Flyttande genomsnittliga korsningar Flyttande genomsnittliga korsningar är ett vanligt sätt när handlare kan använda Flyttmedelvärden. En crossover uppträder när ett snabbare rörligt medelvärde (dvs. en kortare rörelsehastighet) korsar antingen över ett långsammare rörelseregelvärde (dvs en längre period flyttande medelvärde) som anses vara en hausseformad crossover eller under vilken anses en baisseövergång. Diagrammet nedan för SampP Depository Receipts Exchange Traded Fund (SPY) visar 50-dagars Simple Moving Average och 200-dagars Simple Moving Average. Detta Moving Average pair ses ofta av stora finansiella institut som en långsiktig indikator för marknadsriktning : Observera hur långsiktigt 200-dagars Enkelt rörande medelvärde ligger i en uptrend detta tolkas ofta som en signal att marknaden är ganska stark. En näringsidkare kan överväga att köpa när den kortare 50-dagars SMA passerar över 200-dagars SMA och kontrastvis kan en näringsidkare överväga att sälja när 50-dagars SMA passerar under 200-dagars SMA. I diagrammet ovanför SampP 500 hade båda potentiella köpsignaler varit mycket lönsamma, men den ena potentiella försäljningssignalen skulle ha orsakat en liten förlust. Tänk på att 50-dagars, 200-dagars Simple Moving Average Crossover är en mycket långsiktig strategi. För de näringsidkare som vill ha mer bekräftelse när de använder Moving Average crossovers, kan 3 Simple Moving Average crossover-tekniken användas. Ett exempel på detta visas i tabellen nedan i Wal-Mart (WMT) - materialet: Den 3 enkla rörliga genomsnittsmetoden kan tolkas enligt följande: Den första korsningen av den snabbaste SMA-enheten (i ovanstående exempel, den 10-dagars SMA) Över nästa snabbaste SMA (20-dagars SMA) fungerar som en varning om att priserna kan vara omvänd trend, dock brukar en näringsidkare inte placera en faktisk köp - eller säljorder då. Därefter kan den andra överkanten av den snabbaste SMA (10-dagars) och den långsammaste SMA (50-dagars) utlösa en näringsidkare att köpa eller sälja. Det finns många varianter och metoder för att använda 3 Simple Moving Average crossover-metoden, vissa finns nedan: Ett mer konservativt tillvägagångssätt kan vara att vänta tills den mellanliggande SMA (20-dagars) korsar långsammare SMA (50-dagars) men det här är i grunden en två SMA crossover teknik, inte en tre SMA teknik. En näringsidkare kan överväga en penninghanteringsteknik att köpa en halv storlek när den snabba SMA passerar över nästa snabbaste SMA och sedan gå in i den andra hälften när snabb SMA passerar över långsammare SMA. Istället för halvor köper eller säljer du en tredjedel av en position när den snabba SMA passerar över nästa snabbaste SMA, en tredjedel när snabb SMA passerar över den långsamma SMA och den sista tredjedelen när den näst snabbaste SMA passerar över den långsamma SMA . En Moving Average Crossover-teknik som använder 8 Moving Averages (exponentiell) är den rörliga genomsnittliga exponentiella bandindikatorn (se: Exponential Ribbon). Flyttande genomsnittliga övergångar ses ofta av handlare. Faktum är att korsningar ofta ingår i de mest populära tekniska indikatorerna, inklusive indikator för rörlig medelkonvergensdivergens (MACD) (se: MACD). Andra glidande medelvärden förtjänar noggrant överväganden i en handelsplan: Uppgifterna ovan är endast avsedda för informations - och underhållningsändamål och utgör inte handelsrådgivning eller en uppmaning att köpa eller sälja någon aktie, alternativ, framtida, råvara eller valutaprodukt. Tidigare resultat är inte nödvändigtvis en indikation på framtida resultat. Handel är i sig riskabelt. OnlineTradingConcepts ansvarar inte för några speciella eller följdskador som uppstår till följd av användning eller oförmåga att använda, material och information som tillhandahålls av denna webbplats. Se fullständig ansvarsfriskrivning. Backtesting a Moving Average Crossover i Python med pandas I den tidigare artikeln om Research Backtesting Environments I Python With Pandas skapade vi en objektorienterad forskningsbaserad backtestingmiljö och testade den på en slumpmässig prognosstrategi. I den här artikeln kommer vi att använda sig av den maskin som vi introducerade för att utföra forskning om en faktisk strategi, nämligen Moving Average Crossover på AAPL. Moving Average Crossover Strategy Den Moving Average Crossover-tekniken är en extremt välkänd förenklad momentumstrategi. Det anses ofta Hello World-exemplet för kvantitativ handel. Strategin som beskrivs här är långsiktig. Två separata enkla glidande medelfilter skapas, med varierande återkänningsperioder, för en viss tidsserie. Signaler för att köpa tillgången inträffar när det kortare återkörningsgennomsnittet överstiger det längre återkommande glidmedlet. Om det längre genomsnittet därefter överstiger det kortare genomsnittet säljs tillgången tillbaka. Strategin fungerar bra när en tidsserie går in i en period med stark trend och sedan sakta tillbaka trenden. För det här exemplet har jag valt Apple, Inc. (AAPL) som tidsserier, med en kort lookback på 100 dagar och en lång återgång på 400 dagar. Detta är exemplet från zipline algoritmiska handelsbiblioteket. Således om vi vill implementera vår egen backtester måste vi se till att den matchar resultaten i zipline, som ett grundläggande sätt att validera. Genomförande Se till att du följer