ซื้อขาย กลยุทธ์ หลาม

Python Algorithmic Trading Library. PyAlgoTrade เป็น Python Algorithmic Trading Library ที่เน้นการ backtesting และสนับสนุนการซื้อขายกระดาษและ live-trading สมมติว่าคุณมีแนวคิดเกี่ยวกับกลยุทธ์การซื้อขายและคุณต้องการประเมินข้อมูลดังกล่าวด้วยข้อมูลทางประวัติศาสตร์และดูว่าอย่างไร มันจะทำงาน PyAlgoTrade ช่วยให้คุณสามารถทำเช่นนั้นด้วยความพยายามน้อยที่สุดคุณสมบัติหลัก document. Weuled ขับเคลื่อนอย่างเต็มที่รองรับการตลาด, Limit, Stop และ StopLimit orders. Supports Yahoo การเงิน, Google Finance และ NinjaTrader ไฟล์ CSV สนับสนุนชนิดของข้อมูลชุดเวลาใด ๆ ในรูปแบบ CSV เช่น Quandl. Bitcoin เทรดดิ้งผ่าน Bitstamp ตัวชี้วัดและตัวกรองทางเทคนิคเช่น SMA, WMA, EMA, RSI, Bollinger Bands, Hurst exponent และอื่น ๆ เมตริกประสิทธิภาพเช่น Sharpe ratio และการวิเคราะห์แบบ Drawdown การจัดการเหตุการณ์ Twitter ในแบบเรียลไทม์ Event profiler. TA-Lib integration. Very ง่ายในการวัดในแนวนอนนั่นคือการใช้คอมพิวเตอร์อย่างน้อยหนึ่งเครื่องเพื่อทำ backtest strategy. PyAlgoTrade ฟรีโอเพ่นซอร์สและได้รับอนุญาตภายใต้ Apach e License, Version 2 0. เรียนรู้ทักษะ Quant ถ้าคุณเป็นนักลงทุนหรือนักลงทุนและต้องการได้รับทักษะการซื้อขายเชิงปริมาณคุณจะอยู่ในสถานที่ที่เหมาะสม Trading with Python course จะช่วยให้คุณมีเครื่องมือที่ดีที่สุดและ การทำวิจัยเชิงปริมาณเพื่อการค้ารวมถึงฟังก์ชั่นและสคริปต์ที่เขียนขึ้นโดยผู้ค้าเชิงปริมาณผู้เชี่ยวชาญหลักสูตรนี้จะช่วยให้คุณได้รับผลกระทบสูงสุดสำหรับเวลาและเงินลงทุนของคุณโดยมุ่งเน้นการประยุกต์ใช้การเขียนโปรแกรมเพื่อการค้ามากกว่าทฤษฎีคอมพิวเตอร์ทฤษฎีหลักสูตรจะจ่ายเงินให้กับตนเองได้อย่างรวดเร็วโดยการประหยัด คุณจะใช้เวลามากขึ้นในการค้นคว้ากลยุทธ์ของคุณและนำไปสู่การค้าขายที่มีกำไรภาพรวมของหลักสูตร 1 พื้นฐานคุณจะได้เรียนรู้ว่าทำไม Python เป็นเครื่องมือที่เหมาะสำหรับการซื้อขายเชิงปริมาณเราจะเริ่มจากการตั้งค่าสภาพแวดล้อมการพัฒนา แนะนำให้คุณรู้จักกับห้องสมุดวิทยาศาสตร์เล่ม 2 การจัดการข้อมูลเรียนรู้วิธีการรับข้อมูลจากแหล่งข้อมูลฟรีต่างๆเช่น Yahoo Finance , CBOE และเว็บไซต์อื่น ๆ อ่านและเขียนข้อมูลหลายรูปแบบรวมถึงไฟล์ CSV และ Excel ส่วนที่ 3 กลยุทธ์การวิจัยเรียนรู้การคำนวณ PL และการวัดประสิทธิภาพการทำงานที่เกี่ยวข้องเช่น Sharpe และ Drawdown สร้างกลยุทธ์การซื้อขายและเพิ่มประสิทธิภาพการทำงานของงาน ส่วนที่ 4 จะมีชีวิตอยู่ส่วนนี้เป็นศูนย์กลางเกี่ยวกับ Interactive Brokers API คุณจะได้เรียนรู้วิธีการรับข้อมูลหุ้นเรียลไทม์และสั่งซื้อสินค้าสดจำนวนมากตัวอย่างเช่นรหัสเนื้อหาของหลักสูตรประกอบด้วยโน้ตบุ๊คที่มีข้อความร่วมกับรหัสแบบโต้ตอบเช่นนี้คุณจะ สามารถเรียนรู้โดยการโต้ตอบกับโค้ดและปรับเปลี่ยนตามความชอบของคุณเองมันจะเป็นจุดเริ่มต้นที่ดีสำหรับการเขียนกลยุทธ์ของคุณเองในขณะที่บางหัวข้อมีการอธิบายอย่างละเอียดเพื่อช่วยให้คุณเข้าใจแนวคิดพื้นฐานในกรณีส่วนใหญ่คุณได้รับรางวัล t แม้ต้องเขียนรหัสระดับต่ำของคุณเองเนื่องจากการสนับสนุนโดยไลบรารีโอเพนซอร์สที่มีอยู่ไลบรารี TradingWithPython ประกอบด้วย