Python de estratégia de negociação do backtest

Backtesting Systematic Trading Strategies em Python: Considerações e Open Source Frameworks.

Backtesting Systematic Trading Strategies em Python: Considerações e Open Source Frameworks.

Neste artigo, Frank Smietana, um dos colaboradores convidados especializados da QuantStart, descreve o cenário de software de backtesting de código aberto Python e fornece conselhos sobre qual framework de backtesting é adequado para as necessidades de seu próprio projeto.

O backtesting é, sem dúvida, a parte mais crítica do processo de produção da SST (Estratégia de Negociação Sistemática), situada entre o desenvolvimento e a implementação da estratégia (negociação ao vivo). Se uma estratégia é falha, espera-se que um backtesting rigoroso exponha isso, impedindo que uma estratégia deficitária seja implantada.

Vários recursos relacionados se sobrepõem ao backtesting, incluindo simulação comercial e negociação ao vivo. O backtesting usa dados históricos para quantificar o desempenho do STS. Os simuladores de negociação levam o backtesting um passo adiante, visualizando o desencadeamento de negociações e o desempenho de preços em uma base barra a barra. A negociação simulada / ao vivo implanta um STS testado em tempo real: sinalizando negociações, gerando ordens, roteando ordens para corretores e mantendo posições conforme as ordens são executadas.

A maioria dos frameworks vai além do backtesting para incluir alguns recursos de negociação ao vivo. Isso é conveniente se você quiser implantar a partir de sua estrutura de backtesting, que também funciona com seu corretor e fontes de dados preferidos. O Quantopian / Zipline dá um passo adiante, fornecendo uma solução totalmente integrada de desenvolvimento, backtesting e implantação.

A comunidade Python está bem atendida, com pelo menos seis estruturas de backtesting de código aberto disponíveis. Eles estão, no entanto, em vários estágios de desenvolvimento e documentação. Se você gosta de trabalhar em uma equipe criando uma estrutura de backtesting de código aberto, confira os repositórios do Github.

Antes de avaliar as estruturas de backtesting, vale a pena definir os requisitos do seu STS.

Qual (is) classe (s) de ativos você está negociando? Enquanto a maioria dos frameworks suportam dados de Ações dos EUA via YahooFinance, se uma estratégia incorpora derivativos, ETFs ou títulos de EM, os dados precisam ser importados ou fornecidos pela estrutura. As coberturas de classes de ativos vão além dos dados. O framework pode lidar com futuros e opções de tamanho finito e gerar transações roll-over automaticamente? E quanto aos mercados sem liquidez, quão realista uma suposição deve ser feita ao executar grandes pedidos?

Qual freqüência de dados e detalhes seu STS é construído? Um sistema de negociação que exige cada tick ou lance / pedido tem um conjunto muito diferente de problemas de gerenciamento de dados que um intervalo de 5 minutos ou de hora em hora. Os fundos de hedge e as lojas HFT investiram significativamente na criação de estruturas de backtesting robustas e escalonáveis ​​para lidar com esse volume e frequência de dados. Algumas plataformas fornecem um conjunto rico e profundo de dados para várias classes de ativos, como ações da S & P, com resolução de um minuto.

Que tipo (s) de pedido exige o seu STS? No mínimo, limite, paradas e OCO devem ser suportados pelo framework.

Nível de suporte & amp; documentação necessária. Os frameworks de estágio inicial têm escassa documentação, poucos têm suporte além de conselhos comunitários.

Os componentes de um framework de backtesting.

Aquisição de dados e STS: Os componentes de aquisição consomem o arquivo de script / definição STS e fornecem os dados necessários para o teste. Se a estrutura exigir que qualquer STS seja recodificado antes do backtesting, a estrutura deverá suportar funções enlatadas para os indicadores técnicos mais populares para acelerar o teste de STS. Os usuários determinam quanto tempo um período histórico será backtest com base no que o framework fornece ou no que eles são capazes de importar.

