eiten

Eiten - estratégias de investimento algorítmico para todos

O EITEN é um kit de ferramentas de código aberto da Tradytics que implementa várias estratégias estatísticas e algorítmicas de investimento, como portfólios de eigen , portfólios de variação mínima , portfólios máximos de relação Sharpe e portfólios baseados em algoritmos genéticos . Ele permite que você construa seus próprios portfólios com seu próprio conjunto de ações que podem vencer o mercado. A rigorosa estrutura de teste incluída no Eiten permite que você tenha confiança em seus portfólios.

Se você deseja discutir essas ferramentas em profundidade e falar sobre mais ferramentas em que estamos trabalhando, sinta -se à vontade para participar do nosso canal Discord, onde também temos um monte de mais ferramentas.

Descrição de arquivos

Caminho	Descrição
eiten	Pasta principal.
└ Figuras	Figuras para esses repositórios do GitHub.
└ Estoques	Pasta para manter suas listas de ações que você deseja usar para criar seus portfólios.
└ Estratégias	Um monte de estratégias implementadas em Python.
backTester.py	Módulo de teste que os testes de backtestes e de encaminhamento de todos os portfólios.
data_loader.py	Módulo para carregar dados do Yahoo Finance.
portfolio_manager.py	Arquivo principal que recebe vários argumentos e gera vários portfólios para você.
simulador.py	Simulador que usa retornos históricos e Monte Carlo para simular preços futuros para os portfólios.
estratégia_manager.py	Gerencia as estratégias implementadas na pasta 'estratégias'.

Pacotes necessários

Você precisará instalar o seguinte pacote para treinar e testar os modelos.

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

Você pode instalar todos os pacotes usando o seguinte comando. Observe que o script foi escrito usando o Python3.

 pip install -r requirements.txt

Construa seus portfólios

Vamos ver como podemos usar todas as estratégias fornecidas no kit de ferramentas para construir nossos portfólios. A primeira coisa que você precisa fazer é modificar o arquivo Stocks.txt na pasta Stocks e adicionar os estoques de sua escolha. Recomenda -se manter a lista pequena, ou seja, entre 5 e 50 ações, deve estar bem. Já colocamos uma pequena lista de ações contendo vários estoques de tecnologia, como AAPL, MSFT, TSLA etc. Vamos construir nossos portfólios agora. Este é o comando principal que você precisa executar.

 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 usará os últimos 5 anos de dados diários, excluindo os últimos 90 dias e criará vários portfólios para você. Com base nesses portfólios, ele os testará nos dados fora da amostra de 90 dias e mostrará o desempenho de cada portfólio. Por fim, ele também comparará o desempenho com sua escolha de índice de mercado, que é o QQQ aqui. Vamos mergulhar em cada um dos parâmetros em detalhes.

• IS_TEST : O valor determinou se o programa manterá alguns dados separados para testes futuros. Quando isso é ativado, o valor de Future_bars deve ser maior que 5.
• Future_Bars : Estas são as barras que a ferramenta excluirá durante a construção de portfólio e encaminhará os portfólios no conjunto excluído. Isso também é chamado de dados de amostra.
• Data_granularity_minutes : quantos dados granulares você deseja usar para criar seus portfólios. Para portfólios de longo prazo, você deve usar dados diários, mas, a curto prazo, pode usar dados de nível a cada hora ou minuto. Os valores possíveis aqui são 3600, 60, 30, 15, 5, 1. 3600 significa diariamente.
• History_to_Use : se deve usar um número específico de barras históricas ou usar tudo o que recebemos do Yahoo Finance. Para dados de nível minucioso, recebemos apenas até um mês de dados históricos. Para diariamente, recebemos 5 anos de dados históricos. Se você deseja usar todos os dados disponíveis, o valor deve ser tudo , mas se você deseja usar histórico menor, poderá defini -los como um valor inteiro, por exemplo, 100 , que usará apenas as últimas 100 barras para criar os portfólios.
• APPLE_NOISE_FILTERING : Isso usa a teoria da matriz aleatória para filtrar a matriz de covariância da aleatoriedade, produzindo melhores portfólios. Um valor de 1 o permitirá e 0 o desativará.
• Market_index : Qual índice você deseja usar para comparar seus portfólios. Isso deve ser principalmente espião , mas como analisamos os estoques de tecnologia, usamos o QQQ .
• Somente_long : se deve usar apenas o portfólio longo ou habilitar vendas a descoberto também. Portfólios apenas longos demonstraram ter melhor desempenho usando técnicas algorítmicas.
• Eigen_portfolio_number : qual portfólio Eigen para usar. Qualquer valor entre 1-5 deve funcionar. O primeiro portfólio Eigen (1) representa o portfólio de mercado e deve agir como o índice subjacente, como SPY ou QQQ. O segundo é ortogonal e não correlacionado ao mercado e representa o maior risco e recompensa. Os seguintes têm riscos e recompensas reduzidos. Leia mais sobre os portfólios próprios.
• Stocks_File_Path : arquivo que contém a lista de ações que você deseja usar para criar seu portfólio.

Alguns exemplos de construção de portfólio

Aqui estão alguns exemplos para a construção de diferentes tipos de portfólios.

• Portfólios longos e curtos analisando os dados dos últimos 90 dias e mantendo os últimos 30 dias como dados de teste. Isso nos dará 60 dias de dados de construção de portfólio e 30 dias de teste.