ฟังก์ชั่นที่กล่าวถึงในหลักสูตรนี้เป็นฟังก์ชั่นพร้อมใช้งานและจะใช้ตลอดหลักสูตร Pandas จะให้พลังการยกหนักที่จำเป็นในการขัดขวางข้อมูลรหัสทั้งหมดนี้มีให้ภายใต้ใบอนุญาต BSD ซึ่งอนุญาตให้ใช้งานได้ ในเชิงพาณิชย์ aplications หลักสูตรการจัดอันดับนักบินของหลักสูตรที่จัดขึ้นในฤดูใบไม้ผลิของปี 2013 นี่คือสิ่งที่นักเรียนได้กล่าวหลักสูตรออกแบบมาอย่างดีและดี Trainj ดีแน่นอนคุ้มค่าราคาและเวลาของฉัน Lave Jev เห็นได้ชัดว่าเขามีความลึกของเนื้อหาของเขา ครอบคลุมได้สมบูรณ์แบบถ้า Jev ทำงานอะไรเช่นนี้อีกครั้งฉันจะเป็นคนแรกที่ลงทะเบียน John Phillips หลักสูตรของคุณจริงๆฉันเริ่มกระโดดพิจารณาหลามสำหรับการวิเคราะห์ระบบสต็อกการซื้อขายกับ Python. I เพิ่งได้อ่านโพสต์ที่ดีโดยบล็อก turinginance เกี่ยวกับวิธีที่จะเป็น quant ในระยะสั้นจะอธิบายวิธีการทางวิทยาศาสตร์เพื่อการพัฒนากลยุทธ์การซื้อขายสำหรับฉันเป็นการส่วนตัวการสังเกตข้อมูลการคิดแบบจำลองและการสร้างสมมติฐานเป็นลักษณะที่สองตามที่ควรจะเป็นสำหรับใด ๆ วิศวกรที่ดีในการโพสต์นี้ฉันจะแสดงให้เห็นถึงวิธีการนี้โดยชัดเจนจะผ่านขั้นตอนเพียงไม่กี่คู่ไม่ทั้งหมดของพวกเขามีส่วนร่วมในการพัฒนากลยุทธ์การค้าลองดูที่เครื่องมือการซื้อขายที่พบมากที่สุด SP 500 ETF SPY ฉันจะเริ่มต้นด้วยการสังเกตการณ์การเอาเปรียบมันเกิดขึ้นกับฉันว่าส่วนใหญ่ของเวลาที่มีการพูดคุยกันมากในสื่อเกี่ยวกับการตลาดล้มเหลวหลังจากที่สูญเสียใหญ่ในช่วงเวลาหลายเดือน timespan ค่อนข้างการตอบสนองอย่างมีนัยสำคัญบางครั้งตามในอดีตฉัน ได้ทำข้อผิดพลาดสองข้อโดยการปิดสถานะของฉันเพื่อลดความสูญเสียในระยะสั้นเพียงเพื่อพลาดการฟื้นตัวในวันต่อ ๆ ไปทฤษฎีทั่วไปหลังจากช่วงเวลาแห่งความสูญเสียติดต่อกันผู้ค้าจำนวนมากจะเลิกกิจการของตนออกจากความกลัวสำหรับการสูญเสียรายใหญ่ พฤติกรรมนี้ถูกควบคุมโดยความกลัวมากกว่าความเสี่ยงที่คำนวณได้ผู้ค้าที่ชาญฉลาดเข้ามาในตลาดเพื่อต่อรองราคาสมมติฐานผลตอบแทนในวันถัดไปของ SPY จะแสดงให้เห็นถึงความลำเอียงที่เพิ่มขึ้นหลังจากมีการสูญเสียติดต่อกันหลายครั้ง วิทยานิพนธ์ฉันได้คำนวณจำนวนวันที่ลงติดต่อกันทุกอย่างภายใต้ -0 รายวันกลับมีคุณสมบัติเป็น down day. The ชุดกลับอยู่ใกล้สุ่มเพื่อเป็นหนึ่งจะคาดหวังโอกาสของ 5 วันติดต่อกันหรือลงต่ำ, ทำให้เกิดจำนวนที่น้อยมากของเหตุการณ์ที่เกิดขึ้นจำนวนเหตุการณ์ที่น้อยที่สุดจะส่งผลให้ประมาณการทางสถิติที่ไม่น่าเชื่อถือดังนั้นฉันจะหยุดที่ 5.Below เป็นภาพของผลตอบแทน nex-tday เป็นหน้าที่ของจำนวน days. I ลดลงยังวางแผน 90 ความเชื่อมั่น ช่วงเวลาของผลตอบแทนระหว่างบรรทัดปรากฎว่าผลตอบแทนเฉลี่ยมีความสัมพันธ์ในเชิงบวกกับจำนวนวันที่ลงสมมติฐานที่ยืนยันอย่างไรก็ตามคุณสามารถเห็นได้ชัดว่าอัลฟาพิเศษมีขนาดเล็กมากเมื่อเทียบกับกลุ่มของผลตอบแทนที่น่าจะเป็นไปได้ แต่แม้กระทั่ง ขอบเล็กสามารถใช้ประโยชน์หาประโยชน์ทางสถิติและทำซ้ำได้บ่อยเท่าที่เป็นไปได้ขั้นตอนต่อไปคือการตรวจสอบถ้าขอบนี้สามารถเปิดในกลยุทธ์การซื้อขายให้ข้อมูลข้างต้นกลยุทธ์การค้าสามารถฟอรั่ม Af ความเสียหายที่เกิดขึ้น 3 หรือมากกว่าไปนานออกจากการปิดตัวต่อไปผลข้างเคียงนี้เป็นผลมาจากกลยุทธ์นี้เมื่อเทียบกับการซื้อและถือครองที่บริสุทธิ์นี้ไม่ได้ดูไม่ดีในทุกๆสัดส่วนมองที่อัตราส่วน