O teste de desempenho aplica a lógica STS à janela de dados históricos solicitada e calcula uma ampla gama de riscos & amp; métricas de desempenho, incluindo redução máxima, taxas de Sharpe e Sortino. A maioria das estruturas suporta um número decente de recursos de visualização, incluindo curvas de equidade e estatísticas decifradas.

A otimização tende a exigir a maior parte dos recursos de computação no processo STS. Se o seu STS exigir otimização, concentre-se em uma estrutura que suporte o processamento distribuído / paralelo escalável.

No contexto de estratégias desenvolvidas usando indicadores técnicos, os desenvolvedores de sistemas tentam encontrar um conjunto ideal de parâmetros para cada indicador. Mais simplesmente, a otimização pode achar que um STS crossover médio de 6 e 10 dias acumulou mais lucro sobre os dados de teste históricos do que qualquer outra combinação de períodos de tempo entre 1 e 20. Já com este exemplo trivial, 20 * 20 = 400 combinações de parâmetros ser calculado & amp; classificado.

Em um contexto de portfólio, a otimização busca encontrar a ponderação ideal de todos os ativos do portfólio, incluindo instrumentos em curto e alavancados. Periodicamente, a carteira é reequilibrada, resultando na compra e venda de participações de carteira conforme necessário para alinhar com os pesos otimizados.

O dimensionamento de posição é um uso adicional de otimização, ajudando os desenvolvedores de sistemas a simular e analisar o impacto da alavancagem e o dimensionamento dinâmico da posição no STS e no desempenho do portfólio.

Seis Quadros de Backtesting para Python.

Os recursos padrão das plataformas de backtesting de Python de código aberto parecem incluir:

Evento orientado Licenciamento muito flexível e irrestrito Coleção decente de indicadores técnicos predefinidos Capacidades de cálculo / visualização / relatório de métricas de desempenho padrão.

PyAlgoTrade.

O PyAlgoTrade é uma estrutura de backtesting mutuamente documentada, juntamente com recursos de negociação em papel e ao vivo. O suporte de dados inclui o Yahoo! Finanças, Google Finance, NinjaTrader e qualquer tipo de série temporal baseada em CSV, como o Quandl. Tipos de pedidos suportados incluem Market, Limit, Stop e StopLimit.

O PyAlgoTrade suporta negociação Bitcoin via Bitstamp, e manipulação de eventos do Twitter em tempo real.

bt - Backtesting para Python.

bt “visa fomentar a criação de blocos facilmente testáveis, reutilizáveis ​​e flexíveis de lógica estratégica para facilitar o rápido desenvolvimento de estratégias de negociação complexas”.

A estrutura é particularmente adequada para testar o STS baseado em portfólio, com algos para ponderação de ativos e reequilíbrio de portfólio. Modificar uma estratégia para executar diferentes frequências de tempo ou pesos de ativos alternativos envolve um ajuste de código mínimo. bt é construído sobre o ffn - uma biblioteca de funções financeiras para Python.

Backtrader.

Essa plataforma é excepcionalmente bem documentada, com um blog de acompanhamento e uma comunidade on-line ativa para postar perguntas e solicitações de recursos. Backtrader suporta vários formatos de dados, incluindo arquivos CSV, Pandas DataFrames, iteradores de blaze e feeds de dados em tempo real de três corretores. Esses feeds de dados podem ser acessados ​​simultaneamente e podem até representar diferentes períodos de tempo. Corretores suportados incluem Oanda para negociação de FX e negociação de classe de múltiplos ativos via Interactive Brokers e Visual Chart.

pysystemtrade.

O desenvolvedor do pysystemtrade, Rob Carver, tem um ótimo post discutindo por que ele se propôs a criar outro framework de backtesting em Python e os argumentos a favor e contra o desenvolvimento de frameworks. O framework de backtesting para o pysystemtrade é discutido no livro de Rob, "Systematic Trading".

