Python Forex Daten

Ich bin neu bei der Programmierung, Python und Pandas so hoffentlich das ist eine dreckige Frage. Ich habe einige FOREX Daten von hier heruntergeladen. Ein Monat im Wert von Daten ist etwa 50mil Zeilen im CSV-Format für alle Paare. Ich möchte schließlich in der Lage sein Testen Sie eine Strategie über mehrere Zeitrahmen und Instrumente. Hier ist der Code Ich m using. On alles andere als eine abgeschnittene Test-Datei diese Lesung in Prozess dauert eine lange Zeit. Ist es eine Art und Weise sollte ich die Daten speichern, so dass Pandas können die lesen Dateien viel schneller. Ist dort eine Grenze für die Größe der Daten, die Pandas vernünftigerweise behandeln können. Jeder Hilfe wäre sehr dankbar. Learn Quant skills. If Sie sind ein Händler oder ein Investor und möchte 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 Skripte von Experten quantitative Trader geschrieben Der Kurs gibt Ihnen maximale Wirkung für Ihre investierte Zeit E und Geld Es konzentriert sich auf die praktische Anwendung der Programmierung auf den Handel statt der theoretischen Informatik Der Kurs wird sich schnell bezahlen, indem er Sie Zeit in der manuellen Verarbeitung von Daten sparen Sie verbringen mehr Zeit, um Ihre Strategie zu erforschen und erfolgreiche Trades zu implementieren. Course overview. Part 1 Grundlagen Sie werden lernen, warum Python ein ideales Werkzeug für den quantitativen Handel ist. Wir beginnen mit der Einrichtung einer Entwicklungsumgebung und führen uns dann in die wissenschaftlichen Bibliotheken ein. Part 2 Handhabung der Daten Erfahren Sie, wie Sie Daten aus verschiedenen freien Quellen wie Yahoo Finance erhalten können , CBOE und andere Seiten Lesen und Schreiben von mehreren Datenformaten einschließlich CSV und Excel-Dateien. Part 3 Erforschung von Strategien Lernen Sie, PL und begleitende Performance-Metriken wie Sharpe und Drawdown zu berechnen Erstellen Sie eine Handelsstrategie und optimieren Sie ihre Leistung Mehrere Beispiele für Strategien werden in diesem Teil diskutiert. Part 4 Going live Dieser Teil konzentriert sich auf Interactive Brokers API Sie lernen, wie man ge T Echtzeit-Lager-Daten und Platz Live-Aufträge. Lots von Beispiel-Code. Der Kurs Material besteht aus Notebooks, die Text zusammen mit interaktiven Code wie diese enthalten Sie werden in der Lage zu lernen, indem Sie mit dem Code zu interagieren und zu ändern, um Ihre eigenen Geschmack Es wird Sei ein guter Ausgangspunkt für das Schreiben Ihrer eigenen Strategien. Während einige Themen sind sehr detailliert erklärt, um Ihnen zu helfen, die zugrunde liegenden Konzepte zu verstehen, in den meisten Fällen haben Sie nicht einmal müssen Sie Ihre eigenen Low-Level-Code zu schreiben, weil der Unterstützung von bestehenden offenen - source-Bibliotheken TradingWithPython-Bibliothek kombiniert viel von der Funktionalität, die in diesem Kurs als eine gebrauchsfertige Funktion erörtert wird und wird während des gesamten Kurses verwendet werden. Pandas wird Ihnen die gesamte Heavy-Header-Leistung zur Verfügung stellen, die beim Daten-Crunching benötigt wird. Alle Code wird bereitgestellt Unter der BSD-Lizenz, die ihre Verwendung in kommerziellen Anwendungen erlaubt. Course rating. A Pilot des Kurses wurde im Frühjahr 2013 statt, das ist, was die Schüler zu sagen haben. Matej gut entworfen cour Se und guter Trainer Auf jeden Fall seinen Preis wert und meine Zeit Lave Jev offensichtlich wusste, dass seine Sachen Tiefe der Abdeckung perfekt war Wenn Jev so etwas wieder läuft, werde ich der erste sein, der sich bei John Phillips anstellt. Dein Kurs hat mich wirklich mit dem Sprung begonnen Stock-System-Analyse. Trading mit Python. I ve habe vor kurzem einen großen Beitrag von der Turinginance-Blog auf, wie man ein Quant zu sein Kurz gesagt, es beschreibt einen wissenschaftlichen Ansatz zur Entwicklung von Handelsstrategien Für mich persönlich, Beobachtung von Daten, Denken mit Modellen und