sharpe คะแนนกลยุทธ์จะมีผลต่อการโคตร 2 2 เทียบกับ 0 44 สำหรับ BH นี้เป็นจริงสวยดี don t ตื่นเต้นเกินไปแม้ว่าฉันไม่ได้บัญชีสำหรับค่าใช้จ่าย commision, slippage etc. While กลยุทธ์ข้างต้นไม่ใช่สิ่งที่ฉันต้องการค้าเพียงเพราะช่วงเวลานาน ทฤษฎีตัวเองกระตุ้นให้เกิดความคิดต่อไปซึ่งอาจก่อให้เกิดประโยชน์บางอย่างหากหลักการเดียวกันนี้มีผลกับข้อมูลในวันนี้อาจเป็นรูปแบบของกลยุทธ์การถลกหนังได้ในตัวอย่างข้างต้นผมได้อธิบายถึงโลกโดยการนับจำนวนวันหยุดโดยไม่ต้องให้ความสนใจ ความลึกของการเบิกยังออกตำแหน่งเป็นเพียงขั้นพื้นฐานในวันถัดไปปิดมีมากจะดีขึ้น แต่สาระสำคัญในความคิดของฉันคือ this. future ผลตอบแทนของ SPY จะ ifluenced โดยการเบิกและระยะเวลาเบิกจากช่วงก่อนหน้า 3 ถึง 5 day. An trader รู้ว่าพฤติกรรมใดที่คาดหวังจากตลาดตามชุดของตัวชี้วัดและการตีความของพวกเขาหลังมักจะทำขึ้นอยู่กับหน่วยความจำของเขาหรือชนิดของรูปแบบการหาตัวชี้วัดที่ดีและการประมวลผลข้อมูลของพวกเขา poses ท้าทายใหญ่ ประการแรกต้องเข้าใจว่าปัจจัยใดมีความสัมพันธ์กับราคาในอนาคตข้อมูลที่ไม่ได้มีคุณภาพคาดการณ์ใด ๆ ทำให้เกิดเสียงรบกวนและความซับซ้อนลดผลการดำเนินงานของกลยุทธ์การหาตัวบ่งชี้ที่ดีคือวิทยาศาสตร์ด้วยตัวเองซึ่งมักต้องการความเข้าใจที่ลึกซึ้งเกี่ยวกับการเปลี่ยนแปลงของตลาดส่วนนี้ ของการออกแบบกลยุทธ์ไม่สามารถอัตโนมัติได้อย่างง่ายดายโชคดีเมื่อชุดที่ดีของตัวชี้วัดที่ได้รับการค้นพบหน่วยความจำและสัญชาตญาณผู้ค้าสามารถเปลี่ยนได้อย่างง่ายดายด้วยรูปแบบทางสถิติซึ่งจะมีแนวโน้มที่จะดำเนินการที่ดีขึ้นมากเป็นเครื่องคอมพิวเตอร์จะมีหน่วยความจำสมบูรณ์แบบและสามารถทำ การประมาณความผันผวนทางสถิติที่สมบูรณ์แบบการซื้อขายความผันผวนทำให้ฉันต้องใช้เวลาในการเข้าใจสิ่งที่มีอิทธิพลต่อการเคลื่อนไหวของมัน โดยเฉพาะอย่างยิ่งฉันสนใจตัวแปรที่คาดการณ์ผลตอบแทนในอนาคตของ VXX และ XIV ฉันจะไม่ไปลงในคำอธิบายเต็มความยาวที่นี่ แต่เพียงนำเสนอข้อสรุปสองตัวชี้วัดที่มีค่าที่สุดของฉันสำหรับความผันผวนเป็นความลาดชันของโครงสร้างระยะและความผันผวนในปัจจุบันความละเอียดของฉัน ของ VIX-VXV. VIX VXV มีความผันผวนโดยเฉลี่ย 1 เดือนและ 3 เดือนของ SP 500 ตระหนักถึงความไวที่นี่คือความผันผวนที่เกิดขึ้น 10 วันของ SPY ซึ่งคำนวณจาก Yang - เดลต้าสูตร Zhang ได้รับการกล่าวถึงบ่อยครั้งในบล็อก VixAndMore ในขณะที่พรีเมี่ยมเป็นที่รู้จักกันดีจากการซื้อขายตัวเลือกมันทำให้รู้สึกถึงความผันผวนระยะสั้นเมื่อพรีเมี่ยมสูงและฟิวเจอร์สอยู่ใน contango delta 0 ซึ่งจะทำให้ tailwind จากพรีเมี่ยมและรายวัน ม้วนตามโครงสร้างระยะใน VXX แต่นี่เป็นเพียงการประมาณคร่าวๆกลยุทธ์การซื้อขายที่ดีจะรวมข้อมูลจากทั้งพรีเมี่ยมและเดลต้ามากับการคาดการณ์ทิศทางการซื้อขายใน VXX. I ve ได้รับการดิ้นรนเป็นเวลานานมากที่จะเกิดวิธีการที่ดีในการรวมข้อมูลที่มีเสียงดังจากตัวบ่งชี้ทั้งสองที่ฉันได้ลองใช้วิธีการมาตรฐานเช่นการถดถอยเชิงเส้นการเขียนพวงของคำว่า thens แต่ทั้งหมดมีการปรับปรุงเล็กน้อย การใช้เพียงตัวบ่งชี้เดียวตัวอย่างที่ดีของกลยุทธ์ตัวบ่งชี้เช่นเดียวกับกฎง่ายๆสามารถพบได้ในบล็อก TradingTheOdds ไม่ดูไม่ดี แต่สิ่งที่สามารถทำได้ด้วยตัวบ่งชี้หลายฉันจะเริ่มต้นด้วยบางอย่างออกจากตัวอย่างข้อมูล