O pysystemtrade lista vários recursos de roteiro, incluindo um testador completo completo que inclui técnicas de otimização e calibração e negociação de futuros totalmente automatizada com a Interactive Brokers. Contribuidores de código aberto são bem-vindos.

Zipline é um simulador de negociação algorítmica com capacidades de negociação em papel e ao vivo. Acessível através da interface IPython Notebook baseada em navegador, o Zipline fornece uma alternativa fácil de usar às ferramentas de linha de comando. Suportado e desenvolvido pela Quantopian, o Zipline pode ser usado como uma estrutura de backtesting autônoma ou como parte de um ambiente de desenvolvimento, teste e implementação de STS completo da Quantipian / Zipline. O Zipline fornece 10 anos de dados de estoque históricos americanos com resolução de minutos e várias opções de importação de dados.

O QSTrader é um framework de backtesting com recursos de negociação ao vivo. O Fundador da QuantStart, Michael Halls-Moore, lançou o QSTrader com o intuito de construir uma plataforma robusta e escalável o suficiente para atender às necessidades dos fundos institucionais de hedge, bem como aos traders quantificados de varejo. O QSTrader atualmente suporta dados de resolução "bar" do OHLCV em várias escalas de tempo, mas permite que dados de ticks sejam usados.

Ambos backtesting e live trading são completamente orientados a eventos, simplificando a transição de estratégias de pesquisa para testes e, finalmente, negociação ao vivo. A estratégia principal / código do portfólio é geralmente idêntica em ambas as implantações.

O principal benefício do QSTrader é a sua modularidade, permitindo uma ampla personalização de código para aqueles que possuem requisitos específicos de gerenciamento de risco ou portfólio.

Abraçando o Backtest.

É da natureza humana concentrar-se na recompensa de desenvolver um (esperançosamente lucrativo) STS, e então se apressar em implantar uma conta financiada (porque estamos esperançosos), sem gastar tempo e recursos suficientes para fazer backtesting da estratégia. Mas o backtesting não é apenas um gatekeeper para nos impedir de implementar estratégias falhas e perder o capital comercial, ele também fornece uma série de diagnósticos que podem informar o processo de desenvolvimento do STS. Por exemplo, testar um STS idêntico em dois períodos de tempo diferentes, compreender o empate máximo de uma estratégia no contexto de correlações de ativos e criar portfólios mais inteligentes, fazendo backtesting de alocações de ativos em várias regiões geográficas.

Em posts futuros, cobriremos backtesting frameworks para ambientes não-Python, e o uso de várias técnicas de sampling como bootstrapping e jackknife para backtesting de modelos preditivos de trading.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Negociação Algorítmica Bem Sucedida.

Como encontrar novas ideias de estratégia de negociação e avaliá-las objetivamente para o seu portfólio usando um mecanismo de backtesting personalizado no Python.

Comércio Algorítmico Avançado.

Como implementar estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas Bayesianas com R e Python.

Pesquise Ambientes de Backtesting em Python com pandas.

Pesquise Ambientes de Backtesting em Python com pandas.

Backtesting é o processo de pesquisa da aplicação de uma ideia de estratégia de negociação aos dados históricos, a fim de verificar o desempenho passado. Em particular, um backtester não garante o desempenho futuro da estratégia. No entanto, eles são um componente essencial do processo de pesquisa de pipeline da estratégia, permitindo que as estratégias sejam filtradas antes de serem colocadas em produção.

Neste artigo (e aqueles que o seguem), um sistema básico de backtesting orientado a objeto escrito em Python será descrito. Este sistema inicial será principalmente um "auxiliar de ensino", usado para demonstrar os diferentes componentes de um sistema de backtesting. À medida que avançamos nos artigos, funcionalidades mais sofisticadas serão adicionadas.

Visão geral do backtesting.

O processo de projetar um sistema de backtesting robusto é extremamente difícil. Simular efetivamente todos os componentes que afetam o desempenho de um sistema de negociação algorítmica é um desafio. Pouca granularidade de dados, opacidade de roteamento de ordens em um corretor, latência de pedidos e uma miríade de outros fatores conspiram para alterar o desempenho "verdadeiro" de uma estratégia versus o desempenho de backtested.

