eiten

EITEN - Strategi Investasi Algoritmik untuk Semua Orang

Eiten adalah toolkit open source oleh tradytics yang mengimplementasikan berbagai strategi investasi statistik dan algoritmik seperti portofolio eigen , portofolio varians minimum , portofolio rasio sharpe maksimum , dan portofolio berbasis algoritma genetika . Ini memungkinkan Anda untuk membangun portofolio Anda sendiri dengan set saham Anda sendiri yang dapat mengalahkan pasar. Kerangka pengujian yang ketat yang termasuk dalam Eiten memungkinkan Anda untuk memiliki kepercayaan pada portofolio Anda.

Jika Anda ingin mendiskusikan alat -alat ini secara mendalam dan berbicara tentang lebih banyak alat yang sedang kami kerjakan, jangan ragu untuk bergabung dengan saluran Perselisihan kami di mana kami memiliki banyak alat juga.

Deskripsi File

Jalur	Keterangan
eiten	Folder utama.
└ Angka	Angka untuk repositori gitub ini.
└ Saham	Folder untuk menyimpan daftar stok yang ingin Anda gunakan untuk membuat portofolio Anda.
└ Strategi	Banyak strategi yang diterapkan dalam Python.
Backtester.py	Modul backtesting yang menguji kembali dan menguji semua portofolio.
data_loader.py	Modul untuk memuat data dari Yahoo Finance.
portofolio_manager.py	File utama yang mengambil banyak argumen dan menghasilkan beberapa portofolio untuk Anda.
simulator.py	Simulator yang menggunakan pengembalian historis dan Monte Carlo untuk mensimulasikan harga di masa depan untuk portofolio.
Strategy_Manager.py	Mengelola strategi yang diterapkan dalam folder 'Strategi'.

Paket yang diperlukan

Anda perlu menginstal paket berikut untuk melatih dan menguji model.

• Scikit-learn
• Numpy
• TQDM
• Yfinance
• Panda
• SCIPY

Anda dapat menginstal semua paket menggunakan perintah berikut. Harap dicatat bahwa skrip ditulis menggunakan Python3.

 pip install -r requirements.txt

Bangun portofolio Anda

Mari kita lihat bagaimana kita dapat menggunakan semua strategi yang diberikan dalam toolkit untuk membangun portofolio kita. Hal pertama yang perlu Anda lakukan adalah memodifikasi file stocks.txt di folder stok dan menambahkan stok pilihan Anda. Disarankan untuk menjaga daftar kecil IE di mana saja antara 5 hingga 50 saham harus baik -baik saja. Kami telah memasukkan daftar stok kecil yang berisi banyak saham teknologi seperti AAPL, MSFT, TSLA dll. Mari kita membangun portofolio sekarang. Ini adalah perintah utama yang perlu Anda jalankan.

 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

Perintah ini akan menggunakan data harian 5 tahun terakhir tidak termasuk 90 hari terakhir dan membangun beberapa portofolio untuk Anda. Berdasarkan portofolio tersebut, kemudian akan menguji mereka pada data sampel 90 hari dan menunjukkan kepada Anda kinerja setiap portofolio. Akhirnya, ini juga akan membandingkan kinerja dengan pilihan indeks pasar pilihan Anda yang merupakan QQQ di sini. Mari selami masing -masing parameter secara detail.

