Trading Strategien Python

Python Algorithmic Trading Library PyAlgoTrade ist eine Python Algorithmic Trading Library mit Fokus auf Backtesting und Unterstützung für Papierhandel und Live-Trading. Lets sagen, Sie haben eine Idee für eine Handelsstrategie und youd mögen es mit historischen Daten auswerten und sehen, wie es sich verhält. PyAlgoTrade ermöglicht es Ihnen, dies mit minimalem Aufwand zu tun. Hauptmerkmale Vollständig dokumentiert. Ereignisgesteuert . Unterstützt Markt-, Limit-, Stop - und StopLimit-Aufträge. Unterstützt Yahoo Finance, Google Finance und NinjaTrader CSV Dateien. Unterstützt jede Art von Zeitreihendaten im CSV-Format, zB Quandl. Bitcoin Handelsunterstützung durch Bitstamp. Technische Indikatoren und Filter wie SMA, WMA, EMA, RSI, Bollinger Bands, Hurst Exponent und andere. Performance-Metriken wie Sharpe-Ratio und Drawdown-Analyse. Umgang mit Twitter-Events in Echtzeit. Event-Profiler TA-Lib-Integration. Sehr einfach zu skalieren horizontal, das heißt, mit einem oder mehreren Computern zu backtest eine Strategie. PyAlgoTrade ist kostenlos, Open Source, und es ist unter der Apache Lizenz lizenziert, Version 2.0.Backtesting ein Moving Average Crossover in Python mit Pandas Im vorherigen Artikel über Research Backtesting Umgebungen In Python Mit Pandas haben wir ein objektorientiertes forschungsbasiertes Backtesting erstellt Umwelt und testete es auf einer zufälligen Prognose-Strategie. In diesem Artikel werden wir von der Maschine Gebrauch machen, die wir eingeführt haben, um die Forschung über eine tatsächliche Strategie durchzuführen, nämlich die Moving Average Crossover auf AAPL. Moving Average Crossover-Strategie Die Moving Average Crossover-Technik ist eine äußerst bekannte, vereinfachte Impulsstrategie. Es wird oft als das Hallo-Welt-Beispiel für den quantitativen Handel betrachtet. Die hier beschriebene Strategie ist nur langwierig. Zwei separate, einfach gleitende Durchschnittsfilter werden mit unterschiedlichen Lookback-Perioden einer bestimmten Zeitreihe erstellt. Signale zum Kauf des Vermögenswertes treten auf, wenn der kürzere Rückblick gleitende Durchschnitt den längeren Rückblick gleitenden Durchschnitt überschreitet. Wenn der längere Durchschnitt später den kürzeren Durchschnitt übersteigt, wird der Vermögenswert zurückverkauft. Die Strategie funktioniert gut, wenn eine Zeitreihe einen starken Trend einbringt und dann langsam den Trend rückgängig macht. Für dieses Beispiel habe ich Apple, Inc. (AAPL) als Zeitreihe gewählt, mit einem kurzen Rückblick von 100 Tagen und einem langen Rückblick von 400 Tagen. Dies ist das Beispiel der zipline algorithmischen Handelsbibliothek. Wenn wir also unseren eigenen Backtester umsetzen wollen, müssen wir sicherstellen, dass er mit den Ergebnissen in der Zipline übereinstimmt. Implementierung Achten Sie darauf, dem vorherigen Tutorial zu folgen. Die beschreibt, wie die anfängliche Objekthierarchie für den Backtester aufgebaut wird, andernfalls wird der unten stehende Code nicht funktionieren. Für diese spezielle Implementierung habe ich die folgenden Bibliotheken verwendet: Die Implementierung von macross. py erfordert backtest. py aus dem vorherigen Tutorial. Der erste Schritt besteht darin, die notwendigen Module und Objekte zu importieren: Wie im vorherigen Tutorial werden wir die Strategy abstract Basisklasse unterteilen, um MovingAverageCrossStrategy zu produzieren. Die alle Details enthält, wie man die Signale erzeugt, wenn die gleitenden Mittelwerte von AAPL einander kreuzen. Das Objekt erfordert ein kurzes Fenster und ein langes Fenster, auf dem es zu bedienen ist. Die Werte wurden auf Vorgaben von 100 Tagen bzw. 400 Tagen gesetzt, wobei die gleichen Parameter im Hauptbeispiel der Zipline verwendet wurden. Die gleitenden Durchschnitte werden durch die Verwendung der Pandas Rollingmean-Funktion auf den Bars erstellt. Schließen Sie den Preis der AAPL-Aktie. Sobald die einzelnen sich bewegenden Mittelwerte konstruiert worden sind, wird die Signalreihe erzeugt, indem die Kolonne gleich 1,0 eingestellt wird, wenn der kurze gleitende Durchschnitt größer ist als der lange gleitende Durchschnitt oder 0,0 ansonsten. Daraus können die Positionen Aufträge erzeugt werden, um Handelssignale darzustellen. Das MarketOnClosePortfolio ist aus dem Portfolio untergeordnet. Die in backtest. py gefunden wird. Es ist fast identisch mit der im vorigen Tutorial beschriebenen Implementierung, mit der Ausnahme, dass die Trades nun auf einer Close-to-Close-Basis statt einer Open-to-Open-Basis