Ao desenvolver um sistema de backtesting, é tentador querer constantemente "reescrevê-lo do zero", já que mais fatores são considerados cruciais na avaliação do desempenho. Nenhum sistema de backtesting é concluído e um julgamento deve ser feito em um ponto durante o desenvolvimento que fatores suficientes foram capturados pelo sistema.

Com essas preocupações em mente, o backtester apresentado aqui será um pouco simplista. À medida que exploramos outras questões (otimização de portfólio, gerenciamento de riscos, manipulação de custos de transação), o backtester se tornará mais robusto.

Tipos de sistemas de backtesting.

Geralmente, existem dois tipos de sistema de backtesting que serão de interesse. O primeiro é baseado em pesquisa, usado principalmente nos estágios iniciais, onde muitas estratégias serão testadas para selecionar aquelas para uma avaliação mais séria. Esses sistemas de backtesting de pesquisa são frequentemente escritos em Python, R ou MatLab, já que a velocidade de desenvolvimento é mais importante do que a velocidade de execução nesta fase.

O segundo tipo de sistema de backtesting é baseado em eventos. Ou seja, ele realiza o processo de backtesting em um loop de execução semelhante (se não idêntico) ao próprio sistema de execução de negociação. Ele irá modelar de forma realista os dados de mercado e o processo de execução de ordens, a fim de fornecer uma avaliação mais rigorosa de uma estratégia.

Os últimos sistemas geralmente são escritos em uma linguagem de alto desempenho, como C ++ ou Java, em que a velocidade de execução é essencial. Para estratégias de frequência mais baixa (embora ainda intradiário), o Python é mais que suficiente para ser usado neste contexto.

Backtester de pesquisa orientada a objeto em Python.

O projeto e a implementação de um ambiente de backtesting baseado em pesquisa orientado a objeto serão agora discutidos. A orientação a objetos foi escolhida como o paradigma de design de software pelos seguintes motivos:

As interfaces de cada componente podem ser especificadas antecipadamente, enquanto as partes internas de cada componente podem ser modificadas (ou substituídas) à medida que o projeto progride Ao especificar as interfaces antecipadamente, é possível testar efetivamente como cada componente se comporta (por meio de testes de unidade). Os novos componentes do sistema podem ser construídos ou em adição a outros, seja por herança ou composição.

Nesta fase, o backtester é projetado para facilidade de implementação e um grau razoável de flexibilidade, em detrimento da verdadeira precisão do mercado. Em particular, este backtester só será capaz de lidar com estratégias que atuam em um único instrumento. Posteriormente, o backtester será modificado para lidar com conjuntos de instrumentos. Para o backtester inicial, os seguintes componentes são necessários:

Estratégia - Uma classe Strategy recebe um Pandas DataFrame de barras, ou seja, uma lista de pontos de dados Open-High-Low-Close-Volume (OHLCV) em uma frequência específica. A Estratégia produzirá uma lista de sinais, que consistem em um registro de data e hora e um elemento do conjunto $ \ $ indicando um sinal longo, retido ou curto, respectivamente. Portfólio - A maior parte do trabalho de backtesting ocorrerá na classe Portfolio. Ele receberá um conjunto de sinais (conforme descrito acima) e criará uma série de posições, alocadas em um componente em dinheiro. O trabalho do objeto Portfolio é produzir uma curva de capital, incorporar os custos básicos de transação e acompanhar os negócios. Desempenho - O objeto Performance pega um portfólio e produz um conjunto de estatísticas sobre seu desempenho. Em particular, ele produzirá características de risco / retorno (Sharpe, Sortino e Proporções de Informações), métricas de comércio / lucro e informações de rebaixamento.

O que está a faltar?

