Python forex library

Python Algorithmic Trading Library. PyAlgoTrade는 백 트레이싱 및 종이 트레이딩 및 라이브 거래 지원에 중점을 둔 파이썬 알고리즘 트레이딩 라이브러리입니다. 트레이딩 전략에 대한 아이디어가 있으며 과거 데이터를 사용하여이를 평가하고 PyAlgoTrade는 최소한의 노력으로 대부분의 작업을 수행 할 수 있습니다. 주요 기능 완전하게 문서화 된 이벤트 구동 시장, 제한, 중지 및 제한 요청을 지원합니다. Yahoo Finance, Google Finance 및 NinjaTrader CSV 파일을 지원합니다. 모든 유형의 시계열 데이터를 지원합니다. Bitstamp를 통한 Quandl. Bitcoin 거래 지원과 같은 CSV 형식으로 제공됩니다. SMA, WMA, EMA, RSI, Hummst 지수 및 기타와 같은 기술 지표 및 필터와 같은 QuarterlBitcoin 거래 지원. Sharpe 비율 및 drawdown 분석과 같은 실적 통계. 실시간 Twitter 이벤트 처리. Event Profiler. TA-Lib integration. PyAlgoTrade는 자유롭고 개방적인 소스이며 Apach에서 라이센스가 부여되어있어 수평 적으로 확장 할 수 있습니다. 즉, 하나 이상의 컴퓨터를 사용하여 전략을 백 테스트합니다. e License, Version 2 0.Learn Quant 스킬. 당신이 상인이거나 투자자이고 양적 거래 스킬을 습득하고자한다면, 당신은 트레이딩 위 파이썬 코스를 통해 최상의 툴을 제공 할 것입니다. 전문 양적 거래자가 작성한 기능 및 스크립트를 포함한 양적 거래 연구를위한 실습 코스는 투자 시간 및 비용에 최대의 영향을줍니다 이론 컴퓨터 과학보다는 무역에 대한 프로그래밍의 실제 응용에 초점을 둡니다 과정은 저축 데이터를 수동으로 처리 할 시간이 필요합니다. 전략을 연구하고 수익성있는 거래를 구현하는 데 더 많은 시간을 할애 할 것입니다. 과정 개요. 파트 1 기본 사항 Python이 양적 거래를위한 이상적인 도구라는 것을 알게 될 것입니다. 개발 환경을 설정하여 시작하고 과학 라이브러리에 대해 소개합니다. 파트 2 데이터 처리 야후 파이낸스와 같은 다양한 무료 소스에서 데이터를 가져 오는 방법을 배우십시오. , CBOE 및 다른 사이트 CSV 및 Excel 파일을 포함한 여러 데이터 형식 읽기 및 쓰기. 파트 3 전략 연구 Sharp 및 Drawdown과 같은 PL 및 동반 성능 메트릭을 계산하는 방법 학습 전략 수립 및 성능 최적화이 섹션에서는 여러 전략 예제를 설명합니다. Part 4 실시간 게재이 부분은 Interactive Brokers API를 중심으로합니다. 실시간 주식 데이터를 얻고 실제 주문을하는 방법을 배우게됩니다. 예제 코드가 많습니다. 코스 재료는 텍스트가 포함 된 노트북과이 대화식 코드로 구성됩니다. 코드와 상호 작용하고 자신의 취향에 맞게 수정하여 학습 할 수 있습니다. 자신 만의 전략을 작성하기위한 훌륭한 출발점이 될 것입니다. 기본 개념을 이해하는 데 도움이되는 몇 가지 주제가 아주 자세하게 설명되어 있지만 대부분의 경우 기존 오픈 소스 라이브러리의 지원으로 인해 저수준 코드를 작성할 필요가 있습니다. TradingWithPython 라이브러리는 바로 사용할 수있는 기능으로이 과정에서 논의 된 기능이 과정 전체에 사용됩니다. 팬더는 데이터 처리에 필요한 모든 무거운 힘을 제공합니다. 모든 코드는 BSD 라이센스에 따라 제공되며 사용이 가능합니다 코스의 평가. 코스 평가. 