维护网站是什么意思,网页开发步骤,温州网页设计培训,乔拓云官网免费背景 Background
最近想学习一下量化金融#xff0c;总算在盈透投资者教育#xff08;IBKRCampus#xff09;板块找到一篇比较好的算法交易入门教程。我在记录实践过程后#xff0c;翻译成中文写成此csdn博客#xff0c;分享给大家。
如果你的英语好可以直接看原文…背景 Background
最近想学习一下量化金融总算在盈透投资者教育IBKRCampus板块找到一篇比较好的算法交易入门教程。我在记录实践过程后翻译成中文写成此csdn博客分享给大家。
如果你的英语好可以直接看原文。原文在数据准备阶段采用了 pandas_datareader.data 读取网络数据实际中出现了很多问题我换成了 yfinance。可以参考文末完整代码。
参考资料https://www.interactivebrokers.com/campus/ibkr-quant-news/basic-trading-algorithms-in-python/
算法交易简介 Introduction
算法交易的兴起改变了金融市场让交易者能够在数据驱动下做出精确的决策。具备 Pandas 和 NumPy 等强大第三方库的 Python 语言是开发交易算法的首选。本文将指导您利用这些库在 Python 中创建基本的交易算法。
算法交易指的是使用远超过人类能力的计算机程序去提升交易速度和频率这些算法通过分析市场数据观察交易时机基于预先给定的规则去执行交易命令。
算法交易有一些核心优势包括 速度指令可以在低于百万分之一秒的时间内运行 准确度减少人类的操作误差 连续性持续操作不会像人类一样感到疲倦
为什么使用 Python 进行交易 Why Use Python
Python的简洁语法和灵活性支持大量不同种类的第三方库使其成为交易算法的理想语言。这篇文章主要聚焦于两个主要的第三方库Pandas和NumPy。 Pandas对于数据管理和分析提供了一系列数据结构和函数可以毫不费力与这些结构化数据协同工作 NumPy对于数学计算处理巨大的、多维的数组和矩阵有一系列配套的数学函数。
其他有用的Python库包括
scikit-learning用于在算法交易中加入机器学习内容matplotlib用于过程和结构的数据可视化
准备开发环境 Environment
创建 Conda 环境 安装 Pandas 和 NumPy 库 数据获取和预处理 Data preparation
import yfinance as yf
import datetime
import numpy as np
# data preparation
# Define the start and end date
start datetime.datetime(2020, 1, 1)
end datetime.datetime(2022, 1, 1)# Fetch data for a particular stockstock_data yf.download(AAPL, start2022-01-01, end2022-12-31)
print(stock_data.head())计算技术指标 Technical Indicators
移动均线 Moving AverageMA
# technical indicator
# Simple Moving Average (SMA)
stock_data[SMA_20] stock_data[Adj Close].rolling(window20).mean()
# Exponential Moving Average (EMA)
stock_data[EMA_20] stock_data[Adj Close].ewm(span20, adjustFalse).mean()
相对力量指数 Relative Strength IndexRSI
# RSI
def calculate_rsi(data, window):delta data[Adj Close].diff(1)gain (delta.where(delta 0, 0)).rolling(windowwindow).mean()loss (-delta.where(delta 0, 0)).rolling(windowwindow).mean()rs gain / lossrsi 100 - (100 / (1 rs))return rsistock_data[RSI_14] calculate_rsi(stock_data, 14)一个基础的交易算法 A Basic Trading Algorithm
定义策略 Define the Strategy
# Define a strategy
# Calculate longer-term SMA
stock_data[SMA_50] stock_data[Adj Close].rolling(window50).mean()# Create buy/sell signals
stock_data[Signal] 0
stock_data.loc[stock_data.index[20]:, Signal] np.where(stock_data.loc[stock_data.index[20]:, SMA_20] stock_data.loc[stock_data.index[20]:, SMA_50], 1, 0)
stock_data[Position] stock_data[Signal].diff()
回测策略 Backtesting the Strategy
# Backtest
initial_capital 100000.0
stock_data[Holdings] stock_data[Adj Close] * stock_data[Position].cumsum()
stock_data[Cash] initial_capital - (stock_data[Adj Close] * stock_data[Position]).cumsum()
stock_data[Total] stock_data[Cash] stock_data[Holdings]分析结果 Analyzing the Results
# Analizing results
cumulative_returns (stock_data[Total].iloc[-1] - initial_capital) / initial_capital
average_daily_returns stock_data[Returns].mean()
volatility stock_data[Returns].std()print(Cumulative Returns: {:.2f}%.format(cumulative_returns * 100))
print(Average Daily Returns: {:.4f}.format(average_daily_returns))
print(Volatility: {:.4f}.format(volatility))结论 Conclusion
利用Python的Pandas和NumPy库开发基础交易算法是一个有利的手段去驱使数据为交易决定增加信息。这篇文章提供了一个基础的指导去准备数据、计算技术指标、完成一个简单的交易策略和评估其表现。
当你继续探索和试图打磨你的算法的时候记住金融市场是复杂和持续变化的。
不断的学习和适应市场环境是在算法交易中取得成功的关键。
完整代码 Code
import yfinance as yf
import datetime
import numpy as np
# data preparation
# Define the start and end date
start datetime.datetime(2020, 1, 1)
end datetime.datetime(2022, 1, 1)# Fetch data for a particular stockstock_data yf.download(AAPL, start2022-01-01, end2022-12-31)
print(stock_data.head())# technical indicator
# Simple Moving Average (SMA)
stock_data[SMA_20] stock_data[Adj Close].rolling(window20).mean()# Exponential Moving Average (EMA)
stock_data[EMA_20] stock_data[Adj Close].ewm(span20, adjustFalse).mean()# RSI
def calculate_rsi(data, window):delta data[Adj Close].diff(1)gain (delta.where(delta 0, 0)).rolling(windowwindow).mean()loss (-delta.where(delta 0, 0)).rolling(windowwindow).mean()rs gain / lossrsi 100 - (100 / (1 rs))return rsistock_data[RSI_14] calculate_rsi(stock_data, 14)# Define a strategy
# Calculate longer-term SMA
stock_data[SMA_50] stock_data[Adj Close].rolling(window50).mean()# Create buy/sell signals
stock_data[Signal] 0
stock_data.loc[stock_data.index[20]:, Signal] np.where(stock_data.loc[stock_data.index[20]:, SMA_20] stock_data.loc[stock_data.index[20]:, SMA_50], 1, 0)
stock_data[Position] stock_data[Signal].diff()
# Backtest
initial_capital 100000.0
stock_data[Holdings] stock_data[Adj Close] * stock_data[Position].cumsum()
stock_data[Cash] initial_capital - (stock_data[Adj Close] * stock_data[Position]).cumsum()
stock_data[Total] stock_data[Cash] stock_data[Holdings]# Calculate returns
stock_data[Returns] stock_data[Total].pct_change()# Print final portfolio value
print(Final Portfolio Value: ${}.format(stock_data[Total].iloc[-1]))# Analizing results
cumulative_returns (stock_data[Total].iloc[-1] - initial_capital) / initial_capital
average_daily_returns stock_data[Returns].mean()
volatility stock_data[Returns].std()print(Cumulative Returns: {:.2f}%.format(cumulative_returns * 100))
print(Average Daily Returns: {:.4f}.format(average_daily_returns))
print(Volatility: {:.4f}.format(volatility))
