente noto slancio semplicistico. Si è spesso considerato l'esempio Ciao Mondo per la negoziazione quantitativa. La strategia, come indicato qui è long-only. vengono creati due semplici separato in movimento filtri medi, con diversi periodi di lookback, di una particolare serie di tempo. I segnali di acquisto del bene si verificano quando la media mobile lookback più breve supera la più lookback media mobile. Se la media più successivamente supera la media più breve, il bene viene venduto indietro. La strategia funziona bene quando una serie di tempo entra in un periodo di forte tendenza e poi inverte lentamente la tendenza. Per questo esempio, ho scelto di Apple, Inc. (AAPL), come le serie storiche, con una breve lookback di 100 giorni e una lunga lookback di 400 giorni. Questo è l'esempio fornito dalla libreria trading algoritmico zipline. Quindi se vogliamo implementare la nostra backtester dobbiamo garantire che corrisponda i risultati in zipline, come mezzo di base della convalida. Attuazione assicurarsi di seguire il tutorial precedente qui. che descrive come la gerarchia degli oggetti iniziale per l'backtester è costruito, in caso contrario il codice qui sotto non funziona. Per questa particolare applicazione ho usato le seguenti librerie: L'attuazione di macross. py richiede backtest. py dal tutorial precedente. Il primo passo è quello di importare i moduli e gli oggetti necessari: Come nel precedente tutorial andremo a creare una sottoclasse della classe di base astratta strategia per produrre MovingAverageCrossStrategy. che contiene tutti i dettagli su come generare i segnali quando le medie mobili di AAPL attraversare vicenda. L'oggetto richiede una shortwindow e longwindow su cui operare. I valori sono stati impostati per default di 100 giorni e 400 giorni, rispettivamente, che sono gli stessi parametri utilizzati nell'esempio principale della zipline. Le medie mobili sono creati usando i panda funzione rollingmean sul prezzo di chiusura barsClose del titolo AAPL. Una volta che i singoli medie mobili sono stati costruiti, la serie segnale viene generato impostando il colum pari a 1,0 quando la media mobile corta è maggiore della media a lungo in movimento o 0.0 altrimenti. Da questo gli ordini posizioni possono essere generati per rappresentare segnali di trading. Il MarketOnClosePortfolio è una sottoclasse di portafoglio. che si trova in backtest. py. È quasi identica alla realizzazione descritta nel tutorial precedente, con l'eccezione che le operazioni sono ora effettuate su base Close-to-Close, piuttosto che una base Open-to-Open. Per i dettagli su come l'oggetto del portafoglio è definito, vedere il tutorial precedente. Ive ha lasciato il codice per completezza e per mantenere questo tutorial autosufficiente: Ora che sono state definite le classi MovingAverageCrossStrategy e MarketOnClosePortfolio, una funzione principale sarà chiamata a legare tutte le funzionalità insieme. Inoltre le prestazioni della strategia sarà esaminata tramite un grafico della curva di equità. I download degli oggetti panda DataReader OHLCV prezzi di AAPL magazzino per il periodo 1 gennaio 1990 al 1 Gennaio 2002, a quel punto il dataframe segnali è stato creato per generare i segnali long-only. Successivamente il portafoglio è generato con una base di 100.000 dollari di capitale iniziale e il rendimento sono calcolati sulla curva di equità. Il passo finale è quello di utilizzare matplotlib per tracciare un diagramma a due cifre di entrambi i prezzi AAPL, sovrapposto con le medie mobili e segnali buysell, così come la curva di equità con gli stessi segnali buysell. Il codice tracciato è preso (e modificato) dalla esempio di implementazione zipline. L'uscita grafica del codice è il seguente. Ho fatto uso del comando Incolla IPython di mettere questo direttamente nella console IPython mentre in Ubuntu, in modo che l'output grafico è rimasto in vista. I upticks rosa rappresentano l'acquisto del magazzino, mentre i downticks neri rappresentano la vendita indietro: Come si può vedere la strategia perde denaro nel corso del periodo, con cinque di andata e ritorno dalle compravendite. Questo non è sorprendente dato