Python Forex Library

Python Algorithmic Trading Library. PyAlgoTrade adalah Python Algorithmic Trading Library dengan fokus pada backtesting dan dukungan untuk perdagangan kertas dan live-trading Katakanlah Anda memiliki ide untuk strategi trading dan Anda ingin mengevaluasinya dengan data historis dan lihat bagaimana Ini berperilaku PyAlgoTrade memungkinkan Anda melakukannya dengan sedikit usaha. Fitur utama. Didokumentasikan dengan baik. Drive didorong. Pembelian Pasar, Batasan, Stop dan StopLimit orders. Supports file Yahoo Finance, Google Finance dan NinjaTrader CSV. Mendukung semua jenis data deret waktu Dalam format CSV, misalnya dukungan perdagangan Quandl. Bitcoin melalui Bitstamp. Indikator teknis dan filter seperti SMA, WMA, EMA, RSI, Bollinger Bands, eksponen Hurst dan lainnya. Metrik kinerja seperti rasio Sharpe dan analisis penarikan. Mempertanyakan aktivitas Twitter secara realtime. Event profiler. TA-Lib integration. Sangat mudah untuk skala horizontal, yaitu menggunakan satu atau lebih komputer untuk mendukung strategi. AlgoTrade bebas, open source, dan dilisensikan di bawah Apach E Lisensi, Versi 2 0.Learn Quant skills. If Anda seorang trader atau investor dan ingin memperoleh seperangkat keterampilan trading kuantitatif, Anda berada di tempat yang tepat Kursus Trading With Python akan memberi Anda alat terbaik dan Praktik untuk riset perdagangan kuantitatif, termasuk fungsi dan skrip yang ditulis oleh pakar pedagang kuantitatif Kursus ini memberi Anda dampak maksimal bagi waktu dan uang Anda yang diinvestasikan. Ini berfokus pada penerapan pemrograman praktis untuk perdagangan daripada ilmu komputer teoritis Kursus ini akan membayar dengan sendirinya dengan menghemat Anda waktu dalam pemrosesan data secara manual Anda akan meluangkan lebih banyak waktu untuk meneliti strategi Anda dan menerapkan perdagangan yang menguntungkan. Gambaran mata kuliah. Part 1 Dasar-dasar Anda akan belajar mengapa Python adalah alat yang ideal untuk perdagangan kuantitatif Kami akan memulai dengan menyiapkan lingkungan pengembangan dan kemudian akan Perkenalkan Anda ke perpustakaan ilmiah. Part 2 Menangani data Pelajari bagaimana mendapatkan data dari berbagai sumber bebas seperti Yahoo Finance , CBOE dan situs lainnya Membaca dan menulis beberapa format data termasuk file CSV dan Excel. Part 3 Meneliti strategi Belajar menghitung PL dan metrik kinerja yang menyertainya seperti Sharpe and Drawdown Membangun strategi trading dan mengoptimalkan kinerjanya Beberapa contoh strategi dibahas di bagian ini..Part 4 Going live Bagian ini berpusat di seputar Interactive Brokers API Anda akan belajar bagaimana mendapatkan data saham realtime dan memesan langsung. Contoh kode. Materi kursus terdiri dari buku tulis yang berisi teks bersama dengan kode interaktif seperti ini. Dapat belajar dengan berinteraksi dengan kode dan memodifikasi sesuai dengan keinginan Anda sendiri Ini akan menjadi titik awal untuk menulis strategi Anda sendiri. Beberapa topik dijelaskan dengan sangat rinci untuk membantu Anda memahami konsep dasarnya, dalam kebanyakan kasus Anda menang. Bahkan Anda perlu menulis kode tingkat rendah Anda sendiri, karena didukung oleh perpustakaan open source yang ada, perpustakaan TradingWithPython menggabungkan banyak Fungsi yang dibahas dalam kursus ini sebagai fungsi siap pakai dan akan digunakan sepanjang kursus Pandas akan memberi Anda semua daya angkat berat yang dibutuhkan dalam penghitungan data Semua kode disediakan di