VXX ที่ฉัน ได้มาจาก MarketSci โปรดทราบว่าข้อมูลนี้เป็นข้อมูลจำลองก่อนที่ VXX จะสร้างขึ้นตัวบ่งชี้ในช่วงเวลาเดียวกันจะถูกจัดวางไว้ด้านล่างหากเราเลือกตัวบ่งชี้หนึ่งตัวในกรณีนี้และวางแผนเปรียบเทียบกับผลตอบแทนในอนาคตของ VXX ความสัมพันธ์บางอย่างสามารถมองเห็นได้ แต่ข้อมูลเป็นอย่างมาก noisy. Vill เป็นที่ชัดเจนว่าพรีเมี่ยมเชิงลบมีแนวโน้มที่จะมีผลตอบแทน VXX บวกในวันรุ่งขึ้นรวมทั้งพรีเมี่ยมและเดลต้าเป็นหนึ่งในรูปแบบได้รับความท้าทายสำหรับฉัน แต่ฉันอยากจะทำ statisti cal ประมาณในสาระสำคัญสำหรับการรวมกันของเดลต้าพรีเมี่ยมฉันต้องการที่จะหาค่าทางประวัติศาสตร์ทั้งหมดที่ใกล้เคียงกับค่าปัจจุบันและทำให้ประมาณการของผลตอบแทนในอนาคตขึ้นอยู่กับพวกเขาสองสามครั้งที่ฉันได้เริ่มต้นการเขียนของตัวเองที่ใกล้ที่สุด - รอบข้างแก้ไข แต่ทุกครั้งที่ฉันต้องยอมแพ้จนกว่าฉันจะเจอ scikit การถดถอยของเพื่อนบ้านที่ใกล้ที่สุดช่วยให้ฉันสามารถสร้างตัวทำนายได้อย่างรวดเร็วโดยอิงจากปัจจัยสองปัจจัยและผลที่ได้นั้นดีมากจนทำให้ฉันกังวลใจมากทีเดียว ข้อผิดพลาดบางนี่เป็นสิ่งที่ฉันไม่ได้สร้างชุดข้อมูลของเดลต้าพรีเมี่ยม - VXX ในวันถัดไปกลับในตัวอย่างของการสร้างตัวทำนายที่อยู่ใกล้ที่สุดเพื่อนบ้านขึ้นอยู่กับชุดข้อมูลด้านบนกลยุทธ์การค้าออกตัวอย่างของกับกฎ 0.go ยาวถ้าทำนายผลตอบแทน 0.go สั้นถ้าผลตอบแทนที่คาดการณ์ไว้ 0.The กลยุทธ์ไม่ได้ง่ายผลดูเหมือนดีมากและได้ดีขึ้นเมื่อมีการใช้ neigbours มากขึ้นสำหรับการประมาณครั้งแรกด้วย 10 คะแนนกลยุทธ์เป็นเลิศใน - ตัวอยางเชน r-out ตัวอย่าง ed บรรทัดในรูปด้านล่างเป็นจุดสุดท้ายในตัวอย่างจากนั้นประสิทธิภาพการทำงานจะดีขึ้นกับ 40 และ 80 จุดในสองแปลงสุดท้ายกลยุทธ์ดูเหมือนว่าจะดำเนินการเดียวกันในและนอกของตัวอย่างอัตราส่วน Sharpe คือประมาณ 2 3 ฉันยินดีเป็นอย่างยิ่งกับผลลัพธ์และมีความรู้สึกว่าฉันเพิ่งเกาพื้นผิวของสิ่งที่เป็นไปได้ด้วยเทคนิคนี้การค้นหาเครื่องมือ backtesting ที่เหมาะสำหรับคำจำกัดความของความเหมาะของฉันได้อธิบายไว้ในบทความก่อนหน้านี้ที่เกิดขึ้นกับ Backtesting Dilemmas ไม่ได้ส่งผลใด ๆ ในสิ่งที่ฉันสามารถใช้ได้ทันทีอย่างไรก็ตามการตรวจสอบตัวเลือกที่มีอยู่ช่วยให้ฉันเข้าใจดีกว่าสิ่งที่ฉันต้องการจากตัวเลือกที่ฉันได้ดู pybacktest เป็นคนที่ฉันชอบมากที่สุดเนื่องจากความเรียบง่ายและความเร็วหลังจากผ่านรหัสต้นฉบับ ฉันมีความคิดบางอย่างที่จะทำให้มันง่ายและสง่างามอีกเล็กน้อยจากที่นั่นมันเป็นเพียงขั้นตอนเล็ก ๆ ที่จะเขียน backtester ของตัวเองซึ่งขณะนี้มีอยู่ในไลบรารี TradingWithPython ฉันได้เลือกวิธีการที่ backtester มี fu nctionality ซึ่งกลยุทธ์การซื้อขายทั้งหมดร่วมกันและมักจะได้รับการคัดลอกวางสิ่งต่างๆเช่นการคำนวณตำแหน่งและ pnl เมตริกประสิทธิภาพและการวางแผนการทำงานเฉพาะเช่นการกำหนดจุดเข้าและออกควรทำนอก backtester กระบวนการทำงานทั่วไปจะหารายการ และออก - คำนวณ pnl และทำแปลงกับ backtester - โพรเซสข้อมูลกลยุทธ์ในขณะนี้โมดูลมีน้อยมากดูที่มาที่นี่ แต่ในอนาคตฉันวางแผนที่จะเพิ่มกำไรและหยุดการสูญเสียการออกและ multi - พอร์ตเล็ตสินทรัพย์การใช้โมดูล backtesting จะแสดงในโน้ตบุ๊คนี้เช่นกันจัดเก็บโน้ตบุ๊ค IPython