bilden Hypothese Ist eine zweite Natur, wie es für jeden guten Ingenieur sein sollte. In diesem Beitrag werde ich diesen Ansatz zu illustrieren, indem ich explizit durch eine Reihe von Schritten nur ein paar, nicht alle von ihnen in der Entwicklung einer Trading-Strategie beteiligt. Let s Werfen Sie einen Blick auf die häufigsten Handelsinstrument, die SP 500 ETF SPY Ich werde mit Beobachtungen beginnen. Beobigungen Es fiel mir, dass die meiste Zeit, dass es viel reden in den Medien über den Markt abstürzt achtern Er große Verluste über mehrere Tage Timespan, ziemlich ein erheblicher Rebound manchmal folgt In der Vergangenheit habe ich ein paar Fehler gemacht, indem ich meine Positionen, um Verluste kurz zu schneiden, nur um eine Erholung in den folgenden Tagen zu verpassen. General Theory Nach einer Periode von Aufeinanderfolgende Verluste, 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 wird eine Aufwärts-Bias zeigen Nach einer Reihe von aufeinanderfolgenden Verlusten. Um die Hypothese zu testen, habe ich die Anzahl der aufeinanderfolgenden Down-Tage berechnet Alles unter -0 1 tägliche Rückkehr qualifiziert sich als Down-Tag. Die Rückkehr-Serie ist in der Nähe-zufällig, so wie man erwarten würde, die Chancen Von 5 oder mehr aufeinanderfolgenden Down-Tagen sind niedrig, was zu einer sehr begrenzten Anzahl von Vorkommnissen Eine geringe Anzahl von Ereignissen führt zu unzuverlässigen statistischen Schätzungen, also werde ich bei 5.Below stoppen ist eine Visualisierung von nex-tday Kehrt als Funktion der Anzahl der unten Tage zurück. Ich habe auch 90 Konfidenzintervall der Rückkehr zwischen den Zeilen aufgezeichnet Es stellt sich heraus, dass die durchschnittliche Rendite positiv korreliert mit der Anzahl der unten Tage Hypothese bestätigt. Jedoch können Sie deutlich sehen, dass dies 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 in einer Handelsstrategie gedreht werden kann Daten oben, eine Handelsstrategie kann geplant werden Nach konsekutiv 3 oder mehr Verluste, gehen lange Exit auf nächsten close. Below ist ein Ergebnis dieser Strategie im Vergleich zu reinen Buy-and-Hold Dies sieht gar nicht schlecht aus Schauen ein die Sharpe Ratios Die Strategie punktet einen Abstieg 2 2 versus 0 44 für die BH Dies ist eigentlich ziemlich gut don t bekommen zu aufgeregt aber, da ich nicht verantwortlich für Provisionskosten, Schlupf etc. While die Strategie oben ist nicht etwas, was ich würde l Um nur wegen der langen Zeitspanne zu handeln, provoziert die Theorie selbst weitere Gedanken, die etwas Nützliches hervorbringen könnten. Wenn das gleiche Prinzip für Intraday-Daten gilt, könnte eine Form der Scalping-Strategie aufgebaut werden. Im obigen Beispiel habe ich die Welt ein bisschen übertrieben Indem man nur die Anzahl der Tage unten zählt, ohne Aufmerksamkeit auf die Tiefe des Drawdowns zu legen. Auch der Ausstieg ist nur ein Grundtag am nächsten Tag. Es gibt viel zu verbessern, aber das Wesen ist meiner Meinung nach das SPY werden durch Drawdown und Drawdown-Dauer über die letzten 3 bis 5 Tage beeinträchtigt. Ein erfahrener Trader weiß, welches Verhalten vom Markt auf der Grundlage eines Satzes von Indikatoren und deren Interpretation erwartet wird. Letzteres wird oft auf der Grundlage seines Gedächtnisses oder eines Modells gemacht 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 Veranlasst Lärm und Komplexität, abnehmende Strategie-Performance Die Suche nach guten Indikatoren ist eine eigene Wissenschaft, die oftmals eine tiefe Verständnis der Marktdynamik erfordert. Dieser Teil des Strategie-Designs kann nicht leicht automatisiert werden. Glücklicherweise, sobald ein guter Satz von Indikatoren gefunden wurde, sind die Händler Gedächtnis und Intuition können leicht durch ein statistisches Modell ersetzt werden, das wahrscheinlich viel besser durchführen wird, da Computer ein makelloses Gedächtnis haben und perfekte statistische Schätzungen machen können. Auf