eiten下载eiten源代码下载

eiten

其他源码

1.0.0

下载

Eiten-每个人的算法投资策略

Eiten是传统工具包的开源工具包，它实现了各种统计和算法投资策略，例如Eigen投资组合，最小差异投资组合，最大Sharpe比率投资组合和基于遗传算法的投资组合。它使您可以使用自己的一套可以击败市场的股票来建立自己的投资组合。 Eiten中包含的严格测试框架使您对投资组合有信心。

如果您想深入讨论这些工具并讨论我们正在使用的更多工具，请随时加入我们的Discord频道，在那里我们也有很多工具。

文件说明

小路	描述
Eiten	主文件夹。
└数字	该GitHub存储库的数字。
└股票	文件夹以保留您要使用的库存列表来创建投资组合。
└策略	Python实施了一系列策略。
backtester.py	对所有投资组合进行回测和前进测试的回测模块。
data_loader.py	从Yahoo Finance加载数据的模块。
portfolio_manager.py	主文件会引入一堆参数，并为您生成多个投资组合。
simulator.py	使用历史回报和蒙特卡洛来模拟投资组合的未来价格的模拟器。
strategy_manager.py	管理“策略”文件夹中实施的策略。

所需的包装

您将需要安装以下软件包来训练和测试模型。

Scikit-Learn
numpy
TQDM
YFINANCE
熊猫
Scipy

您可以使用以下命令安装所有软件包。请注意，该脚本是使用Python3编写的。

 pip install -r requirements.txt

建立您的投资组合

让我们看看如何使用工具包中给出的所有策略来构建投资组合。您需要做的第一件事是修改库存文件。建议将列表保持在5到50个股票之间的任何位置。我们已经放置了一个小型股票清单，其中包含一堆技术股票，例如AAPL，MSFT，TSLA等。让我们立即构建投资组合。这是您需要运行的主要命令。

 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

该命令将使用最后5年的每日数据，不包括最后90天，并为您建立多个投资组合。基于这些投资组合，它将在90天的示例数据中测试它们，并向您显示每个投资组合的性能。最后，它还将将性能与您选择的市场指数（ QQQ）进行比较。让我们详细研究每个参数。

IS_TEST ：值确定程序是否将保留一些单独的数据以进行未来测试。启用此功能时， future_bars的值应大于5。
Future_bars ：这些是该工具在投资组合建筑物期间将排除的条形，并将在排除的集合中转发测试投资组合。这也从示例数据中提到。
data_granularity_minutes ：您想用多少颗粒数据来构建投资组合。对于长期投资组合，您应该使用每日数据，但是短期内，您可以使用小时或分钟级别的数据。这里可能的值是3600、60、30、15、5、1。3600表示每天。
历史记录：是使用特定数量的历史棒还是使用我们从Yahoo Finance获得的一切。对于微小的数据，我们最多只能收到一个月的历史数据。每天，我们收到5年的历史数据。如果要使用所有可用的数据，则该值应该全部，但是如果要使用较小的历史记录，则可以将其设置为整数值，例如100，例如，它将仅使用最后100个bar来构建投资组合。
apply_noise_filtering ：这使用随机矩阵理论从随机性中滤除协方差矩阵，从而产生更好的投资组合。值为1将启用它，而0将将其禁用。
Market_index ：您想使用哪个索引来比较您的投资组合。这主要应该是间谍，但是自从我们分析了科技股以来，我们使用了QQQ 。
Only_long ：是仅使用长期投资组合还是启用短销售额。长期以来，只有投资组合证明使用算法技术具有更好的性能。
EIGEN_PORTFOLIO_NUMBER ：要使用的Eigen投资组合。 1-5之间的任何值都应起作用。第一个特征组合（1）代表市场投资组合，应该像间谍或QQQ等基础指数一样行动。第二个是正交的，与市场无关，并带来了最大的风险和回报。以下降低了风险和回报。阅读有关特征 - 港口食品的更多信息。
Stocks_file_path ：包含您要用于构建投资组合的股票列表的文件。

