eiten

Eiten - Algorithmische Investitionsstrategien für alle

EITEN ist ein Open -Source -Toolkit von Tradytics, das verschiedene statistische und algorithmische Investitionsstrategien wie Eigenportfolios , Portfolios von maximaler Sharpe -Verhältnis und genetische Algorithmen basierende Portfolios implementiert. Sie können Ihre eigenen Portfolios mit Ihren eigenen Aktien erstellen, die den Markt übertreffen können. Das in Eiten enthaltene strenge Testframework ermöglicht es Ihnen, Vertrauen in Ihre Portfolios zu haben.

Wenn Sie diese Tools ausführlich besprechen und über weitere Tools sprechen, an denen wir arbeiten, können Sie sich Ihrem Discord -Kanal anschließen, in dem wir auch mehr Tools haben.

Dateien Beschreibung

Weg	Beschreibung
Eiten	Hauptordner.
└ Zahlen	Zahlen für diese Github -Repositories.
└ Aktien	Ordner, um Ihre Aktienlisten zu halten, mit denen Sie Ihre Portfolios erstellen möchten.
└ Strategien	Eine Reihe von Strategien, die in Python umgesetzt wurden.
BackTester.py	Backtesting -Modul, das sowohl Backtests als auch vorwärts testet, testet alle Portfolios.
Data_loader.py	Modul zum Laden von Daten aus Yahoo Finance.
pORTFOLIO_MANAGER.PY	Hauptdatei, die eine Reihe von Argumenten aufnimmt und mehrere Portfolios für Sie generiert.
Simulator.py	Simulator, der historische Renditen und Monte Carlo verwendet, um zukünftige Preise für die Portfolios zu simulieren.
Strategy_Manager.py	Verwaltet die im Ordner "Strategien" implementierten Strategien.

Erforderliche Pakete

Sie müssen das folgende Paket installieren, um die Modelle zu trainieren und zu testen.

• Scikit-Learn
• Numpy
• Tqdm
• Yfinance
• Pandas
• Scipy

Sie können alle Pakete über den folgenden Befehl installieren. Bitte beachten Sie, dass das Skript mit Python3 geschrieben wurde.

 pip install -r requirements.txt

Erstellen Sie Ihre Portfolios

Lassen Sie uns sehen, wie wir alle im Toolkit angegebenen Strategien verwenden können, um unsere Portfolios zu erstellen. Das erste, was Sie tun müssen, ist, die Datei setze.txt im Stocks -Ordner zu ändern und die Aktien Ihrer Wahl hinzuzufügen. Es wird empfohlen, die Liste klein zu halten, dh zwischen 5 und 50 Aktien sollte in Ordnung sein. Wir haben bereits eine kleine Aktienliste mit einer Reihe von Tech -Aktien wie AAPL, MSFT, TSLA usw. aufgestellt. Lassen Sie uns jetzt unsere Portfolios erstellen. Dies ist der Hauptbefehl, den Sie ausführen müssen.

 python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 1 --market_index QQQ --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

Dieser Befehl verwendet die letzten 5 Jahre täglicher Daten ohne die letzten 90 Tage und erstellt mehrere Portfolios für Sie. Basierend auf diesen Portfolios werden sie auf den außerhalb von 90 Tagen außerhalb der Stichprobendaten getesteten und die Leistung jedes Portfolios angezeigt. Schließlich wird es auch die Leistung mit Ihrer Auswahl an Marktindex vergleichen, die hier QQQ ist. Lassen Sie uns im Detail in die einzelnen Parameter eintauchen.