• IS_TEST : Nilai ditentukan jika program akan menyimpan beberapa data terpisah untuk pengujian di masa depan. Saat ini diaktifkan, nilai Future_Bars harus lebih besar dari 5.
• Future_bars : Ini adalah bilah yang akan dikecualikan oleh alat ini selama pembangunan portofolio dan akan meneruskan menguji portofolio pada set yang dikecualikan. Ini juga disebut dari data sampel.
• data_granularity_minutes : Berapa banyak data granular yang ingin Anda gunakan untuk membangun portofolio Anda. Untuk portofolio jangka panjang, Anda harus menggunakan data harian tetapi untuk jangka pendek, Anda dapat menggunakan data level per jam atau menit. Nilai yang mungkin di sini adalah 3600, 60, 30, 15, 5, 1. 3600 berarti setiap hari.
• History_to_use : Apakah akan menggunakan sejumlah bilah sejarah tertentu atau menggunakan semua yang kami terima dari Yahoo Finance. Untuk data tingkat menit, kami hanya menerima hingga satu bulan data historis. Untuk setiap hari, kami menerima data historis selama 5 tahun. Jika Anda ingin menggunakan semua data yang tersedia, nilainya harus semuanya tetapi jika Anda ingin menggunakan riwayat yang lebih kecil, Anda dapat mengaturnya ke nilai integer misalnya 100 yang hanya akan menggunakan 100 bar terakhir untuk membangun portofolio.
• apply_noise_filtering : Ini menggunakan teori matriks acak untuk menyaring matriks kovarian dari keacakan sehingga menghasilkan portofolio yang lebih baik. Nilai 1 akan memungkinkannya dan 0 akan menonaktifkannya.
• Market_index : Indeks mana yang ingin Anda gunakan untuk membandingkan portofolio Anda. Ini sebagian besar harus memata -matai tetapi karena kami menganalisis saham teknologi, kami menggunakan QQQ .
• Only_long : Apakah akan menggunakan portofolio hanya lama atau mengaktifkan penjualan pendek juga. Long hanya portofolio yang terbukti memiliki kinerja yang lebih baik menggunakan teknik algoritmik.
• eigen_portfolio_number : portofolio eigen mana yang akan digunakan. Nilai apa pun antara 1-5 harus bekerja. Portofolio eigen pertama (1) mewakili portofolio pasar dan harus bertindak seperti indeks yang mendasari seperti mata -mata atau qqq. Yang kedua adalah ortogonal dan tidak berkorelasi ke pasar dan menimbulkan risiko dan hadiah terbesar. Yang berikut ini telah mengurangi risiko dan hadiah. Baca lebih lanjut tentang Eigen-Portfolios.
• STOCKS_FILE_PATH : File yang berisi daftar saham yang ingin Anda gunakan untuk membangun portofolio Anda.

Beberapa contoh pembangunan portofolio

Berikut adalah beberapa contoh untuk membangun berbagai jenis portofolio.

• Portofolio panjang dan pendek dengan menganalisis data 90 hari terakhir dan menjaga 30 hari terakhir sebagai data pengujian. Ini akan memberi kami 60 hari data konstruksi portofolio dan 30 hari pengujian.

 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

• Hanya portofolio panjang pada 60 menit bar dalam 30 hari terakhir. Tidak ada pengujian di masa depan . Bandingkan hasilnya dengan indeks mata -mata, bukan 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

• Jangan terapkan pemfilteran noise pada matriks kovarian. Gunakan portofolio eigen pertama (portofolio pasar) dan bandingkan dengan 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

Strategi Portofolio

Empat strategi portofolio yang berbeda saat ini didukung oleh toolkit.

1. Portofolio eigen
   1. Portofolio ini bersifat ortogonal dan tidak berkorelasi ke pasar secara umum sehingga menghasilkan hadiah dan alfa yang tinggi. Namun, karena mereka tidak berkorelasi ke pasar, mereka juga dapat memberikan risiko besar. Portofolio Eigen pertama dianggap sebagai portofolio pasar yang sering diabaikan. Yang kedua tidak berkorelasi dengan yang lain dan memberikan risiko dan imbalan tertinggi. Saat kita turun penomoran, risikonya serta hadiah berkurang.
2. Minimum Variance Portofolio (MVP)
   1. MVP mencoba meminimalkan varian portofolio. Portofolio ini adalah risiko dan hadiah terendah.
3. Portofolio Rasio Sharpe Maksimum (MSR)
   1. MSR memecahkan masalah optimasi yang mencoba memaksimalkan rasio Sharpe dari portofolio. Ini menggunakan pengembalian masa lalu selama proses optimasi yang berarti jika pengembalian masa lalu tidak sama dengan pengembalian di masa depan, hasilnya dapat bervariasi di masa depan.
4. Portofolio Berbasis Algoritma Genetika (GA)
   1. Ini adalah implementasi kita sendiri dari portofolio berbasis GA yang sekali lagi mencoba memaksimalkan rasio Sharpe tetapi dengan cara yang sedikit lebih kuat. Ini biasanya memberikan portofolio yang lebih kuat daripada yang lain.

Saat Anda menjalankan perintah di atas, alat kami akan menghasilkan portofolio dari semua strategi ini dan memberikannya kepada Anda. Mari kita lihat beberapa portofolio yang dihasilkan.