durchgeführt werden. Weitere Informationen darüber, wie das Portfolio-Objekt definiert ist, finden Sie im vorherigen Tutorial. Ive verließ den Code in Vollständigkeit und behalte dieses Tutorial in sich geschlossen: Jetzt, da die MovingAverageCrossStrategy und MarketOnClosePortfolio Klassen definiert wurden, wird eine Hauptfunktion aufgerufen, um alle Funktionalität zusammen zu binden. Darüber hinaus wird die Performance der Strategie über eine Kurve der Eigenkapitalkurve untersucht. Das Pandas DataReader-Objekt lädt OHLCV-Preise von AAPL-Aktien für den Zeitraum vom 1. Januar 1990 bis zum 1. Januar 2002 zu, an welchem ​​Punkt die Signale DataFrame erstellt werden, um die Langzeitsignale zu erzeugen. Anschließend wird das Portfolio mit einer Anfangskapitalbasis von 100.000 USD erwirtschaftet und die Renditen werden auf der Eigenkapitalkurve berechnet. Der letzte Schritt ist es, matplotlib zu verwenden, um ein zweidimensionales Diagramm von beiden AAPL-Preisen zu zeichnen, überlagert mit den gleitenden Durchschnitten und Buysell-Signalen sowie die Eigenkapitalkurve mit den gleichen Buysell-Signalen. Der Plottencode wird aus dem Zipline-Implementierungsbeispiel genommen (und modifiziert). Die grafische Ausgabe des Codes ist wie folgt. Ich habe von der IPython-Paste-Befehl Gebrauch gemacht, um diese direkt in die IPython-Konsole zu setzen, während in Ubuntu, so dass die grafische Ausgabe im Blick blieb. Die rosa upticks stellen den Kauf der Aktie dar, während die schwarzen Abschlüsse den Verkauf wieder verkaufen: Wie man sieht, verliert die Strategie im Laufe der Zeit Geld mit fünf Hin - und Rückfahrten. Dies ist nicht verwunderlich angesichts des Verhaltens von AAPL über den Zeitraum, der auf einem leichten Abwärtstrend war, gefolgt von einem erheblichen Aufschwung, der 1998 begann. Die Rückblickperiode der gleitenden Durchschnittssignale ist ziemlich groß und dies hat den Gewinn des Endhandels beeinflusst , Die sonst die Strategie rentabel gemacht haben könnte. In den folgenden Artikeln werden wir ein anspruchsvolleres Mittel zur Leistungsanalyse schaffen und beschreiben, wie man die Lookback-Perioden der einzelnen gleitenden Mittelsignale optimiert. Just Getting Started mit quantitativen TradingTrading mit Python Ive vor kurzem las einen großen Beitrag von der Turinginance Blog auf, wie man ein Quant. Kurz gesagt, es beschreibt einen wissenschaftlichen Ansatz zur Entwicklung von Handelsstrategien. Für mich persönlich ist das Beobachten von Daten, das Denken mit Modellen und die Formhypothese eine zweite Natur, wie es für jeden guten Ingenieur sein sollte. In diesem Beitrag werde ich diesen Ansatz durch explizit durchlaufen eine Reihe von Schritten (nur ein paar, nicht alle von ihnen) in der Entwicklung einer Handelsstrategie beteiligt zu illustrieren. Werfen wir einen Blick auf das gebräuchlichste Handelsinstrument, den SampP 500 ETF SPY. Ich fange mit Beobachtungen an. Beobachtungen Es fiel mir auf, dass die meiste Zeit, dass es viel reden in den Medien über den Markt Crashing (nach großen Verlusten über mehrere Tage Zeitspanne), eine recht erhebliche Rebound manchmal folgt. In der Vergangenheit habe ich ein paar Fehler gemacht, indem ich meine Positionen schließt, um Verluste kurz zu schneiden, um nur in den folgenden Tagen eine Erholung zu verpassen. Allgemeine Theorie Nach einem Zeitraum von aufeinanderfolgenden Verlusten werden viele Händler ihre Positionen aus Angst für noch größeren Verlust zu liquidieren. Ein Großteil dieses Verhaltens wird von Angst geregelt, anstatt das Risiko zu berechnen. Smarter Händler kommen dann für die Schnäppchen. Hypothese: Die nächsten Renditen von SPY zeigen eine nach oben gerichtete Vorspannung nach einer Reihe von aufeinanderfolgenden Verlusten. Um die Hypothese zu testen, berechnete Ive die Anzahl der aufeinanderfolgenden Tage. Alles unter -0.1 tägliche Rückkehr qualifiziert sich als Tag. Die Rückkehr-Serie ist in der Nähe zufällig, so wie man erwarten würde, die Chancen von 5 oder mehr aufeinander folgenden Tage sind niedrig, was zu einer sehr begrenzten Anzahl von Vorkommnissen führt. Eine geringe Anzahl von Vorkommnissen führt zu unzuverlässigen statistischen Schätzungen, also klappen sie bei 5. Unten ist eine Visualisierung von nex-tday-Renditen als Funktion der Anzahl der Down-Tage. Ich habe auch 90 Konfidenzintervalle der Rückkehr zwischen den Zeilen aufgezeichnet. Es stellt sich heraus, dass die durchschnittliche Rendite positiv mit der Anzahl der Down-Tage korreliert ist. Hypothese bestätigt. Allerdings