Nós apresentamos anteriormente como criar médias móveis usando python. Este tutorial será uma continuação deste tópico. Uma média móvel no contexto das estatísticas, também chamada de média de deslocamento, é um tipo de resposta de impulso finito. Em nosso tutorial anterior, traçamos os valores das matrizes x e y: Let8217s traçam x contra a média móvel de y que devemos chamar yMA: Em primeiro lugar, let8217s igualam o comprimento de ambos os arrays: E para mostrar isso em contexto: O resultante Gráfico: Para ajudar a entender isso, let8217s traçam dois relacionamentos diferentes: x vs y e x vs MAy: A média móvel aqui é o gráfico verde que começa em 3: Compartilhe isso: Curtiu: Postar navegação Deixe uma resposta Cancelar resposta Muito útil eu Gostaria de ler a última parte em grandes conjuntos de dados Espero que venha em breve8230 d blogueiros como este: eu estou jogando em Python um pouco novamente e encontrei um livro limpo com exemplos. Um dos exemplos é traçar alguns dados. Eu tenho um arquivo. txt com duas colunas e eu tenho os dados. Eu planejei os dados bem, mas no exercício que diz: Modifique seu programa ainda para calcular e traçar a média de execução dos dados, definida por: onde r5 neste caso (e o yk é a segunda coluna no arquivo de dados) . Peça ao programa que trace os dados originais e a média em execução no mesmo gráfico. Até agora, eu tenho isso: então, como faço para calcular a soma em Mathematica é simples desde sua manipulação simbólica (Sumi, por exemplo), mas como calcular a soma em python, que leva cada dez pontos nos dados e a média, e faz isso Até o final dos pontos eu olhei para o livro, mas não encontrei nada que explicasse isso: o código da heltonbikers fez o truque: D Muito obrigado :) Existe um problema com a resposta aceita. Eu acho que precisamos usar válido em vez do mesmo aqui - retornar numpy. convolve (intervalo, janela, o mesmo). Como um exemplo, experimente a MA desse conjunto de dados 1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6 - o resultado Deve ser de 4,2,5,4,6,0,5,0,5,0,5,2,5,4,4,4,5,4,5,6,5,6,4,6,7,0,6,8. Mas ter o mesmo dá-nos uma produção incorreta de 2.6,3.0,4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6, 4.6,7.0,6.8,6.2,4.8 Código oxidado para tentar isso -: Tente isso com um válido amplificador e veja se a matemática faz sentido. Respondeu 29 de outubro às 4:27 Haven39t tentou isso, mas eu vou olhar para ele, faz um tempo desde que eu fui codificado em Python. Ndash dingod 29 de outubro 14 às 7:07 dingod Por que não tenta rapidamente isso com o código oxidado (e o conjunto de dados de amostra (como uma lista simples), publiquei. Para algumas pessoas preguiçosas (como eu já estive no início) - está mascarando o fato de que a média móvel está incorreta. Provavelmente, você deveria considerar a edição de sua resposta original. Eu tentei isso apenas ontem e as revisões duplas me salvaram de parecer mal em relatar ao nível Cxo. Tudo o que você precisa fazer é tentar Sua mesma média móvel uma vez com quotvalidquot e outra vez com quotsamequot - e uma vez que você está convencido me dê um pouco de amor (aka-up-vote) ndash ekta 29 de outubro 14 em 7: 16Backtesting um Crossover média móvel em Python com pandas No artigo anterior Em Ambientes de Teste de Pesquisa em Python Com Pandas, criamos um ambiente de backtesting baseado em pesquisa orientado a objetos e testávamos isso em uma estratégia de previsão aleatória. Neste artigo, usaremos o mecanismo que introduzimos para realizar pesquisas sobre uma estratégia real, ou seja, O movimento Crossover médio na AAPL. Estratégia de Crossover média móvel A técnica de Crossover de média móvel é uma estratégia de impulso simplista extremamente conhecida. Muitas vezes é considerado o exemplo do Hello World para negociação quantitativa. A estratégia descrita aqui é longa apenas. São criados dois filtros de média móvel simples separados, com diferentes períodos de lookback, de uma série temporal específica. Os sinais para comprar o recurso ocorrem quando a média móvel de lookback mais curta excede a média móvel de lookback mais longa. Se a média mais longa exceder a