Como pode ser visto, esse backtester não inclui nenhuma referência ao gerenciamento de portfólio / risco, manuseio de execução (ou seja, sem ordens de limite) nem fornecerá modelagem sofisticada dos custos de transação. Isso não é muito problemático neste estágio. Isso nos permite ganhar familiaridade com o processo de criação de um backtester orientado a objetos e as bibliotecas Pandas / NumPy. Com o tempo, será melhorado.

Implementação.

Vamos agora proceder para delinear as implementações para cada objeto.

O objeto Strategy deve ser bastante genérico neste estágio, já que ele estará lidando com estratégias de previsão, reversão à média, momentum e volatilidade. As estratégias que estão sendo consideradas aqui serão sempre baseadas em séries temporais, ou seja, "orientadas pelo preço". Um requisito inicial para esse backtester é que as classes Strategy derivadas aceitarão uma lista de barras (OHLCV) como entrada, em vez de ticks (preços de trade-by-trade) ou dados de pedidos. Assim, a melhor granularidade considerada aqui será de 1 segundo.

A classe Strategy também sempre produzirá recomendações de sinal. Isso significa que ele irá aconselhar uma instância do portfólio no sentido de ir longo / curto ou manter uma posição. Essa flexibilidade nos permitirá criar vários "consultores" de estratégia que fornecem um conjunto de sinais, que uma classe de portfólio mais avançada pode aceitar para determinar as posições reais que estão sendo inseridas.

A interface das classes será aplicada utilizando uma metodologia de classe base abstrata. Uma classe base abstrata é um objeto que não pode ser instanciado e, portanto, somente classes derivadas podem ser criadas. O código Python é dado abaixo em um arquivo chamado backtest. py. A classe Strategy requer que qualquer subclasse implemente o método generate_signals.

Para evitar que a classe Strategy seja instanciada diretamente (já que é abstrata!), É necessário usar os objetos ABCMeta e abstractmethod do módulo abc. Nós definimos uma propriedade da classe, chamada __metaclass__, para ser igual a ABCMeta e depois decoramos o método generate_signals com o decorador abstractmethod.

Embora a interface acima seja simples, ela se tornará mais complicada quando essa classe for herdada para cada tipo específico de estratégia. Em última análise, o objetivo da classe Strategy nesta configuração é fornecer uma lista de sinais long / short / hold para cada instrumento a ser enviado para um Portfólio.

A classe Portfolio é onde a maioria da lógica de negociação residirá. Para este backtester de pesquisa, a Carteira é responsável por determinar o tamanho da posição, a análise de risco, a gestão dos custos de transação e o processamento da execução (ou seja, ordens de mercado em aberto e de fecho de mercado). Posteriormente, essas tarefas serão divididas em componentes separados. No momento, eles serão encaminhados para uma aula.

Esta classe faz amplo uso de pandas e fornece um ótimo exemplo de onde a biblioteca pode economizar uma enorme quantidade de tempo, particularmente no que diz respeito a disputas de dados "clichê". Como um aparte, o principal truque com pandas e NumPy é evitar iterar sobre qualquer conjunto de dados usando o for d in. sintaxe. Isso ocorre porque o NumPy (que sustenta os pandas) otimiza o loop por operações vetorizadas. Assim, você verá poucas iterações diretas (se houver alguma) ao utilizar pandas.

O objetivo da classe Portfolio é, em última análise, produzir uma sequência de negociações e uma curva de capital, que será analisada pela classe Performance. Para conseguir isso, deve ser fornecida uma lista de recomendações de negociação de um objeto Strategy. Mais tarde, este será um grupo de objetos Strategy.

A classe Portfolio precisará ser informada sobre como o capital deve ser implantado para um determinado conjunto de sinais de negociação, como lidar com custos de transação e quais formulários de ordens serão utilizados. O objeto Estratégia está operando em barras de dados e, portanto, as premissas devem ser feitas em relação aos preços alcançados na execução de um pedido. Como o preço alto / baixo de qualquer barra é desconhecido a priori, só é possível usar os preços de abertura e fechamento para negociação. Na realidade, é impossível garantir que uma encomenda seja preenchida a um desses preços específicos quando se utiliza uma ordem de mercado, pelo que será, na melhor das hipóteses, uma aproximação.