il comportamento del AAPL nel corso del periodo, che era una leggera tendenza al ribasso, seguito da un significativo aumento a partire dal 1998. Il periodo lookback dei mobili segnali media è piuttosto grande e questo influenzato il profitto del commercio finale , che altrimenti potrebbe aver fatto la strategia redditizia. Negli articoli successivi creeremo un mezzo più sofisticati di analisi delle prestazioni, oltre a descrivere come ottimizzare i periodi lookback del singolo movimento segnali medi. Appena iniziato con TradingTrading quantitativa con Python Ive letto di recente un grande post dal blog turinginance su come essere un Quant. In breve, descrive un approccio scientifico per lo sviluppo di strategie di trading. Per me personalmente, osservando i dati, pensando con modelli e formando ipotesi è una seconda natura, come dovrebbe essere per qualsiasi buon ingegnere. In questo post ho intenzione di illustrare questo approccio esplicitamente passando attraverso una serie di misure (solo un paio, non tutti) coinvolti nello sviluppo di una strategia di trading. Diamo uno sguardo al strumento di trading più comune, il SampP 500 ETF SPY. inizio malato con le osservazioni. Osservazioni mi venne in mente che la maggior parte del tempo che si parla molto in media circa il danneggiamento del mercato (dopo grosse perdite per diversi giorni periodo), un bel rimbalzo significativo volte di seguito. In passato Ive ha fatto un paio di errori, chiudendo le mie posizioni di tagliare le perdite breve, solo per perdere una ripresa nei giorni successivi. Teoria generale Dopo un periodo di perdite consecutive, molti commercianti si liquidare le loro posizioni per paura per la perdita ancora più grande. Gran parte di questo comportamento è regolato dalla paura, piuttosto che rischio calcolato. commercianti intelligenti sono disponibili in poi per le occasioni. Ipotesi: il giorno successivo rendimenti del SPY mostreranno una distorsione verso l'alto, dopo una serie di sconfitte consecutive. Per verificare l'ipotesi, Ive ha calcolato il numero di giorni consecutivi verso il basso. Tutto sotto -0.1 ritorno quotidiano si qualifica come un giorno verso il basso. La serie di ritorno sono quasi casuale, in modo come ci si aspetterebbe, le probabilità di 5 o più giorni consecutivi scorrimento sono bassi, risultando in un numero molto limitato di eventi. Basso numero di occorrenze si tradurrà in stime statistiche inaffidabili, fermata così male a 5. Qui di seguito è una visualizzazione dei rendimenti NEX-tday in funzione del numero di giorni in giù. Ive ha anche tracciato 90 intervallo di confidenza dei rendimenti tra le linee. Si scopre che il rendimento medio è correlato positivamente con il numero di giorni in giù. Ipotesi confermata. Tuttavia, si può chiaramente vedere che questa alpha supplementare è molto piccola rispetto alla banda dei risultati di ritorno probabili. Ma anche un piccolo bordo può essere sfruttata (vedere il vantaggio statistico e ripetere più spesso possibile). Il passo successivo è quello di indagare se questo bordo può essere trasformato in una strategia di trading. Visti i dati di cui sopra, una strategia di trading può essere forumlated: Dopo consectutive 3 o più perdite, andare lungo. Esci dal prossimo vicino. Qui di seguito è il risultato di questa strategia rispetto al puro buy-and-hold. Questo non sembra affatto male alla ricerca di un indice di Sharpe i punteggi di strategia una discesa 2.2 rispetto a 0,44 per il BampH. Questo è in realtà piuttosto bene (non si ottiene troppo eccitato, però, come non ho tener conto dei costi commision, slittamento, ecc). Mentre la strategia di cui sopra non è qualcosa che vorrei scambiare semplicemente a causa del lasso di tempo lungo, la teoria stessa provoca pensieri futher che potrebbero produrre qualcosa di utile. Se lo stesso principio vale per dati intraday, una forma di strategia scalping potrebbe essere costruito. Nell'esempio sopra Ive semplificato il mondo un po 'soltanto contando il numero di giorni scorrimento, senza prestare attenzione alla profondità del prelievo. Inoltre, l'uscita di posizione è solo una base entro il giorno successivo