bawah lisensi BSD, yang memungkinkan penggunaannya. Dalam aplikasi komersial. Course rating. Sebuah pilot kursus diadakan pada musim semi tahun 2013, inilah yang harus dikatakan siswa. Kursus yang dirancang dengan baik dan pelatih yang baik Pasti layak harganya dan waktuku Lave Jev jelas tahu kedalaman barangnya. Cakupannya sempurna Jika Jev menjalankan hal seperti ini lagi, saya akan menjadi orang pertama yang mendaftar John Phillips Tentu saja Anda benar-benar membuat saya melompat mulai mempertimbangkan python untuk analisis sistem saham. Berkembang dengan Python. Baru-baru ini saya membaca sebuah posting bagus oleh blog turinginance. Tentang bagaimana menjadi quant Singkatnya, ini menggambarkan pendekatan ilmiah untuk mengembangkan strategi perdagangan Bagi saya pribadi, mengamati data, berpikir dengan model dan membentuk hipotesis adalah sifat kedua, sebagaimana mestinya untuk setiap Insinyur yang baik. Dalam tulisan ini saya akan menggambarkan pendekatan ini secara eksplisit melalui beberapa langkah hanya beberapa, tidak semuanya terlibat dalam pengembangan strategi perdagangan. Mari lihat instrumen perdagangan yang paling umum, SP 500 ETF SPY Saya akan mulai dengan pengamatan. Observasi Terpikir oleh saya bahwa sebagian besar waktu bahwa ada banyak pembicaraan di media tentang pasar yang mogok setelah kerugian besar selama beberapa hari, cukup rebound yang signifikan kadang-kadang mengikuti di masa lalu saya Saya telah membuat beberapa kesalahan dengan menutup posisi saya untuk mengurangi kerugian, hanya untuk melewatkan pemulihan di hari-hari berikutnya. Teori umum Setelah periode kerugian berturut-turut, banyak pedagang akan melikuidasi posisi mereka karena takut kehilangan yang lebih besar. Perilaku ini diatur oleh rasa takut, bukan risiko yang diperhitungkan Pedagang yang lebih cerdas masuk kemudian untuk barang murah. Hypothesis Kembalinya hari berikutnya SPY akan menunjukkan bias ke atas setelah sejumlah kerugian berturut-turut. Untuk menguji hypo Tesis, saya telah menghitung jumlah hari turun berturut-turut Semuanya di bawah -0 1 pengembalian harian memenuhi syarat sebagai turun hari. Seri pengembalian hampir acak, jadi seperti yang diharapkan, kemungkinan 5 hari turun berturut-turut turun, Mengakibatkan jumlah kejadian yang sangat terbatas Jumlah kejadian yang rendah akan menghasilkan estimasi statistik yang tidak dapat diandalkan, jadi saya akan berhenti di 5.Below adalah visualisasi nex-tday returns sebagai fungsi dari jumlah down day. I ve juga merencanakan 90 kepercayaan Interval pengembalian antara garis Ternyata bahwa rata-rata pengembalian berkorelasi positif dengan jumlah hari ke-bawah Hipotesis dikonfirmasi. Namun, Anda dapat dengan jelas melihat bahwa alpha ekstra ini sangat kecil dibandingkan dengan band hasil pengembalian yang mungkin terjadi. Tetapi bahkan Tepian mungil bisa dimanfaatkan untuk mencari keuntungan statistik dan mengulang sesering mungkin. Langkah selanjutnya adalah menginvestigasi apakah edge ini bisa berbalik dalam strategi trading. Mengingat data di atas, strategi trading bisa diupdate dengan Af Dengan kerugian 3 atau lebih kerugian, lanjutkan jauh di sebelah depan. Berikut adalah hasil strategi ini dibandingkan dengan buy and hold murni. Ini tidak terlihat buruk sama sekali. Melihat rasio suku bunga, strategi mendapatkan angka 2 2 versus 0 44 untuk BH Ini sebenarnya cukup bagus untuk tidak terlalu bersemangat, karena saya tidak memperhitungkan biaya komisi, selip dll. Sementara