परिपक्व पायथन लाइब्रेरी जैसे कि मैटप्लोटलिब, पांडा और स्किट-लर्न भी बॉयलरप्लेट कोड लिखने या प्रसिद्ध एल्गोरिदम के हमारे स्वयं के कार्यान्वयन के साथ आने की आवश्यकता को कम करते हैं।
पूर्वानुमान रणनीति स्वयं एक मशीन लर्निंग तकनीक पर आधारित है जिसे क्वाड्रैटिक डिस्क्रीमेंटेन्ट एनालाइजर के रूप में जाना जाता है, जो एक रैखिक डिस्क्रीमेंटेन्ट एनालाइजर से निकटता से संबंधित है। इन दोनों मॉडलों का वित्तीय समय श्रृंखला के पूर्वानुमान पर लेख में विस्तार से वर्णन किया गया है।
पूर्वानुमानकर्ता शेयर बाजार की आज की दिशा की भविष्यवाणी करने के लिए कारकों के एक सेट के रूप में पिछले दो दैनिक रिटर्न का उपयोग करता है। यदि दिन की संभावना 50% से अधिक है, तो रणनीति एसपीवाई ईटीएफ के 500 शेयर खरीदती है और इसे दिन के अंत में बेचती है। यदि डाउन डे की संभावना 50% से अधिक है, तो रणनीति एसपीवाई ईटीएफ के 500 शेयर बेचती है और फिर बंद होने पर वापस खरीदती है। इस प्रकार यह एक इंट्राडे ट्रेडिंग रणनीति का हमारा पहला उदाहरण है।
ध्यान दें कि यह एक विशेष रूप से यथार्थवादी ट्रेडिंग रणनीति नहीं है! हम अत्यधिक उद्घाटन अस्थिरता, ब्रोकरेज द्वारा ऑर्डर रूटिंग और ओपन / क्लोज के आसपास संभावित तरलता मुद्दों जैसे कई कारकों के कारण कभी भी उद्घाटन या समापन मूल्य प्राप्त करने की संभावना नहीं है। इसके अलावा हमने लेनदेन की लागत को शामिल नहीं किया है। ये संभवतः रिटर्न का एक महत्वपूर्ण प्रतिशत होगा क्योंकि हर दिन एक राउंड-ट्रिप ट्रेड किया जाता है। इस प्रकार हमारे पूर्वानुमानकर्ता को दैनिक रिटर्न की भविष्यवाणी करने में अपेक्षाकृत सटीक होने की आवश्यकता है, अन्यथा लेनदेन की लागत हमारे सभी ट्रेडिंग रिटर्न को खा जाएगी।
अन्य पायथन/पांडा संबंधित ट्यूटोरियल के साथ मैंने निम्नलिखित पुस्तकालयों का उपयोग किया हैः
snp_forecast.py के कार्यान्वयन के लिए नीचे की आवश्यकता हैbacktest.pyइस पिछले ट्यूटोरियल से. इसके अलावाforecast.py(जिसमें मुख्य रूप से फ़ंक्शन create_lagged_series शामिल है) इस पिछले ट्यूटोरियल से बनाया गया है. पहला कदम आवश्यक मॉड्यूल और वस्तुओं को आयात करना हैः
# snp_forecast.py
import datetime
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import sklearn
from pandas.io.data import DataReader
from sklearn.qda import QDA
from backtest import Strategy, Portfolio
from forecast import create_lagged_series
एक बार सभी प्रासंगिक पुस्तकालयों और मॉड्यूल को शामिल कर लिया गया है, यह रणनीति सार आधार वर्ग को उपवर्गीकृत करने का समय है, जैसा कि हमने पिछले ट्यूटोरियल में किया है। SNPForecastingStrategy को एस एंड पी 500 स्टॉक इंडेक्स के भविष्य के मूल्य की भविष्यवाणी करने के साधन के रूप में एक क्वाड्रैटिक भेदभाव विश्लेषक को फिट करने के लिए डिज़ाइन किया गया है। मॉडल का फिट नीचे फिट_मॉडल विधि में किया जाता है, जबकि वास्तविक संकेत generate_signals विधि से उत्पन्न होते हैं। यह एक रणनीति वर्ग के इंटरफ़ेस से मेल खाता है।
एक चतुर्भुज भेदभाव विश्लेषक कैसे काम करता है, साथ ही नीचे पायथन कार्यान्वयन का विवरण वित्तीय समय श्रृंखला के पूर्वानुमान पर पिछले लेख में विस्तार से वर्णित है। नीचे स्रोत कोड में टिप्पणियां विस्तार से चर्चा करती हैं कि कार्यक्रम क्या कर रहा हैः
# snp_forecast.py
class SNPForecastingStrategy(Strategy):
"""
Requires:
symbol - A stock symbol on which to form a strategy on.
