eiten

EITEN - Estrategias de inversión algorítmica para todos

EITEN es un conjunto de herramientas de código abierto de Tradytics que implementa varias estrategias de inversión estadística y algorítmica, como las carteras de Eigen , las carteras de varianza mínima , las carteras máximas de relación de afilado y las carteras basadas en algoritmos genéticos . Le permite construir sus propias carteras con su propio conjunto de acciones que pueden vencer al mercado. El marco de prueba riguroso incluido en EITEN le permite tener confianza en sus carteras.

Si está buscando discutir estas herramientas en profundidad y hablar sobre más herramientas en las que estamos trabajando, no dude en unirse a nuestro canal Discord donde también tenemos un montón de más herramientas.

Descripción de los archivos

Camino	Descripción
eiten	Carpeta principal.
└ Figuras	Figuras para estos repositorios de GitHub.
└ acciones	Carpeta para mantener sus listas de acciones que desea usar para crear sus carteras.
└ Estrategias	Un montón de estrategias implementadas en Python.
backtester.py	Backtesting Module que tanto de retroceso como hacia adelante prueba todas las carteras.
data_loader.py	Módulo para cargar datos de Yahoo Finance.
portafolio_manager.py	Archivo principal que recibe un montón de argumentos y genera varias carteras para usted.
simulador.py	Simulador que utiliza retornos históricos y Monte Carlo para simular precios futuros para las carteras.
estrategia_manager.py	Administra las estrategias implementadas en la carpeta 'Estrategias'.

Paquetes requeridos

Deberá instalar el siguiente paquete para entrenar y probar los modelos.

• Lear
• Numpy
• TQDM
• Yfinance
• Pandas
• Bisagro

Puede instalar todos los paquetes usando el siguiente comando. Tenga en cuenta que el script fue escrito con Python3.

 pip install -r requirements.txt

Construye tus carteras

Veamos cómo podemos usar todas las estrategias dadas en el conjunto de herramientas para construir nuestras carteras. Lo primero que debe hacer es modificar el archivo de acciones . Se recomienda mantener la lista pequeña, es decir, entre 5 y 50 acciones, deben estar bien. Ya hemos puesto una lista de existencias pequeñas que contienen un montón de acciones tecnológicas como AAPL, MSFT, TSLA, etc. Permítanos construir nuestras carteras ahora. Este es el comando principal que necesita ejecutar.

 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

Este comando utilizará los últimos 5 años de datos diarios, excluyendo los últimos 90 días y construirá varias carteras para usted. Según esas carteras, los probará en los datos fuera de la muestra de 90 días y le mostrará el rendimiento de cada cartera. Finalmente, también comparará el rendimiento con su elección del índice de mercado que es QQQ aquí. Vamos a sumergirnos en cada uno de los parámetros en detalle.

• IS_TEST : el valor determinado si el programa mantendrá algunos datos separados para futuras pruebas. Cuando esto está habilitado, el valor de Future_Bars debe ser mayor que 5.
• Future_Bars : estas son las barras que la herramienta excluirá durante la construcción de cartera y se reenviará a probar las carteras en el conjunto excluido. Esto también se llama a partir de datos de muestra.
• data_granularity_minutes : cuántos datos granulares desea usar para construir sus carteras. Para carteras a largo plazo, debe usar datos diarios, pero a corto plazo, puede usar datos de nivel de hora o minuto. Los valores posibles aquí son 3600, 60, 30, 15, 5, 1. 3600 medias diarias.
• History_to_use : si usar un número específico de barras históricas o usar todo lo que recibimos de Yahoo Finance. Para datos de nivel minucioso, solo recibimos hasta un mes de datos históricos. Para diariamente, recibimos 5 años de datos históricos. Si desea utilizar todos los datos disponibles, el valor debe ser todo , pero si desea usar un historial más pequeño, puede configurarlo en un valor entero, por ejemplo, 100 , que solo usará las últimas 100 barras para construir las carteras.
• Aplicar_noise_filtering : esto utiliza la teoría de la matriz aleatoria para filtrar la matriz de covarianza de la aleatoriedad, lo que produce mejores carteras. Un valor de 1 lo habilitará y 0 lo deshabilitará.
• Market_index : qué índice desea utilizar para comparar sus carteras. Esto debería ser principalmente espía , pero como analizamos las acciones tecnológicas, utilizamos QQQ .
• Only_Long : si usar solo cartera de Long Only o habilitar la venta corta también. Las carteras largas solo han demostrado tener un mejor rendimiento utilizando técnicas algorítmicas.
• eigen_portfolio_number : qué cartera de Eigen usar. Cualquier valor entre 1-5 debería funcionar. La primera cartera de Eigen (1) representa la cartera de mercado y debe actuar al igual que el índice subyacente como SPY o QQQ. El segundo es ortogonal y no correlacionado para el mercado y plantea el mayor riesgo y recompensa. Los siguientes han reducido el riesgo y la recompensa. Lea más sobre las carteras propias.
• stocks_file_path : archivo que contiene la lista de acciones que desea usar para construir su cartera.

Algunos ejemplos de edificios de cartera

Aquí hay algunos ejemplos para construir diferentes tipos de carteras.

• Tanto las carteras largas como cortas analizando los últimos 90 días de datos y manteniendo los últimos 30 días como datos de prueba. Esto nos dará 60 días de datos de construcción de cartera y 30 días de pruebas.

 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

• Solo cartera larga en barras de 60 minutos de los últimos 30 días . Sin pruebas futuras . Compare los resultados con el índice SPY en lugar de 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

• No aplique el filtrado de ruido en la matriz de covarianza. Use la primera cartera de Eigen (cartera de mercado) y compare con 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

Estrategias de cartera

Actualmente, el kit de herramientas respaldan cuatro estrategias de cartera diferentes.