Portofolio yang dihasilkan

Untuk tujuan hasil ini, kami akan menggunakan 9 saham di file stok/stocks.txt. Ketika kami menjalankan perintah di atas, pertama -tama kami mendapatkan bobot portofolio untuk keempat strategi. Untuk tujuan pengujian, perintah di atas digunakan lima tahun terakhir dari data harian hingga 29 April. Data yang tersisa untuk tahun ini digunakan untuk pengujian ke depan yaitu strategi portofolio tidak memiliki akses ke sana saat membangun portofolio.

Bagaimana jika portofolio saya membutuhkan saham yang berbeda? : Yang perlu Anda lakukan adalah mengubah stok di file stocks.txt dan menjalankan alat lagi. Ini adalah perintah terakhir lagi yang kami jalankan untuk mendapatkan portofolio kami:

 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

Bobot portofolio

Kita dapat melihat bahwa portofolio eigen memberikan bobot besar untuk TSLA sementara yang lain membagi bobot mereka lebih seragam. Fenomena menarik yang terjadi di sini adalah lindung nilai dengan SQQQ yang telah dipelajari semua strategi secara otomatis. Setiap alat menetapkan beberapa bobot positif untuk SQQQ sementara juga menetapkan bobot positif untuk saham lain yang menunjukkan bahwa strategi secara otomatis mencoba untuk melakukan lindung nilai portofolio dari risiko. Jelas ini tidak sempurna, tetapi hanya fakta bahwa itu terjadi sangat menarik. Mari kita lihat hasil backtest pada lima tahun terakhir sebelum 29 April 2020.

Hasil backtest

Backtests terlihat cukup menggembirakan. Garis putus -putus hitam adalah indeks pasar yaitu qqq . Baris lain adalah strategi. Implementasi algoritma genetika khusus kami tampaknya memiliki hasil backtest terbaik karena ini adalah versi canggih dari strategi lain. Portofolio eigen yang menimbang TSLA paling volatilitas tetapi keuntungannya juga sangat tinggi. Akhirnya, seperti yang diharapkan, MVP memiliki varian minimum dan akhirnya keuntungan paling sedikit. Namun, karena variannya sangat rendah, ini adalah portofolio yang baik bagi mereka yang ingin tetap aman. Bagian yang paling menarik datang berikutnya, mari kita lihat hasil tes ke depan atau di masa depan untuk portofolio ini.

Hasil tes ke depan

Hasil ini dari 29 April 2020 hingga 4 September 2020. Portofolio Eigen melakukan yang terbaik tetapi juga memiliki banyak volatilitas. Selain itu, sebagian besar pengembalian itu disebabkan oleh Rocketing TSLA dalam beberapa bulan terakhir. Setelah itu, algoritma GA kami bekerja cukup efektif karena mengalahkan indeks pasar. Sekali lagi, seperti yang diharapkan, MVP memiliki risiko dan hadiah terendah dan perlahan-lahan naik dalam 4-5 bulan. Ini menunjukkan efektivitas dan kekuatan strategi optimasi portofolio algoritmik ini di mana kami telah mengembangkan portofolio yang berbeda untuk berbagai jenis risiko dan profil imbalan.

Kesimpulan dan diskusi

Kami senang berbagi perangkat ini dengan komunitas perdagangan dan berharap orang -orang akan menyukai dan berkontribusi untuk itu. Seperti halnya dengan segala sesuatu dalam perdagangan, strategi ini tidak sempurna tetapi didasarkan pada teori yang ketat dan beberapa hasil empiris yang hebat. Harap berhati -hati saat berdagang dengan strategi ini dan selalu mengelola risiko Anda. Hasil di atas tidak dipetik ceri tetapi pasar telah sangat bullish dalam beberapa bulan terakhir yang telah menyebabkan hasil kuat yang ditunjukkan di atas. Kami akan senang bagi masyarakat untuk mencoba berbagai strategi dan membaginya dengan kami.

Terima kasih khusus

Terima kasih khusus kepada blog Scott Rome. Portofolio eigen dan konsep portofolio varians minimum berasal dari posting blognya. Kode untuk memfilter nilai eigen dari matriks kovarians juga sebagian besar diperoleh dari salah satu posnya.

Lisensi

Produk berdasarkan Tradytics

Hak Cipta (C) 2020-Present, Tradytics.com