strategi di atas bukanlah sesuatu yang ingin saya tukar hanya karena rentang waktu yang lama, Teori itu sendiri memprovokasi pemikiran lebih lanjut yang dapat menghasilkan sesuatu yang berguna Jika prinsip yang sama berlaku untuk data intraday, sebuah bentuk strategi scalping dapat dibangun. Dalam contoh di atas, saya telah menyederhanakan dunia sedikit hanya dengan menghitung jumlah hari ke bawah, tanpa memperhatikan Untuk kedalaman penarikan Juga, posisi keluar hanya dasar hari depan-tutup Ada banyak hal yang perlu ditingkatkan, tapi esensi menurut saya adalah ini. Kembali masa depan SPY dipengaruhi oleh penarikan dan durasi penarikan selama 3 sebelumnya. Sampai 5 Days. An trader berpengalaman tahu apa perilaku yang diharapkan dari pasar berdasarkan seperangkat indikator dan interpretasi mereka Yang terakhir ini sering dilakukan berdasarkan ingatannya atau semacam model Menemukan satu set indikator yang baik dan memproses informasi mereka merupakan tantangan besar. Pertama, kita perlu memahami faktor apa yang berkorelasi dengan harga di masa depan Data yang tidak memiliki kualitas prediktif hanya menghasilkan kebisingan dan kompleksitas, menurunkan kinerja strategi Menemukan indikator yang baik adalah sains tersendiri, yang seringkali membutuhkan pemahaman mendalam tentang dinamika pasar Bagian ini Desain strategi tidak dapat dengan mudah diotomatisasi Untungnya, begitu seperangkat indikator yang baik telah ditemukan, memori dan intuisi para pedagang dapat dengan mudah diganti dengan model statistik, yang kemungkinan akan berjalan lebih baik karena komputer memiliki memori tanpa cela dan dapat membuat Perkiraan statistik sempurna. Mengikuti perdagangan volatilitas, saya membutuhkan beberapa waktu untuk memahami apa yang mempengaruhi pergerakannya Secara khusus, saya tertarik pada variabel yang memprediksi perkiraan masa depan VXX dan XIV Saya tidak akan membahas secara lengkap di sini, namun hanya menyajikan sebuah kesimpulan bahwa dua indikator paling berharga untuk volatilitas adalah istilah kemiringan struktur dan harga volatilitas saat ini Definisi saya Dari dua ini adalah. volatilitas premium VIX-realizedVol. delta struktur kemiringan panjang VIX-VXV. VIX VXV adalah forward 1 dan 3 bulan volatilitas tersirat dari realisasi SP 500 di sini adalah volatilitas 10 hari yang direalisasikan dari SPY, yang dihitung dengan Yang - Formula delta Zhang telah sering dibahas di blog VixAndMore, sementara premium terkenal dari perdagangan pilihan. Masuk akal jika terjadi volatilitas pendek saat premium tinggi dan futures berada di delta contango 0 Ini akan menyebabkan angin ribut dari premium dan harian. Roll sepanjang struktur istilah di VXX Tapi ini hanya perkiraan kasar Strategi trading yang bagus akan menggabungkan informasi dari premium dan delta dengan prediksi arah perdagangan di VXX. I ve Telah berjuang untuk waktu yang sangat lama untuk menemukan cara yang baik untuk menggabungkan data bising dari kedua indikator yang telah saya coba sebagian besar pendekatan standar, seperti regresi linier, menulis seikat if-thens tapi semua dengan perbaikan yang sangat kecil dibandingkan Untuk hanya menggunakan satu indikator Contoh yang baik dari strategi indikator tunggal seperti itu dengan aturan sederhana dapat ditemukan di blog TradingTheOdds Tidak terlihat buruk, tapi apa yang bisa dilakukan dengan beberapa indikator. Saya akan mulai dengan beberapa data VXX yang tidak tepat yang saya Didapat dari MarketSci Perhatikan