 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

• Apenas portfólio longo em barras de 60 minutos dos últimos 30 dias . Sem testes futuros . Compare os resultados com o índice de espionagem em vez 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

• Não aplique filtragem de ruído na matriz de covariância. Use o primeiro portfólio Eigen (portfólio de mercado) e compare com o 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

Estratégias de portfólio

Atualmente, quatro estratégias diferentes de portfólio são suportadas pelo kit de ferramentas.

1. Portfólios de Eigen
   1. Essas carteiras são ortogonais e não correlacionadas ao mercado em geral, produzindo alta recompensa e alfa. No entanto, como não estão correlacionados ao mercado, eles também podem fornecer grandes riscos. O primeiro portfólio de Eigen é considerado um portfólio de mercado que é frequentemente ignorado. O segundo não está correlacionado com os outros e fornece o maior risco e recompensa. À medida que descemos a numeração, o risco e a recompensa são reduzidos.
2. Portfólio de variação mínima (MVP)
   1. O MVP tenta minimizar a variação do portfólio. Essas carteiras são mais baixas de risco e recompensa.
3. Portfólio de relação máxima de Sharpe (MSR)
   1. O MSR resolve um problema de otimização que tenta maximizar a relação Sharpe do portfólio. Ele usa retornos anteriores durante o processo de otimização, o que significa que, se as devoluções passadas não forem as mesmas que retornos futuros, os resultados podem variar no futuro.
4. Portfólio baseado em algoritmo genético (GA)
   1. Esta é a nossa própria implementação de um portfólio baseado em GA que novamente tenta maximizar a relação Sharpe, mas de uma maneira um pouco mais robusta. Isso geralmente fornece portfólios mais robustos do que os outros.

Quando você executa o comando acima, nossa ferramenta gera portfólios de todas essas estratégias e as entregará a você. Vejamos alguns portfólios resultantes.

Portfólios resultantes

Para o objetivo desses resultados, usaremos as 9 ações no arquivo Stocks/Stocks.txt. Quando executamos o comando acima, primeiro obtemos os pesos do portfólio para todas as quatro estratégias. Para fins de teste, o comando acima usado nos últimos cinco anos de dados diários até 29 de abril. Os dados restantes para este ano foram usados ​​para testes avançados, ou seja, as estratégias do portfólio não tiveram acesso a ele ao criar os portfólios.

E se meu portfólio precisar de ações diferentes? : Tudo o que você precisa fazer é alterar os estoques no arquivo Stocks.txt e executar a ferramenta novamente. Aqui está o comando final novamente que executamos para obter nossos portfólios:

 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

Pesos do portfólio

Podemos ver que o portfólio de Eigen está dando um grande peso ao TSLA enquanto os outros estão dividindo seus pesos de maneira mais uniforme. Um fenômeno interessante que está acontecendo aqui é a cobertura com o SQQQ que todas as estratégias aprenderam automaticamente. Toda ferramenta está atribuindo algum peso positivo ao SQQQ, além de atribuir pesos positivos a outros estoques, o que indica que as estratégias estão tentando automaticamente proteger os portfólios do risco. Obviamente, isso não é perfeito, mas apenas o fato de estar acontecendo é fascinante. Vejamos os resultados do teste nos últimos cinco anos anteriores a 29 de abril de 2020.

Resultados do teste

Os testes parecem bastante encorajadores. A linha pontilhada preta é o índice de mercado, ou seja, QQQ . Outras linhas são as estratégias. Nossa implementação personalizada de algoritmo genético parece ter os melhores resultados de teste, porque é uma versão avançada de outras estratégias. O portfólio Eigen que pesava o TSLA mais tem mais volatilidade, mas seus lucros também são muito altos. Finalmente, como esperado, o MVP tem a variação mínima e, finalmente, os menores lucros. No entanto, como a variação é extremamente baixa, é um bom portfólio para quem deseja permanecer seguro. A parte mais interessante vem a seguir, vejamos os resultados de testes avançados ou futuros para esses portfólios.

Resultados de testes a termo

Esses resultados são de 29 de abril, 2020 a 4 de setembro de 2020. O portfólio Eigen teve o melhor desempenho, mas também teve muita volatilidade. Além disso, a maioria desses retornos se deve ao TSLA disparado nos últimos meses. Depois disso, nosso algoritmo GA funcionou com bastante eficácia, ao vencer o índice de mercado. Novamente, como esperado, o MVP teve o menor risco e recompensa e subiu lentamente em 4-5 meses. Isso mostra a eficácia e o poder dessas estratégias de otimização de portfólio algorítmico, onde desenvolvemos diferentes portfólios para diferentes tipos de perfis de risco e recompensa.

Conclusão e discussão

Estamos felizes em compartilhar este kit de ferramentas com a comunidade comercial e esperamos que as pessoas gostem e contribuam para isso. Como é o caso de tudo no comércio, essas estratégias não são perfeitas, mas são baseadas em teoria rigorosa e alguns grandes resultados empíricos. Tome cuidado ao negociar com essas estratégias e sempre gerencie seu risco. Os resultados acima não foram escolhidos, mas o mercado foi altamente otimista nos últimos meses, o que levou aos fortes resultados mostrados acima. Adoraríamos que a comunidade experimente estratégias diferentes e as compartilhasse conosco.

Obrigado especial

Agradecimentos especiais ao blog de Scott Roma. Os portfólios de Eigen e os conceitos de portfólio de variação mínima vieram de suas postagens no blog. O código para filtrar os valores de auto -covariância também foi obtido principalmente de uma de suas postagens.

Licença

Um produto por traditica

Copyright (C) 2020-presente, tradytics.com