1. Carteras de Eigen
   1. Estas carteras son ortogonales y no correlacionadas en el mercado en general, lo que produce una alta recompensa y alfa. Sin embargo, dado que no están correlacionados para el mercado, también pueden proporcionar un gran riesgo. La primera cartera de Eigen se considera una cartera de mercado que a menudo se ignora. El segundo no está correlacionado con los demás y proporciona el mayor riesgo y recompensa. A medida que avanzamos, el riesgo y la recompensa se reducen.
2. Cartera de varianza mínima (MVP)
   1. MVP intenta minimizar la varianza de la cartera. Estas carteras son el mayor riesgo y recompensa.
3. Portafolio máximo de relación Sharpe (MSR)
   1. MSR resuelve un problema de optimización que intenta maximizar la relación Sharpe de la cartera. Utiliza retornos pasados ​​durante el proceso de optimización, lo que significa que si los retornos pasados ​​no son lo mismo que los retornos futuros, los resultados pueden variar en el futuro.
4. Cartera basada en el algoritmo genético (GA)
   1. Esta es nuestra propia implementación de una cartera basada en GA que nuevamente trata de maximizar la relación Sharpe pero de una manera un poco más robusta. Esto generalmente proporciona carteras más robustas que las otras.

Cuando ejecuta el comando anterior, nuestra herramienta generará carteras a partir de todas estas estrategias y se los dará. Veamos algunas carteras resultantes.

Carteras resultantes

Para el propósito de estos resultados, utilizaremos las 9 acciones en el archivo de acciones/acciones. Cuando ejecutamos el comando anterior, primero obtenemos los pesos de la cartera para las cuatro estrategias. Para fines de prueba, el comando anterior utilizó los últimos cinco años de datos diarios hasta el 29 de abril. Los datos restantes para este año se utilizaron para realizar pruebas hacia adelante, es decir, las estrategias de cartera no tenían acceso a él al construir las carteras.

¿Qué pasa si mi cartera necesita diferentes acciones? : Todo lo que necesita hacer es cambiar las existencias en el archivo de acciones.txt y ejecutar la herramienta nuevamente. Aquí está el comando final nuevamente que ejecutamos para obtener nuestras carteras:

 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

Pesas de cartera

Podemos ver que la cartera de Eigen está dando un gran peso a TSLA, mientras que los otros están dividiendo sus pesos de manera más uniforme. Un fenómeno interesante que ocurre aquí es la cobertura con SQQQ que todas las estrategias han aprendido automáticamente. Cada herramienta está asignando algo de peso positivo a SQQQ al tiempo que asigna pesos positivos a otras acciones, lo que indica que las estrategias están tratando automáticamente de cubrir las carteras del riesgo. Obviamente, esto no es perfecto, pero solo el hecho de que está sucediendo es fascinante. Veamos los resultados de Backtest en los últimos cinco años antes del 29 de abril de 2020.

Resultados de prueba de retroceso

Las pruebas de retroceso se ven bastante alentadoras. La línea punteada negra es el índice de mercado, es decir, QQQ . Otras líneas son las estrategias. Nuestra implementación de algoritmo genético personalizado parece tener los mejores resultados de prueba de respaldo porque es una versión avanzada de otras estrategias. La cartera de Eigen que más pesaba TSLA tiene la mayor volatilidad, pero sus ganancias también son muy altas. Finalmente, como se esperaba, el MVP tiene la varianza mínima y, en última instancia, la menor ganancia. Sin embargo, dado que la varianza es extremadamente baja, es una buena cartera para aquellos que desean mantenerse a salvo. La parte más interesante viene a continuación, veamos los resultados de las pruebas de futuro o futuros para estas carteras.

Reenviar los resultados de las pruebas

Estos resultados son del 29 de abril de 2020 al 4 de septiembre de 2020. La cartera de Eigen funcionó mejor, pero también tenía mucha volatilidad. Además, la mayoría de esos retornos se deben al cohete TSLA en los últimos meses. Después de eso, nuestro algoritmo GA funcionó de manera bastante efectiva, ya que superó el índice del mercado. Una vez más, como se esperaba, el MVP tuvo el riesgo y la recompensa más bajo y lentamente aumentó en 4-5 meses. Esto muestra la efectividad y el poder de estas estrategias de optimización de cartera algorítmica donde hemos desarrollado diferentes carteras para diferentes tipos de perfiles de riesgo y recompensa.

Conclusión y discusión

Nos complace compartir este conjunto de herramientas con la comunidad comercial y esperamos que a la gente le guste y contribuyan a ello. Como es el caso de todo en el comercio, estas estrategias no son perfectas, pero se basan en una teoría rigurosa y algunos excelentes resultados empíricos. Tenga cuidado al negociar con estas estrategias y administre siempre su riesgo. Los resultados anteriores no fueron elegidos, pero el mercado ha sido altamente optimista en los últimos meses, lo que ha llevado a los fuertes resultados mostrados anteriormente. Nos encantaría que la comunidad pruebe diferentes estrategias y las comparta con nosotros.

Agradecimiento especial

Un agradecimiento especial al blog de Scott Rome. Las carteras de Eigen y los conceptos de cartera de varianza mínima provienen de sus publicaciones de blog. El código para filtrar los valores propios de la matriz de covarianza también se obtuvo principalmente de una de sus publicaciones.

Licencia

Un producto de Tradytics

Copyright (c) 2020-presente, Tradytics.com