bahwa ini adalah data simulasi, sebelum VXX dibuat. Indikator untuk periode yang sama diplot di bawah. Jika kita mengambil salah satu indikator premium dalam kasus ini dan merencanakannya terhadap keuntungan VXX di masa depan, beberapa korelasi dapat dilihat. , Namun datanya sangat bising. Tetap, jelas bahwa premi negatif kemungkinan akan menghasilkan kembali VXX positif di hari berikutnya. Menggabungkan premium dan delta menjadi satu model telah menjadi tantangan bagi saya, namun saya selalu ingin melakukan statisti. Pendekatan kalim Pada intinya, untuk kombinasi delta, premium, saya ingin menemukan semua nilai historis yang paling mendekati nilai saat ini dan membuat perkiraan pengembalian masa depan berdasarkan pada mereka Beberapa kali saya mulai menulis yang terdekat saya sendiri - Algoritma interpolasi tetangga, tapi setiap kali saya harus menyerah sampai menemukan respons tetangga terdekat, saya segera membuat prediksi berdasarkan dua masukan dan hasilnya sangat bagus, sehingga saya sedikit khawatir bahwa saya telah membuat Kesalahan di suatu tempat. Inilah yang saya lakukan. Buat dataset delta, premium - VXX hari berikutnya kembali di-dari-sample. create prediktor tetangga terdekat berdasarkan dataset above. trade strategi out-of-sample dengan aturan. go long jika diprediksi return 0.go short jika diprediksi return 0.The strategy tidak bisa lebih sederhana. Hasilnya nampak sangat bagus dan menjadi lebih baik bila neigbours lebih banyak digunakan untuk estimasi. Pertama, dengan 10 poin, strategi sangat bagus di - Sampel, tapi rata out-of-sample r Ed line pada gambar di bawah ini adalah poin terakhir dalam sampel. Kemudian, kinerja menjadi lebih baik dengan 40 dan 80 poin. Dalam dua plot terakhir, strategi tersebut tampaknya melakukan rasio Sharpe in - dan out-of-sample yang sama sekitar 2 3 Saya sangat senang dengan hasilnya dan merasa bahwa saya hanya telah menggaruk permukaan dari apa yang mungkin dengan teknik ini. Pencarian saya dari alat backtesting yang ideal definisi ideal saya dijelaskan di posting dilema Backtesting sebelumnya tidak dihasilkan. Dalam sesuatu yang bisa saya gunakan dengan benar Namun, meninjau opsi yang ada membantu saya untuk memahami dengan lebih baik apa yang sebenarnya saya inginkan Dari pilihan yang saya lihat, pybacktest adalah yang paling saya sukai karena kesederhanaan dan kecepatannya Setelah melalui kode sumber , Saya punya beberapa gagasan untuk membuatnya lebih sederhana dan sedikit lebih elegan Dari sini, hanya ada sedikit langkah untuk menulis backtester saya sendiri, yang sekarang tersedia di perpustakaan StanfordWithPython. Saya telah memilih sebuah pendekatan di mana backtester berisi fu Hal-hal yang semua strategi perdagangan bagikan dan yang sering mendapat copy-paste Hal-hal seperti menghitung posisi dan kinerja, metrik kinerja dan pembuatan plot. Strategi fungsi spesifik, seperti menentukan titik masuk dan keluar harus dilakukan di luar backtester Alur kerja yang khas akan ditemukan entri Dan keluar - hitung pnl dan buat plot dengan data strategi backtester - post-process. Pada saat ini modul ini sangat minim untuk melihat sumbernya di sini, namun di masa depan saya berencana untuk menambahkan keuntungan dan stop-loss exit dan multi - Portofolio aset. Penggunaan modul backtesting ditunjukkan pada contoh ini. Saya mengatur notebook IPython saya dengan menyimpannya di berbagai direktori. Namun, ini membuat ketidaknyamanan, karena untuk mengakses notebook saya perlu membuka