média mais curta, o ativo é vendido de volta. A estratégia funciona bem quando uma série temporal entra em um período de forte tendência e, em seguida, inverte lentamente a tendência. Para este exemplo, escolhi a Apple, Inc. (AAPL) como a série temporal, com um curto lookback de 100 dias e um longo lookback de 400 dias. Este é o exemplo fornecido pela biblioteca de negociação algorítmica de tirolesa. Assim, se quisermos implementar nosso próprio backtester, precisamos garantir que ele coincida com os resultados na linha aérea, como um meio básico de validação. Implementação Certifique-se de seguir o tutorial anterior aqui. Que descreve como a hierarquia de objeto inicial para o backtester é construída, caso contrário, o código abaixo não funcionará. Para esta implementação particular eu usei as seguintes bibliotecas: A implementação do macross. py requer backtest. py do tutorial anterior. O primeiro passo é importar os módulos e objetos necessários: como no tutorial anterior, vamos sub-classificar a classe básica abstrata Estratégia para produzir MovingAverageCrossStrategy. Que contém todos os detalhes sobre como gerar os sinais quando as médias móveis da AAPL se cruzam. O objeto requer uma janela curta e uma longa janela para operar. Os valores foram configurados para padrões de 100 dias e 400 dias, respectivamente, que são os mesmos parâmetros usados no exemplo principal de tirolesa. As médias móveis são criadas usando a função pandas rollingmean nas barras. O preço de fechamento fechado do estoque AAPL. Uma vez que as médias móveis individuais foram construídas, a série do sinal é gerada definindo a coluna igual a 1,0 quando a média móvel curta é maior do que a média móvel longa, ou 0,0 caso contrário. A partir disso, as ordens de posições podem ser geradas para representar sinais de negociação. O MarketOnClosePortfolio é subclassado do Portfolio. Que é encontrado em backtest. py. É quase idêntico à implementação descrita no tutorial anterior, com a exceção de que os negócios são agora realizados em uma base Close-to-Close, em vez de Open-to-Open. Para obter detalhes sobre como o objeto Portfolio está definido, consulte o tutorial anterior. Eu deixei o código em completo e mantenho esse tutorial autônomo. Agora que as classes MovingAverageCrossStrategy e MarketOnClosePortfolio foram definidas, uma função principal será chamada para amarrar toda a funcionalidade em conjunto. Além disso, o desempenho da estratégia será examinado através de um gráfico da curva de equidade. O objeto DataReader de pandas baixa os preços de ações da AAPL da OHLCV para o período de 1º de janeiro de 1990 a 1º de janeiro de 2002, em que ponto os sinais DataFrame são criados para gerar os sinais de longo tempo. Posteriormente, o portfólio é gerado com uma base de capital inicial de 100.000 USD e os retornos são calculados na curva de patrimônio. O passo final é usar matplotlib para plotar um gráfico de dois dígitos de ambos os preços AAPL, superado com as médias móveis e os sinais de buysell, bem como a curva de equidade com os mesmos sinais de compra. O código de plotagem é tomado (e modificado) do exemplo de implementação de tirolesa. A saída gráfica do código é a seguinte. Eu usei o comando de pasta IPython para colocar isso diretamente no console do IPython, enquanto no Ubuntu, de modo que a saída gráfica permaneceu em exibição. As barras-de-rosa cor-de-rosa representam a compra do estoque, enquanto os bastões negros representam vendê-lo de volta: como pode ser visto, a estratégia perde dinheiro durante o período, com cinco comércios de ida e volta. Isso não é surpreendente, dado o comportamento da AAPL durante o período, que estava em uma ligeira tendência descendente, seguido de um aumento significativo em 1998. O período de lookback dos sinais da média móvel é bastante grande e isso impactou o lucro do comércio final , O que de outra forma pode ter tornado a estratégia rentável. Em artigos subseqüentes, criaremos um meio mais sofisticado de análise de desempenho, bem como descrevendo como otimizar os períodos de lookback dos sinais individuais de média móvel.
No comments:
Post a Comment