• IS_TEST : Der Wert ermittelt, wenn das Programm einige separate Daten für zukünftige Tests aufführt. Wenn dies aktiviert ist, sollte der Wert von Future_Bars größer als 5 sein.
• FUKTURE_BARS : Dies sind die Balken, die das Tool während des Portfolioserbaus ausschließen und die Portfolios am ausgeschlossenen Set weiterleiten wird. Dies wird auch aus Beispieldaten genannt.
• Data_Granularity_Minutes : Wie viel detaillierte Daten möchten Sie zum Erstellen Ihrer Portfolios verwenden? Für langfristige Portfolios sollten Sie tägliche Daten verwenden, aber kurzfristig können Sie stündliche oder winzige Daten verwenden. Die möglichen Werte hier sind 3600, 60, 30, 15, 5, 1. 3600 bedeutet täglich.
• History_to_use : Ob Sie eine bestimmte Anzahl historischer Balken verwenden oder alles verwenden, was wir von Yahoo Finance erhalten. Für Minute Level -Daten erhalten wir nur bis zu einem Monat historischer Daten. Für täglich erhalten wir historische Daten im Wert von 5 Jahren. Wenn Sie alle verfügbaren Daten verwenden möchten, sollte der Wert alles sein, aber wenn Sie einen kleineren Verlauf verwenden möchten, können Sie ihn auf einen Ganzzahlwert einstellen, z. B. 100 , bei dem nur die letzten 100 Balken zum Erstellen der Portfolios verwendet werden.
• apply_noise_filtering : Dies verwendet die zufällige Matrix -Theorie, um die Kovarianzmatrix aus Zufälligkeit herauszufiltern, wodurch bessere Portfolios erzeugt werden. Ein Wert von 1 aktiviert es und 0 deaktiviert es.
• markt_index : Welchen Index möchten Sie verwenden, um Ihre Portfolios zu vergleichen? Dies sollte meistens Spionage sein, aber da wir Tech -Aktien analysiert haben, haben wir QQQ verwendet.
• Nur_long : Ob Sie nur ein langes Portfolio verwenden oder auch kurzverkauft werden sollen. Lange nur Portfolios haben eine bessere Leistung unter Verwendung algorithmischer Techniken.
• Eigen_Portfolio_Number : Welches Eigenportfolio zu verwenden. Jeder Wert zwischen 1 und 5 sollte funktionieren. Das erste Eigenportfolio (1) repräsentiert das Marktportfolio und sollte genau wie der zugrunde liegende Index wie Spion oder QQQ handeln. Der zweite ist orthogonal und auf dem Markt unkorreliert und stellt das größte Risiko und die größte Belohnung dar. Die folgenden haben das Risiko und die Belohnung verringert. Lesen Sie mehr über Eigen-Portfolios.
• Stocks_File_Path : Datei mit der Liste der Aktien, mit denen Sie Ihr Portfolio erstellen möchten.

Einige Beispiele für Portfoliogebäude

Hier sind einige Beispiele zum Erstellen verschiedener Arten von Portfolios.

• Sowohl lange als auch kurze Portfolios durch Analyse der letzten 90 Tage Daten und die letzten 30 Tage als Testdaten. Dies gibt uns 60 Tage Portfolio -Konstruktionsdaten und 30 Tagen Tests.

 python portfolio_manager.py --is_test 1 --future_bars 30 --data_granularity_minutes 3600 --history_to_use 90 --apply_noise_filtering 1 --market_index QQQ --only_long 0 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

• Nur langes Portfolio an 60 Minuten Bars der letzten 30 Tage . Keine zukünftigen Tests . Vergleichen Sie die Ergebnisse mit dem Spy Index anstelle von QQQ.

 python portfolio_manager.py --is_test 0 --future_bars 0 --data_granularity_minutes 60 --history_to_use all --apply_noise_filtering 1 --market_index SPY --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

• Wenden Sie keine Geräuschfilterung auf die Kovarianzmatrix an. Verwenden Sie das erste Eigen -Portfolio (Marktportfolio) und vergleichen Sie sie mit SQQQ.

 python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 0 --market_index SQQQ --only_long 1 --eigen_portfolio_number 1 --stocks_file_path stocks/stocks.txt

Portfoliostrategien

Derzeit werden vier verschiedene Portfoliostrategien vom Toolkit unterstützt.

1. Eigenportfolios
   1. Diese Portfolios sind orthogonal und im Allgemeinen unkorreliert, wodurch eine hohe Belohnung und Alpha liefert. Da sie jedoch auf dem Markt nicht korreliert sind, können sie auch ein großes Risiko darstellen. Das erste Eigenportfolio wird als ein Marktportfolio angesehen, das oft ignoriert wird. Der zweite ist für die anderen unkorreliert und bietet das höchste Risiko und die höchste Belohnung. Wenn wir die Nummerierung hinuntergehen, werden das Risiko und die Belohnung verringert.
2. Mindestvarianzportfolio (MVP)
   1. MVP versucht, die Varianz des Portfolios zu minimieren. Diese Portfolios sind das niedrigste Risiko und die geringste Belohnung.
3. Maximal Sharpe Ratio Portfolio (MSR)
   1. MSR löst ein Optimierungsproblem, das versucht, das Sharpe -Verhältnis des Portfolios zu maximieren. Es verwendet frühere Renditen während des Optimierungsprozesses, was bedeutet, dass die Ergebnisse in Zukunft nicht mit den zukünftigen Renditen übereinstimmen.
4. Basierter Portfolio auf genetischer Algorithmus (GA)
   1. Dies ist unsere eigene Implementierung eines GA -basierten Portfolios, das erneut versucht, das Sharpe -Verhältnis, jedoch auf etwas robustere Weise zu maximieren. Dies bietet normalerweise robustere Portfolios als die anderen.

Wenn Sie den obigen Befehl ausführen, generiert unser Tool Portfolios aus all diesen Strategien und gibt sie Ihnen. Schauen wir uns einige resultierende Portfolios an.