terminal dan mengetikkan notebook ipython --pylab Sejajarkan setiap saat aku yakin tim ipython akan menyelesaikan ini dalam jangka panjang, tapi sementara itu ada cara yang cukup populer untuk cepat mengakses notebooknya. M file explorer. All yang perlu Anda lakukan adalah menambahkan menu konteks yang dimulai server ipython di direktori yang Anda inginkan. Cara cepat untuk menambahkan item konteks adalah dengan menjalankan patch registri ini Perhatikan patch mengasumsikan bahwa Anda memiliki instalasi python Anda yang terletak di C Anaconda Jika tidak, Anda perlu membuka file tersebut di editor teks dan mengatur jalur yang benar pada baris terakhir. Petunjuk untuk menambahkan kunci registri secara manual dapat ditemukan di blog Fobia. Banyak orang berpikir bahwa leveraged etfs dalam waktu lama. Istilah underperform tolok ukur mereka Hal ini berlaku untuk pasar yang berombak, namun tidak dalam kondisi tren, baik naik atau turun Leverage hanya berpengaruh pada hasil yang paling mungkin terjadi, bukan pada hasil yang diharapkan. Untuk lebih banyak latar belakang silakan baca posting ini.2013 telah Tahun yang sangat bagus untuk saham, yang cenderung naik hampir sepanjang tahun Mari kita lihat apa yang akan terjadi jika kita menjepret beberapa etf leveraged tepat setahun yang lalu dan melindunginya dengan patokan mereka Mengetahui perilaku etf leverage yang akan saya ekspektasi T yang leveraged etfs mengungguli patokan mereka, sehingga strategi yang akan mencoba untuk mendapatkan keuntungan dari pembusukan akan kehilangan uang. Saya akan mempertimbangkan pasangan ini. SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1.Setiap leveraged etf dipegang pendek -1 dan dilindung nilai dengan etiket 1x Perhatikan bahwa untuk melakukan lindung nilai terhadap suatu invers etf posisi negatif diadakan di etx 1x. Berikut adalah satu contoh SPY vs SSO Begitu kita menormalisasi Harga menjadi 100 pada awal periode backtest 250 hari, jelas bahwa etet 2x lebih baik dari 1x etf. Sekarang hasil backtest pada pasangan di atas. Semua etf 2x termasuk terbalik telah mengungguli patokan mereka selama 2013 Menurut harapan, strategi yang mengeksploitasi pembusukan beta tidak akan menguntungkan. Saya akan berpikir bahwa memainkan etet leverage terhadap rekan mereka yang tidak cakap tidak memberikan keuntungan, kecuali jika Anda mengetahui kondisi pasar sebelum tren atau batasan. Tetapi jika Anda mengetahui kedatangan Rezim pasar, ada muc H lebih mudah cara untuk mendapatkan keuntungan darinya Sayangnya, belum ada yang benar-benar berhasil dalam memprediksi rezim pasar bahkan dalam periode yang sangat singkat. Kode sumber perhitungan yang lengkap tersedia untuk pelanggan Trading dengan kursus Python Notebook 307. Berikut adalah Ditembak pada penilaian Twitter Saya ingin memulai dengan sebuah disclaimer saat ini sebagian besar portrolio saya terdiri dari posisi TWTR pendek, jadi pendapat saya agak miring. Alasan mengapa saya telah melakukan analisis sendiri adalah bahwa taruhan saya tidak berjalan dengan baik. , Dan Twitter membuat langkah parabola pada bulan Desember 2013 Jadi, pertanyaan yang ingin saya jawab di sini adalah apakah saya harus kehilangan atau berpegang pada kekurangan saya. Pada saat penulisan, perdagangan TWTR sekitar angka 64, dengan pangsa pasar 34 7 B Sampai sekarang perusahaan belum menghasilkan keuntungan, kehilangan 142 juta pada tahun 3013 setelah menghasilkan 534 juta pendapatan Dua nomor terakhir memberi kita pembelanjaan