Grund des Volatilitätshandels brachte es mir einige Zeit zu verstehen, was seine Bewegungen beeinflusst Ich interessiere mich für Variablen, die zukünftige Renditen von VXX und XIV voraussagen werden. Ich werde hier nicht in eine ausführliche Erklärung gehen, sondern nur eine Schlussfolgerung, dass meine beiden wertvollsten Indikatoren für die Volatilität der Begriff Struktur Steigung und aktuelle Volatilität Prämie Meine Definition von diesen Zwei ist. flüchtigkeit premium VIX-realizedVol. delta Begriff Struktur Slope VIX-VXV. VIX VXV sind die Vorwärts 1 und 3 Monate imp Lügen 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 Premium ist bekannt aus Option trading. It macht Sinn, um kurze Volatilität zu gehen Wenn Prämie hoch ist und Futures im Contango Delta sind 0 Dies führt zu einem Rückenwind sowohl von der Premium - als auch von der täglichen Rolle entlang der Begriffsstruktur in VXX. Aber das ist nur eine grobe Schätzung Eine gute Handelsstrategie würde Informationen von Prämie und Delta kombinieren Mit einer Vorhersage auf Handelsrichtung in VXX. I ve kämpfte für eine sehr lange Zeit zu kommen mit einem guten Weg, um die lärmenden Daten von beiden Indikatoren zu kombinieren Ich habe versucht, die meisten der Standard-Ansätze, wie lineare Regression, schreiben eine Reihe von Wenn-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 Scheint nicht schlecht, aber wha T kann mit mehreren Indikatoren durchgeführt werden. Ich beginne mit einigen Out-of-Sample-VXX-Daten, die ich von MarketSci bekam. Beachten Sie, dass dies simulierte Daten ist, bevor VXX erstellt wurde. Die Indikatoren für den gleichen Zeitraum sind unten aufgezeichnet. Wenn wir nehmen Einer 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 Renditen am nächsten Tag Combining haben wird Sowohl Prämie als auch Delta in ein Modell war eine Herausforderung für mich, aber ich wollte immer eine statistische Näherung machen Im Wesentlichen, für eine Kombination von Delta, Premium, ich möchte alle historischen Werte finden, die den aktuellen Werten am nächsten sind und Eine Schätzung der zukünftigen Renditen auf der Grundlage von ihnen machen Ein paar Mal habe ich angefangen, meine eigenen Nachbar-Interpolation-Algorithmen zu schreiben, aber jedes Mal musste ich aufgeben, bis ich über die scikit Nachbarschaft Regression kam Es ermöglichte es mir schnell zu bauen Ein prädiktor, 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 Rückkehr in-of-Probe. Erstellen Sie eine nächste Nachbar-Prädiktor auf der Grundlage der Datensatz oben. trade Strategie Out-of-Sample mit den rules. go lange, wenn vorhergesagte Rückkehr 0.go kurz, wenn vorhergesagt zurück 0. Die Strategie könnte nicht einfacher sein. Die Ergebnisse scheinen sehr gut und Besser 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-sample. Then, wird die Leistung besser Mit 40 und 80 Punkten. 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 nur noch kratzte Die Oberfläche von dem, was mit dieser Technik möglich ist. Meine Suche nach einem idealen Backtesting-Tool meine Definition von Idee Ich habe in den früheren Backtesting Dilemmas Posts beschrieben, die nicht zu etwas führen konnten, was ich sofort nutzen konnte. Allerdings half mir die Überprüfung der verfügbaren Optionen besser zu verstehen, was ich wirklich wollte Von den Optionen, die ich sah, war pybacktest die, die ich am meisten mochte Wegen seiner Einfachheit und Geschwindigkeit Nach dem Durchlaufen des Quellcodes habe ich einige Ideen, um es einfacher und ein bisschen eleganter zu machen. Von dort aus war es nur ein kleiner Schritt, 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. Dinge wie die Berechnung von Positionen und pnl, Performance-Metriken und die Herstellung von Plots. Strategy-spezifische Funktionalität, wie die Bestimmung von Ein - und Ausstiegspunkten sollte außerhalb erfolgen Des Backtests Ein typischer Workflow wäre Einstieg und Exits - berechnen pnl und