„Python for Finance“ - algoritminės prekybos pamoka pradedantiesiems

Technologijos tapo finansų turtu. Finansų įstaigos dabar virsta technologijų kompanijomis, o ne tik užsiima finansiniais šios srities aspektais.

Matematiniai algoritmai suteikia naujovių ir greitį. Jie gali padėti mums įgyti konkurencinį pranašumą rinkoje.

Finansinių operacijų greitis ir dažnumas, kartu su dideliu duomenų kiekiu, atkreipė didelį dėmesį į visų didžiųjų finansinių institucijų technologijas.

Algoritminė arba kiekybinė prekyba yra prekybos strategijų, pagrįstų matematine ir statistine analize, kūrimo ir kūrimo procesas. Tai nepaprastai sudėtinga finansų sritis.

Ši pamoka yra pradedantiesiems skirtas kiekybinės prekybos su „Python“ vadovas. Šis pranešimas jums bus labai naudingas, jei esate:

  1. Studentas ar kažkas, norintis tapti kiekybiniu fondo ar banko analitiku.
  2. Kažkas, kuris planuoja pradėti savo kiekybinės prekybos verslą.

Šiame įraše nagrinėsime šias temas:

  • Akcijų ir prekybos pagrindai
  • Išgaunami duomenys iš „Quandl“ API
  • Tiriamoji akcijų kainų duomenų analizė
  • Slenkantys vidurkiai
  • Formuojant prekybos strategiją su „Python“
  • Strategijos našumo vizualizavimas

Prieš gilindamiesi į akcijų kainų duomenų detales ir dinamiką, pirmiausia turime suprasti finansų pagrindus. Jei esate gerai susipažinęs su finansais ir kaip prekyba, galite praleisti šį skyrių ir spustelėti čia, jei norite pereiti prie kito.

Kas yra atsargos? Kas yra akcijų prekyba?

Atsargos

Akcijos yra korporacijos nuosavybės dalies, kuri išleidžiama tam tikra suma, atstovavimas. Tai yra finansinio saugumo rūšis, kuri nustato jūsų reikalavimą dėl įmonės turto ir veiklos rezultatų.

Organizacija ar įmonė išleidžia akcijas, kad pritrauktų daugiau lėšų / kapitalo, kad galėtų išplėsti ir įtraukti daugiau projektų. Tada šios atsargos yra viešai prieinamos ir parduodamos bei perkamos.

Prekyba akcijomis ir prekybos strategija

Esamų ir anksčiau išleistų akcijų pirkimo ir pardavimo procesas vadinamas akcijų prekyba. Yra kaina, už kurią galima nusipirkti ir parduoti akcijas, ir ji nuolat kinta priklausomai nuo paklausos ir pasiūlos akcijų rinkoje.

Priklausomai nuo įmonės veiklos ir veiksmų, akcijų kainos gali judėti aukštyn ir žemyn, tačiau akcijų kainų judėjimas neapsiriboja įmonės rezultatais.

Prekybininkai moka pinigus mainais už nuosavybę įmonėje, tikėdamiesi atlikti pelningus sandorius ir parduoti akcijas brangiau.

Kita svarbi technika, kurios laikosi prekybininkai, yra skolintų vertybinių popierių pardavimas. Tai reiškia, kad reikia skolintis akcijas ir nedelsiant jas parduoti, tikintis vėliau jas nusipirkti už mažesnę kainą, grąžinti jas skolintojui ir padaryti maržą.

Taigi, dauguma prekybininkų vadovaujasi prekybos planu ir modeliu. Tai vadinama prekybos strategija.

Kiekybiniai rizikos draudimo fondų ir investicinių bankų prekybininkai kuria ir kuria šias prekybos strategijas ir sistemas, kad jas išbandytų. Tai reikalauja gilios programavimo patirties ir kalbų, reikalingų kuriant savo strategiją, supratimo.

Python yra viena iš populiariausių naudojamų programavimo kalbų, pavyzdžiui, C ++, Java, R ir MATLAB. Jis lengvai pritaikomas visose srityse, ypač duomenų moksle, dėl savo lengvos sintaksės, didžiulės bendruomenės ir trečiųjų šalių palaikymo.

Jums reikės susipažinti su „Python“ ir statistika, kad galėtumėte kuo geriau išnaudoti šią mokymo programą. Būtinai patobulinkite savo „Python“ ir patikrinkite statistikos pagrindus.