können Sie deutlich sehen, dass diese extra Alpha ist sehr klein im Vergleich zu der Band der wahrscheinlichen Rückkehr Ergebnisse. Aber auch ein kleiner Rand kann ausgenutzt werden (finden Sie einen statistischen Vorteil und wiederholen Sie so oft wie möglich). Der nächste Schritt ist zu untersuchen, ob diese Kante in einer Handelsstrategie gedreht werden kann. Angesichts der oben genannten Daten kann eine Handelsstrategie verfolgt werden: Nach konsekutiven 3 oder mehr Verlusten geht es lang. Aus nächster Nähe verlassen. Unten ist ein Ergebnis dieser Strategie im Vergleich zu reinen Buy-and-Hold. Das sieht gar nicht schlecht aus. Schauen wir die Sharpe-Verhältnisse, die die Strategie einen Abstieg 2,2 im Vergleich zu 0,44 für die BampH. Dies ist eigentlich ziemlich gut (nicht zu aufgeregt aber, da ich nicht für Provisionskosten, Schlupf usw.). Während die obige Strategie nicht etwas ist, das ich einfach wegen der langen Zeitspanne handeln möchte, provoziert die Theorie selbst weitere Gedanken, die etwas Nützliches erzeugen könnten. Wenn das gleiche Prinzip für Intraday-Daten gilt, könnte eine Form der Scalping-Strategie aufgebaut werden. Im obigen Beispiel habe ich die Welt ein bisschen durchgezählt, indem ich nur die Anzahl der Tage unten zähle, ohne auf die Tiefe des Drawdowns zu achten. Auch Positionsausgang ist nur ein einfacher nächster Tag. Es gibt viel zu verbessern, aber das Wesen meines Erachtens ist das: Die zukünftigen Renditen von SPY werden durch die Drawdown - und Drawdown-Dauer über die letzten 3 bis 5 Tage beeinflusst. Ein erfahrener Trader weiß, welches Verhalten vom Markt erwartet wird, basierend auf einer Reihe von Indikatoren und deren Interpretation. Letzteres wird oft auf der Grundlage seines Gedächtnisses oder einer Art von Modell gemacht. Das Finden eines guten Satzes von Indikatoren und die Verarbeitung ihrer Informationen stellt eine große Herausforderung dar. Zuerst muss man verstehen, welche Faktoren mit den zukünftigen Preisen korreliert sind. Daten, die keine prädiktive Qualität haben, stellen nur Lärm und Komplexität dar, was die Leistungsfähigkeit der Strategie verringert. Die Suche nach guten Indikatoren ist eine eigene Wissenschaft, die oftmals die Vermarktung der Marktdynamik erfordert. Dieser Teil des Strategieentwurfs lässt sich nicht leicht automatisieren. Zum Glück, sobald ein guter Satz von Indikatoren gefunden wurde, können die Händler Gedächtnis und Intuition leicht durch ein statistisches Modell ersetzt werden, das wahrscheinlich viel besser durchführen wird, da Computer ein makelloses Gedächtnis haben und perfekte statistische Schätzungen machen können. Was den Volatilitätshandel angeht, so hat es mich ziemlich lange gedauert, um zu verstehen, was seine Bewegungen beeinflusst. Insbesondere interessiere ich mich für Variablen, die zukünftige Renditen von VXX und XIV voraussagen. Ich werde hier nicht in voller Länge gehen, sondern nur eine Schlussfolgerung vorstellen. Meine beiden wertvollsten Indikatoren für die Volatilität sind der Begriff Struktur Steigung und aktuelle Volatilität Prämie. Meine Definition von diesen beiden ist: Volatilität Prämie VIX-realisiertVol Delta (Begriff Struktur Slope) VIX-VXV VIX Amp VXV sind die Vorwärts 1 und 3 Monate implizite Volatilitäten der SampP 500. realizedVol hier ist eine 10-Tage-realisierte Volatilität von SPY, Berechnet mit Yang-Zhang Formel. Delta wurde oft auf VixAndMore Blog diskutiert, während Premium ist bekannt aus Option Handel. Es macht Sinn, kurze Volatilität zu gehen, wenn Prämie hoch ist und Futures in contango (Delta lt 0) sind. Dies führt zu einem Rückenwind sowohl von der Premium - als auch der täglichen Rolle entlang der Begriffsstruktur in VXX. Aber das ist nur eine grobe Schätzung. Eine gute Handelsstrategie würde Informationen aus Prämie und Delta kombinieren, um mit einer Vorhersage über die Handelsrichtung in VXX zu kommen. Ive kämpfte für eine sehr lange Zeit zu kommen mit einem guten Weg, um die lauten Daten aus beiden Indikatoren zu kombinieren. Ive versucht die meisten der Standard-Ansätze, wie lineare Regression, schreiben eine Reihe von if-thens. Aber alle mit sehr geringen Verbesserungen im Vergleich zu nur einem Indikator. Ein gutes Beispiel für eine solche Indikatorstrategie mit einfachen Regeln finden Sie auf TradingTheOdds Blog. Sieht nicht schlecht aus, aber was kann mit mehreren Indikatoren getan werden. Beginnen Sie mit einigen Out-of-Sample VXX Daten, die ich von MarketSci bekam. Beachten Sie, dass dies simulierte