코스의 조종사는 2013 년 봄에 열렸습니다. 학생들이 말하려는 것입니다. 물론 잘 설계된 코스와 훌륭한 트레이너 확실히 가격과 시간을 가치가 있습니다. Lave Jev는 분명히 자신의 물건 깊이를 알고있었습니다. 범위가 완벽했습니다. Jev가 이와 비슷한 것을 다시 실행한다면, 필자는 John Phillips에 가입 한 첫 번째 사람이 될 것입니다. 귀하의 코스는 주식 시스템 분석을 위해 파이썬을 고려하기 시작했습니다. 파이썬으로보고 있습니다. 최근에 turinginance 블로그 간단히 말해서, 그것은 거래 전략 개발에 대한 과학적 접근 방법을 설명합니다. 개인적으로, 데이터를 관찰하고, 모델을 생각하고 가설을 세우는 것이 두 번째 성격입니다. 좋은 엔지니어. 이 글에서는 명시 적으로 몇 가지 단계를 거쳐 거래 전략 개발에 참여하지 않고이 접근법을 설명하려고합니다. 가장 일반적인 거래 수단 인 SP 500 ETF 스파 관측과 함께 시작하겠습니다. 관찰 시장에 대한 언론의 언쟁이 며칠 동안 큰 손실을 겪은 후 대부분의 시간이 상당히 늦어지는 것을 경험하게되었습니다. 몇 가지 실수를 저질렀다. 나는 손실을 줄이기 위해 몇 가지 실수를했다. 다음 날의 회복을 놓치기 만했다. 일반적인 이론 연속적인 손실의 기간이 지나면, 많은 상인들은 더 큰 손실에 대한 두려움에서 그들의 위치를 ​​청산 할 것이다. 이 행동은 계산 된 위험보다 두려움에 의해 지배됩니다. 똑똑한 상인이 거래를 위해 들어 왔습니다. 가설 SPY의 다음날 수익은 연속적인 손실 횟수가 많을 때 상승 편향을 나타낼 것입니다. 논문, 나는 연속 다운 일수를 계산했습니다. -0 1 일일 수익 이하의 모든 것이 다운 일로 간주됩니다. 반환 시리즈는 거의 무작위 적이기 때문에, 예상했던대로 5 일 이상 연속 하락 일 가능성은 낮습니다. 매우 적은 수의 발생이 발생합니다. 발생 빈도가 낮 으면 신뢰할 수없는 통계적 추정치가 발생합니다. 따라서 5에서 멈출 것입니다. 아래는 다운 일 수의 함수로서 nex-tday 수익을 시각화 한 것입니다. 또한 90 신뢰도 라인 사이의 수익률 간격 평균 수익률은 가설 확정 수와 양의 상관 관계가 있음이 밝혀졌습니다. 그러나이 추가 알파가 예상 수익률 밴드와 비교하여 매우 작음을 분명히 볼 수 있습니다. 그러나 심지어 작은 모서리가 악용 될 수 있습니다 통계적 우위를 찾은 다음 가능한 한 자주 반복하십시오 다음 단계는이 모서리가 거래 전략으로 전환 될 수 있는지 조사하는 것입니다. 위의 데이터가 주어지면 거래 전략을 공식화 할 수 있습니다 Af 3 배 이상의 손실, 다음 클로즈에서 긴 종료. 다음은 순수 구매 및 보유와 비교 한이 전략의 결과입니다. 전혀 좋지 않습니다. 샤프 비율보기 전략 점수 하락률 2 2 대 0 44 for the BH 이것은 위대한 전략이 위의 전략이 내가 오랜 시간 동안 단순히 거래했기 때문에 무언가가 아니라는 점을 감안하면 커미션 비용, 미끄러짐 등을 고려하지 않았기 때문에 실제로는 너무 흥분하지 않습니다. 이론 자체가 유용한 것을 만들어 낼 수있는 더 많은 생각을 불러 일으킨다. 동일한 원리가 날 데이터에 적용된다면, 스캘핑 전략의 한 형태가 만들어 질 수있다. 위의 예에서주의를 기울이지 않고 단지 낮의 수를 세어서 세계를 조금 단순화했다 드롭 다운의 깊이까지 또한, 위치 출구 그냥 기본 다음날 닫습니다 개선 할 것이 많이 있지만 내 생각에 본질이 있습니다. SPY의 미래 수익률은 이전 3 동안 drawdown 및 drawdown 기간에 의해 ifluenced 있습니다 ~ 5 경험 많은 상인은 일련의 지표와 그 해석에 기반하여 시장에서 어떤 행동을 기대하는지 알고있다. 