da vicino. C'è molto da migliorare, ma l'essenza a mio parere è questo: future rese di spia sono ifluenced dal prelievo e prelievo durata nel corso degli ultimi 3 a 5 giorni. Un operatore esperto sa quale comportamento aspettarsi dal mercato sulla base di una serie di indicatori e la loro interpretazione. Quest'ultimo è spesso fatto in base alla sua memoria o un qualche tipo di modello. Trovare un buon set di indicatori ed elaborare i loro dati rappresenta una grande sfida. In primo luogo, si ha la necessità di capire quali fattori sono correlati a prezzi futuri. I dati che non ha alcuna qualità predittivo solo intorduces rumore e la complessità, diminuendo le prestazioni strategia. Trovare buoni indicatori è una scienza di per sé, che spesso richiedono profonda understandig delle dinamiche di mercato. Questa parte del design strategia non può essere facilmente automatizzato. Fortunatamente, una volta che è stato trovato un buon set di indicatori, la memoria gli operatori e l'intuizione può essere facilmente sostituito con un modello statistico, che probabilmente a svolgere molto meglio come i computer hanno la memoria impeccabile e possono fare stime statistiche perfette. Per quanto riguarda il commercio di volatilità, mi ci è voluto un po 'di tempo per capire che cosa influenza i suoi movimenti. In particolare, Sono interessato variabili in grado di predire i futuri ritorni di VXX e XIV. Non voglio entrare in full-length spiegazione qui, ma solo presentare una conclusione. i miei due indicatori più preziosi per la volatilità sono la pendenza struttura a termine e premio di volatilità. La mia definizione di questi due è: premio di volatilità VIX-realizedVol delta (struttura pendio termine) VIX-VXV VIX amp VXV sono l'avanti di 1 e 3 mese volatilità implicite del SampP 500. realizedVol ecco un volatilità realizzata di 10 giorni di Spy, calcolata con Yang-Zhang formula. Delta è stato spesso discusso sul VixAndMore blog, mentre il premio è ben noto da trading delle opzioni. Ha senso andare short quando la volatilità è alta qualità e dei futures sono in contango (delta lt 0). Ciò causerà un vento di poppa sia il premio and roll ogni giorno lungo la struttura a termine in VXX. Ma questa è solo una stima approssimativa. Una buona strategia di trading sarebbe combinare le informazioni da entrambi premium e Delta a venire con una previsione sulla direzione commerciale in VXX. Ive lottato per molto tempo a venire con un buon modo per combinare i dati rumorosi da entrambi gli indicatori. Ive ha provato la maggior parte degli approcci standard, come la regressione lineare, la scrittura un po 'di se-allora. ma tutti con un molto piccoli miglioramenti rispetto all'utilizzo di un solo indicatore. Un buon esempio di tale strategia indicatore unico con regole semplici può essere trovato sul TradingTheOdds blog. Non sembra male, ma cosa si può fare con molteplici indicatori di inizio malato con alcuni dati VXX out-of-sample che ho ricevuto da MarketSci. Si noti che si tratta di dati simulati, prima VXX è stato creato. Gli indicatori per lo stesso periodo sono riportati di seguito: Se prendiamo uno degli indicatori (premio in questo caso) e la trama contro future rese di VXX, una certa correlazione può essere visto, ma i dati sono estremamente rumoroso: Ancora, è chiaro tale premio negativo rischia di avere rendimenti positivi sul VXX il giorno successivo. La combinazione di entrambi premium e delta in un unico modello è stata una sfida per me, ma ho sempre voluto fare una approssimazione statistica. In sostanza, per una combinazione di (delta, premium), Id come per trovare tutti i valori storici che sono più vicini ai valori correnti e fare una stima dei rendimenti futuri basati su di essi. Un paio di volte Ive ha iniziato a scrivere i miei propri algoritmi di interpolazione primi vicini, ma ogni volta ho dovuto rinunciare. fino a quando mi sono imbattuto nel scikit più vicino di regressione vicini. Mi ha permesso di costruire rapidamente un predittore basata su due ingressi ed i risultati sono così buoni, che Im un po 'preoccupato che Ive ha commesso un errore da qualche parte. Ecco quello che ho fatto: creare un