Daten ist, bevor VXX erstellt wurde. Die Indikatoren für den gleichen Zeitraum sind unten aufgetragen: Wenn wir einen der Indikatoren nehmen (Prämie in diesem Fall) und plotten sie gegen zukünftige Rückkehr von VXX, kann etwas Korrelation gesehen werden, aber die Daten sind extrem laut: Dennoch ist es klar Diese negative Prämie dürfte am nächsten Tag positive VXX-Renditen haben. Die Kombination von Premium und Delta zu einem Modell war für mich eine Herausforderung, aber ich wollte immer eine statistische Annäherung machen. Im Wesentlichen, für eine Kombination von (Delta, Premium), Id wie alle historischen Werte, die am nächsten zu den aktuellen Werten zu finden und eine Schätzung der zukünftigen Renditen auf der Grundlage von ihnen zu finden. Ein paar Mal habe ich angefangen, meine eigenen Nachbar-Interpolationsalgorithmen zu schreiben, aber jedes Mal musste ich aufgeben. Bis ich über die scikit nächste Nachbarschaft Regression kam. Es ermöglichte es mir, schnell einen Prädiktor zu erstellen, der auf zwei Eingängen basiert und die Ergebnisse sind so gut, dass ich ein bisschen besorgt bin, dass ich irgendwo einen Fehler gemacht habe. Hier ist was ich tat: Erstellen Sie einen Datensatz von delta, premium - gt VXX am nächsten Tag zurück (in-of-sample) erstellen Sie eine Nachbar-Prädiktor auf der Grundlage der Datensatz über Handelsstrategie (out-of-sample) mit den Regeln: Gehen Sie lange, wenn vorhergesagte Rückkehr gt 0 gehen Sie kurz, wenn vorhergesagte Rückkehr lt0 Die Strategie konnte nicht einfacher sein. Die Ergebnisse scheinen sehr gut und besser zu werden, wenn mehr Nachbarn für die Schätzung verwendet werden. Erstens, mit 10 Punkten, ist die Strategie hervorragend in der Probe, aber ist flache Out-of-Probe (rote Linie in Abbildung unten ist der letzte Punkt in-Probe) Dann wird die Leistung besser mit 40 und 80 Punkte: In der letzten Zwei Plots, die Strategie scheint das gleiche In - und Out-of-Sample auszuführen. Sharpe-Verhältnis ist etwa 2.3. Ich bin sehr zufrieden mit den Ergebnissen und habe das Gefühl, dass ich nur die Oberfläche von dem, was mit dieser Technik möglich ist, kratzte. Meine Suche nach einem idealen Backtesting-Tool (meine Definition von Ideal ist in den früheren Backtesting Dilemmas Posts beschrieben) hat nicht zu etwas geführt, das ich sofort nutzen könnte. Die Überprüfung der verfügbaren Optionen hat mir aber geholfen, besser zu verstehen, was ich wirklich will. Von den Optionen, die ich sah, war pybacktest der, den ich am meisten wegen seiner Einfachheit und Geschwindigkeit mochte. Nachdem ich durch den Quellcode gegangen bin, habe ich einige Ideen, um es einfacher und ein bisschen eleganter zu machen. Von dort war es nur ein kleiner Schritt zum Schreiben meines eigenen Backtests, der jetzt in der TradingWithPython Bibliothek verfügbar ist. Ich habe einen Ansatz gewählt, bei dem der Backtester Funktionalität enthält, die alle Handelsstrategien teilen und oftmals kopiert werden. Dinge wie die Berechnung von Positionen und pnl, Performance-Metriken und machen Plots. Strategiespezifische Funktionalität, wie die Bestimmung von Ein - und Ausspeisepunkten sollte außerhalb des Backtests erfolgen. Ein typischer Workflow wäre: Eintragung und Exits finden - Sie berechnen pnl und machen Plots mit Backtester - gt Post-Process-Strategie Daten In diesem Moment ist das Modul sehr minimal (werfen Sie einen Blick auf die Quelle hier), aber in der Zukunft plane ich Auf den Gewinn von Gewinn - und Stop-Loss-Exits und Multi-Asset-Portfolios. Die Verwendung des Backtesting-Moduls wird in diesem Beispiel-Notizbuch gezeigt. Ich organisiere meine IPython-Notebooks, indem ich sie in verschiedenen Verzeichnissen speichere. Dies bringt jedoch eine Unannehmlichkeit, denn um auf die Notebooks zuzugreifen, muss ich ein Terminal öffnen und ipython notebook --pylabinline jedes Mal eingeben. Im sicher, das ipython-Team wird dies auf lange Sicht zu lösen, aber in der Zwischenzeit gibt es eine schöne Abfahrt Weg, um schnell auf die Notebooks aus dem Datei-Explorer. Alles, was Sie tun müssen, ist ein Kontextmenü, das ipython Server in Ihrem gewünschten Verzeichnis startet: Eine schnelle Möglichkeit, um das Kontext Element hinzufügen, indem Sie diesen Registrierungs-Patch. (Anmerkung: Der Patch geht davon aus, dass Sie Ihre Python-Installation in C: Anaconda haben. Wenn nicht, müssen Sie die. reg-Datei in einem Texteditor öffnen und den richtigen Pfad in der letzten Zeile setzen). Anleitung zum Hinzufügen der Registrierungsschlüssel manuell finden Sie auf Frolians Blog. Viele Menschen denken, dass Leveraged etfs auf lange Sicht unterdurchschnittlich ihre Benchmarks. Das gilt für abgehackte Märkte, aber nicht im Falle von Trending-Bedingungen, entweder nach oben oder unten. Leverage hat nur Auswirkungen auf das wahrscheinlichste Ergebnis, nicht auf das erwartete Ergebnis. Für mehr Hintergrund bitte diesen Beitrag lesen. 