Além das suposições sobre pedidos sendo preenchidos, este backtester irá ignorar todos os conceitos de restrições de margem / corretagem e assumirá que é possível ir de forma longa e curta em qualquer instrumento livremente, sem quaisquer restrições de liquidez. Isto é claramente uma suposição muito irrealista, mas é algo que pode ser relaxado mais tarde.

A listagem a seguir continua backtest. py:

Nesta fase, as classes base abstratas de Strategy e Portfolio foram introduzidas. Estamos agora em posição de gerar algumas implementações derivadas concretas dessas classes, a fim de produzir uma "estratégia de brinquedo" funcional.

Começaremos gerando uma subclasse de Estratégia chamada RandomForecastStrategy, cuja única tarefa é produzir sinais longos / curtos escolhidos aleatoriamente! Embora esta seja claramente uma estratégia comercial absurda, ela atenderá às nossas necessidades demonstrando a estrutura de backtesting orientada a objeto. Assim, iniciaremos um novo arquivo chamado random_forecast. py, com a listagem do preditor aleatório, da seguinte maneira:

Agora que temos um sistema de previsão "concreto", devemos criar uma implementação de um objeto Portfolio. Este objeto irá abranger a maioria do código de backtesting. Ele é projetado para criar dois DataFrames separados, o primeiro dos quais é um quadro de posições, usado para armazenar a quantidade de cada instrumento contido em qualquer barra específica. A segunda carteira, na verdade, contém o preço de mercado de todas as participações de cada barra, bem como uma contagem do dinheiro, assumindo um capital inicial. Isso acaba por fornecer uma curva de capital para avaliar o desempenho da estratégia.

O objeto Portfolio, embora extremamente flexível em sua interface, requer escolhas específicas quando se trata de como lidar com custos de transação, ordens de mercado, etc. Neste exemplo básico, considerei que seria possível usar um instrumento muito fácil, sem restrições ou margem, comprar ou vender diretamente ao preço de abertura da barra, custos de transação zero (englobando derrapagem, taxas e impacto no mercado) e especificando a quantidade de estoque diretamente para comprar para cada negociação.

Esta é a continuação da listagem random_forecast. py:

Isso nos dá tudo o que precisamos para gerar uma curva de capital baseada em tal sistema. O passo final é amarrar tudo junto com uma função __main__:

A saída do programa é a seguinte. A sua será diferente da saída abaixo, dependendo do período selecionado e da semente aleatória usada:

Neste caso, a estratégia perdeu dinheiro, o que não é surpreendente, dada a natureza estocástica do previsor! As próximas etapas são criar um objeto Performance que aceite uma instância de portfólio e forneça uma lista de métricas de desempenho sobre as quais basear uma decisão para filtrar a estratégia ou não.

Também podemos melhorar o objeto Portfolio para ter um tratamento mais realista dos custos de transação (como comissões e slippage do Interactive Brokers). Também podemos incluir diretamente um mecanismo de previsão em um objeto Strategy, que (esperançosamente) produzirá melhores resultados. Nos artigos a seguir, exploraremos esses conceitos com mais profundidade.

A Quantcademy.

Participe do portal de associação da Quantcademy que atende à crescente comunidade de traders de quantificação de varejo e aprenda como aumentar a lucratividade de sua estratégia.

Estratégia de Negociação do Oscilador Estocástico Backtest em Python.

Eu pensei que para este post eu continuaria com o tema de testes de estratégias de negociação baseadas em sinais de alguns dos indicadores técnicos clássicos & # 8221; que muitos traders incorporam em sua tomada de decisão; o último post lidou com Bollinger Bands e, para este, eu pensei em usar um Backtest de estratégia de negociação de oscilador estocástico em Python.