set di dati di delta, premio - gt VXX successivo ritorno in giornata (in-of-sample) creare un predittore primi vicini in base al set di dati di cui sopra strategia commerciale (out-of-sample) con le regole: andare a lungo se il ritorno previsto gt 0 andare a breve se previsto LT0 ritorno La strategia non potrebbe essere più semplice. I risultati sembrano estremamente buono e ottenere meglio quando più neigbors vengono utilizzati per la stima. Innanzitutto, con 10 punti, la strategia è eccellente in-campione, ma è flat out-of-campione (linea rossa nella figura sottostante è l'ultimo punto in-sample) Poi, performance migliorano con 40 e 80 punti: Nell'ultimo due lotti, la strategia sembra per eseguire lo stesso in - e out-of-sample. indice di Sharpe è di circa 2,3. Sono molto soddisfatto dei risultati e hanno la sensazione che Ive stato solo grattando la superficie di ciò che è possibile con questa tecnica. La mia ricerca di uno strumento di backtesting ideale (la mia definizione di ideale è descritto nel precedente backtesting dilemmi posti) non hanno comportato una cosa che ho potuto usare subito. Tuttavia, rivedere le opzioni disponibili mi hanno aiutato a capire meglio quello che voglio. Tra le opzioni Ive ha guardato, pybacktest era quello che mi è piaciuto di più a causa della sua semplicità e velocità. Dopo aver attraversato il codice sorgente, Ive ha ottenuto alcune idee per rendere più semplice e un po 'più elegante. Da lì, è stato solo un piccolo passo per scrivere il mio backtester, che ora è disponibile nella libreria TradingWithPython. Ho scelto un approccio in cui il backtester contiene funzionalità che tutte le strategie di trading condividono e che spesso viene copia-incollato. Cose come il calcolo delle posizioni e PNL, metriche di performance e facendo trame. funzionalità specifiche di strategia, come determinare i punti di ingresso e di uscita dovrebbe essere fatto al di fuori della backtester. Un flusso di lavoro tipico potrebbe essere: trovare l'ingresso e le uscite - gt calcolare pnl e fare trame con backtester - gt dati strategia post-processo In questo momento il modulo è molto minimale (date un'occhiata alla fonte qui), ma in futuro ho intenzione sull'aggiunta di profitto e stop-loss uscite e portafogli multi-asset. L'utilizzo del modulo di backtesting è mostrato in questo esempio notebook organizzo i miei quaderni ipython salvandoli in directory differenti. Questo porta tuttavia un inconveniente, perché per accedere ai quaderni che ho bisogno di aprire un terminale e digitare ipython notebook --pylabinline ogni volta. Sono sicuro che la squadra ipython risolverà questo nel lungo periodo, ma nel frattempo c'è un modo di discesa abbastanza per accedere rapidamente ai notebook dal file explorer. Tutto quello che dovete fare è aggiungere un menu contestuale che inizia ipython del server nella directory desiderata: Un modo rapido per aggiungere l'elemento contesto è quello di eseguire questa patch Registro di sistema. (. Nota la patch si presuppone che l'installazione di Python trova in C:. Anaconda In caso contrario, you8217ll necessario aprire il file. reg in un editor di testo e impostare il percorso a destra nell'ultima riga). Istruzioni su come aggiungere le chiavi di Registro di sistema manualmente possono essere trovati sul Frolians blog. Molte persone pensano che gli ETF a leva a lungo termine rendimenti inferiori i loro punti di riferimento. Questo è vero per i mercati mosso, ma non nel caso di condizioni di tendenza, verso l'alto o verso il basso. Leverage ha solo effetto sul risultato più probabile, non sul risultato previsto. Per più di fondo si prega di leggere questo post. Il 2013 è stato un anno molto buono per gli stock, che una tendenza per la maggior parte dell'anno. Vediamo cosa accadrebbe se cortocircuitato alcuni degli ETF con leva esattamente un anno fa e oggetto di copertura con il loro punto di riferimento. Conoscere il comportamento ETF leveraged Mi aspetterei che gli ETF leveraged hanno sovraperformato il loro punto di riferimento, per cui la strategia che avrebbe cercato di trarre profitto dal decadimento avrebbe perso soldi. Sarò considerando queste