후자는 종종 자신의 기억이나 일종의 모델을 기반으로 수행된다. 지표의 좋은 집합을 찾고 정보를 처리하는 것은 큰 도전이된다. 첫째, 미래의 가격과 어떤 요인들이 상호 관련되어 있는지 이해할 필요가 있음 예측 품질이 전혀없는 데이터 만 소음 및 복잡성을 줄이고 전략 실적 감소 좋은 지표를 찾는 것은 자체적으로 과학이며 종종 시장 역학에 대한 깊은 이해가 필요합니다. 전략 설계가 쉽게 자동화 될 수는 없다 운 좋게도 좋은 지표 세트가 발견되면 상인의 기억과 직감을 통계 모델로 쉽게 대체 할 수 있으며 이는 컴퓨터가 완벽한 메모리를 가지며 변동성 거래에 대해서는 그 움직임에 어떤 영향을 미치는지 이해하는 데 꽤 시간이 걸렸습니다. 특히, 나는 VXX와 XIV의 미래 수익률을 예측하는 변수에 관심이있다. 여기서 전체적인 설명을하지는 않겠지 만, 변동성에 대한 두 가지 가장 중요한 지표는 구조상 기울기와 현재 변동성 프리미엄이라는 나의 결론이다. 내 정의 변동성 프리미엄 VIX - 현실화 된 VOL. 델타 구조 구조 기울기 VIX-VXV. VIX VXV는 SP 500 실현 된 1 개월 및 3 개월의 묵시적 변동성이며, 여기에는 양 - 장 수식 델타는 VixAndMore 블로그에서 종종 논의되었으며 프리미엄은 옵션 거래로 유명합니다. 프리미엄이 높고 선물이 contango delta 0 일 때 단기 변동성이 중요합니다. 이로 인해 프리미엄과 매일의 뒷 바람이 발생합니다 VXX의 용어 구조를 따라 굴러 가라. 그러나 이것은 대략적인 추정 일 뿐이다. 훌륭한 거래 전략은 VXX의 거래 방향에 대한 예측과 함께 프리미엄과 델타의 정보를 결합 할 것이다. 매우 오랜 시간 동안 두 가지 지표의 잡음이 많은 데이터를 결합하는 좋은 방법을 생각해 냈습니다. 선형 회귀와 같은 대부분의 표준 접근법을 시도해 보았습니다. 하나의 지표 만 사용하는 간단한 규칙과 같은 단일 지표 전략의 좋은 예는 TradingTheOdds 블로그에서 찾을 수 있습니다. 나쁘지는 않지만 여러 지표로 수행 할 수있는 작업입니다. 샘플에서 벗어난 일부 VXX 데이터부터 시작하겠습니다. from MarketSci VXX가 생성되기 전에 이것은 시뮬레이션 된 데이터 임에 유의하십시오. 같은 기간에 대한 지표가 아래에 그려져 있습니다. 이 경우 지표 프리미엄 중 하나를 취하여 VXX의 미래 수익에 대비하여 플롯하면 어떤 상관 관계가 보입니다 그러나 데이터는 매우 시끄 럽습니다. 그래도 음수 프리미엄이 다음날 긍정적 인 VXX 수익률을 보일 것으로 예상됩니다. 프리미엄과 델타를 하나의 모델로 결합하는 것은 나에게 어려움 이었지만 항상 통계를 원했습니다. cal approximation 본질적으로 델타, 프리미엄의 조합에 대해 현재 가치에 가장 가까운 모든 역사적인 가치를 찾고이를 바탕으로 미래의 수익을 평가하고 싶습니다. - 네이버 보간 알고리즘을 사용했지만, 포기할 때마다 가장 가까운 이웃 회귀를 찾을 때까지 포기해야했습니다. 두 입력을 기반으로 예측 변수를 신속하게 구축 할 수 있었고 그 결과가 너무 좋았습니다. 어딘가에서 실수를했습니다. 내가 한 일이 여기 있습니다. 델타, 프리미엄의 데이터 세트를 만듭니다. VXX 다음 날 샘플을 반환합니다. 위의 데이터 세트를 기반으로 가장 가까운 이웃 예측자를 만듭니다. . 예측 수익률이 0 일 때 길면 길어집니다. 예측 수익률이 0이면 짧을 수 있습니다. 전략이 더 간단하지는 않습니다. 결과가 매우 좋고 추정치가 더 많은 neigbors를 사용할 때 더 좋아집니다. 