eiten

Eiten - Stratégies d'investissement algorithmique pour tout le monde

Eiten est une boîte à outils open source par Tradytics qui met en œuvre diverses stratégies d'investissement statistique et algorithmique telles que les portefeuilles Eigen , les portefeuilles de variance minimale , les portefeuilles de ratio Sharpe maximum et les portefeuilles génétiques basés sur des algorithmes . Il vous permet de construire vos propres portefeuilles avec votre propre ensemble d'actions qui peuvent battre le marché. Le cadre de test rigoureux inclus dans EITEN vous permet d'avoir confiance dans vos portefeuilles.

Si vous cherchez à discuter de ces outils en profondeur et à parler de plus d'outils sur lesquels nous travaillons, n'hésitez pas à rejoindre notre canal Discord où nous avons également un tas d'outils supplémentaires.

Description des fichiers

Chemin	Description
Eiten	Dossier principal.
└ Figures	Chiffres pour ces référentiels GitHub.
└ Stocks	Dossier pour conserver vos listes de stock que vous souhaitez utiliser pour créer vos portefeuilles.
└ Stratégies	Un tas de stratégies mises en œuvre dans Python.
backtester.py	Module de backtesting qui à la fois des backtests et de l'avant teste tous les portefeuilles.
data_loader.py	Module pour le chargement des données de Yahoo Finance.
portfolio_manager.py	Le fichier principal qui prend un tas d'arguments et génère plusieurs portefeuilles pour vous.
simulator.py	Simulator qui utilise des rendements historiques et Monte Carlo pour simuler les prix futurs des portefeuilles.
stratégie_manager.py	Gère les stratégies mises en œuvre dans le dossier «Stratégies».

Packages requis

Vous devrez installer le package suivant pour former et tester les modèles.

• Scikit-apprend
• Nombant
• Tqdm
• Yfinance
• Pandas
• Cavalier

Vous pouvez installer tous les packages à l'aide de la commande suivante. Veuillez noter que le script a été écrit à l'aide de Python3.

 pip install -r requirements.txt

Construisez vos portefeuilles

Voyons comment nous pouvons utiliser toutes les stratégies données dans la boîte à outils pour construire nos portefeuilles. La première chose que vous devez faire est de modifier le fichier Stocks.txt dans le dossier Stocks et ajouter les actions de votre choix. Il est recommandé de garder la liste petite, c'est-à-dire entre 5 et 50 stocks, devrait être bien. Nous avons déjà mis une petite liste de stocks contenant un tas de stocks technologiques comme AAPL, MSFT, TSLA etc. Créons nos portefeuilles maintenant. C'est la commande principale que vous devez exécuter.

 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

Cette commande utilisera 5 dernières années de données quotidiennes à l'exclusion des 90 derniers jours et créera plusieurs portefeuilles pour vous. Sur la base de ces portefeuilles, il les testera ensuite sur les données hors échantillon de 90 jours et vous montrera les performances de chaque portefeuille. Enfin, il comparera également les performances avec votre choix de marché qui est QQQ ici. Plongeons en détail chacun des paramètres.