Vamos começar com o que o oscilador estocástico realmente é; Investopedia descreve da seguinte forma:

& # 8220; O que é o & # 8216; Oscilador Estocástico & # 8217;

O oscilador estocástico é um indicador de momentum que compara o preço de fechamento de um título com o intervalo de seus preços durante um certo período de tempo. A sensibilidade do oscilador aos movimentos do mercado é redutível ajustando esse período de tempo ou tomando uma média móvel do resultado.

QUEBRANDO PARA BAIXO & # 8216; Oscilador Estocástico & # 8217;

O oscilador estocástico é calculado usando a seguinte fórmula:

C = o preço de fechamento mais recente.

L14 = a baixa dos 14 pregões anteriores.

H14 = o preço mais alto negociado durante o mesmo período de 14 dias.

% K = a taxa atual de mercado para o par de moedas.

% D = média móvel de 3 períodos de% K.

A teoria geral que serve de base para esse indicador é que, em uma tendência de alta do mercado, os preços se aproximarão da alta e, em uma tendência de queda no mercado, os preços aproximam-se dos baixos. Os sinais de transação são criados quando o% K cruza uma média móvel de três períodos, que é chamada de% D. & # 8221;

Eu quero testar duas implementações diferentes do oscilador estocástico:

1) Um sinal de entrada de venda é dado quando a linha% K cruza através da linha% D, e a linha% K está acima de 80. O sinal de saída para essa posição curta é dado assim que a linha% K cruza de volta a linha% D, independentemente do valor real da linha% K quando isso acontece. Um sinal de entrada de compra é dado quando a linha% K passa pela linha% D, e a linha% K está abaixo de 20 naquele momento. O sinal de saída para esta posição longa é dado assim que a linha% K cruza de volta pela linha% D, independentemente do valor real da linha% K quando isso acontece. Nesta implementação existem 3 estados possíveis & # 8211; longo, curto, plano (ou seja, sem posição).

2) Nesta implementação existem apenas dois estados possíveis & # 8211; longo ou curto. Uma vez que uma posição é inserida, a posição é mantida até que um sinal oposto seja dado, ponto em que a posição é invertida (isto é, de longa para curta ou de curta para longa). Por exemplo, se uma posição de entrada de compra for sinalizada pela linha% K cruzando a linha% D enquanto a linha% K estiver abaixo de 20, a posição é mantida até que a linha% K cruze a linha% D enquanto a linha% A linha K está acima de 80.

Então vamos pegar algum código e testar a estratégia das ações da Apple Inc.

Bollinger Band Trading Strategy Backtest em Python.

Então, depois de um longo tempo sem postar (sendo super ocupado), eu pensei em escrever um rápido Bollinger Band Trading Strategy Backtest em Python e depois executar algumas otimizações e análises como fizemos no passado.

É muito fácil e pode ser escrito em apenas algumas linhas de código, e é por isso que eu amo muito o Python & # 8211; Tantas coisas podem ser rapidamente prototipadas e testadas para ver se ela retém a água sem perder metade da sua vida digitando.

Então, como alguns de vocês devem saber, o Yahoo Finance retirou sua API de dados financeiros, o que significa que não podemos mais usar o Pandas Datareader para extrair dados financeiros do site do Yahoo Finance. Há rumores de que o Google está puxando o deles também, embora eu ainda não tenha confirmado isso. Por que eles escolheram fazer isso, eu realmente não sei, mas é um pouco trabalhoso, já que muitos dos códigos que eu escrevi anteriormente para este blog não funcionam mais. . Essa é a vida, eu acho & # 8230;

Enfim, para coisas maiores e melhores, # 8211; Ainda podemos usar a incrível API do Quandl Python para extrair os dados necessários!

bt - Backtesting flexível para Python¶

O que é bt?

O bt é um framework de backtesting flexível para Python usado para testar estratégias de negociação quantitativa. Backtesting é o processo de testar uma estratégia em um dado conjunto de dados. Essa estrutura permite criar facilmente estratégias que combinam e combinam diferentes Algos. O objetivo é promover a criação de blocos de lógica de estratégia facilmente testáveis, reutilizáveis ​​e flexíveis para facilitar o rápido desenvolvimento de estratégias de negociação complexas.