ของฉันโดยการบันทึกไว้ในไดเร็กทอรีที่แตกต่างกันซึ่งจะนำไปสู่ความไม่สะดวกเนื่องจากการเข้าถึงโน้ตบุ๊คฉันจำเป็นต้องเปิดเทอร์มินัลและพิมพ์โน้ตบุ๊ก ipython --pylab inline ทุกครั้งที่ฉันแน่ใจว่าทีม ipython จะแก้ปัญหานี้ในระยะยาว แต่ในระหว่างนี้จะมีทางลงสวยเพื่อเข้าถึงโน้ตบุ๊คได้อย่างรวดเร็ว m explorer. All ไฟล์ทั้งหมดที่คุณต้องทำคือการเพิ่มเมนูบริบทที่เริ่มต้นเซิร์ฟเวอร์ ipython ในไดเรกทอรีที่คุณต้องการวิธีที่รวดเร็วในการเพิ่มรายการบริบทคือการเรียกใช้โปรแกรมปรับปรุงรีจิสทรีนี้หมายเหตุแพทช์สันนิษฐานว่าคุณมีการติดตั้งหลามของคุณอยู่ใน C Anaconda ถ้าไม่คุณจะต้องเปิดไฟล์ในโปรแกรมแก้ไขข้อความและตั้งค่าเส้นทางที่ถูกต้องในบรรทัดสุดท้ายคำแนะนำในการเพิ่มคีย์รีจิสทรีด้วยตนเองสามารถพบได้ในบล็อกของ Frolian หลายคนคิดว่าใช้ประโยชน์จาก etfs ในระยะยาว ระยะยาวต่ำกว่าเกณฑ์มาตรฐานของพวกเขานี้เป็นจริงสำหรับตลาดที่เปลี่ยนแปลงเร็ว แต่ไม่ได้อยู่ในกรณีของเงื่อนไขแนวโน้มทั้งขึ้นหรือลง Leverage มีผลเฉพาะกับผลมากที่สุดไม่ได้อยู่ในผลที่คาดหวังสำหรับพื้นหลังเพิ่มเติมโปรดอ่านบทความนี้ 2013 ได้รับ เป็นปีที่ดีมากสำหรับหุ้นที่มีแนวโน้มขึ้นมาตลอดปี Let s เห็นสิ่งที่จะเกิดขึ้นถ้าเราขาดแคลนบางส่วนของ etfs leveraged ว่าปีที่ผ่านมาและป้องกันความเสี่ยงเหล่านั้นด้วยมาตรฐานของพวกเขารู้พฤติกรรม etf leveraged ฉันจะ expec t ว่า etfs leveraged ดีกว่าเกณฑ์มาตรฐานของพวกเขาดังนั้นกลยุทธ์ที่จะพยายามที่จะกำไรจากการสลายจะสูญเสียเงินฉันจะพิจารณาคู่เหล่านี้ SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1.Esh leveraged etf ถูกจัดขึ้นในระยะสั้น -1 และป้องกันความเสี่ยงด้วย 1x etf สังเกตว่าเพื่อป้องกันความผกผัน etf ตำแหน่งเชิงลบจะจัดขึ้นใน 1f etf นี่เป็นตัวอย่างหนึ่ง SPY vs SSO เมื่อเราทำให้ปกติ ราคาถึง 100 ที่จุดเริ่มต้นของระยะเวลาการทดสอบย้อนหลัง 250 วันเป็นที่ประจักษ์ว่า 2x etf มีประสิทธิภาพดีกว่า 1 เท่าและตอนนี้ผลการทดสอบ backtest ในคู่ด้านบนทั้ง 2 เอพรวมทั้งการผกผันมีประสิทธิภาพสูงกว่าเกณฑ์มาตรฐานของพวกเขาในช่วงปี 2013 ตามความคาดหวังกลยุทธ์การใช้ประโยชน์จากการสลายด้วยเบต้าจะไม่เกิดผลกำไรฉันคิดว่าการเล่นอีเทอร์ที่ใช้ประโยชน์จากคู่ค้าที่ไม่มีการกู้คืนไม่ได้ให้ความสำคัญใด ๆ เว้นเสีย แต่คุณจะรู้ว่าสภาวะตลาดมีแนวโน้มหรือมีช่วง จำกัด แต่ถ้าคุณรู้ว่ากำลังจะมาถึง ระบอบการปกครองตลาดมี muc h วิธีที่ง่ายกว่าที่จะทำกำไรจากมัน แต่ไม่มีใครได้รับการประสบความสำเร็จจริงๆในการทำนายระบบการปกครองของตลาดที่แม้ในระยะสั้น ๆ รหัสแหล่งที่มาเต็มรูปแบบของการคำนวณสามารถใช้ได้สำหรับสมาชิกของการซื้อขายกับ Python หลักสูตร 307.Here เป็นของฉัน shot at Twitter ประเมินค่าฉันต้องการเริ่มต้นด้วยการปฏิเสธความรับผิดชอบในขณะนี้ส่วนใหญ่ของฉัน portrolio ประกอบด้วย TWTR สั้นตำแหน่งดังนั้นความคิดเห็นของฉันค่อนข้าง skewed เหตุผลฉัน ve ทำวิเคราะห์ของฉันเองคือเดิมพันของฉันไม่ได้ผลดี และ Twitter ทำพาราโบลาย้ายในธันวาคม 2013 ดังนั้นคำถามที่ฉัน m พยายามที่จะตอบที่นี่คือฉันควรจะสูญเสียของฉันหรือยึดมั่นในการ shorts. At ของฉันในขณะที่การเขียน TWTR ค้าประมาณ 64 เครื่องหมายที่มีฝาปิดตลาดของ 