Išgaunami duomenys iš „Quandl“ API

Norėdami išgauti akcijų kainų duomenis, naudosime „Quandl“ API. Bet prieš tai nustatykime darbo aplinką. Štai kaip:

  1. Savo terminale sukurkite naują projekto katalogą (pavadinkite jį taip, kaip norite):
mkdir 
  1. Įsitikinkite, kad jūsų kompiuteryje įdiegta „Python 3“ ir „virtualenv“.
  2. Sukurkite naują „Python 3 virtualenv“ naudodami virtualenv ir suaktyvinkite jį naudodami source /bin/activate.
  3. Dabar įdiekite „jupyter-notebook“ naudodami „pip“ ir įveskite pip install jupyter-notebookterminalą.
  4. Be to, įdiegti pandas, quandlir numpypaketus.
  5. Paleiskite savo jupyter-notebookiš terminalo.

Dabar jūsų bloknotas turėtų veikti vietiniame kompiuteryje, kaip nurodyta toliau pateiktoje ekrano kopijoje:

Pirmąjį bloknotą galite sukurti spustelėję dešinėje esantį Newišskleidžiamąjį meniu. Įsitikinkite, kad sukūrėte „Quandl“ paskyrą. Norėdami sukurti API raktą, atlikite čia nurodytus veiksmus.

Kai viskas bus nustatyta, pasinerkime tiesiai į:

# importing required packages
import pandas as pd import quandl as q

„Pandas“ bus griežčiausiai naudojamas paketas šioje pamokoje, nes mes daug manipuliuosime duomenimis ir planuosime.

Kai paketai bus importuoti, pateiksime užklausas „Quandl“ API naudodami „Quandl“ paketą:

# set the API key q.ApiConfig.api_key = "”
#send a get request to query Microsoft's end of day stock prices from 1st #Jan, 2010 to 1st Jan, 2019 msft_data = q.get("EOD/MSFT", start_date="2010-01-01", end_date="2019-01-01")
# look at the first 5 rows of the dataframe msft_data.head()

Čia mes turime „Microsoft“ EOD akcijų kainų duomenis per pastaruosius 9 metus. Viskas, ką jums reikėjo padaryti, buvo iškviesti getmetodą iš „Quandl“ paketo ir pateikti atsargų simbolį „MSFT“ bei reikalingų duomenų terminą.

Tai buvo tikrai paprasta, tiesa? Pažvelkime į priekį, norėdami suprasti ir ištirti šiuos duomenis toliau.

Tiriamoji akcijų kainodaros duomenų analizė

Turėdami duomenis savo rankose, pirmiausia turėtume suprasti, ką jie reiškia ir kokią informaciją jie apima.

Spausdindami „DataFrame“ informaciją matome viską, kas joje yra:

Kaip matyti aukščiau pateiktame ekrano kopijoje, „DataFrame“ yra „DatetimeIndex“, o tai reiškia, kad mes susiduriame su laiko eilutės duomenimis.

An index can be thought of as a data structure that helps us modify or reference the data. Time-series data is a sequence of snapshots of prices taken at consecutive, equally spaced intervals of time.

In trading, EOD stock pricing data captures the movement of certain parameters about a stock, such as the stock price, over a specified period of time with data points recorded at regular intervals.

Important Terminology

Looking at other columns, let’s try to understand what each column represents:

  • Open/Close — Captures the opening/closing price of the stock
  • Adj_Open/Adj_Close — An adjusted opening/closing price is a stock’s price on any given day of trading that has been revised to include any dividend distributions, stock splits, and other corporate actions that occurred at any time before the next day’s open.
  • Volume — It records the number of shares that are being traded on any given day of trading.
  • High/Low — It tracks the highest and the lowest price of the stock during a particular day of trading.

These are the important columns that we will focus on at this point in time.

We can learn about the summary statistics of the data, which shows us the number of rows, mean, max, standard deviations, and so on. Try running the following line of code in the Ipython cell:

msft_data.describe()

resample()

Pandas’ resample() method is used to facilitate control and flexibility on the frequency conversion of the time series data. We can specify the time intervals to resample the data to monthly, quarterly, or yearly, and perform the required operation over it.

msft_data.resample('M').mean()

This is an interesting way to analyze stock performance in different timeframes.

Calculating returns

Finansinė grąža yra tiesiog uždirbti ar prarasti pinigai iš investicijos. Pelną nominaliai galima išreikšti kaip investicijos sumos pokytį laikui bėgant. Ją galima apskaičiuoti kaip procentą, gautą iš pelno ir investicijų santykio.