• IS_TEST : la valeur déterminée si le programme va conserver des données distinctes pour les tests futurs. Lorsque cela est activé, la valeur de Future_Bars doit être supérieure à 5.
• Future_bars : Ce sont les barres que l'outil exclura pendant la construction de portefeuille et transmettra les portefeuilles de l'ensemble exclu. Ceci est également appelé à partir de données d'échantillonnage.
• data_granularity_minutes : quelle quantité de données granulaires souhaitez-vous utiliser pour créer vos portefeuilles. Pour les portefeuilles à long terme, vous devez utiliser des données quotidiennes, mais à court terme, vous pouvez utiliser des données horaires ou infimes. Les valeurs possibles ici sont 3600, 60, 30, 15, 5, 1. 3600 signifie quotidiennement.
• HISTORY_TO_USE : Que vous puissiez utiliser un nombre spécifique de barres historiques ou utiliser tout ce que nous recevons de Yahoo Finance. Pour les données de niveau minutieux, nous ne recevons que jusqu'à un mois de données historiques. Pour quotidiennement, nous recevons 5 ans de données historiques. Si vous souhaitez utiliser toutes les données disponibles, la valeur doit être tout sauf si vous souhaitez utiliser un historique plus petit, vous pouvez le définir sur une valeur entière , par exemple, qui n'utilisera que les 100 dernières barres pour construire les portefeuilles.
• Application_Noise_Filtering : Ceci utilise la théorie de la matrice aléatoire pour filtrer la matrice de covariance de l'aléatoire, ce qui donne ainsi de meilleurs portefeuilles. Une valeur de 1 le permettra et 0 le désactivera.
• Market_index : Quel indice souhaitez-vous utiliser pour comparer vos portefeuilles. Cela devrait surtout être espion , mais comme nous avons analysé les actions technologiques, nous avons utilisé QQQ .
• Only_Long : Que ce soit pour utiliser le portefeuille long uniquement uniquement ou activer la vente à courte durée. De longs portefeuilles se sont révélés avoir de meilleures performances en utilisant des techniques algorithmiques.
• eigen_portfolio_number : quel portefeuille Eigen à utiliser. Toute valeur entre 1 à 5 devrait fonctionner. Le premier portefeuille Eigen (1) représente le portefeuille de marché et devrait agir comme l'indice sous-jacent tel que SPY ou QQQ. Le second est orthogonal et non corrélé sur le marché et présente le plus grand risque et récompense. Les suivants ont réduit le risque et la récompense. En savoir plus sur Eigen-Portfolios.
• Stocks_file_path : fichier qui contient la liste des actions que vous souhaitez utiliser pour construire votre portefeuille.

Quelques exemples de construction de portefeuille

Voici quelques exemples pour construire différents types de portefeuilles.

• Portefeuilles longs et courts en analysant les 90 derniers jours de données et en conservant les 30 derniers jours comme tests de données. Cela nous donnera 60 jours de données de construction de portefeuille et 30 jours de 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

• Seul le portefeuille long sur des barres de 60 minutes des 30 derniers jours . Pas de test futurs . Comparez les résultats avec l'index d'espionnage au lieu 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

• N'appliquez pas le filtrage du bruit sur la matrice de covariance. Utilisez le premier portefeuille Eigen (portefeuille de marché) et comparez avec 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

Stratégies de portefeuille

Quatre stratégies de portefeuille différentes sont actuellement prises en charge par la boîte à outils.

1. Portefeuilles propres
   1. Ces portefeuilles sont orthogonaux et non corrélés sur le marché en général, ce qui donne une récompense élevée et alpha. Cependant, comme ils ne sont pas corrélés sur le marché, ils peuvent également fournir un grand risque. Le premier portefeuille Eigen est considéré comme un portefeuille de marché qui est souvent ignoré. Le second n'est pas corrélé aux autres et offre le risque et la récompense les plus élevés. Au fur et à mesure que nous baissons la numérotation, le risque ainsi que la récompense sont réduits.
2. Portfolio de variance minimale (MVP)
   1. MVP essaie de minimiser la variance du portefeuille. Ces portefeuilles sont le risque et la récompense les plus faibles.
3. Portefeuille de ratio Sharpe maximum (MSR)
   1. MSR résout un problème d'optimisation qui essaie de maximiser le rapport Sharpe du portefeuille. Il utilise des rendements passés pendant le processus d'optimisation, ce qui signifie que si les rendements passés ne sont pas les mêmes que les rendements futurs, les résultats peuvent varier à l'avenir.
4. Portfolio basé sur l'algorithme génétique (GA)
   1. Il s'agit de notre propre implémentation d'un portefeuille basé sur GA qui essaie à nouveau de maximiser le rapport Sharpe mais d'une manière un peu plus robuste. Cela fournit généralement des portefeuilles plus robustes que les autres.

Lorsque vous exécutez la commande ci-dessus, notre outil générera des portefeuilles à partir de toutes ces stratégies et vous les donnera. Examinons certains portefeuilles qui en résultent.