2013 war ein sehr gutes Jahr für Aktien, die sich für den Großteil des Jahres tendierten. Lets sehen, was passieren würde, wenn wir vor einigen Jahren einige der gehebelten etfs kurzgeschlossen haben und sie mit ihrem Benchmark abgesichert haben. Wenn ich das Leveraged etf-Verhalten kenne, würde ich erwarten, dass die Leveraged etfs ihre Benchmark übertroffen haben, so dass die Strategie, die versuchen würde, vom Verfall zu profitieren, Geld verlieren würde. Ich werde diese Paare betrachten: SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1 Jeder Leveraged etf wird kurz (-1) gehalten und mit einem 1x abgesichert Etf. Beachten Sie, dass zur Absicherung einer inversen etf eine negative Position in der 1x etf gehalten wird. Hier ist ein Beispiel: SPY vs SSO. Sobald wir die Preise zu 100 zu Beginn der Backtest-Periode (250 Tage) normalisieren, ist es offensichtlich, dass die 2x etf übertrifft 1x etf. Nun sind die Ergebnisse des Backtests auf den Paaren oben: Alle 2x etfs (einschließlich inverse) haben ihre Benchmark im Laufe des Jahres 2013 übertroffen. Entsprechend den Erwartungen wäre die Strategie, die Beta-Zerfall ausnutzen, nicht rentabel. Ich würde denken, dass das Spielen von Leveraged etfs gegen ihr unleveraged Gegenstück keine Kante bietet, es sei denn, Sie kennen die Marktbedingungen im Voraus (Trending oder range-bound). Aber wenn Sie das kommende Marktregime kennen, gibt es viel einfachere Möglichkeiten, davon zu profitieren. Leider ist noch niemand bei der Vorhersage des Marktregimes schon sehr kurzfristig gelungen. Voller Quellcode der Berechnungen steht für die Abonnenten des Trading With Python Kurses zur Verfügung. Notizbuch 307 Hier ist mein Schuss auf Twitter Bewertung. Ich möchte mit einem Haftungsausschluss beginnen: In diesem Moment besteht ein großer Teil meines Portrolio aus kurzer TWTR-Position, so dass meine Meinung eher schief ist. Der Grund, warum ich meine eigene Analyse gemacht habe, ist, dass meine Wette nicht gut geklappt hat, und Twitter machte eine parabolische Bewegung im Dezember 2013. Also die Frage, die ich hier zu beantworten versucht ist, sollte ich meinen Verlust nehmen oder an meinen Shorts festhalten. Zum Zeitpunkt des Schreibens handelt es sich bei TWTR um 64 Mark, mit einer Marktkapitalisierung von 34,7 B. Bisher hat das Unternehmen keinen Gewinn gemacht und 142M im Jahr 3013 verloren, nachdem er 534M Umsatz erzielt hat. Die letzten beiden Zahlen geben uns jährliche Firmenausgaben von 676M. Der Preis, der aus dem Benutzerwert abgeleitet wird, kann mit Facebook, Google und LinkedIn verglichen werden, um eine Vorstellung von Benutzernummern und deren Werten zu erhalten. Die nachfolgende Tabelle fasst die Benutzernummern pro Unternehmen zusammen und einen Wert pro Benutzer, der aus der Marktkapitalisierung stammt. (Quelle für die Anzahl der Nutzer: Wikipedia, Nummer für Google basiert auf der Anzahl der einzigartigen Recherchen) Es wird deutlich, dass die Marktbewertung pro Benutzer für alle Unternehmen sehr ähnlich ist, aber meine persönliche Meinung ist: TWTR ist derzeit wertvoller Pro Benutzer thatn FB oder LNKD. Dies ist nicht logisch, da beide Konkurrenten wertvollere persönliche Nutzerdaten zur Verfügung haben. GOOG hat sich hervorragend entwickelt, um Werbeeinnahmen von seinen Nutzern zu extrahieren. Um dies zu tun, hat es eine Reihe von stark diversifizierten Angeboten, von der Suchmaschine zu Google. Docs und Gmail. TWTR hat nichts Ähnliches, während sein Wert pro Benutzer nur 35 niedriger ist, als der von Google. TWTR hat einen begrenzten Raum, um seine Benutzerbasis zu wachsen, da es keine Produkte bietet, die mit FB - oder GOOG-Angeboten vergleichbar sind. TWTR gibt es schon seit sieben Jahren und die meisten Leute wollen einen Accout haben ihre Chance haben. Der Rest kümmert sich einfach nicht. TWTR Benutzerbasis ist flüchtig und wird wahrscheinlich auf die nächste heiße Sache zu bewegen, wenn es verfügbar wird. Ich denke, die beste Referenz hier wäre LNKD, die eine stabile Nische auf dem professionellen Markt hat. Durch diese metrische TWTR wäre überbewertet. Die Einstellung des Benutzerwerts bei 100 für TWTR würde