bars - A DataFrame of bars for the above symbol."""
def __init__(self, symbol, bars):
self.symbol = symbol
self.bars = bars
self.create_periods()
self.fit_model()
def create_periods(self):
"""Create training/test periods."""
self.start_train = datetime.datetime(2001,1,10)
self.start_test = datetime.datetime(2005,1,1)
self.end_period = datetime.datetime(2005,12,31)
def fit_model(self):
"""Fits a Quadratic Discriminant Analyser to the
US stock market index (^GPSC in Yahoo)."""
# Create a lagged series of the S&P500 US stock market index
snpret = create_lagged_series(self.symbol, self.start_train,
self.end_period, lags=5)
# Use the prior two days of returns as
# predictor values, with direction as the response
X = snpret[["Lag1","Lag2"]]
y = snpret["Direction"]
# Create training and test sets
X_train = X[X.index < self.start_test]
y_train = y[y.index < self.start_test]
# Create the predicting factors for use
# in direction forecasting
self.predictors = X[X.index >= self.start_test]
# Create the Quadratic Discriminant Analysis model
# and the forecasting strategy
self.model = QDA()
self.model.fit(X_train, y_train)
def generate_signals(self):
"""Returns the DataFrame of symbols containing the signals
to go long, short or hold (1, -1 or 0)."""
signals = pd.DataFrame(index=self.bars.index)
signals['signal'] = 0.0
# Predict the subsequent period with the QDA model
signals['signal'] = self.model.predict(self.predictors)
# Remove the first five signal entries to eliminate
# NaN issues with the signals DataFrame
signals['signal'][0:5] = 0.0
signals['positions'] = signals['signal'].diff()
return signals
अब जब पूर्वानुमान इंजन ने संकेत उत्पन्न किए हैं, तो हम एक मार्केट इंट्राडे पोर्टफोलियो बना सकते हैं। यह पोर्टफोलियो ऑब्जेक्ट मूविंग एवरेज क्रॉसओवर बैकटेस्ट लेख में दिए गए उदाहरण से अलग है क्योंकि यह इंट्राडे आधार पर व्यापार करता है।
पोर्टफोलियो को
इसके लिए बाजार के खुले और बाजार के बंद होने की कीमतों के बीच मूल्य अंतर को हर दिन निर्धारित किया जाता है, जिसके परिणामस्वरूप 500 शेयरों पर दैनिक लाभ की गणना की जाती है। यह तब स्वाभाविक रूप से इक्विटी वक्र की ओर जाता है, प्रत्येक दिन के लाभ / हानि को संचयी रूप से जोड़कर। इसका लाभ यह भी है कि यह हमें प्रत्येक दिन के लाभ / हानि के आंकड़ों की गणना करने की अनुमति देता है।
यहाँ MarketIntradayPortfolio के लिए सूची हैः
# snp_forecast.py
class MarketIntradayPortfolio(Portfolio):
"""Buys or sells 500 shares of an asset at the opening price of
every bar, depending upon the direction of the forecast, closing
out the trade at the close of the bar.
Requires:
symbol - A stock symbol which forms the basis of the portfolio.
bars - A DataFrame of bars for a symbol set.
signals - A pandas DataFrame of signals (1, 0, -1) for each symbol.
initial_capital - The amount in cash at the start of the portfolio."""
def __init__(self, symbol, bars, signals, initial_capital=100000.0):
self.symbol = symbol
self.bars = bars
self.signals = signals
self.initial_capital = float(initial_capital)
self.positions = self.generate_positions()
def generate_positions(self):
"""Generate the positions DataFrame, based on the signals
provided by the 'signals' DataFrame."""
positions = pd.DataFrame(index=self.signals.index).fillna(0.0)
# Long or short 500 shares of SPY based on
# directional signal every day
positions[self.symbol] = 500*self.signals['signal']
return positions
def backtest_portfolio(self):
"""Backtest the portfolio and return a DataFrame containing
the equity curve and the percentage returns."""