perusahaan tahunan sebesar 676M. Harga berasal dari nilai pengguna. Pengambil dapat dibandingkan dengan Facebook, Google Dan Linked Untuk mendapatkan ide tentang jumlah pengguna dan nilainya Tabel di bawah merangkum jumlah pengguna per perusahaan dan nilai per pengguna yang berasal dari sumber tutup pasar untuk jumlah pengguna Wikipedia, nomor untuk Google didasarkan pada jumlah penelusuran unik. Ini menjadi jelas Bahwa valuasi pasar per pengguna sangat mirip untuk semua perusahaan, namun pendapat pribadi saya adalah bahwa. WTR saat ini lebih berharga bagi pengguna daripada FB atau LNKD Ini tidak logis karena kedua pesaing memiliki data pengguna pribadi yang lebih berharga yang mereka miliki. GOOG telah unggul dalam mengekstraksi pendapatan iklan dari penggunanya. Untuk melakukan itu, ia memiliki sekumpulan penawaran yang sangat beragam, mulai dari mesin pencari hingga Google Documents dan Gmail TWTR tidak ada yang menyerupai itu, sementara nilainya per pengguna hanya 35 yang lebih rendah dari itu. Google. TWTR memiliki ruang terbatas untuk menumbuhkan basis penggunanya karena tidak menawarkan produk yang sebanding dengan penawaran FB atau GOOG TWTR telah ada selama tujuh tahun sekarang dan kebanyakan orang yang menginginkan layanan telah mendapatkan kekacauan mereka. Nce Sisanya tidak peduli. Dasar pengguna WTR tidak stabil dan cenderung pindah ke hal panas berikutnya saat akan tersedia. Menurut saya referensi terbaik di sini adalah LNKD, yang memiliki relung yang stabil di pasar profesional. Dengan ini, Metrik TWTR akan dinilai terlalu tinggi Menetapkan nilai pengguna pada 100 untuk TWTR akan menghasilkan harga TWTR yang adil sebesar 46.Harga yang berasal dari pendapatan masa depan. Ada cukup data yang tersedia mengenai perkiraan penghasilan di masa depan Salah satu yang paling berguna yang pernah saya temukan adalah di sini. Angka-angka itu sementara mengurangkan pengeluaran perusahaan, yang saya asumsikan tetap menghasilkan angka-angka ini. Berdasarkan informasi yang ada, valuasi TWTR yang optimis harus berada pada kisaran 46-48 Tidak ada alasan yang jelas mengapa perdagangan tersebut harus diperdagangkan lebih tinggi dan banyak risiko operasional untuk diperdagangkan. Lebih rendah. Menurut saya, selama IPO cukup profesional telah meninjau harganya, menetapkannya pada tingkat harga yang wajar. Apa yang terjadi selanjutnya adalah pergerakan pasar yang tidak masuk akal yang tidak dibenarkan oleh informasi baru. Lihat saja Pada kegilaan bullish pada persediaan dengan orang-orang yang mengklaim hal-hal seperti burung ini akan terbang ke 100 emosi murni, yang tidak pernah berhasil dengan baik. Satu-satunya yang ada di tangan saya sekarang adalah memasukkan uang saya ke tempat mulut saya dan menempel pada celana pendek Time akan memberi tahu . Membandingkan volatilitas jangka pendek etn VXX mungkin tampak seperti ide bagus saat Anda melihat grafik dari jarak yang cukup. Karena contango di futures volatilitas, pengalaman etn ini cukup banyak di mata angin sebagian besar waktu dan kehilangan sedikit pun Nilai setiap hari Hal ini terjadi karena rebalancing sehari-hari, untuk informasi lebih lanjut silahkan melihat prospeknya. Di dunia yang ideal, jika Anda memegangnya cukup lama, sebuah keuntungan yang dihasilkan oleh pembusukan waktu di masa depan dan rebalancing dijamin, namun dalam jangka pendek. , Anda harus melewati beberapa penarikan yang cukup berat Lihatlah kembali pada musim panas tahun 2011 Saya sangat disayangkan