Portefeuilles résultants

Aux fins de ces résultats, nous utiliserons les 9 actions dans le fichier Stocks / Stocks.txt. Lorsque nous exécutons la commande ci-dessus, nous obtenons d'abord les poids du portefeuille pour les quatre stratégies. À des fins de test, la commande ci-dessus a utilisé les cinq dernières années de données quotidiennes jusqu'au 29 avril. Les données restantes de cette année ont été utilisées pour les tests à terme, c'est-à-dire que les stratégies de portefeuille n'avaient pas accès lors de la construction des portefeuilles.

Et si mon portefeuille a besoin de différentes actions? : Tout ce que vous avez à faire est de modifier les actions dans le fichier Stocks.txt et d'exécuter à nouveau l'outil. Voici à nouveau la commande finale que nous exécutons afin d'obtenir nos portefeuilles:

 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

Poids de portefeuille

Nous pouvons voir que le portefeuille Eigen donne un gros poids à TSLA tandis que les autres divisent leurs poids plus uniformément. Un phénomène intéressant qui se produit ici est la couverture avec SQQQ que toutes les stratégies ont appris automatiquement. Chaque outil attribue un poids positif à SQQQ tout en attribuant également des poids positifs à d'autres actions, ce qui indique que les stratégies tentent automatiquement de couvrir les portefeuilles à partir du risque. De toute évidence, ce n'est pas parfait, mais le fait que cela se produit est fascinant. Examinons les résultats des tests de dos au cours des cinq dernières années avant le 29 avril 2020.

Résultats de backtest

Les backtests semblent assez encourageants. La ligne pointillée noire est l'indice de marché IE QQQ . Les autres lignes sont les stratégies. Notre implémentation de l'algorithme génétique personnalisé semble avoir les meilleurs résultats les plus backtest car il s'agit d'une version avancée d'autres stratégies. Le portefeuille Eigen qui pesait TSLA le plus a le plus de volatilité mais ses bénéfices sont également très élevés. Enfin, comme prévu, le MVP a la variance minimale et, finalement, les moindres bénéfices. Cependant, comme la variance est extrêmement faible, c'est un bon portefeuille pour ceux qui veulent rester en sécurité. La partie la plus intéressante vient ensuite, regardons les résultats des tests avant ou futurs pour ces portefeuilles.

Résultats des tests à terme

Ces résultats sont du 29 avril 2020 au 4 septembre 2020. Le portefeuille Eigen a fait le meilleur, mais il a également eu beaucoup de volatilité. De plus, la plupart de ces rendements sont dus à la flèche TSLA au cours des derniers mois. Après cela, notre algorithme GA a fonctionné de manière assez efficace car elle battait l'indice de marché. Encore une fois, comme prévu, le MVP avait le risque et la récompense le plus bas et a lentement augmenté dans 4 à 5 mois. Cela montre l'efficacité et la puissance de ces stratégies d'optimisation du portefeuille algorithmiques où nous avons développé différents portefeuilles pour différents types de profils de risque et de récompense.

Conclusion et discussion

Nous sommes heureux de partager cette boîte à outils avec la communauté commerciale et espérons que les gens aimeront et y contribueront. Comme c'est le cas avec tout ce qui est dans le trading, ces stratégies ne sont pas parfaites, mais elles sont basées sur une théorie rigoureuse et de grands résultats empiriques. Veuillez faire attention lorsque vous négociez avec ces stratégies et gérez toujours vos risques. Les résultats ci-dessus n'ont pas été cueillis en cerise, mais le marché a été très optimiste au cours des derniers mois, ce qui a conduit aux résultats forts indiqués ci-dessus. Nous aimerions que la communauté essaie différentes stratégies et les partage avec nous.

Merci spécial

Un merci spécial au blog de Scott Rome. Les portefeuilles Eigen et les concepts de portefeuille de variance minimale provenaient de ses articles de blog. Le code de filtrage des valeurs propres de la matrice de covariance a également été principalement obtenu à partir de l'un de ses postes.

Licence

Un produit par Tradytics

Copyright (C) 2020-présent, Tradytics.com