machen Plots mit Backtester - Post-Process-Strategie Daten. In diesem Moment t Das Modul ist sehr minimal, werfen Sie einen Blick auf die Quelle hier, aber in der Zukunft plane ich, Gewinn - und Stop-Loss-Exits und Multi-Asset-Portfolios hinzuzufügen. Usage des Backtesting-Moduls wird in diesem Beispiel notiert. Ich organisiere meine IPython Notebooks Indem ich sie in verschiedene Verzeichnisse einbringe Dies bringt jedoch 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 auf lange Sicht lösen wird, aber In der Zwischenzeit gibt es eine ziemlich absteigende Art und Weise schnell auf die Notebooks aus dem Datei-Explorer zugreifen. Alle Sie tun müssen, ist ein Kontextmenü, das ipython Server in Ihrem gewünschten Verzeichnis startet. Eine schnelle Möglichkeit, um das Kontext Element hinzufügen ist, indem Sie diese Registry-Patch Beachten Sie, 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 Registrierungsschlüssel manuell c 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 wahrscheinlichste 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 Lass uns sehen, was passieren würde, wenn wir einige der gehebelten etfs genau vor einem Jahr kurzgeschlossen haben Und hedged sie mit ihrem Benchmark Wissend über die Leveraged etf Verhalten würde ich erwarten, dass Leveraged etfs übertroffen ihre Benchmark, so dass die Strategie, die versuchen würde, von dem Zerfall zu profitieren, würde Geld verlieren. Ich werde überlegen, 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 etf eine negative Position in der 1x etf. Here ist ein Beispiel SPY vs SSO Sobald wir normali Zeig die Preise zu 100 zu Beginn der Backtest-Periode 250 Tage ist es offensichtlich, dass die 2x etf übertrifft 1x etf. Now die Ergebnisse der Backtest auf den Paaren oben. Alle die 2x etfs einschließlich inverse haben ihre Benchmark im Laufe der übertroffen 2013 Nach den Erwartungen wäre die Strategie, die Beta-Verfall ausnutzen würde nicht rentabel. Ich würde denken, dass das Spielen von Leveraged etfs gegen ihre unleveraged Gegenstück gibt keine Kante, es sei denn, Sie wissen, die Marktbedingungen im Voraus Trending oder range-bound Aber wenn Sie wissen, die Kommenden Regime, es gibt viel einfachere Möglichkeiten, davon zu profitieren Leider ist noch niemand bei der Vorhersage des Marktregimes schon sehr kurzfristig erfolgreich gewesen. Full Quellcode der Berechnungen steht für die Abonnenten des Trading With Python Kurses zur Verfügung 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 eher 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 oder Halten Sie sich an meine Shorts. Zur Zeit des Schreibens, TWTR Trades rund 64 Mark, mit einer Marktkapitalisierung von 34 7 B Bis jetzt hat das Unternehmen keinen Gewinn gemacht, verlieren 142M im Jahr 3013 nach 534M in Einnahmen Die letzten beiden Zahlen Geben Sie uns jährliche Firmenausgaben von 676M. Price 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 Firma und einen Wert pro Benutzer ab Die Markt-Cap-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 ist sehr ähnlich für alle Unternehmen, aber meine persönliche Meinung ist, dass. TWTR ist derzeit mehr Wertvoller pe R 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 Zu Google Docs und Gmail TWTR hat nichts Ähnliches, während sein Wert pro Benutzer nur 35 niedriger ist, dass die von Google. TWTR hat einen begrenzten Raum, um seine Benutzerbasis zu wachsen, da es nicht bietet Produkte vergleichbar mit FB oder GOOG Angebote TWTR wurde Herum für sieben Jahre jetzt und die meisten Leute wollen eine accout haben ihre Chance haben Der Rest ist einfach nicht egal. TWTR Benutzerbasis ist volatil und wird wahrscheinlich auf die nächste heiße Sache zu bewegen, wenn es verfügbar wird. Ich denke, die beste Referenz hier wäre Sei LNKD, das eine stabile Nische im professionellen Markt hat Durch diese metrische TWTR wäre überbewertet Einstellen des Benutzerwertes bei 100 für TWTR würde einen fairen