atau cukup bodoh untuk memegang posisi VXX pendek tepat sebelum VIX naik. Saya hampir menghancurkan akun saya pada saat itu saat penarikan 80 di ju St beberapa hari yang mengakibatkan ancaman margin call oleh broker saya Margin call berarti menguangkan kerugian Ini bukan situasi yang saya inginkan lagi. Saya tahu tidak akan mudah untuk selalu bersikap dingin setiap saat, Tapi mengalami stres dan tekanan situasinya adalah sesuatu yang berbeda. Untungnya saya tahu bagaimana VXX cenderung berperilaku, jadi saya tidak panik, tapi beralih ke XIV untuk menghindari margin call. Cerita berakhir dengan baik, 8 bulan kemudian portofolio saya kembali ke Kekuatan dan saya telah belajar pelajaran yang sangat berharga. Untuk memulai dengan sebuah kata peringatan di sini tidak memperdagangkan volatilitas kecuali Anda tahu persis berapa banyak risiko yang Anda hadapi. Karena itu, mari kita lihat sebuah strategi yang meminimalkan beberapa risiko. Dengan mengkonsletkan VXX hanya jika sesuai. Strategi tesis pengalaman VXX paling menyeret saat kurva futures berada dalam contango curam Kurva futures didekati oleh hubungan VIX-VXV Kami akan memberi VXX singkat saat VXV memiliki premium yang luar biasa tinggi melebihi VIX. First , Ayo ambil a Lihatlah hubungan VIX-VXV. Bagan di atas menunjukkan data VIX-VXV sejak Januari 2010 Data poin dari tahun lalu ditunjukkan dengan warna merah Saya telah memilih untuk menggunakan kecocokan kuadrat antara keduanya, mendekati VXV f VIX FIXX diplot sebagai Garis biru Nilai di atas garis mewakili situasi saat futures berada di bawah normal contango Sekarang saya mendefinisikan indikator delta, yang merupakan penyimpangan dari delta fit VXV-f VIX Sekarang mari kita lihat harga VXX sepanjang Dengan delta. Harga di atas VXX pada skala log Di bawah ini tanda hijau delta indicat delta 0 delta tanda merah delta 0 Terlihat jelas bahwa area hijau sesuai dengan hasil negatif pada VXX. Let s mensimulasikan strategi dengan asumsi ini. VXX saat delta Taruhan modal 0.Constant pada setiap hari adalah 100. Tidak ada selip atau biaya transaksi. Strategi ini dibandingkan dengan yang diperdagangkan setiap hari, namun tidak memperhitungkan delta. Baris hijau mewakili strategi singkat VXX kami, garis biru adalah Yang bodoh 1 9 untuk strategi akhir hari yang sederhana tidak buruk sama sekali menurut pendapat saya Tapi yang lebih penting lagi adalah bahwa penarikan perut terbelenggu sebagian besar dihindari dengan memperhatikan kurva futures ke depan. Membangun strategi ini selangkah demi selangkah Akan dibahas pada saat mengikuti Trading With Python course. Harga aset atau ETF tentu saja menjadi indikator terbaik yang ada, namun sayangnya hanya ada begitu banyak informasi yang terkandung di dalamnya Beberapa orang nampaknya berpikir bahwa semakin banyak indikator rsi, Macd, moving average crossover dll semakin baik, tapi jika semuanya didasarkan pada seri harga dasar yang sama, semuanya mengandung subset dari informasi terbatas yang sama yang terdapat dalam harga Kami memerlukan lebih banyak informasi tambahan untuk apa yang terkandung harga ke Membuat tebakan yang lebih tepat tentang apa yang akan terjadi dalam waktu dekat. Contoh yang sangat baik untuk menggabungkan semua jenis info ke analisis cerdas dapat ditemukan di The Short Side of Long blog Memproduksi jenis analisis ini. Sejumlah besar pekerjaan, yang saya tidak punya waktu karena saya hanya berdagang paruh waktu Jadi, saya membangun dasbor pasar saya sendiri yang