O objetivo: salvar os demais de reinventarem a roda e deixá-los concentrar-se na parte importante do desenvolvimento da estratégia de trabalho.

O bt é codificado em Python e se junta a um ecossistema vibrante e rico para análise de dados. Existem inúmeras bibliotecas para aprendizado de máquina, processamento de sinais e estatísticas, e podem ser aproveitadas para evitar reinventar a roda - algo que acontece com muita freqüência quando se usa outras linguagens que não têm a mesma riqueza de alta qualidade. projetos de origem.

bt é construído sobre o ffn - uma biblioteca de funções financeiras para Python. Confira!

Um exemplo rápido¶

Aqui está um gostinho rápido de bt:

Um backtest de estratégia simples¶

Vamos criar uma estratégia simples. Criaremos uma estratégia mensalmente reequilibrada, de longa duração, em que colocamos pesos iguais em cada ativo em nosso universo de ativos.

Primeiro, vamos baixar alguns dados. Por padrão, o bt. get (apelido para ffn. get) faz o download do Ajusted Close do Yahoo! Finança. Vamos baixar alguns dados a partir de 1º de janeiro de 2010 para os fins desta demonstração.

Assim que tivermos nossos dados, criaremos nossa estratégia. O objeto Strategy contém a lógica da estratégia combinando vários Algos.

Por fim, criaremos um Backtest, que é a combinação lógica de uma estratégia com um conjunto de dados.

Feito isso, podemos executar o backtest e analisar os resultados.

Agora podemos analisar os resultados do nosso backtest. O objeto Result é um wrapper fino em torno de ffn. GroupStats que adiciona alguns métodos auxiliares.

Modificando uma estratégia¶

E se executássemos essa estratégia semanalmente e também usássemos alguma abordagem de estilo de paridade de risco usando pesos que são proporcionais ao inverso da volatilidade de cada ativo? Bem, tudo o que temos a fazer é conectar alguns algos diferentes. Ver abaixo:

Como você pode ver, a lógica da estratégia é fácil de entender e, mais importante, fácil de modificar. A ideia de usar Algos simples e compostos para criar estratégias é um dos principais blocos de construção do bt.

Estrutura da Árvore A estrutura da árvore facilita a construção e a composição de estratégias complexas de negociação algorítmica que são modulares e reutilizáveis. Além disso, cada nó da árvore possui seu próprio índice de preços que pode ser usado pelos Algos para determinar a alocação de um Nó. Algorithm Stacks Algos e AlgoStacks são outro recurso essencial que facilita a criação de lógica de estratégia modular e reutilizável. Devido à sua modularidade, esses blocos lógicos também são mais fáceis de testar - um passo importante na construção de soluções financeiras robustas. Gráficos e relatórios bt também fornece muitas funções úteis de gráficos que ajudam a visualizar os resultados do backtest. Também planejamos adicionar mais gráficos, tabelas e formatos de relatório no futuro, como gerar relatórios em PDF gerados automaticamente. Estatísticas detalhadas Além disso, o bt calcula um monte de estatísticas relacionadas a um backtest e oferece uma maneira rápida de comparar essas várias estatísticas em vários backtests diferentes por meio dos métodos de exibição do Results.

Os futuros esforços de desenvolvimento se concentrarão em:

Velocidade Devido à natureza flexível do BT, um trade-off teve que ser feito entre usabilidade e desempenho. A usabilidade sempre será a prioridade, mas queremos melhorar o desempenho o máximo possível. Algos Também estaremos desenvolvendo mais algoritmos com o passar do tempo. Nós também encorajamos qualquer um a contribuir com seus próprios algos também. Criação de gráficos e relatórios Esta é outra área que desejamos melhorar constantemente, pois os relatórios são um aspecto importante do trabalho. Gráficos e relatórios também facilitam encontrar bugs na lógica da estratégia.