den tidigare handledningen här. som beskriver hur den ursprungliga objekthierarkin för backtesteren är konstruerad, annars fungerar inte koden nedan. För det här genomförandet har jag använt följande bibliotek: Implementeringen av macross. py kräver backtest. py från föregående handledning. Det första steget är att importera de nödvändiga modulerna och objekten: Som i den tidigare handledningen kommer vi att subklassera abstraktionsklassen Strategi för att producera MovingAverageCrossStrategy. som innehåller alla detaljer om hur man genererar signalerna när de rörliga medelvärdena av AAPL passerar över varandra. Objektet kräver en shortwindow och en longwindow att fungera för. Värdena har ställts till standardvärden på 100 dagar respektive 400 dagar, vilka är samma parametrar som används i huvudexemplet för zipline. De glidande medelvärdena skapas genom att använda pandans rollingmean-funktion på staplarna. Slutkursen för AAPL-aktien. När de individuella rörliga medeltalen har konstruerats genereras signalen Serie genom att kolumnen är lika med 1,0 när det korta glidande medlet är större än det långa glidande medlet eller 0,0 annars. Från detta kan positioneringsorder genereras för att representera handelssignaler. MarketOnClosePortfolio är subclassed från Portfolio. som finns i backtest. py. Det är nästan identiskt med det genomförande som beskrivs i föregående handledning, med det undantaget att handeln nu utförs på nära håll, snarare än en öppen till öppen basis. Mer information om hur Portfolio-objektet definieras finns i föregående handledning. Ive lämnade koden i för fullständighet och för att hålla denna handledning fristående: Nu när klasserna MovingAverageCrossStrategy och MarketOnClosePortfolio har definierats kommer en huvudfunktion att kallas för att knyta all funktionalitet tillsammans. Dessutom kommer strategins resultat att undersökas via en kurva av aktiekurvan. Pandas DataReader-objektet hämtar OHLCV-priser på AAPL-lager för perioden 1 januari 1990 till 1 januari 2002, vid vilken tidpunkt signalerna DataFrame skapas för att generera de långsiktiga signalerna. Därefter genereras portföljen med en startkapitalbaserad kapital på 100 000 USD och avkastningen beräknas på aktiekurvan. Det sista steget är att använda matplotlib för att rita en tvåfigurig plot av båda AAPL-priserna, överlagrad med de glidande medelvärdena och buysell-signalerna, samt egenkapitalkurvan med samma buysell-signaler. Plottingskoden tas (och modifieras) från zipline implementeringsexemplet. Kodens grafiska utgång är enligt följande. Jag använde kommandot IPython-klistra för att sätta detta direkt i IPython-konsolen i Ubuntu, så att den grafiska produktionen förblev i sikte. De pink upticksna representerar inköp av lageret, medan de svarta downtickarna representerar att sälja tillbaka: Såsom kan ses, förlorar strategin pengar under perioden, med fem rundturer. Detta är inte förvånande med tanke på AAPL: s beteende under perioden, vilket var en liten nedåtgående trend följt av en signifikant uppgång som började 1998. Utsläppsperioden för de rörliga genomsnittssignalerna är ganska stor och detta påverkade slutresultatets vinst , Vilket annars kan ha gjort strategin lönsam. I efterföljande artiklar kommer vi att skapa ett mer sofistikerat sätt att analysera prestanda, samt beskriva hur man optimerar utkikningsperioderna för de individuella rörliga genomsnittssignalerna. Just Komma igång med Kvantitativ TradingSimple rörlig genomsnittlig crossover backtest handledning 18 Jag är ny på SIT och vill använda den för att backtesting min strategi. Jag sökte google för en enkel handledning om att använda SIT men hitta ingenting. Den enda handledning som jag hittade var från Inovance och din men det är väldigt komplicerat och jag har ingen aning om hur man utför en enkel glidande genomsnittlig övergångsstrategi med en stock microsoft (MSFT) nära pris med hjälp av SIT och quantmod (jag känner till det här biblioteket). Om möjligt kan du skriva en handledning för MA crossover-strategi. Detta är kod jag skrev. Hur kan jag använda ovanstående kod med SITs-verktyg för backtesting. Jag har också installerat SIT i R men när jag försökte detta ger den här Varför ger den här ett fel Hej tack för det snabba svaret. Jag försöker denna kod. Jag är förvirrad med dessa delpriser datapriser, datavikt NA, datavikt signal. Jag skrev om min kod. Men det ger fel i kodstrategier Du kan inte utföra den åtgärden just nu. Du loggade in med en annan flik eller ett fönster. Uppdatera för att uppdatera din session. Du loggade ut i en annan flik eller ett fönster. Uppdatera för att uppdatera din session. Python vs R 3: En enkel glidande genomsnittlig crossover-backtest på SPY Detta är den tredje i en serie som jämför Python och R för kvantitativ handelsanalys. Med hjälp av zipline-ramverket för Python och arbetet med Systematic Investor Toolbox för R. implementerar jag samma glidande medelvärdesöverföringsmodell på varje språk. På grund av Pythons OOP-natur finns det många skillnader mellan de två språken, vilket leder till ungefär dubbelt så mycket kod. Förmodligen är den tillsatta OO-komplexiteten användbar i mycket mer komplicerade strategier. Nästa i serien kommer att titta på de inbyggda prestandametri av språken och tillgängliga backtesting-paket.
No comments:
Post a Comment