secara otomatis mengumpulkan informasi untuk saya dan menyajikannya dalam bentuk yang mudah dicerna. Dalam posting ini saya akan pergi Untuk menunjukkan bagaimana membangun sebuah indikator berdasarkan data volume pendek Posting ini akan menggambarkan proses pengumpulan dan pengolahan data. Langkah 1 Temukan sumber data Pertukaran BATS menyediakan data volume harian secara gratis di situs mereka. Langkah 2 Dapatkan data secara manual untuk memeriksa data volume pendek Dari pertukaran BATS terkandung dalam file teks yang di zip Setiap hari memiliki file zip sendiri Setelah mendownload dan membuka ritsleting file txt, inilah yang pertama ada di beberapa baris. Total file berisi sekitar 6000 simbol. Data ini cukup dibutuhkan. Beberapa pekerjaan sebelum bisa disajikan dengan cara yang berarti. Langkah 3 Secara otomatis mendapatkan data Yang saya inginkan sebenarnya bukan hanya data untuk satu hari, namun rasio volume pendek terhadap volume total selama beberapa tahun terakhir, dan saya tidak benar-benar F Belut seperti mendownload 500 file zip dan copy-paste di excel secara manual Untungnya, otomatisasi penuh hanya beberapa baris kode saja. Pertama kita perlu membuat url dari file yang akan didownload. Sekarang kita bisa mendownload beberapa file sekaligus..Step 4 Parse file yang didownload. Kita bisa menggunakan pustaka zip dan panda untuk mengurai satu file. Ini mengembalikan rasio Volume Volume Volume Pendek untuk semua simbol dalam file zip Langkah 5 Buatlah grafik Sekarang satu-satunya yang tertinggal adalah mengurai semua Download file dan menggabungkannya ke satu meja dan plot hasilnya. Pada gambar di atas saya telah merencanakan rasio volume pendek rata-rata selama dua tahun terakhir saya juga bisa menggunakan subset simbol jika saya ingin melihat secara spesifik. Sektor atau saham Cepat melihat data memberi kesan bahwa rasio volume pendek yang tinggi biasanya sesuai dengan tingkat dasar pasar dan rasio rendah tampaknya merupakan titik masuk yang baik untuk posisi yang panjang. Mulai dari sini, rasio volume pendek ini dapat digunakan sebagai basis. untuk S Pengembangan strategi. Berjuang Dengan kursus Python. Jika Anda seorang pedagang atau investor dan ingin memperoleh seperangkat keterampilan trading kuantitatif, Anda dapat mempertimbangkan untuk mengambil Trading With Python couse Kursus online akan memberi Anda alat dan praktik terbaik untuk kuantitatif. Penelitian perdagangan, termasuk fungsi dan skrip yang ditulis oleh pedagang kuantitatif ahli Anda akan belajar bagaimana mendapatkan dan mengolah jumlah data, desain dan strategi backtest yang luar biasa dan menganalisis kinerja perdagangan Ini akan membantu Anda membuat keputusan berdasarkan informasi yang penting bagi kesuksesan trader Klik di sini untuk Lanjutkan ke situs web Trading With Python course. My name is Jev Kuznetsov, siang hari saya adalah seorang insinyur peneliti di sebuah perusahaan yang terlibat dalam bisnis percetakan Sisa waktu saya seorang pedagang. Saya belajar fisika terapan dengan spesialisasi dalam pengenalan pola. Dan kecerdasan buatan Pekerjaan sehari-hari saya melibatkan sesuatu dari prototip algoritma cepat di Matlab dan bahasa lainnya ke h Pemrograman desain ardware. Sejak tahun 2009 saya telah menggunakan keterampilan teknis saya di pasar keuangan Sebelum sampai pada kesimpulan bahwa Python adalah alat terbaik yang tersedia, saya bekerja secara ekstensif di Matlab, yang tercakup di blog saya yang lain. Anda dapat menghubungi saya.