TWTR-Preis von 46.Price aus zukünftigen Einnahmen erzielen. Es gibt genügend Daten zur Verfügung Die künftigen Ertragsschätzungen Einer der nützlichsten, die ich gefunden habe, ist hier. Diese Zahlen bei der Subtraktion von Unternehmensausgaben, die ich davon ausgehen, konstant zu bleiben, produziert diese Zahlen. Basiert auf verfügbare Informationen, sollte eine optimistische Bewertung von TWTR in der 46-48 sein Reichweite Es gibt keine klaren Gründe, dass es höher handeln sollte und viele operative Risiken für den Handel niedriger. Meine Vermutung ist, dass während des IPO genug Profis haben den Preis überprüft, die Einstellung auf ein faires Preisniveau Was als nächstes passiert war ein irrationaler Markt bewegen nicht gerechtfertigt Durch neue informationen Schauen Sie sich die bullish Raserei auf stocktwits mit den Leuten an, die Sachen mögen, die dieser Vogel zu 100 reinen Emotionen fliegen wird, die nie gut herausarbeitet. Das einzige, das mich jetzt ruht, ist, mein Geld zu setzen, wo mein Mund ist und Haften an meinen Shorts Die Zeit wird erzählen. Shorting der kurzfristigen Volatilität etn VXX mag wie eine tolle Idee, wenn man sich das Diagramm aus einer ziemlich Entfernung aussieht. Aufgrund der contango in der Volatilität Futures, th E etn erlebt die meiste Zeit mit einigen Gegenwind und verliert ein bisschen seinen Wert jeden Tag. Dies geschieht aufgrund des täglichen Ausgleichs, denn weitere Informationen schauen Sie in die Aussicht In einer idealen Welt, wenn Sie es lange genug halten, ein Gewinn, der von Zeitverfall in den Futures und Etn Rebalancing ist garantiert, aber kurzfristig müssen Sie durch einige ziemlich schwere Drawdowns gehen Nur blicken auf den Sommer 2011 Ich war unglücklich oder töricht genug, um eine kurze VXX Position kurz vor zu halten Die VIX ging hinauf Ich habe fast mein Konto von damals 80 Drawdown in nur ein paar Tagen, was zu einer Bedrohung von Margin Call von meinem Broker Margin Call würde bedeuten, den Verlust der Verlust Dies ist nicht eine Situation, die ich jemals gerne wieder in Ich wusste, dass es nicht einfach wäre, den Kopf kühl zu halten, aber erlebte den Stress und den Druck der Situation war etwas anderes. Glücklicherweise wusste ich, wie VXX dazu neigt, sich zu benehmen, also habe ich keine Panik, sondern wechselte die Seite zu XIV, um zu vermeiden Nachschussaufforderung Die Geschichte endet gut, 8 Monate später war mein Portfolio wieder an 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 Having said that, let S einen Blick auf eine Strategie, die einige der Risiken minimiert, indem sie VXX nur dann kurzschließen, wenn es angemessen ist. Strategie-These VXX erlebt am meisten schleppend, wenn die Futures-Kurve in einem steilen Contango ist Die Futures-Kurve wird durch die VIX-VXV-Beziehung angenähert 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, die ich gewählt habe Benutze eine quadratische Passung zwischen den beiden, annähernd VXV f VIX Das f VIX ist als blaue Linie aufgetragen Die Werte über der Linie stellen die Situation dar, wenn die Futures stärker sind als normales contango Jetzt definiere ich eine Delta-Indikator, die die Abweichung von der passen Delta VXV-f VIX Jetzt lass uns einen Blick auf den Preis von VXX zusammen mit delta. Above Preis von VXX auf Log-Skala unter Delta Green Marker anzeigen Delta 0 rote Marker Delta 0 Es ist offensichtlich, dass grüne Flächen entsprechen einem negativen Renditen in Die 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 verglichen, der jeden Tag handelt, aber nicht Nehmen Sie das Delta in Betracht. Die grüne Linie repräsentiert unsere VXX-Kurzstrategie, die blaue Linie ist die dumme. Sharpe von 1 9 für eine einfache End-of-Day-Strategie ist überhaupt nicht schlecht, aber noch wichtiger ist, dass der Darm - wrenching Drawdowns werden weitgehend durch die Aufmerksamkeit auf die Forward-Futures-Kurve vermieden. Building diese Strategie Schritt-für-Schritt wird