Šiuo tikslu mes turime pct_change (). Štai kaip galite apskaičiuoti grąžą:

# Import numpy package import numpy as np
# assign `Adj Close` to `daily_close` daily_close = msft_data[['Adj_Close']]
# returns as fractional change daily_return = daily_close.pct_change()
# replacing NA values with 0 daily_return.fillna(0, inplace=True)
print(daily_return)

Tai atspausdins grąžą, kurią kasdien sukurdavo atsargos. Padauginus skaičių iš 100, gausite procentinį pokytį.

Formulė, naudojama pct_change () yra:

Grąža = {(kaina t) - (kaina t-1)} / {kaina t-1}

Dabar, norint apskaičiuoti mėnesinę grąžą, tereikia:

mdata = msft_data.resample('M').apply(lambda x: x[-1]) monthly_return = mdata.pct_change()

Iš naujo atrinkę duomenis pagal mėnesius (darbo dienoms), naudodamiesi apply()funkcija galime gauti paskutinę mėnesio prekybos dieną .

apply() takes in a function and applies it to each and every row of the Pandas series. The lambda function is an anonymous function in Python which can be defined without a name, and only takes expressions in the following format:

Lambda: expression

For example, lambda x: x * 2 is a lambda function. Here, x is the argument and x * 2 is the expression that gets evaluated and returned.

Moving Averages in Trading

The concept of moving averages is going to build the base for our momentum-based trading strategy.

In finance, analysts often have to evaluate statistical metrics continually over a sliding window of time, which is called moving window calculations.

Let’s see how we can calculate the rolling mean over a window of 50 days, and slide the window by 1 day.

rolling()

This is the magical function which does the tricks for us:

# assigning adjusted closing prices to adj_pricesadj_price = msft_data['Adj_Close']
# calculate the moving average mav = adj_price.rolling(window=50).mean()
# print the resultprint(mav[-10:])

You’ll see the rolling mean over a window of 50 days (approx. 2 months). Moving averages help smooth out any fluctuations or spikes in the data, and give you a smoother curve for the performance of the company.

We can plot and see the difference:

# import the matplotlib package to see the plot import matplotlib.pyplot as plt adj_price.plot()

You can now plot the rolling mean():

mav.plot()

And you can see the difference for yourself, how the spikes in the data are consumed to give a general sentiment around the performance of the stock.

Formulating a Trading Strategy

Here comes the final and most interesting part: designing and making the trading strategy. This will be a step-by-step guide to developing a momentum-based Simple Moving Average Crossover (SMAC) strategy.

Momentum-based strategies are based on a technical indicator that capitalizes on the continuance of the market trend. We purchase securities that show an upwards trend and short-sell securities which show a downward trend.

The SMAC strategy is a well-known schematic momentum strategy. It is a long-only strategy. Momentum, here, is the total return of stock including the dividends over the last n months. This period of n months is called the lookback period.

There are 3 main types of lookback periods: short term, intermediate-term, and long term. We need to define 2 different lookback periods of a particular time series.

A buy signal is generated when the shorter lookback rolling mean (or moving average) overshoots the longer lookback moving average. A sell signal occurs when the shorter lookback moving average dips below the longer moving average.

Now, let’s see how the code for this strategy will look:

# step1: initialize the short and long lookback periods short_lb = 50long_lb = 120
# step2: initialize a new DataFrame called signal_df with a signal column signal_df = pd.DataFrame(index=msft_data.index)signal_df['signal'] = 0.0
# step3: create a short simple moving average over the short lookback period signal_df['short_mav'] = msft_data['Adj_Close'].rolling(window=short_lb, min_periods=1, center=False).mean()
# step4: create long simple moving average over the long lookback period signal_df['long_mav'] = msft_data['Adj_Close'].rolling(window=long_lb, min_periods=1, center=False).mean()
# step5: generate the signals based on the conditional statement signal_df['signal'][short_lb:] = np.where(signal_df['short_mav'][short_lb:] > signal_df['long_mav'][short_lb:], 1.0, 0.0) 
# step6: create the trading orders based on the positions column signal_df['positions'] = signal_df['signal'].diff()signal_df[signal_df['positions'] == -1.0]

Let’s see what’s happening here. We have created 2 lookback periods. The short lookback period short_lb is 50 days, and the longer lookback period for the long moving average is defined as a long_lb of 120 days.

We have created a new DataFrame which is designed to capture the signals. These signals are being generated whenever the short moving average crosses the long moving average using the np.where. It assigns 1.0 for true and 0.0 if the condition comes out to be false.

The positions columns in the DataFrame tells us if there is a buy signal or a sell signal, or to stay put. We're basically calculating the difference in the signals column from the previous row using diff.

And there we have our strategy implemented in just 6 steps using Pandas. Easy, wasn't it?