einen fairen TWTR-Preis von 46 ergeben. Preis aus künftigen Erträgen Es liegen genügend Daten über die zukünftigen Ertragsschätzungen vor. Eines der nützlichsten, was ich gefunden habe, ist hier. Mit diesen Zahlen bei der Subtraktion von Unternehmensausgaben, die ich davon ausgehen, konstant zu bleiben. Produziert diese Zahlen: Fazit Auf der Grundlage der verfügbaren Informationen sollte die optimistische Bewertung von TWTR im Bereich von 46-48 liegen. Es gibt keine klaren Gründe, warum es höher sein sollte und viele operationelle Risiken, um niedriger zu handeln. Meine Vermutung ist, dass während des IPO genug Fachleute den Preis überprüft haben und ihn auf ein faires Preisniveau einstellen. Was als nächstes passierte, war eine irrationale Marktbewegung, die nicht durch neue Informationen gerechtfertigt war. Werfen Sie einen Blick auf die bullish Raserei auf stocktwits. Mit den Leuten, die Sachen mögen, wie dieser Vogel zu 100 fliegen wird. Pure Emotion, die nie gut funktioniert. Das einzige, was mich jetzt ruht, ist, mein Geld zu setzen, wo mein Mund ist und haftet an meinen Shorts. Wir werden sehen. Kurzschluss der kurzfristigen Volatilität etn VXX mag eine gute Idee sein, wenn man sich das Diagramm aus der Ferne ansieht. Aufgrund der Contango in den Volatilitäts-Futures, erlebt die etn die meisten der Zeit und zieht ein bisschen ihren Wert jeden Tag. Dies geschieht aufgrund der täglichen Rebalancing, für weitere Informationen schauen Sie bitte in die Aussicht. In einer idealen Welt, wenn man es lange genug hält, wird ein Gewinn, der durch Zeitverfall in den Futures und Etn Rebalancing generiert wird, garantiert, aber kurzfristig müssen Sie durch einige ziemlich schwere Drawdowns gehen. Schau jetzt zurück auf den Sommer 2011. Ich war unglücklich (oder dumm) genug, um eine kurze VXX-Position zu halten, kurz bevor die VIX aufging. Ich habe mein Konto bis dahin fast geblasen: 80 Drawdown in nur ein paar Tagen, was zu einer Bedrohung durch Margin Call von meinem Makler. Margin Call würde bedeuten, den Verlust zu bezahlen. Das ist keine Situation, die ich je wieder gerne habe. Ich wusste, dass es nicht einfach wäre, den Kopf kühl zu halten, aber der Stress und der Druck der Situation war etwas anderes. Zum Glück wusste ich, wie VXX dazu neigt, sich zu benehmen, also habe ich keine Panik, sondern wechselte zu XIV, um einen Margin Call zu vermeiden. Die Geschichte endet gut, 8 Monate später war mein Portfolio wieder an Stärke und ich habe eine sehr wertvolle Lektion gelernt. Um mit einem Wort der Warnung hier zu beginnen: handeln Sie nicht Volatilität, wenn Sie nicht genau wissen, wieviel Risiko Sie nehmen. Having said that, lasst uns einen Blick auf eine Strategie, die einige der Risiken minimiert durch kurzfristige VXX nur, wenn es angemessen ist. Strategie-Dissertation: VXX erlebt meistens, wenn die Futures-Kurve in einem steilen Contango liegt. Die Futures-Kurve wird durch die VIX-VXV-Beziehung angenähert. Wir werden kurz VXX, wenn VXV eine ungewöhnlich hohe Prämie über VIX hat. Zuerst werfen wir einen Blick auf die VIX-VXV-Beziehung: Die obige Grafik zeigt VIX-VXV-Daten seit Januar 2010. Datenpunkte aus dem letzten Jahr werden rot dargestellt. Ich habe mich dafür entschieden, eine quadratische Passung zwischen den beiden zu verwenden, die VXV f (VIX) approximiert. Das f (VIX) ist als blaue Linie aufgetragen. Die Werte über der Linie stellen die Situation dar, wenn die Futures stärker sind als normales contango. Nun definiere ich eine Delta-Anzeige, die die Abweichung von der Anpassung ist: Delta VXV-f (VIX). Jetzt können wir einen Blick auf den Preis von VXX zusammen mit Delta: Oben: Preis von VXX auf Log-Skala. Unten: delta Grüne Markierungen geben delta gt 0 an. Rote markierungen deltalt0. Es ist offensichtlich, dass grüne Flächen einer negativen Rendite im VXX entsprechen. Lets simulieren eine Strategie mit diesen diese Annahmen: Short VXX bei Delta gt 0 Konstantes Kapital (Wette an jedem Tag ist 100) Keine Schlupf - oder Transaktionskosten Diese Strategie wird mit derjenigen verglichen, die jeden Tag kurzfristig handelt, aber nicht delta berücksichtigt . Die grüne Linie repräsentiert unsere VXX-Kurzstrategie, die blaue Linie ist die dumme. Sharpe von 1.9 für eine einfache End-of-Day-Strategie ist überhaupt nicht schlecht, meiner Meinung nach. Aber noch wichtiger ist, dass die gut-schrecklichen Drawdowns weitgehend vermieden werden, indem man auf die Vorwärts-Futures-Kurve achtet. Aufbau dieser Strategie Schritt-für-Schritt wird während der