# Set the portfolio object to have the same time period
# as the positions DataFrame
portfolio = pd.DataFrame(index=self.positions.index)
pos_diff = self.positions.diff()
# Work out the intraday profit of the difference
# in open and closing prices and then determine
# the daily profit by longing if an up day is predicted
# and shorting if a down day is predicted
portfolio['price_diff'] = self.bars['Close']-self.bars['Open']
portfolio['price_diff'][0:5] = 0.0
portfolio['profit'] = self.positions[self.symbol] * portfolio['price_diff']
# Generate the equity curve and percentage returns
portfolio['total'] = self.initial_capital + portfolio['profit'].cumsum()
portfolio['returns'] = portfolio['total'].pct_change()
return portfolio
अंतिम चरण रणनीतिक और पोर्टफोलियो उद्देश्यों को एक साथ जोड़ना है।मुख्यफ़ंक्शन SPY इंस्ट्रूमेंट के लिए डेटा प्राप्त करता है और फिर S&P500 इंडेक्स पर सिग्नल जनरेटिंग रणनीति बनाता है। यह ^GSPC टिकर द्वारा प्रदान किया जाता है। फिर 100,000 USD की प्रारंभिक पूंजी के साथ एक मार्केट इंट्राडे पोर्टफोलियो उत्पन्न किया जाता है (पिछले ट्यूटोरियल की तरह) । अंत में, रिटर्न की गणना की जाती है और इक्विटी वक्र को प्लॉट किया जाता है।
ध्यान दें कि इस चरण में कितना कम कोड की आवश्यकता है क्योंकि सभी भारी गणना रणनीति और पोर्टफोलियो उपवर्गों में की जाती है। इससे नई ट्रेडिंग रणनीतियों को बनाना और
if __name__ == "__main__":
start_test = datetime.datetime(2005,1,1)
end_period = datetime.datetime(2005,12,31)
# Obtain the bars for SPY ETF which tracks the S&P500 index
bars = DataReader("SPY", "yahoo", start_test, end_period)
# Create the S&P500 forecasting strategy
snpf = SNPForecastingStrategy("^GSPC", bars)
signals = snpf.generate_signals()
# Create the portfolio based on the forecaster
portfolio = MarketIntradayPortfolio("SPY", bars, signals,
initial_capital=100000.0)
returns = portfolio.backtest_portfolio()
# Plot results
fig = plt.figure()
fig.patch.set_facecolor('white')
# Plot the price of the SPY ETF
ax1 = fig.add_subplot(211, ylabel='SPY ETF price in $')
bars['Close'].plot(ax=ax1, color='r', lw=2.)
# Plot the equity curve
ax2 = fig.add_subplot(212, ylabel='Portfolio value in $')
returns['total'].plot(ax=ax2, lw=2.)
fig.show()
कार्यक्रम का आउटपुट नीचे दिया गया है। इस अवधि में शेयर बाजार ने 4% (पूरी तरह से निवेशित खरीद और पकड़ रणनीति को मानकर) लौटाया, जबकि एल्गोरिथ्म ने भी 4% लौटाया। ध्यान दें कि लेनदेन लागत (जैसे कमीशन शुल्क) को इस बैकटेस्टिंग प्रणाली में जोड़ा नहीं गया है। चूंकि रणनीति प्रति दिन एक बार राउंड-ट्रिप ट्रेड करती है, इसलिए ये शुल्क रिटर्न को काफी कम करने की संभावना है।
एस एंड पी 500 की पूर्वानुमान रणनीति का प्रदर्शन 2005-01-01 से 2006-12-31 तक
बाद के लेखों में हम यथार्थवादी लेनदेन लागत जोड़ेंगे, अतिरिक्त पूर्वानुमान इंजन का उपयोग करेंगे, प्रदर्शन मीट्रिक निर्धारित करेंगे और पोर्टफोलियो अनुकूलन उपकरण प्रदान करेंगे।