Now, let’s try to visualize this using Matplotlib. All we need to do is initialize a plot figure, add the adjusted closing prices, short, and long moving averages to the plot, and then plot the buy and sell signals using the positions column in the signal_df above:

# initialize the plot using plt fig = plt.figure()
# Add a subplot and label for y-axis plt1 = fig.add_subplot(111, ylabel="Price in $")
msft_data['Adj_Close'].plot(ax=plt1,, lw=2.)
# plot the short and long lookback moving averages signal_df[['short_mav', 'long_mav']].plot(ax=plt1, lw=2., figsize=(12,8))
# plotting the sell signals plt1.plot(signal_df.loc[signal_df.positions == -1.0].index, signal_df.short_mav[signal_df.positions == -1.0],'v', markersize=10,)
# plotting the buy signals plt1.plot(signal_df.loc[signal_df.positions == 1.0].index, signal_df.short_mav[signal_df.positions == 1.0], '^', markersize=10,) # Show the plotplt.show()

Running the above cell in the Jupyter notebook would yield a plot like the one below:

Now, you can clearly see that whenever the blue line (short moving average) goes up and beyond the orange line (long moving average), there is a pink upward marker indicating a buy signal.

A sell signal is denoted by a black downward marker where there’s a fall of the short_mav below long_mav.

Visualize the Performance of the Strategy on Quantopian

Quantopian is a Zipline-powered platform that has manifold use cases. You can write your own algorithms, access free data, backtest your strategy, contribute to the community, and collaborate with Quantopian if you need capital.

We have written an algorithm to backtest our SMA strategy, and here are the results:

Here is an explanation of the above metrics:

  • Total return: The total percentage return of the portfolio from the start to the end of the backtest.
  • Specific return: The difference between the portfolio’s total returns and common returns.
  • Common return: Returns that are attributable to common risk factors. There are 11 sector and 5 style risk factors that make up these returns. The Sector Exposure and Style Exposure charts in the Risk section provide more detail on these factors.
  • Sharpe: The 6-month rolling Sharpe ratio. It is a measure of risk-adjusted investment. It is calculated by dividing the portfolio’s excess returns over the risk-free rate by the portfolio’s standard deviation.
  • Max Drawdown: The largest drop of all the peak-to-trough movement in the portfolio’s history.
  • Volatility: Standard deviation of the portfolio’s returns.

Pat yourself on the back as you have successfully implemented your quantitative trading strategy!

Where to go From Here?

Now that your algorithm is ready, you’ll need to backtest the results and assess the metrics mapping the risk involved in the strategy and the stock. Again, you can use BlueShift and Quantopian to learn more about backtesting and trading strategies.

Further Resources

Quantra is a brainchild of QuantInsti. With a range of free and paid courses by experts in the field, Quantra offers a thorough guide on a bunch of basic and advanced trading strategies.

  • Data Science Course — They have rolled out an introductory course on Data Science that helps you build a strong foundation for projects in Data Science.
  • Trading Courses for Beginners — From momentum trading to machine and deep learning-based trading strategies, researchers in the trading world like Dr. Ernest P. Chan are the authors of these niche courses.

Free Resources

To learn more about trading algorithms, check out these blogs:

  • Quantstart — they cover a wide range of backtesting algorithms, beginner guides, and more.
  • Investopedia — everything you want to know about investment and finance.
  • Quantivity — detailed mathematical explanations of algorithms and their pros and cons.

Warren Buffet says he reads about 500 pages a day, which should tell you that reading is essential in order to succeed in the field of finance.

Embark upon this journey of trading and you can lead a life full of excitement, passion, and mathematics.

Data Science with Harshit

With this channel, I am planning to roll out a couple of series covering the entire data science space. Here is why you should be subscribing to the channel:

  • Šios serijos apims visas reikalingas / reikalaujamas kokybės pamokas kiekvienai temai ir potemėms, pvz., „Python“ pagrindai duomenų mokslui.
  • Paaiškino matematiką ir darinius, kodėl mes darome tai, ką darome ML ir gilaus mokymosi procese.
  • Tinklalaidės su „Google“, „Microsoft“, „Amazon“ ir kt. Duomenų tyrėjais ir inžinieriais bei didelių duomenų valdomų įmonių vadovais.
  • Projektai ir instrukcijos, kaip įgyvendinti iki šiol išmoktas temas. Sužinokite apie naujus sertifikatus, „Bootcamp“ ir išteklius, kad sutrumpintumėte tuos sertifikatus, pvz., Šį „Google“ atliktą „TensorFlow“ kūrėjo sertifikato egzaminą.

Toliau galite susisiekti su manimi „Twitter“ ar „LinkedIn“.