Python giao dịch có hệ thống

Bạn đã đăng ký. Chúng tôi sẽ đặt hàng trước các mặt hàng của bạn trong vòng 24 giờ kể từ khi chúng có sẵn. Khi sách mới được phát hành, chúng tôi sẽ tính phí theo phương thức thanh toán mặc định của bạn với mức giá thấp nhất có sẵn trong thời gian đặt hàng trước

Chúng tôi cũng đã tính toán trung bình chuyển động của ba lần này như sau. Lưu ý rằng khi tính toán trung bình chuyển $m$ ngày, $M-1$ đầu tiên không hợp lệ, vì giá $m$ là bắt buộc đối với điểm dữ liệu trung bình chuyển đầu tiên

# Calculating the short-window moving average
short_rolling = data.rolling[window=20].mean[]
short_rolling.head[]

# Calculating the short-window moving average
long_rolling = data.rolling[window=100].mean[]
long_rolling.tail[]

Chúng tôi cũng đã tính toán trung bình chuyển động của ba lần này như sau. Lưu ý rằng khi tính toán trung bình chuyển $m$ ngày, $M-1$ đầu tiên không hợp lệ, vì giá $m$ là bắt buộc đối với điểm dữ liệu trung bình chuyển đầu tiên

nan

Dựa trên những kết quả này, mục tiêu cuối cùng của chúng tôi sẽ là thiết kế một chiến lược giao dịch đơn giản nhưng thực tế. Tuy nhiên, trước tiên chúng ta cần trải nghiệm qua một số khái niệm cơ bản liên quan đến các chiến lược giao dịch định lượng, cũng như các công cụ và kỹ thuật trong quá trình này

Có một số cách mà người ta có thể diễn ra khi một chiến lược giao dịch được phát triển. Một cách tiếp cận sẽ là sử dụng chuỗi thời gian giá trực tiếp và làm việc với các số tương ứng với một số giá trị tiền tệ

Ví dụ, một nhà nghiên cứu có thể làm việc với chuỗi thời gian có thể hiện giá của một cổ phiếu nhất định, như chuỗi thời gian chúng tôi đã sử dụng trong bài viết trước. Tương tự, nếu làm việc với các công cụ nhập cố định, ví dụ. Trái phiếu, người ta có thể sử dụng chuỗi thời gian có thể hiện giá của trái phiếu theo Tỷ lệ phần trăm của một giá trị tham khảo đã cho, trong trường hợp này là giá trị định mệnh của trái phiếu. Làm việc với loại chuỗi thời gian này có thể trực quan hơn vì mọi người đã quen với công việc suy nghĩ về giá cả. Tuy nhiên, chuỗi giá thời gian có một số nhược điểm. Giá thường chỉ tích cực, khiến việc sử dụng các mô hình và phương pháp tiếp cận khó khăn hơn yêu cầu hoặc tạo ra số lượng âm thanh. Ngoài ra, chuỗi thời gian giá bình thường không cố định, đó là tính chất thống kê của chúng ít ổn định hơn theo thời gian.
r_{\text{relative}}\left[t\right] = \frac{p\left[t\right] - p\left[t-1\right]}{p
\end{equation}

Một cách khác gần hơn là sử dụng chuỗi thời gian tương ứng với các giá trị thực tế thay đổi giá trị tiền tệ của tài sản. Các chuỗi thời gian này có thể và thực hiện các giá trị âm thanh và cả các thuộc tính thống kê của chúng thường ổn định hơn so với các chuỗi thời gian giá. Các công thức được sử dụng thường xuyên nhất được sử dụng là lợi nhuận tương đối được xác định là

\ started {phương trình} r _ {\ text {relative}} \ left [t \ right] = \ frac {p \ left [t \ right] - p \ left [t -1 \ right]
r\left[t\right] = \log\left[ \frac{p\left[t\right]}{p\left[t-1\right]} \right]
\end{equation}$$

and return log is default

$$ \ start { phương trình} r \ left [t \ right] = \ log \ left [\ frac {p \ left [t \ right] { phương trình} $$

\ started {phương trình} \ log \ left [\ frac {p \ left [t \ right]} {p \ left [t-1 \ right]} \ right] \ simeq \ log \ left [
\log\left[ \frac{p\left[t\right]}{p\left[t-1\right]} \right] \simeq \log\left[1\right] + \frac{p\left[t\right]}{p\left[t-1\right]} - 1 = r_{\text{relative}}\left[t\right]
\end{equation}

Cả hai đều được tính toán tầm nhìn thông thường bằng cách sử dụng gấu trúc

# Relative returns
returns = data.pct_change[1]
returns.head[]

# Log returns - First the logarithm of the prices is taken and the the difference of consecutive [log] observations
log_returns = np.log[data].diff[]
log_returns.head[]

Vì nhật ký trả về là phụ gia, nên chúng tôi có thể tạo chuỗi thời gian của các bản ghi đã sửa đổi đăng nhập tích lũy được xác định là

\ started {phương trình} c \ left [t \ right] = \ sum_ {k = 1}^t r \ left [t \ right] \ end { phương trình}