첫째, 10 점으로, 샘플이지만 샘플 밖의 평면 r 에드 라인은 샘플의 마지막 포인트입니다. 그러면 성능은 40과 80 포인트로 향상됩니다. 마지막 두 플롯에서 전략은 동일한 인서트 및 샘플 밖의 샤프 비율을 수행하는 것으로 보입니다 3 나는 결과에 매우 만족하고 내가이 기술로 가능한 것의 표면만을 긁어 모으고 있다는 느낌을 갖습니다. 이상적인 역 테스팅 도구에 대한 나의 검색은 제 이상에 대한 나의 정의는 이전에 기술되어 있습니다 Backtesting 딜레마 결과는 나오지 않았습니다 내가 즉시 사용할 수있는 무언가 그러나 사용 가능한 옵션을 검토하면 내가 원하는 것을 더 잘 이해할 수있었습니다. 내가 본 옵션은 pybacktest가 단순성과 속도 때문에 가장 좋아하는 것이었습니다. 소스 코드를 살펴본 후 , 나는 그것을 더 간단하고 좀 더 우아하게 만들 수있는 몇 가지 아이디어를 가지고있다. 거기에서, 지금은 TradingWithPython 라이브러리에서 사용할 수있는 내 자신의 백 테스터를 작성하는 것은 작은 단계에 불과했다. 나는 백 테스터가 fu 모든 거래 전략이 공유하고 종종 복사 붙여 넣기되는 nctionality 포지션 및 PNL, 성능 메트릭 및 플롯 만들기와 같은 것들. 항목 및 종료 지점 결정과 같은 전략적 기능은 백 테스터 외부에서 수행되어야합니다. 일반적인 워크 플로우는 항목을 찾을 수 있습니다 종료 - 백 테스터 - 후 처리 전략 데이터로 pnl을 계산하고 플롯을 만듭니다. 이 순간 모듈은 여기에서 근원을 자세히 살펴 보지만, 미래에는 수익을 늘리고 막음을내는 출구와 멀티 - backtesting 모듈의 사용법은이 예제 노트북에 나와 있습니다. 다른 디렉토리에 저장하여 IPython 노트를 구성합니다. 노트북을 액세스하려면 터미널을 열고 ipython 노트 --pylab을 입력해야하기 때문에 불편 함이 있습니다. 인라인을 할 때마다 ipython 팀이이 문제를 장기간에 걸쳐 해결할 것이라고 확신하지만, 그 동안에는 노트북을 빠르게 액세스 할 수있는 멋진 하강 방법이 있습니다. m 파일 탐색기. 원하는 디렉토리에 ipython 서버를 시작하는 컨텍스트 메뉴를 추가하는 것입니다. 컨텍스트 항목을 추가하는 빠른 방법은이 레지스트리 패치를 실행하는 것입니다. 패치는 Python 설치가 C 아나콘다 그렇지 않으면 텍스트 편집기에서 파일을 열고 마지막 줄에 올바른 경로를 설정해야합니다. 수동으로 레지스트리 키를 추가하는 방법은 Frolian의 블로그에서 찾을 수 있습니다. 많은 사람들이 단기적으로 벤치 마크를 하회한다. 고르지 않은 시장에 대해서는 그렇지만 상승 또는 하강의 경우에는 그렇지 않다. 레버리지는 예상 결과가 아니라 가장 가능성있는 결과에만 영향을 미친다. 더 많은 배경에 대해서는이 게시물을 읽으십시오. 대부분의 해에 트렌드가있는 주식에 대한 아주 좋은 해 1 년 전 레버 리지 드 etfs 중 일부를 단락시키고 벤치마킹으로 헤지했을 때 어떤 일이 일어나는지 보겠습니다. etfs를 활용 한 etfs는 벤치 마크보다 뛰어 났으므로 쇠퇴에서 이익을 얻으려는 전략은 돈을 잃을 것입니다. 나는이 두 가지를 고려할 것입니다. SPS 2 SSO -1 SPS -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1. 각 레버 에프 etf는 short -1로 유지되고 1x etf로 헷지됩니다. 역 카운터를 헤지하기 위해서는 1x etf에서 음의 위치가 유지됩니다. 여기에는 SPY 대 SSO의 한 예가 있습니다. 백 테스트 기간의 시작에서 100까지의 가격은 2x etf가 1x etf보다 우수하다는 것이 명백합니다. 