34 7 B จนถึงตอนนี้ บริษัท ยังไม่ได้ทำกำไรขาดทุน 142 ล้านบาทในปี 3013 หลังจากมีรายได้ 534 ล้านเลขหมายสุดท้ายสองตัวให้รายจ่ายประจำปีของ บริษัท เท่ากับ 676 ล้านบาทซึ่งได้มาจากค่าของผู้ใช้ Twitter สามารถเปรียบเทียบกับ Facebook, Google และเชื่อมโยง ตารางด้านล่างนี้จะสรุปจำนวนผู้ใช้ต่อ บริษัท และมูลค่าต่อผู้ใช้ที่มาจากแหล่งที่มาของตลาดสำหรับจำนวนผู้ใช้วิกิพีเดียหมายเลขสำหรับ Google คำนวณจากจำนวนการค้นหาที่ไม่ซ้ำกันซึ่งจะเห็นได้ชัด ว่าการประเมินมูลค่าตลาดต่อผู้ใช้มีความคล้ายคลึงกันมากสำหรับ บริษัท ทั้งหมดอย่างไรก็ตามความเห็นส่วนตัวของฉันคือ TWTR มีคุณค่าต่อผู้ใช้มากกว่า FB หรือ LNKD ซึ่งไม่ได้เป็นเหตุผลเนื่องจากคู่แข่งทั้งสองมีข้อมูลผู้ใช้ส่วนบุคคลที่มีคุณค่ามากขึ้นในการกำจัดของพวกเขา GOOG มีความยอดเยี่ยมในการดึงรายได้จากผู้โฆษณาโดยการทำเช่นนี้มีชุดข้อเสนอที่มีความหลากหลายมากจาก Search Engine ไปจนถึง Google Docs และ Gmail TWTR ไม่มีอะไรคล้ายคลึงกันในขณะที่ค่าต่อผู้ใช้เพียง 35 รายเท่านั้นที่ลดลง Google. TWTR มีห้องพัก จำกัด ที่จะขยายฐานผู้ใช้เนื่องจากไม่ได้นำเสนอผลิตภัณฑ์ที่เทียบเคียงกับข้อเสนอ FB หรือ GOOG ได้ TWTR เป็นเวลา 7 ปีแล้วและคนส่วนใหญ่ที่ต้องการมีส่วนร่วม nce ส่วนที่เหลือก็ไม่สนใจฐานผู้ใช้งานของ WTR มีความผันผวนและมีแนวโน้มที่จะย้ายไปที่สิ่งที่ร้อนแรงต่อไปเมื่อจะกลายเป็น available. I คิดว่าการอ้างอิงที่ดีที่สุดที่นี่จะเป็น LNKD ซึ่งมีช่องที่มีเสถียรภาพในตลาดมืออาชีพ metric TWTR จะถูก overvalued การตั้งค่าของผู้ใช้ที่ 100 สำหรับ TWTR จะทำให้ได้ราคา TWTR ที่ยุติธรรมเท่ากับ 46. กำไรที่ได้จากรายได้ในอนาคตมีข้อมูลเพียงพอที่จะประมาณการรายได้ในอนาคตซึ่งเป็นข้อมูลที่มีประโยชน์มากที่สุดที่ฉันพบอยู่ที่นี่ ตัวเลขเหล่านี้ในขณะที่ลบรายจ่ายของ บริษัท ซึ่งฉันคิดว่าจะยังคงสร้างตัวเลขเหล่านี้ขึ้นอยู่กับข้อมูลที่มีอยู่การประเมินมูลค่าในอนาคตของ TWTR ควรอยู่ในช่วง 46-48 ไม่มีเหตุผลใดที่ชัดเจนที่ควรจะซื้อขายให้สูงขึ้น ต่ำคาดเดาฉันว่าในระหว่างการเสนอขายหุ้นผู้เชี่ยวชาญเพียงพอได้ตรวจสอบราคาการตั้งค่าในระดับราคาที่ยุติธรรมสิ่งที่เกิดขึ้นต่อไปคือการย้ายตลาดไม่ลงตัวไม่ถูกต้องตามข้อมูลใหม่เพียงแค่มอง ที่บ้าคลั่งหุ้น stocktwits กับคนอ้างสิ่งเช่นนกตัวนี้จะบินไป 100 อารมณ์บริสุทธิ์ซึ่งไม่เคยทำงานออก well. The สิ่งเดียวที่ rests ฉันตอนนี้คือการใส่เงินของฉันที่ปากของฉันและติดกางเกงขาสั้นของฉันเวลาจะบอก หลีกเลี่ยงความผันผวนในระยะสั้น VXX อาจดูเหมือนเป็นความคิดที่ดีเมื่อคุณมองแผนภูมิจากระยะไกลเนื่องจาก contango ในฟิวเจอร์สความผันผวนประสบการณ์ etn ค่อนข้างบาง headwind ส่วนใหญ่ของเวลาและ looses เล็กน้อยของ มูลค่าทุกวันเกิดขึ้นเนื่องจากการปรับสมดุลรายวันสำหรับข้อมูลเพิ่มเติมโปรดดูในโอกาสในโลกที่เหมาะถ้าคุณถือมันนานพอที่จะสร้างผลกำไรที่เกิดจากการสลายตัวของเวลาในการฟิวเจอร์สและการปรับสมดุลแบบใหม่ได้ แต่ในระยะสั้น คุณต้องผ่าน drawdowns สวยบางเพียงแค่มองย้อนกลับไปในช่วงฤดูร้อนของปี 2011 ฉันได้รับโชคร้ายหรือโง่เขลาพอที่จะถือตำแหน่ง VXX สั้น ๆ ก่อนที่จะ VIX ขึ้นฉันเกือบจะเป่าบัญชีของฉันโดย 80 แล้วหยดใน ju st