coppie: SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 -2 QQQ QID -1 -2 IYF SKF -1 Ogni ETF con leva finanziaria si svolge breve (-1) e coperto con un 1x ETF. Si noti che per coprire un ETF inversa una posizione negativa si svolge nella ETF 1x. Ecco un esempio: SPY vs SSO. Una volta che abbiamo normalizzare i prezzi a 100 all'inizio del periodo di backtest (250 giorni), è evidente che l'ETF 2x supera 1x ETF. Ora i risultati del backtest sulle coppie di cui sopra: Tutti gli ETF 2x (tra cui inversa) hanno superato il loro punto di riferimento nel corso del 2013. Secondo le aspettative, la strategia sfruttando decadimento beta non sarebbe redditizia. Vorrei pensare che giocare ETF leveraged contro la loro controparte leva finanziaria non prevede alcun limite, se non si conosce in anticipo le condizioni di mercato (trend o gamma-bound). Ma se si conosce il regime di mercato a venire, ci sono modi molto più facile di trarre profitto da esso. Purtroppo, nessuno è ancora stato veramente successo a predire il regime di mercato a anche il brevissimo termine. Il codice sorgente completo dei calcoli è disponibile per gli iscritti del Commercio con corso Python. Notebook 307 Qui è il mio colpo a valutazione Twitter. Id piace iniziare con un disclaimer: in questo momento una gran parte della mia portrolio costituito da posizione corta TWTR, quindi il mio parere è piuttosto inclinata. Il motivo Ive fatto la mia analisi è che la mia scommessa non ha funzionato bene, e Twitter ha fatto una mossa parabolica nel dicembre 2013. Quindi la domanda che Im cercando di rispondere qui è dovrei prendere la mia perdita o mantenere il miei pantaloncini. Al momento della scrittura, TWTR scambia circa 64 marchio, con una capitalizzazione di mercato di 34,7 B. Fino ad ora l'azienda non ha fatto alcun profitto, perdendo 142M nel 3013 dopo aver fatto 534m di ricavi. Gli ultimi due numeri ci danno annuali spendings società di 676m. Prezzo derivato dal valore utente Twitter può essere confrontato con Facebook, Google e LinkedIn per avere un'idea dei numeri di utenti ed i loro valori. La tabella seguente riassume i numeri utili per ogni azienda e un valore per utente derivata dalla capitalizzazione di mercato. (Fonte per numero di utenti: Wikipedia, il numero di Google si basa sul numero di ricerche uniche) diventa evidente che la valutazione di mercato per utente è molto simile per tutte le aziende, ma la mia opinione personale è che: TWTR è attualmente più prezioso per utente thatn FB o LNKD. Questo non è logico in quanto entrambi i concorrenti hanno più preziosi dati personali dell'utente a loro disposizione. GOOG è stato eccellere in estrarre entrate pubblicitarie dai propri utenti. Per fare questo, ha una serie di offerte altamente diversificati, dal motore di ricerca per Google. Documenti e Gmail. TWTR ha nulla simile a quella, mentre il suo valore per utente è solo il 35 più bassa thatn quello di Google. TWTR dispone di una sala limitata a crescere la sua base di utenti in quanto non offre prodotti analoghi alle offerte FB o GOOG. TWTR è stato intorno per sette anni e la maggior parte delle persone che vogliono un accout hanno avuto la loro occasione. Il resto semplicemente non se ne cura. base di utenti TWTR è volatile ed è probabile per passare alla prossima cosa calda quando sarà disponibile. Credo che il miglior riferimento qui sarebbe LNKD, che ha una nicchia stabile nel mercato professionale. Con questa metrica TWTR sarebbe sopravvalutato. L'impostazione del valore d'uso a 100 per TWTR produrrebbe un prezzo equo TWTR di 46. Prezzo derivato da guadagni futuri ci sono dati sufficienti a disposizione dei futuri stime sugli utili. Uno di quelli più utili Ive ha trovato è qui. Utilizzando questi numeri, mentre sottraendo spendings aziendali, che presumo a rimanere costante. produce questo numero: Conclusione Sulla base delle informazioni disponibili, la valutazione ottimistica della TWTR dovrebbe essere nel range 46-48. Non ci sono evidenti ragioni dovrebbe essere negoziazione rischi operativi più elevati e molti al commercio minore. La mia ipotesi è che durante l'IPO sufficiente di professionisti hanno rivisto il