kommenden Trading With Python Kurs diskutiert werden. Der Preis eines Vermögenswertes oder einer ETF ist natürlich der beste Indikator, aber leider gibt es nur so viele Informationen darin enthalten. Manche Leute scheinen zu denken, dass die mehr Indikatoren (rsi, macd, gleitende durchschnittliche Crossover usw.). Desto besser, aber wenn alle von ihnen auf der gleichen zugrunde liegenden Preisreihen basieren, werden sie alle eine Teilmenge der gleichen beschränkten Informationen enthalten, die im Preis enthalten sind. Wir brauchen mehr Informationen zusätzlich zu dem, was den Preis enthalten hat, um eine informiertere Vermutung zu machen, was in naher Zukunft passieren wird. Ein hervorragendes Beispiel für die Kombination aller Arten von Informationen zu einer klugen Analyse finden Sie auf der Short Side of Long Blog. Die Herstellung dieser Art von Analyse erfordert eine große Menge an Arbeit, für die ich einfach nicht die Zeit haben, da ich nur Teilzeit teilnehme. Also habe ich mein eigenes Markt-Dashboard gebaut, das automatisch Informationen für mich sammelt und es in einer leicht verdaulichen Form präsentiert. In diesem Beitrag Ich gehe zu zeigen, wie man einen Indikator auf der Grundlage von kurzen Volumen Daten zu bauen. Dieser Beitrag wird den Prozess der Datenerfassung und - verarbeitung veranschaulichen. Schritt 1: Datenquelle suchen. BATS-Tausch bietet tägliche Datenträger-Daten kostenlos auf ihrer Website. Schritt 2: Daten manuell lesen Ampere Inspektion Kurzer Datenträger der BATS-Tausch ist in einer Textdatei enthalten, die gezippt ist. Jeder Tag hat seine eigene Zip-Datei. Nach dem Herunterladen und Entpacken der txt-Datei ist das alles was im Inneren (erste Zeilen): Insgesamt enthält eine Datei ca. 6000 Symbole. Diese Daten bedürfen einer gewissen Arbeit, bevor sie sinnvoll dargestellt werden kann. Schritt 3: Automatische Daten erhalten Was ich wirklich will, ist nicht nur die Daten für einen Tag, sondern ein Verhältnis von kurzem Volumen zu Gesamtvolumen für die letzten Jahre, und ich habe nicht wirklich das Gefühl, 500 Zip-Dateien herunterzuladen und sie zu kopieren Excel manuell. Zum Glück ist die volle Automatisierung nur ein paar Code-Zeilen weg: Zuerst müssen wir dynamisch eine URL erstellen, aus der eine Datei heruntergeladen wird: Jetzt können wir mehrere Dateien gleichzeitig herunterladen: Schritt 4. Parse heruntergeladene Dateien Wir können Zip und Pandas verwenden Bibliotheken, um eine einzelne Datei zu analysieren: Es gibt ein Verhältnis von Short VolumeTotal Volume für alle Symbole in der Zip-Datei zurück: Schritt 5: Machen Sie ein Diagramm: Jetzt ist es nur noch möglich, alle heruntergeladenen Dateien zu analysieren und sie zu einer einzigen Tabelle und Plot zu kombinieren Das Ergebnis: In der obigen Abbildung habe ich das durchschnittliche kurze Volumenverhältnis für die letzten zwei Jahre gezeichnet. Ich hätte auch eine Untermenge von Symbolen benutzt, wenn ich einen Blick auf einen bestimmten Sektor oder eine Aktie werfen wollte. Schneller Blick auf die Daten gibt mir einen Eindruck, dass hohe kurze Volumenverhältnisse in der Regel mit Marktböden übereinstimmen und niedrige Verhältnisse scheinen gute Einstiegspunkte für eine lange Position zu sein. Von hier aus kann dieses kurze Volumenverhältnis als Grundlage für die Strategieentwicklung genutzt werden. Trading mit Python-Kurs Wenn Sie ein Händler oder ein Investor sind und möchte eine Reihe von quantitativen Trading-Fähigkeiten erwerben können Sie erwägen, die Trading mit Python Couse. Der Online-Kurs bietet Ihnen die besten Werkzeuge und Praktiken für die quantitative Handelsforschung, einschließlich Funktionen und Skripte, die von Experten quantitativen Händlern geschrieben werden. Sie lernen, wie man unglaubliche Mengen an Daten, Design und Backtest Strategien zu bekommen und zu verarbeiten und die Handelsleistung zu analysieren. Dies wird Ihnen helfen, fundierte Entscheidungen zu treffen, die für einen Händler Erfolg entscheidend sind. Klicken Sie hier, um den Handel mit Python-Kurs-Website fortzusetzen Mein Name ist Jev Kuznetsov, während des Tages bin ich ein Researcherengineer in einer Firma, die im Druckgeschäft beteiligt ist. Der Rest der Zeit bin ich ein Händler. Ich studierte angewandte Physik mit Spezialisierung auf Mustererkennung und künstliche Intelligenz. Meine tägliche Arbeit beinhaltet alles von schnellem Algorithmus-Prototyping in Matlab und anderen Sprachen bis hin zu Hardware-Design-Amp-Programmierung. Seit 2009 nutze ich meine technischen