一些投资组合的示例

以下是建立不同类型的投资组合的一些示例。

长期和短投资组合都通过分析最近90天的数据并将最后30天作为测试数据。这将为我们提供60天的投资组合构建数据和30天的测试。

 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

在过去30天的60分钟条上，只有长期投资组合。没有将来的测试。将结果与间谍索引而不是QQQ进行比较。

 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

请勿在协方差矩阵上应用噪声过滤。使用第一个eigen投资组合（市场组合），并与SQQQ进行比较

 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

投资组合策略

该工具包目前支持四种不同的投资组合策略。

特征投资组合
1. 这些投资组合是正交的，并且与市场一般不相关，因此产生了很高的奖励和alpha。但是，由于它们与市场不相关，因此它们也可以提供很大的风险。第一个本特征投资组合被认为是市场投资组合，通常被忽略。第二个与其他人无关，并提供了最高的风险和回报。当我们降低编号时，风险和奖励会减少。
最小差异组合（MVP）
1. MVP试图最大程度地减少投资组合的方差。这些投资组合是最低的风险和回报。
最大夏普比率投资组合（MSR）
1. MSR解决了一个优化问题，该问题试图最大化投资组合的夏普比率。它在优化过程中使用了过去的回报，这意味着如果过去的回报与将来的回报不同，则结果可能会有所不同。
遗传算法（GA）的投资组合
1. 这是我们自己的基于GA的投资组合的实现，该投资组合再次试图最大化Sharpe比率，但以更强大的方式。通常，这比其他产品提供了更强大的投资组合。

当您运行上面的命令时，我们的工具将从所有这些策略中生成投资组合，并将其提供给您。让我们看看一些由此产生的投资组合。

由此产生的投资组合

为了这些结果，我们将使用股票/股票文件中的9个股票。当我们运行上述命令时，我们首先获得所有四种策略的投资组合权重。出于测试目的，上述命令使用了最后五年的每日数据，直到4月29日。今年剩余的数据用于进行正向测试，即投资组合策略在构建投资组合时无法访问它。

如果我的投资组合需要不同的股票怎么办？ ：您需要做的就是更改库存中的库存。txt文件中并再次运行工具。这是我们为了获得投资组合而运行的最终命令：

 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

投资组合权重

我们可以看到，特征投资组合对TSLA的重量很大，而其他人则更均匀地分配其重量。这里发生的一个有趣的现象是与SQQQ的对冲，所有策略都自动学习。每个工具都为SQQQ分配了一些正权重，同时还将正权重分配给其他股票，这表明策略正在自动试图对冲投资组合风险。显然，这不是完美的，而只是发生的事实令人着迷。让我们查看2020年4月29日之前的最后五年的回测结果。

回测结果

回测显得令人鼓舞。黑色虚线是市场指数，即QQQ 。其他行是策略。我们的自定义遗传算法实现似乎具有最好的回测结果，因为它是其他策略的高级版本。称重TSLA的特征投资组合最大，但其利润也很高。最后，正如预期的那样，MVP具有最小差异，最终具有最低利润。但是，由于差异极低，因此对于那些想要保持安全的人来说，这是一个很好的投资组合。接下来是最有趣的部分，让我们看看这些投资组合的前进或将来的测试结果。

正向测试结果

这些结果是从2020年4月29日至2020年9月4日。特征组合表现最好，但也有很多波动性。此外，这些回报大多数是由于过去几个月中的TSLA火箭弹造成的。之后，我们的GA算法在击败市场指数时就非常有效。同样，正如预期的那样，MVP的风险和回报最低，并且在4-5个月内慢慢上升。这显示了这些算法投资组合优化策略的有效性和力量，在这些策略中，我们为各种风险和回报概况开发了不同的投资组合。

结论和讨论

我们很乐意与交易社区分享这个工具包，并希望人们喜欢并为此做出贡献。与交易中的所有事物一样，这些策略并不完美，但它们基于严格的理论和一些巨大的经验结果。交易这些策略并始终管理您的风险。上述结果不是樱桃的选择，但在过去的几个月中，市场一直很看好，这导致了上面显示的强劲结果。我们希望社区尝试不同的策略并与我们分享。