สองสามวันทำให้เกิดภัยคุกคามจากการโทรมาร์จิ้นโดยนายหน้า Margin โทรของฉันจะหมายถึง cashing การสูญเสียนี้ไม่ได้เป็นสถานการณ์ที่ฉันเคยต้องการที่จะอยู่ในอีกครั้งฉันรู้ว่ามันจะไม่ง่ายที่จะให้หัวเย็นตลอดเวลา, แต่ประสบกับความเครียดและแรงกดดันของสถานการณ์เป็นสิ่งที่แตกต่างโชคดีที่ฉันรู้ว่า VXX มีแนวโน้มที่จะประพฤติดังนั้นฉันไม่ได้ตื่นตระหนก แต่หันไปด้านข้างเพื่อ XIV เพื่อหลีกเลี่ยงการเรียก Margin เรื่องสิ้นสุดลงดี 8 เดือนต่อมาผลงานของฉันได้กลับมาที่ ความแข็งแรงและฉันได้เรียนรู้บทเรียนที่มีคุณค่ามากเริ่มต้นด้วยคำเตือนที่นี่ไม่ได้ค้าความผันผวนจนกว่าคุณจะรู้ว่าเท่าไหร่ความเสี่ยงที่คุณจะต้องบอกว่าให้ดูที่กลยุทธ์ที่ช่วยลดความเสี่ยงบางส่วนของความเสี่ยง โดยการย่อ VXX เฉพาะเมื่อเหมาะสมบทคัดย่อวิทยานิพนธ์ VXX ประสบการณ์ลากมากที่สุดเมื่อเส้นโค้งฟิวเจอร์สอยู่ใน contango สูงชันเส้นโค้งฟิวเจอร์สจะประมาณโดยความสัมพันธ์ VIX-VXV เราจะสั้น VXX เมื่อ VXV มีพรีเมี่ยมสูงผิดปกติมากกว่า VIX FirstFirst ลองมาดูกันเถอะ ดูที่ความสัมพันธ์ VIX-VXV แผนภูมิข้างต้นจะแสดงข้อมูล VIX-VXV ตั้งแต่เดือนมกราคม 2010 จุดข้อมูลจากปีที่แล้วจะแสดงเป็นสีแดงฉันเลือกที่จะใช้รูปสี่เหลี่ยมผืนผ้าระหว่างสอง VXV f VIX โดยประมาณ f VIX ถูกวางแผนว่าเป็น เส้นสีน้ำเงินค่าเหนือเส้นแสดงถึงสถานการณ์เมื่อฟิวเจอร์สอยู่ในระดับที่แข็งแกร่งกว่าปกติ contango ตอนนี้ฉันกำหนดตัวบ่งชี้เดลต้าซึ่งเป็นส่วนเบี่ยงเบนจากเดลต้าพอดี VXV-f VIX ตอนนี้ลองมาดูที่ราคาของ VXX พร้อม กับ delta ราคาของ VXX ใน log scale ด้านล่าง delta เครื่องหมายสีเขียว indicat delta 0 red markers delta 0 เห็นได้ชัดว่าพื้นที่สีเขียวสอดคล้องกับผลตอบแทนเชิงลบใน VXX ให้จำลองกลยุทธ์กับสมมติฐานเหล่านี้สั้น VXX เมื่อเดลต้า 0.Constant ทุนเดิมพันในแต่ละวันคือ 100. ไม่มี slippage หรือต้นทุนการทำธุรกรรมกลยุทธ์นี้จะถูกเปรียบเทียบกับธุรกิจที่สั้น ๆ ทุกวัน แต่ไม่ใช้เดลต้าเข้าบัญชีบรรทัดสีเขียวแสดงของเรา VXX สั้นกลยุทธ์บรรทัดสีน้ำเงินคือ คนใบ้ 1 9 สำหรับกลยุทธ์แบบวันสิ้นเชิงแบบง่ายๆไม่ใช่เรื่องแย่ ๆ ในความเห็นของฉัน แต่สำคัญยิ่งขึ้นก็คือการเบียดบังร่องรอยของกล้ามเนื้อส่วนใหญ่จะหลีกเลี่ยงโดยให้ความสำคัญกับการทำฟิวเจอร์สล่วงหน้าโดยการสร้างกลยุทธ์นี้ทีละขั้นตอน จะมีการกล่าวถึงในช่วงที่มีการซื้อขายกับหลักสูตร Python ราคาของสินทรัพย์หรือ ETF เป็นหลักสูตรตัวบ่งชี้ที่ดีที่สุดมี แต่โชคร้ายมีเพียงข้อมูลจำนวนมากที่มีอยู่ในนั้นบางคนดูเหมือนจะคิดว่าตัวชี้วัดเพิ่มเติม rsi, macd, moving crossover อื่น ๆ ที่ดีขึ้น แต่ถ้าทั้งหมดของพวกเขาอยู่ที่ชุดราคาพื้นฐานเดียวกันพวกเขาทั้งหมดจะมีส่วนย่อยของข้อมูลที่ จำกัด เดียวกันที่มีอยู่ในราคาที่เราต้องการข้อมูลเพิ่มเติมเพิ่มเติมเพื่อสิ่งที่มีราคาที่ ทำให้คาดเดาข้อมูลเพิ่มเติมเกี่ยวกับสิ่งที่กำลังจะเกิดขึ้นในอนาคตอันใกล้เป็นตัวอย่างที่ดีของการรวมทุกประเภทของข้อมูลเพื่อการวิเคราะห์ที่ชาญฉลาดสามารถพบได้ในด้านสั้นของบล็อกยาวการผลิตประเภทของการวิเคราะห์ความต้องการนี้ เป็นจำนวนมากของการทำงานที่ฉันเพียงแค่ don t มีเวลาที่ฉันเป็นเพียงการค้านอกเวลาดังนั้นฉันสร้างแดชบอร์ดตลาดของตัวเองที่จะเก็บรวบรวมข้อมูลสำหรับฉันและนำเสนอในรูปแบบย่อยง่ายในบทความนี้ฉันจะ เพื่อแสดงวิธีการสร้างตัวบ่งชี้ขึ้นอยู่กับข้อมูลปริมาณสั้นโพสต์นี้จะแสดงขั้นตอนการรวบรวมและประมวลผลข้อมูลขั้นตอนที่ 1 ค้นหาแหล่งข้อมูล BATS exchange ให้ข้อมูลปริมาณรายวันฟรีในไซต์ของพวกเขาขั้นตอนที่ 2 รับข้อมูลด้วยตนเองเพื่อตรวจสอบข้อมูลปริมาณสั้น ของการแลกเปลี่ยน BATS มีอยู่ในแฟ้มข้อความที่มีการบีบอัดในแต่ละวันมีไฟล์ซิปของตัวเองหลังจากดาวน์โหลดและ unzipping ไฟล์ txt นี่คือสิ่งที่อยู่ภายในหลายบรรทัดแรกรวมไฟล์ที่มีประมาณ 6000 สัญลักษณ์ข้อมูลนี้เป็นความต้องการค่อนข้าง งานบางอย่างก่อนที่จะสามารถนำเสนอในลักษณะที่มีความหมายขั้นตอนที่ 3 รับข้อมูลโดยอัตโนมัติสิ่งที่ฉันต้องการไม่ได้เป็นเพียงแค่ข้อมูลในหนึ่งวัน แต่เป็นอัตราส่วนของปริมาณที่สั้นลงกับปริมาตรรวมในช่วงหลายปีที่ผ่านมาและฉันไม่ได้จริงๆ ฉ ปลาไหลชอบการดาวน์โหลด 500 ไฟล์ซิปและคัดลอกวางพวกเขาใน Excel ด้วยตนเองโชคดีที่อัตโนมัติเต็มรูปแบบเป็นเพียงคู่ของสายรหัสออกไปก่อนอื่นเราต้องสร้าง URL แบบไดนามิกจากที่ไฟล์จะถูกดาวน์โหลดขณะนี้เราสามารถดาวน์โหลดไฟล์หลายครั้ง ขั้นตอนที่ 4 แยกวิเคราะห์ไฟล์ที่ดาวน์โหลดเราสามารถใช้ไลบรารี zip และ pandas เพื่อแยกไฟล์เดียวส่งกลับอัตราส่วนของ Short Volume Total Volume สำหรับสัญลักษณ์ทั้งหมดในไฟล์ zip ขั้นตอนที่ 5 ทำแผนภูมิตอนนี้เหลือเพียงสิ่งเดียวคือการแยกวิเคราะห์ทั้งหมด ดาวน์โหลดไฟล์และรวมไว้ในตารางเดียวและพล็อต result. In ตัวเลขข้างต้นฉันได้วางแผนอัตราส่วนปริมาณเฉลี่ยสั้นสำหรับที่ผ่านมาสองปีฉันยังอาจมีการใช้ชุดย่อยของสัญลักษณ์ถ้าฉันต้องการจะดูเฉพาะ ภาคหรือหุ้นดูอย่างรวดเร็วข้อมูลทำให้ฉันรู้สึกว่าอัตราส่วนปริมาณสูงสั้นมักจะสอดคล้องกับพื้นตลาดและอัตราส่วนต่ำดูเหมือนจะเป็นจุดเข้าที่ดีสำหรับตำแหน่งยาวเริ่มต้นจากที่นี่อัตราส่วนปริมาณสั้นนี้สามารถใช้เป็นพื้นฐาน สำหรับ s การพัฒนากลยุทธ์กับหลักสูตร Python หากคุณเป็นผู้ค้าหรือนักลงทุนและต้องการได้รับชุดทักษะการซื้อขายเชิงปริมาณที่คุณอาจพิจารณาเกี่ยวกับการซื้อขายด้วย Python couse หลักสูตรออนไลน์จะช่วยให้คุณมีเครื่องมือและวิธีปฏิบัติที่ดีที่สุดสำหรับปริมาณ การวิจัยทางการค้ารวมถึงฟังก์ชั่นและสคริปต์ที่เขียนขึ้นโดยผู้ค้าเชิงปริมาณผู้เชี่ยวชาญคุณจะได้เรียนรู้วิธีการรับและประมวลผลข้อมูลที่น่าทึ่งของข้อมูลการออกแบบและกลยุทธ์การวิเคราะห์ผลการดำเนินงานและวิเคราะห์ผลการดำเนินงานของการซื้อขายซึ่งจะช่วยให้คุณตัดสินใจได้อย่างมีข้อมูลที่สำคัญต่อความสำเร็จของผู้ค้าคลิกที่นี่เพื่อ ยังคงซื้อขายกับเว็บไซต์แน่นอน Python. My ชื่อ Jev Kuznetsov ในช่วงกลางวันฉันเป็นวิศวกรนักวิจัยใน บริษัท ที่เกี่ยวข้องกับธุรกิจการพิมพ์ส่วนที่เหลือของเวลาฉัน trader. I ศึกษาฟิสิกส์ประยุกต์ที่มีความเชี่ยวชาญในการจดจำรูปแบบ และปัญญาประดิษฐ์งานประจำวันของฉันเกี่ยวข้องกับอะไรจากการสร้างต้นแบบอัลกอริทึมอย่างรวดเร็วใน Matlab และภาษาอื่น ๆ ไปยัง h การออกแบบโปรแกรม ardware ตั้งแต่ 2009 ฉันได้ใช้ทักษะทางเทคนิคของฉันในตลาดการเงินก่อนที่จะสรุปว่างูหลามเป็นเครื่องมือที่ดีที่สุดที่มีอยู่ผมทำงานอย่างกว้างขวางใน Matlab ซึ่งครอบคลุมใน blog. You อื่น ๆ ของฉันสามารถเข้าถึงฉันได้ที่