Fähigkeiten auf den Finanzmärkten. Bevor ich zu dem Schluss gehe, dass Python das beste Tool zur Verfügung steht, arbeitete ich ausführlich in Matlab, das auf meinem anderen Blog abgedeckt ist. Top 5 Beliebte Trading-Strategien Dieser Artikel zeigt Ihnen einige der häufigsten Trading-Strategien und auch, wie Sie können Analysiere die Vor-und Nachteile von jedem, um die besten für Ihren persönlichen Trading-Stil zu entscheiden. Die fünf besten Strategien, die wir abdecken werden, sind wie folgt: Breakouts sind eine der häufigsten Techniken, die auf dem Markt zum Handel verwendet werden. Sie bestehen aus der Identifizierung eines wichtigen Preisniveaus und dann Kauf oder Verkauf als der Preis bricht, dass vor bestimmten Niveau. Die Erwartung ist, dass, wenn der Preis genug Kraft hat, um das Niveau zu brechen, dann wird es weiter in diese Richtung zu bewegen. Das Konzept eines Ausbruchs ist relativ einfach und erfordert ein moderates Verständnis von Unterstützung und Widerstand. Wenn der Markt tendiert und sich in einer Richtung stark bewegt, stellt der Breakout-Handel sicher, dass Sie den Umzug niemals verpassen. Im Allgemeinen werden Ausbrüche verwendet, wenn der Markt bereits bei oder in der Nähe der extremen hohen Tiefs der jüngsten Vergangenheit ist. Die Erwartung ist, dass der Preis sich weiter mit dem Trend bewegen wird und tatsächlich die extreme Höhe brechen und weitergehen wird. In diesem Sinne, um effektiv den Handel zu nehmen, müssen wir einfach einen Auftrag direkt über dem hohen oder knapp unter dem niedrigen Platz setzen, damit der Handel automatisch eingegeben wird, wenn der Preis sich bewegt. Diese werden als Grenzaufträge bezeichnet. Es ist sehr wichtig, Handelsausbrüche zu vermeiden, wenn der Markt nicht tendiert, weil dies zu falschen Trades führen wird, die zu Verlusten führen. Der Grund für diese Verluste ist, dass der Markt nicht die Dynamik hat, um die Bewegung über die extremen Höhen und Tiefen fortzusetzen. Wenn der Preis auf diese Gebiete trifft, fällt es normalerweise in den vorherigen Bereich zurück, was zu Verlusten für alle Händler führt, die versuchen, in die Richtung des Umzugs zu halten. Retracements Retracements erfordern eine etwas andere Skill-Set und drehen sich um den Händler, die eine klare Richtung für den Preis zu bewegen und zuversichtlich, dass der Preis wird weiter zu bewegen. Diese Strategie basiert auf der Tatsache, dass nach jedem Zug in die erwartete Richtung, Der Preis wird vorübergehend umgekehrt, da Händler ihre Gewinne nehmen und Anfänger Teilnehmer versuchen, in die entgegengesetzte Richtung zu handeln. Diese Rückzieher oder Retracements bieten professionellen Händlern einen viel besseren Preis an, bei dem man kurz vor der Fortsetzung des Umzugs in die ursprüngliche Richtung eintreten kann. Beim Handel Retracements Unterstützung und Widerstand wird auch verwendet, wie bei Ausbrüchen. Eine fundamentale Analyse ist auch für diese Art von Handel entscheidend. Wenn der anfängliche Schritt stattgefunden hat, werden die Händler über die verschiedenen Preisniveaus informiert, die bereits im ursprünglichen Umzug verletzt wurden. Sie achten besonders auf Schlüsselniveaus von Unterstützung und Widerstand und Bereiche auf dem Preis Diagramm wie 00 Niveaus. Dies sind die Ebenen, die sie sehen werden, um zu kaufen oder zu verkaufen von später auf. Retracements werden nur von Händlern in Zeiten verwendet, in denen kurzfristige Stimmung durch ökonomische Ereignisse und Nachrichten verändert wird. Diese Nachricht kann vorübergehende Schocks auf den Markt führen, die zu diesen Retracements gegen die Richtung der ursprünglichen Bewegung führen. Die anfänglichen Gründe für den Umzug können noch vorhanden sein, aber das kurzfristige Ereignis kann dazu führen, dass die Anleger nervös werden und ihre Gewinne nehmen, was wiederum das Retracement verursacht. Weil die anfänglichen Bedingungen dies bleiben, dann bietet anderen professionellen Investoren die Möglichkeit, wieder in den Umzug zu einem besseren Preis, was sie oft tun. Retracement-Handel ist in der Regel ineffektiv, wenn es keine klare grundlegende Gründe für den Umzug in den ersten Platz. Wenn Sie also einen großen Zug sehen, aber keinen klaren fundamentalen Grund für diesen Schritt erkennen können, kann sich die Richtung schnell ändern und was scheint ein Retracement zu sein, kann sich tatsächlich als neuer Umzug in die entgegengesetzte Richtung erweisen. Dies führt zu Verlusten für alle, die versuchen, im Einklang mit dem ursprünglichen Umzug zu handeln.