위 쌍에 대한 백 테스트의 결과를보십시오. inverse를 포함하는 모든 2x etfs는 2013 년 동안 벤치 마크를 능가했습니다 기대에 따르면, 베타 붕괴를 이용하는 전략은 이익이되지 않을 것입니다. 나는 시장 상황을 사전에 파악하거나 범위를 경계하지 않는 한, 레버리지를받지 않은 상대방과의 경쟁을 통해 엣지를 제공하지 않는다고 생각합니다. 시장 체제, muc h 유익하게도 쉬운 방법 유감스럽게도, 단기간에 시장 체제를 예측하는 데는 아직 아무도 성공하지 못했습니다. Python과 함께 트레이딩 수첩 307.의 가입자는 계산의 전체 소스 코드를 사용할 수 있습니다. 여기에 my 트위터 평가에서 쐈어. 이 순간에 면책 조항부터 시작하고 싶습니다. 내 포트 롤리오의 상당 부분이 짧은 TWTR 포지션으로 구성되어 있습니다. 그래서 제 의견은 다소 왜곡되어 있습니다. 제 자신의 분석을 한 이유는 제 내기가 잘 풀리지 않았기 때문입니다 , 트위터는 2013 년 12 월에 포물선 움직임을 보였습니다. 그래서 제가 대답하려고하는 질문은 제 손실을 감수해야하거나 내 단편을 고수해야한다는 것입니다. TWTR은 작성 시점에 시가 총액 64 34 7 B 지금까지 회사는 534M의 매출을 올린 후 3013 년 142M을 잃어 이익을 내지 못했습니다. 지난 두 숫자는 연간 676M의 회사 지출을 제공합니다. 사용자 가치에서 파생 된 가격입니다. Twitter는 Facebook, Google 및 연결됨 사용자 번호 및 값에 대한 아이디어를 얻으려면 아래 표에는 사용자 당 사용자 수와 사용자 수에 대한 시가 총액에서 파생 된 사용자 별 가치가 요약되어 있습니다. Google의 수는 고유 검색 수를 기반으로합니다. 사용자 당 시장 가치 평가는 모든 회사에서 비슷하지만 개인 견해는 그렇습니다. WTR은 현재 FB 또는 LNKD 사용자별로 더 가치가 있습니다. 경쟁 업체 모두가 더 가치있는 개인 사용자 데이터를 보유 할 수 있으므로 논리적이지 않습니다. GOOG는 검색 엔진에서 Google Docs 및 Gmail에 이르기까지 매우 다양해진 제품을 가지고 있습니다. 사용자 당 가치가 35보다 낮지 만 TWTR은 그와 비슷하지 않습니다. Google TWR은 FB 또는 GOOG 제품과 비교할만한 제품을 제공하지 않기 때문에 사용자 기반을 확장 할 수있는 여지가 충분하지 않습니다. TWTR은 현재 7 년 전부터 사용되고 있으며 대부분의 사용자는 자신의 차를 가지고 있습니다. nce 나머지는 신경 쓰지 않습니다. WTR 사용자 기반은 휘발성이며 앞으로 출시 될 인기있는 곳으로 이동할 가능성이 높습니다. 여기서는 최고의 전문 시장에서 안정적인 틈새 시장을 가지고있는 LNKD가 될 것이라고 생각합니다. 메트릭 TWTR은 과대 평가 될 것입니다. TWTR에 대해 100으로 사용자 값을 설정하면 46의 정당한 TWTR 가격이 산출됩니다. 미래 수익에서 파생 된 가격입니다. 미래 수익 추정에 사용할 수있는 충분한 데이터가 있습니다. 내가 찾은 가장 유용한 것 중 하나가 여기에 있습니다. 그 숫자는 회사 지출을 빼는 동안 일정한 수치를 유지한다고 가정합니다. 유용한 정보에 기초하여 TWTR의 낙관적 인 가치는 46-48 범위에 있어야합니다. 무역에 더 많은 운영 리스크와 많은 운영 리스크를 거래해야하는 명확한 이유는 없습니다 내 생각 엔 상장 과정에서 충분한 전문가가 가격을 검토하고 공정한 가격 수준으로 설정했는데 그 다음에 일어난 일은 새로운 정보로 정당화되지 않는 비합리적인 시장 움직임이었습니다. 이 새 같은 것들을 주장하는 사람들과 주식에 낙관적 인 광란에 결코 잘 작동하지 않는 100 마리의 순수한 감정으로 날아갈 것입니다. 지금 내게 달려있는 유일한 것은 내 입가에 내 돈을 넣고 내 반바지에 집착하는 것입니다. . 단기 변동성 단기화 VXX는 꽤 먼 거리에서 차트를 볼 때 좋은 아이디어처럼 보일 수 있습니다. 변동성 선물의 변동성 때문에 etn은 대부분의 시선을 끈다. 가치 매일 매일 균형 조정으로 인해 발생합니다. 자세한 내용은 잠재 고객을 조사하십시오. 이상적인 세계에서 보유 기간을 길게 잡으면 미래 및 시간 재조정에서 시간 붕괴로 인해 발생하는 이익은 보장되지만 단기적으로는 , 당신은 꽤 무거운 삭감을 겪어야 만 해요. 2011 년 여름을 회상 해보세요. VIX가 올라 오기 바로 전에 짧은 VXX 포지션을 유지할 정도로 불행하거나 바보였습니다. 나는 그때까지 내 계좌를 날려 버렸습니다. 세인트 브로커에 의해 마진 전화의 위협이 결과 마진 전화 손실을 의미합니다 이것은 내가 다시는하고 싶지 않은 상황이 아닙니다 나는 항상 머리를 차가워 유지하는 것이 쉽지 않을 줄 알았는데, 그러나 상황의 스트레스와 압력을 경험하는 것은 다른 무엇인가 운 좋게 나는 VXX가 행동하는 경향이있다라는 것을 알고 있었다. 그래서 나는 공황을 느끼지 않았다. 그러나 마진 콜을 피하기 위해 XIV쪽으로 쪽을 바꿨다. 이야기는 8 개월 후에 끝난다. 힘과 나는 매우 귀중한 교훈을 배웠습니다. 여기서 경고의 말을 시작하려면 여기서 얼마나 위험을 감수하고 있는지 정확히 알지 못하는 한 변동성을 피하십시오. 그렇게 말하면서 일부 위험을 최소화하는 전략을 살펴 보겠습니다. 전략적 논문 VXX는 선물 곡선이 가파른 contango 일 때 대부분의 끌림을 경험합니다. 선물 곡선은 VIX-VXV 관계로 근사됩니다. VXV가 VIX보다 월등히 높은 프리미엄을 가질 때 우리는 VXX를 짧게 할 것입니다. First , 위의 차트는 2010 년 1 월 이후의 VIX-VXV 데이터를 보여줍니다. 작년의 데이터 포인트는 빨간색으로 표시됩니다. 둘 사이의 이차 맞춤을 사용하여 VXV f VIX 근사값을 선택했습니다. VIX는 다음과 같이 플롯됩니다. 파란색 선 선상의 값은 선물이 정상적인 contango보다 강할 때 상황을 나타냅니다. 이제 필자는 델타 표시기를 정의합니다. 이는 델타 VXV-f로부터의 편차입니다. 이제 VXX의 가격을 살펴 봅시다. delta. VXX의 가격은 로그 규모에서 델타 이하 녹색 마커 indicat 델타 0 빨간색 마커 델타 0 녹색 영역은 VXX의 음수 반환에 해당합니다. 이 가정을 사용하여 전략을 시뮬레이션하십시오. 델타 0. 매일 일정한 자본금은 100입니다. 미끄러짐이나 거래 비용이 없습니다. 이 전략은 매일 짧은 거래와 비교되지만 델타를 고려하지 않습니다. 녹색 선은 VXX 짧은 전략을 나타내고, 파란색 선은 바보 같은 사람. 간단한 하루의 끝 전략에 대한 1 9은 내 의견으로는별로 나쁘지 않습니다. 그러나 더욱 중요한 것은 앞으로의 미래 곡선에주의를 기울임으로써 위장을 줄이는 것이 거의 피할 수 있다는 것입니다. 이 전략을 단계별로 작성하십시오 파이낸스 트레이딩 With Python 과정에서 논의 될 것입니다. 자산이나 ETF의 가격은 물론 거기에있는 최고의 지표이지만 불행히도 단지 많은 정보가 포함되어 있습니다. 어떤 사람들은 더 많은 지표 인 rsi, macd, 이동 평균 크로스 오버 등이 더 좋지만 모든 것이 동일한 기본 가격 시리즈를 기반으로하는 경우 모두 가격에 포함 된 동일한 제한된 정보의 하위 세트를 포함합니다. 