prezzo, fissandola a un livello di prezzo equo. Quello che è successo dopo era una mossa di mercato irrazionale non giustificate da nuove informazioni. Basta dare uno sguardo alla frenesia rialzista sul StockTwits. con la gente sostenendo le cose come questo uccello volerà a 100. emozione pura, che non funziona bene. L'unica cosa che mi riposa ora è di mettere i miei soldi dove la mia bocca è e bastone per i miei pantaloncini. Il tempo lo dirà. Cortocircuito a breve termine la volatilità ETN VXX può sembrare una grande idea quando si guarda il grafico da una certa distanza. A causa del contango nei futures volatilità, le esperienze ETN un po 'di vento contrario la maggior parte del tempo e perde un po' il suo valore ogni giorno. Ciò accade a causa di ribilanciamento giornaliero, per ulteriori informazioni si prega di guardare in prospettiva. In un mondo ideale, se si tiene abbastanza a lungo, un reddito generato dal tempo di decadimento dei futures e ETN riequilibrio è garantito, ma nel breve termine, youd devono passare attraverso alcuni prelievi piuttosto pesanti. Basta guardare indietro l'estate del 2011. Sono stato sfortunato (o stupido) sufficiente a tenere una posizione corta VXX poco prima che il VIX è salito. Ho quasi saltato il mio conto per allora: 80 prelievo in appena un paio di giorni risultante in una minaccia di chiamata di margine dal mio broker. margin call significherebbe incassare la perdita. Questa non è una situazione Id mai come essere di nuovo. Sapevo che non sarebbe stato facile mantenere la testa fresca in ogni momento, ma vivendo lo stress e la pressione della situazione era qualcosa di diverso. Per fortuna ho saputo VXX tende a comportarsi, quindi non ho fatto prendere dal panico, ma passato lato a XIV per evitare una chiamata di margine. La storia finisce bene, otto mesi dopo il mio portafoglio era di nuovo a forza e ho imparato una lezione molto preziosa. Per iniziare con una parola di avvertimento qui: non scambiare la volatilità se non sai esattamente quanto rischio si sta assumendo. Detto questo, permette di dare un'occhiata a una strategia che minimizza alcuni dei rischi cortocircuitando VXX solo quando è opportuno. Tesi Strategia: esperienze VXX più resistenza quando la curva dei futures è in una ripida contango. La curva dei future è approssimata dal rapporto VIX-VXV. Ci sarà breve VXX quando VXV ha un insolitamente elevato premio sul VIX. In primo luogo, consente di dare uno sguardo al rapporto VIX-VXV: Il grafico qui sopra mostra i dati VIX-vxv dal gennaio 2010. I punti dati dello scorso anno sono mostrati in rosso. Ho scelto di utilizzare una forma quadratica tra i due, approssimando VXV f (VIX). Il f (VIX) è tracciata come una linea blu. I valori al di sopra della linea rappresentano situazione in cui i future sono in forte di contango normale. Ora definisco un indicatore delta, che è la deviazione dalla misura: delta VXV-f (VIX). Ora permette di dare un'occhiata al prezzo di VXX insieme a Delta: Sopra: prezzo di VXX su scala logaritmica. Sotto: delta. marcatori verdi INDICAT delta GT 0. indicatori rossi deltalt0. È evidente che le aree verdi corrispondono a una rendimenti negativi nel VXX. Consente di simulare una strategia con questo questi presupposti: Breve VXX quando delta GT 0 capitale costante (scommessa su ogni giorno è 100) Nessun slittamento o costi di transazione Questa strategia viene confrontato con quello che commercia breve ogni giorno, ma non prende delta in considerazione . La linea verde rappresenta la nostra strategia a breve VXX, la linea blu è il muto. Sharpe di 1.9 per una semplice strategia di fine giornata non è affatto male a mio parere. Ma ancora più importante è che i prelievi budella sono in gran parte evitati prestando attenzione alla curva dei future avanti. Costruire questo passo passo-strategia sarà discussa durante la prossima Trading Con corso Python. Prezzo di un bene o di un ETF è, naturalmente, il migliore indicatore che ci sia, ma purtroppo c'è solo solo così tante informazioni in esso contenute. Alcune persone sembrano pensare che i più indicatori (RSI, MACD, lo spostamento di crossover media, ecc). meglio, ma se tutti sono