während der kommenden Trading mit Python-Kurs diskutiert werden. Preis eines Vermögenswertes oder eine ETF ist natürlich die beste Indikator gibt es, Aber leider gibt es nur so viel ich Nformation in ihm enthalten Manche Leute scheinen zu denken, dass die mehr Indikatoren rsi, macd, gleitende durchschnittliche Crossover usw. desto besser, aber wenn alle von ihnen auf der gleichen zugrunde liegenden Preisreihen basieren, werden sie alle enthalten eine Teilmenge der gleichen begrenzten Informationen enthalten Im Preis Wir brauchen mehr Informationen zusätzlich zu dem, was den Preis enthält, um eine informiertere Vermutung zu geben, 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 The Short Side of Long Blog Die Erstellung dieser Art von Analyse erfordert eine große Menge an Arbeit, für die ich einfach nicht die Zeit habe, da ich nur Teilzeit handelt. Ich habe mein eigenes Markt-Dashboard gebaut, das automatisch Informationen für mich sammelt und es in einem präsentiert Leicht verdauliche Form 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 p Legt tägliche Datenträgerdaten kostenlos auf ihrer Website ab. Step 2 Daten abrufen manuell inspizieren Kurzer Datenträger des BATS-Tausches 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 innen zuerst mehrere lines. In total eine datei enthält rund 6000 symbole Diese daten bedarf einer gewissen Arbeit, bevor sie in einer aussagekräftigen Weise dargestellt werden kann. Schritt 3 automatisch Daten erhalten Was ich wirklich will, ist nicht nur die Daten für einen Tag, sondern Ein Verhältnis von kurzem Volumen zu Gesamtvolumen für die vergangenen Jahre, und ich don t fühlen wirklich wie das Herunterladen von 500 Zip-Dateien und Kopieren-Einfügen sie in Excel manuell Glücklicherweise ist die volle Automatisierung nur ein paar Code-Zeilen weg Zuerst müssen wir dynamisch Erstellen Sie eine URL, aus der eine Datei heruntergeladen werden. Jetzt können wir 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 i N die Zip-Datei Schritt 5 Machen Sie ein Diagramm Nun ist das einzige, was noch übrig ist, alle heruntergeladenen Dateien zu analysieren und kombinieren sie zu einer einzigen Tabelle und plot das Ergebnis. In der Abbildung oben habe ich die durchschnittliche kurze Lautstärke für die letzten zwei Jahre gezeichnet Könnte auch eine Untergruppe von Symbolen verwendet haben, wenn ich einen Blick auf einen bestimmten Sektor werfen möchte oder einen kurzen Blick auf die Daten gibt mir einen Eindruck, dass hohe kurze Volumenverhältnisse in der Regel entsprechen Marktböden und niedrige Verhältnisse scheinen gute Einstiegspunkte für Eine lange position. Starting von hier aus kann dieses kurze Volumenverhältnis als Grundlage für die Strategieentwicklung verwendet werden. Mit dem Python-Kurs. Wenn Sie ein Händler oder ein Investor sind und möchte eine Reihe von quantitativen Trading-Fähigkeiten erwerben, die Sie in Erwägung ziehen können Der Trading mit Python Couse Der Online-Kurs wird Ihnen die besten Werkzeuge und Praktiken für quantitative Trading Forschung, einschließlich Funktionen und Skripte von Experten quantitative Händler geschrieben Sie lernen, wie zu bekommen und zu verarbeiten i Ncredible Mengen an Daten, Design und Backtest Strategien und analysieren Handelsleistung Dies wird Ihnen helfen, fundierte Entscheidungen, die entscheidend für einen Händler Erfolg Klicken Sie hier, um den Handel mit Python Kurs Website. Mein Name ist Jev Kuznetsov, während des Tages bin ich ein Forscher Ingenieur in einer Firma, die in Druckerei beschäftigt ist Der Rest der Zeit bin ich ein Trader. Ich studierte angewandte Physik mit Spezialisierung in Muster Anerkennung und künstliche Intelligenz Meine tägliche Arbeit beinhaltet alles von schnellen 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 das beste verfügbare Werkzeug ist, arbeitete ich ausführlich in Matlab, das auf meinem anderen Blog abgedeckt ist. Sie können mich erreichen.