가격에 포함 된 내용에 추가 정보가 더 필요합니다. 가까운 장래에 일어날 일에 대해 더 많은 정보에 근거한 추측을하십시오. 모든 종류의 정보를 영리한 분석에 결합하는 훌륭한 예는 긴 블로그의 짧은면에서 찾아 볼 수 있습니다. 나는 파트 타임으로 거래하기 때문에 시간이 없다. 그래서 나는 자동적으로 정보를 수집하고 그것을 쉽게 소화 할 수있는 형태로 선물하는 나 자신의 시장 대시 보드를 만들었다. 짧은 볼륨 데이터를 기반으로 지표를 작성하는 방법을 보여줍니다. 이 게시물은 데이터 수집 및 처리 과정을 보여줍니다. 1 단계 데이터 소스 찾기 BATS 교환은 사이트에서 무료로 일일 볼륨 데이터를 제공합니다. 2 단계 데이터 가져 오기 수동으로 짧은 볼륨 데이터 검사 BATS 교환의 텍스트 파일은 압축 된 텍스트 파일에 포함되어 있습니다. 매일 자신의 zip 파일이 있습니다. txt 파일을 다운로드하고 압축을 풀면 처음 몇 줄 안에 들어갑니다. 전체 파일에는 약 6000 개의 기호가 들어 있습니다. 이 데이터는 상당히 필요합니다. 일부 작업은 의미있는 방식으로 진행될 수 있습니다. 3 단계 자동으로 데이터 가져 오기 실제로 원하는 것은 하루 동안의 데이터가 아니라 지난 몇 년간의 짧은 볼륨과 전체 볼륨의 비율입니다. 에프 뱀장어는 500 개의 zip 파일을 다운로드하고 수동으로 Excel에 복사하여 붙여 넣기를 좋아합니다. 운좋게도 전체 자동화는 몇 줄의 코드 줄 밖에 없습니다. 먼저 파일을 다운로드 할 URL을 동적으로 만들어야합니다. 이제 여러 파일을 한 번에 다운로드 할 수 있습니다. 단계 4 다운로드 한 파일을 구문 분석합니다. 우리는 zip 및 pandas 라이브러리를 사용하여 단일 파일을 구문 분석 할 수 있습니다. zip 파일의 모든 기호에 대한 짧은 볼륨 총 볼륨의 비율을 반환합니다. 5 단계 차트 만들기 이제 남은 유일한 것은 모두 구문 분석하는 것입니다. 다운로드 한 파일을 하나의 테이블에 결합하고 결과를 그려 봅니다. 위의 그림에서 지난 2 년간의 평균 짧은 볼륨 비율을 플로팅했습니다. 특정 심볼을 살펴보고 싶다면 심볼의 서브 세트를 사용할 수도있었습니다. 섹터 또는 주식 데이터를 간략히 살펴보면 높은 짧은 볼륨 비율은 일반적으로 시장 바닥과 일치하고 낮은 비율은 긴 위치의 좋은 시작점 인 것 같은 인상을줍니다. 여기에서 시작하여이 짧은 볼륨 비율을 기준으로 사용할 수 있습니다 ~을위한 trategy development. Trading Python course. If 만약 당신이 상인이나 투자자이며 양적 거래 기술을 습득하고 싶다면 파이썬과의 거래를 고려해보십시오 온라인 과정은 양적 연구를위한 최상의 도구와 실습을 제공합니다 전문적 양적 거래자가 작성한 기능 및 스크립트를 포함한 거래 연구 당신은 엄청난 양의 데이터를 얻고 처리하고 전략을 설계 및 테스트하고 거래 실적을 분석하는 방법을 배우게됩니다. 이것은 상인의 ​​성공에 결정적인 정보에 근거한 결정을 내리는 데 도움이됩니다 Trading With Python 과정 웹 사이트로 계속하십시오. 제 이름은 Jev Kuznetsov입니다. 낮 동안 나는 인쇄 사업에 종사하는 회사의 연구원 엔지니어입니다. 남은 시간은 상인입니다. 패턴 인식 분야의 전문 물리학을 전공했습니다 인공 지능 내 일상 업무에는 Matlab 및 다른 언어에서의 빠른 알고리즘 프로토 타이핑부터 h 2009 년부터 금융 시장에서의 기술 스킬을 사용 해왔다. Python이 가장 유용한 툴이라는 결론에 도달하기 전에, 나는 다른 블로그에서 다루는 Matlab에서 광범위하게 연구했다. 나를 만날 수있다.