پایتون برای امور مالی ، قسمت 3: حرکت استراتژی متوسط تجارت

در مقاله قبلی این مجموعه ، ما همچنان به بحث در مورد مفاهیم کلی که برای طراحی و پشتکار هر استراتژی تجاری کمی اساسی است ، ادامه دادیم. با جزئیات ، ما در مورد آن بحث کرده ایم

1. نسبی و برگشتی ، خصوصیات آنها ، تفاوت ها و نحوه استفاده از هر یک از آنها ،
2. نمایندگی عمومی از یک استراتژی معاملاتی با استفاده از وزن دارایی عادی $ w_i سمت چپ (t راست) $ برای مجموعه ای از $ n $

دارایی های قابل معامله و

1. یک استراتژی بسیار ساده و در عین حال سودآور ، راهی برای نشان دادن آن و چگونگی محاسبه بازده کل آن.

اگر این مقاله را پیدا کردید ، به قسمت 1 و قسمت 2 مراجعه کنید.

شما باید از قبل بدانید:

• اصول اولیه
• پاندا و ماتپلوت
• نماد ریاضی

پایتون و کتابخانه ها را به صورت تعاملی از طریق dataQuest.io بیاموزید

در این مقاله ، ما شروع به طراحی یک استراتژی معاملاتی پیچیده تر خواهیم کرد ، که دارای وزن غیر ثابت $ w_i سمت چپ (t راست) $ خواهد بود ، و بنابراین به نوعی با رفتار اخیر قیمت دارایی های ما سازگار می شویم.

ما دوباره فرض خواهیم کرد که ما فقط 3 دارایی قابل معامله ، سهام اپل و مایکروسافت (به ترتیب با Tickers AAPL و MSFT) و شاخص S& P 500 (Ticker ^GSPC) داریم.

به عنوان یک یادآوری ، DataFrame حاوی سه بار قیمت "تمیز" دارای فرمت زیر است:

در حال حرکت ملاحظات متوسط

یکی از قدیمی ترین و ساده ترین استراتژی های معاملاتی که وجود دارد ، روشی است که از میانگین متحرک زمان (یا بازده) زمان استفاده می کند تا روند اخیر قیمت را پروکسی کند.

این ایده بسیار ساده و در عین حال قدرتمند است. اگر از میانگین حرکت 100 روزه (به عنوان) از میانگین زمان قیمت خود استفاده کنیم ، بخش قابل توجهی از نویز قیمت روزانه "به طور متوسط" بوده است. بنابراین ، ما می توانیم رفتار طولانی مدت دارایی را از نزدیک مشاهده کنیم.

اجازه دهید ، دوباره ، میانگین های متحرک ساده (SMA) را از این سه بار به شرح زیر محاسبه کنیم. دوباره به یاد داشته باشید که هنگام محاسبه SMA $ M $ ، اولین $ M-1 $ معتبر نیست ، زیرا قیمت $ M $ برای اولین نقطه داده در حال حرکت لازم است.

بگذارید 22 سال گذشته را برای این سه بار برای سهام مایکروسافت ترسیم کنیم تا در مورد نحوه رفتار اینها احساس کنیم.

این ساده است که مشاهده کنیم که زمان های SMA بسیار کمتر از زمان اصلی قیمت است. با این حال ، این با هزینه ای پیش می آید: Timeseries SMA زمان های اصلی قیمت را تاخیر می کند ، به این معنی که تغییر در روند فقط با تأخیر (تاخیر) روزهای $ L مشاهده می شود.

این تاخیر $ $ چقدر است؟برای میانگین متحرک SMA که با استفاده از روزهای $ M $ محاسبه می شود ، تاخیر تقریباً روزهای $ frac $ است. بنابراین ، اگر ما از SMA 100 $ $ SMA استفاده می کنیم ، این بدان معنی است که ممکن است تقریباً 50 روز دیر کنیم ، که می تواند استراتژی خود را به میزان قابل توجهی اختصاص دهد.

یکی از راه های کاهش تاخیر ناشی از استفاده از SMA ، استفاده از به اصطلاح میانگین متحرک نمایی (EMA) است که به عنوان تعریف شده است

شروع شروع و text چپ (t راست) & = Left (1- alpha راست) text سمت چپ (t-1 راست) + alpha p سمت چپ (t راست) & text سمت چپ (t_0 راست) & = p سمت چپ (t_0 راست) پایان پایان

جایی که $ p سمت چپ (t راست) $ قیمت در زمان $ t و $ alpha $ پارامتر پوسیدگی برای EMA نامیده می شود.$ alpha $ مربوط به تاخیر به عنوان $ $ alpha = frac $ $ و طول پنجره (دهانه) $ m $ as $ $ alpha = frac $ $ است.

دلیل اینکه EMA تاخیر را کاهش می دهد این است که وزن بیشتری را در مشاهدات اخیر قرار می دهد ، در حالی که SMA تمام مشاهدات را به طور یکسان با $ frac $ وزن می کند. با استفاده از پاندا ، محاسبه میانگین متحرک نمایی آسان است. ما باید یک مقدار تاخیر ارائه دهیم ، که از آن پارامتر پوسیدگی $ alpha $ به طور خودکار محاسبه می شود. برای اینکه بتوانیم با SMA کوتاه مدت مقایسه کنیم ، از مقدار دهانه 20 دلار استفاده خواهیم کرد.