basati allo stesso prezzo del sottostante serie, saranno tutti contengono un sottoinsieme dello stesso limitate informazioni contenute nel prezzo. Abbiamo bisogno di più informazioni aggiuntive rispetto a ciò che è contenuto il prezzo per fare un'ipotesi più informato su ciò che sta per accadere nel prossimo futuro. Un esempio eccellente di combinare tutti i tipi di informazioni per l'analisi intelligente può essere trovato sul lato corto del blog Long. La produzione di questo tipo di analisi richiede una grande quantità di lavoro, per il quale io non semplicemente avere il tempo come ho solo il commercio part-time. Così ho costruito la mia cruscotto mercato che raccoglie automaticamente le informazioni per me e la presenta in una forma facilmente digeribile. In questo post ho intenzione di mostrare come costruire un indicatore basato sui dati del volume brevi. Questo post illustrerà il processo di raccolta ed elaborazione dei dati. Fase 1: Trova origine dei dati. Scambio BATS fornisce dati volume giornaliero gratuitamente sul loro sito. Fase 2: Ottenere dati amp manualmente controllare i dati di volume al di sotto del BATS Exchange è contenuto in un file di testo che viene compresso. Ogni giorno ha il suo file zip. Dopo aver scaricato e decompresso il file txt, questa è la cosa è dentro (prime righe): In totale un file contiene circa 6000 simboli. Questi dati sono esigenze un po 'di lavoro prima di poter essere presentato in modo significativo. Fase 3: ottenere automaticamente i dati quello che voglio non è solo i dati per un giorno, ma un rapporto di breve volume per volume totale per il passato parecchi anni, e io non veramente sentire come il download di 500 file zip e copiarli-incolla in eccellere manualmente. Per fortuna, la completa automazione è solo un paio di righe di codice via: Per prima cosa dobbiamo creare dinamicamente un URL da cui un file sarà scaricato: Ora siamo in grado di scaricare più file contemporaneamente: Fase 4. file scaricabili Parse possiamo usare zip e panda librerie per analizzare un singolo file: Esso restituisce un rapporto di corto VolumeTotal volume per tutti i simboli presenti nel file zip: Fase 5: Fare un grafico: Ora l'unica cosa rimasta è quella di analizzare tutti i file scaricati e combinarli per una singola tabella e la trama il risultato: Nella figura sopra ho tracciato il rapporto medio breve volume per gli ultimi due anni. Ho anche potuto usare un sottoinsieme di simboli se volevo dare un'occhiata a un settore o magazzino specifico. rapido sguardo ai dati che mi dà l'impressione che gli alti rapporti di volume brevi di solito corrispondono con fondi di mercato e bassi rapporti sembrano essere buoni punti di ingresso per una posizione lunga. Partendo da qui, questo rapporto in volume corto può essere utilizzata come base per la strategia sviluppo. Trading con corso Python Se sei un commerciante o un investitore e vorrebbe acquisire una serie di abilità di negoziazione quantitative si può prendere in considerazione il Trading con Python couse. Il corso on-line vi fornirà i migliori strumenti e le pratiche per la ricerca di trading quantitative, comprese le funzioni e script scritti dai commercianti quantitative esperti. Imparerete come ottenere ed elaborare incredibili quantità di dati, progettazione e backtest strategie e analizzare le prestazioni di trading. Questo vi aiuterà a prendere decisioni informate che sono cruciali per il successo commercianti. Clicca qui per continuare a del Commercio con Python sito del corso Il mio nome è Jev Kuznetsov, durante il giorno sono un researcherengineer in una società che si occupa di attività di stampa. Il resto del tempo io sono un commerciante. Ho studiato fisica applicata con specializzazione in pattern recognition e l'intelligenza artificiale. Il mio lavoro quotidiano coinvolge qualsiasi cosa, da prototipazione rapida algoritmo in Matlab e altri linguaggi di programmazione hardware progettazione amp. Dal 2009 ho utilizzato le mie competenze tecniche nei mercati finanziari. Prima di arrivare alla conclusione che Python è il miglior strumento a disposizione, ho lavorato molto in Matlab, che è coperto sul mio blog.