eiten

EITEN - Алгоритмические стратегии инвестирования для всех

EITEN - это инструментарий с открытым исходным кодом от Tradytics, который реализует различные статистические и алгоритмические стратегии инвестирования, такие как собственные портфели , портфели минимальной дисперсии , портфели на основе генетических алгоритмов . Это позволяет вам создавать свои собственные портфели с помощью собственного набора акций, которые могут победить рынок. Строгая структура тестирования, включенная в EITEN, позволяет доверять вашим портфелям.

Если вы хотите подробно обсудить эти инструменты и поговорить о большем количестве инструментов, над которыми мы работаем, пожалуйста, не стесняйтесь присоединиться к нашему каналу Discord, где у нас также есть куча большего количества инструментов.

ФАЙЛА ОПИСАНИЕ

Путь	Описание
Эйтен	Основная папка.
└ Цифры	Цифры для этих репозитории GitHub.
└ Акции	Папка, чтобы сохранить ваши списки акций, которые вы хотите использовать для создания ваших портфелей.
└ стратегии	Куча стратегий, реализованных в Python.
Backtester.py	Модуль бэк -тестирования, который как на бэк -тестах, так и прямое испытания всех портфелей.
data_loader.py	Модуль для загрузки данных из Yahoo Finance.
Portfolio_Manager.py	Основной файл, который принимает кучу аргументов и генерирует несколько портфелей для вас.
Simulator.py	Симулятор, который использует историческую прибыль, и Монте -Карло для моделирования будущих цен для портфелей.
Стратегия_manager.py	Управляет стратегиями, реализованными в папке «стратегии».

Требуемые пакеты

Вам нужно будет установить следующий пакет для обучения и тестирования моделей.

• Scikit-learn
• Numpy
• TQDM
• Ифинансирование
• Панды
• Scipy

Вы можете установить все пакеты, используя следующую команду. Обратите внимание, что сценарий был написан с использованием Python3.

 pip install -r requirements.txt

Создайте свои портфели

Давайте посмотрим, как мы можем использовать все стратегии, приведенные в инструментарии для создания наших портфелей. Первое, что вам нужно сделать, это изменить файл stocks.txt в папке акций и добавить акции по вашему выбору. Рекомендуется сохранить список небольшим, т.е. где -то от 5 до 50 акций должно быть в порядке. Мы уже поместили небольшой список акций, содержащий множество технологических акций, таких как AAPL, MSFT, TSLA и т. Д. Позвольте нам строить наши портфели сейчас. Это главная команда, которую вам нужно запустить.

 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

Эта команда будет использовать последние 5 лет ежедневных данных, за исключением последних 90 дней и создавать несколько портфелей для вас. Основываясь на этих портфелях, он затем проверит их на выборочных данных 90 дней и покажет вам эффективность каждого портфеля. Наконец, он также сравнит производительность с вашим выбором рыночного индекса, который является QQQ здесь. Давайте подробно погрузимся в каждый из параметров.

• is_test : значение определилось, если программа будет хранить некоторые отдельные данные для будущего тестирования. Когда это включено, значение Future_bars должно быть больше 5.
• Future_bars : Это бары, которые инструмент будет исключать во время строительства портфеля, и будет пересылать тестирование портфелей в исключенном наборе. Это также вызывается из образцов данных.
• DATA_GRANULITY_MINUTES : Сколько гранулированных данных вы хотите использовать для создания ваших портфелей. Для долгосрочных портфелей вы должны использовать ежедневные данные, но в краткосрочной перспективе вы можете использовать данные почасового или минутного уровня. Возможные значения здесь: 3600, 60, 30, 15, 5, 1. 3600 означает ежедневно.
• ИСТОРИЯ_TO_USE : использовать ли определенное количество исторических стержней или использовать все, что мы получаем от Yahoo Finance. Для данных о мелких уровнях мы получаем только один месяц исторических данных. Ежедневно мы получаем исторические данные на 5 лет. Если вы хотите использовать все доступные данные, значение должно быть все , но если вы хотите использовать меньшую историю, вы можете установить их на целочисленное значение, например, 100 , которая будет использовать только последние 100 баров для построения портфелей.
• Apply_noise_filtering : это использует теорию случайной матрицы для фильтрации ковариационной матрицы из случайности, что дает лучшие портфели. Значение 1 позволит это включить, и 0 отключит его.
• Market_index : Какой индекс вы хотите использовать для сравнения ваших портфелей. Это должно быть в основном шпион , но, поскольку мы проанализировали технологические акции, мы использовали QQQ .
• только_лонг : использовать ли только длинный портфель или включить короткие продажи. Только длинные портфели показали, что они имеют лучшую производительность, используя алгоритмические методы.
• eigen_portfolio_number : какой собственный портфель использовать. Любое значение между 1-5 должно работать. Первый собственный портфель (1) представляет портфель рынка и должен действовать так же, как основной индекс, такой как SPY или QQQ. Второй является ортогональным и некоррелированным на рынке и представляет наибольший риск и вознаграждение. Следующие имеют снижение риска и вознаграждения. Узнайте больше на собственных портфелях.
• stocks_file_path : файл, который содержит список акций, которые вы хотите использовать для создания вашего портфеля.

Некоторые примеры строительства портфеля

Вот несколько примеров для построения различных видов портфелей.

• Как длинные, так и короткие портфели, анализируя последние 90 дней данных и сохраняя последние 30 дней в качестве данных тестирования. Это даст нам 60 дней данных по строительству портфеля и 30 дней тестирования.