Resultierende Portfolios

Für den Zweck dieser Ergebnisse verwenden wir die 9 Aktien in der Datei savel/s Stocks.txt. Wenn wir den obigen Befehl ausführen, erhalten wir zuerst die Portfoliogewichte für alle vier Strategien. Zu Testzwecken verwendete der obige Befehl bis zum 29. April die letzten fünf Jahre der täglichen Daten. Die verbleibenden Daten für dieses Jahr wurden für die Vorwärtstests verwendet, dh die Portfoliostrategien hatten keinen Zugriff darauf beim Erstellen der Portfolios.

Was ist, wenn mein Portfolio unterschiedliche Aktien benötigt? : Alles, was Sie tun müssen, ist die Aktien in der Datei setze.txt zu ändern und das Tool erneut auszuführen. Hier ist der endgültige Befehl wieder, den wir ausführen, um unsere Portfolios zu erhalten:

 python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 1 --market_index QQQ --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

Portfoliogewichte

Wir können sehen, dass das Eigen -Portfolio TSLA ein großes Gewicht verleiht, während die anderen ihre Gewichte gleichmäßiger teilen. Ein interessantes Phänomen, das hier stattfindet, ist die Absicherung mit SQQQ , dass alle Strategien automatisch gelernt haben. Jedes Tool weist SQQQ ein gewisses Gewicht zu und weist auch anderen Aktien positive Gewichte zu, was darauf hinweist, dass die Strategien automatisch versuchen, die Portfolios vom Risiko abzusichern. Offensichtlich ist das nicht perfekt, aber nur die Tatsache, dass es passiert, ist faszinierend. Sehen wir uns die Ergebnisse der Backtest in den letzten fünf Jahren vor dem 29. April 2020 an.

Backtest -Ergebnisse

Die Backtests sehen ziemlich ermutigend aus. Die schwarz gepunktete Linie ist der Marktindex, dh QQQ . Andere Linien sind die Strategien. Unsere implementierte genetische Algorithmus -Implementierung scheint die besten Ergebnisse zu erzielen, da es sich um eine erweiterte Version anderer Strategien handelt. Das Eigenportfolio, das TSLA am meisten wog, haben die meisten Volatilität, aber seine Gewinne sind ebenfalls sehr hoch. Schließlich hat der MVP wie erwartet die Mindestvarianz und letztendlich den geringsten Gewinn. Da die Varianz jedoch extrem niedrig ist, ist es ein gutes Portfolio für diejenigen, die in Sicherheit bleiben möchten. Der interessanteste Teil kommt als nächstes. Sehen wir uns die Vorwärts- oder zukünftigen Testergebnisse für diese Portfolios an.

Vorwärts -Testergebnisse

Diese Ergebnisse sind vom 29. April, 2020 bis zum 4. September 2020. Das Eigenportfolio gab das Beste, aber es hatte auch viel Volatilität. Darüber hinaus sind die meisten dieser Renditen auf TSLA -Rocketing in den letzten Monaten zurückzuführen. Danach funktionierte unser GA -Algorithmus ziemlich effektiv, als er den Marktindex übertraf. Wie erwartet hatte der MVP wieder das niedrigste Risiko und die niedrigste Belohnung und stieg in 4-5 Monaten langsam auf. Dies zeigt die Wirksamkeit und Leistung dieser algorithmischen Portfolio -Optimierungsstrategien, bei denen wir verschiedene Portfolios für verschiedene Arten von Risiko- und Belohnungsprofilen entwickelt haben.

Schlussfolgerung und Diskussion

Wir freuen uns, dieses Toolkit mit der Handelsgemeinschaft zu teilen und zu hoffen, dass Menschen es mögen und dazu beitragen. Wie bei allem im Handel sind diese Strategien nicht perfekt, aber sie basieren auf strengen Theorien und einigen großartigen empirischen Ergebnissen. Bitte achten Sie beim Handel mit diesen Strategien und verwalten Sie immer Ihr Risiko. Die oben genannten Ergebnisse waren nicht von Cherry ausgewählt, aber der Markt war in den letzten Monaten sehr optimistisch, was zu den starken Ergebnissen geführt hat, die oben gezeigt wurden. Wir würden uns freuen, wenn die Community verschiedene Strategien ausprobieren und sie mit uns teilen würde.

Besonderer Dank

Besonderer Dank geht an Scott Roms Blog. Die Eigenportfolios und die Mindestvarianzportfolio -Konzepte stammen aus seinen Blog -Posts. Der Code für die Filterung von Eigenwerten der Kovarianzmatrix wurde auch hauptsächlich aus einem seiner Posten erhalten.

Lizenz

Ein Produkt von Tradytics

Copyright (C) 2020-Present, tradytics.com