 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

• Только длинный портфель на 60 -минутных барах за последние 30 дней . Нет будущего тестирования . Сравните результаты с индексом SPY вместо 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

• Не применяйте фильтрацию шума на ковариационной матрице. Используйте первый портфель собственных собственных (рыночный портфель) и сравните с SQQ,

 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

Портфельные стратегии

Четыре различных стратегии портфеля в настоящее время поддерживаются Toolkit.

1. Собственные портфели
   1. Эти портфели являются ортогональными и некоррелированными на рынке в целом, таким образом, приносят высокую вознаграждение и альфа. Однако, поскольку они не коррелированы на рынке, они также могут обеспечить большой риск. Первый собственный портфель считается рыночным портфелем, который часто игнорируется. Второй не коррелирован к другим и обеспечивает самый высокий риск и вознаграждение. По мере того, как мы спускаемся, нумерация, риск, а также вознаграждение уменьшаются.
2. Портфель минимальной дисперсии (MVP)
   1. MVP пытается минимизировать дисперсию портфеля. Эти портфели являются самым низким риском и вознаграждением.
3. Портфель максимального соотношения Sharpe (MSR)
   1. MSR решает задачу оптимизации, которая пытается максимизировать отношение Sharpe портфеля. Он использует прошлые возвраты в процессе оптимизации, что означает, что если доходность прошлого не совпадает с будущими доходами, результаты могут варьироваться в будущем.
4. Портфель на основе генетического алгоритма (GA)
   1. Это наша собственная реализация портфеля на базе GA, которая снова пытается максимизировать отношение Sharpe, но немного более надежным. Это обычно обеспечивает более надежные портфели, чем другие.

Когда вы запустите команду выше, наш инструмент будет генерировать портфели из всех этих стратегий и отдать их вам. Давайте посмотрим на некоторые полученные портфели.

Полученные портфели

Для этой цели мы будем использовать 9 акций в файле акций/акций. Когда мы запускаем вышеуказанную команду, мы сначала получаем веса портфеля для всех четырех стратегий. В целях тестирования вышеуказанная команда использовалась последние пять лет ежедневных данных до 29 апреля. Остальные данные за этот год использовались для прямого тестирования, т.е. Стратегии портфеля не имели к ним доступа при создании портфелей.

Что если моему портфелю нужны разные акции? : Все, что вам нужно сделать, это изменить акции в файле stocks.txt и снова запустить инструмент. Вот последняя команда, которую мы запускаем, чтобы получить наши портфели:

 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

Портфолио веса

Мы видим, что портфель собственных значений придает TSLA большой вес, в то время как другие делят свои веса более равномерно. Интересное явление, происходящее здесь, - это хеджирование с SQQQ , что все стратегии выучились автоматически. Каждый инструмент присваивает некоторый положительный вес SQQQ, а также назначает положительные веса другим акциям, что указывает на то, что стратегии автоматически пытаются хеджировать портфели от риска. Очевидно, что это не идеально, но просто тот факт, что это происходит, увлекательно. Давайте посмотрим на результаты задних тестов за последние пять лет до 29 апреля 2020 года.

Результаты бэк -теста

Западные тесты выглядят довольно обнадеживающими. Черная пунктирная линия - это рыночный индекс, т.е. QQQ . Другие линии - стратегии. Наша индивидуальная реализация генетического алгоритма, по -видимому, имеет лучшие результаты за бэк -тестом, потому что это расширенная версия других стратегий. Собственное портфель, который больше всего взвесил TSLA, имеет наибольшую волатильность, но его прибыль также очень высока. Наконец, как и ожидалось, MVP имеет минимальную дисперсию и в конечном итоге наименьшая прибыль. Однако, поскольку дисперсия чрезвычайно низкая, это хороший портфель для тех, кто хочет оставаться в безопасности. Самая интересная часть приходит дальше, давайте посмотрим на результаты форварда или будущих испытаний для этих портфелей.

Результаты прямого испытания

Эти результаты с 29 апреля, 2020 по 4 сентября 2020 года. Более того, большинство из этих доходов связано с TSLA за последние несколько месяцев. После этого наш алгоритм GA работал довольно эффективно, когда он превзошел рыночный индекс. Опять же, как и ожидалось, MVP имел самый низкий риск и вознаграждение и медленно вырос через 4-5 месяцев. Это показывает эффективность и силу этих стратегий оптимизации алгоритмических портфелей, где мы разработали различные портфели для различных видов рисков и профилей вознаграждения.

Заключение и обсуждение

Мы рады поделиться этим инструментом с торговым сообществом и надеемся, что людям понравится и внести свой вклад. Как и в случае со всем в торговле, эти стратегии не идеальны, но они основаны на строгой теории и некоторых великих эмпирических результатах. Пожалуйста, позаботьтесь о торговле с этими стратегиями и всегда управляйте своим риском. Вышеуказанные результаты не были выбраны вишней, но рынок был очень оптимистичным за последние несколько месяцев, что привело к сильным результатам, показанным выше. Мы хотели бы, чтобы сообщество попробовали разные стратегии и поделились ими с нами.

Особая благодарность

Особая благодарность блогу Скотта Рима. Собственные портфели и концепции портфеля с минимальной дисперсией поступили из его постов в блоге. Код для фильтрации собственных значений ковариационной матрицы также был в основном получен из одного из его постов.

Лицензия

Продукт от традиционных технологий

Copyright (c) 2020-й-present, tradytics.com