Trading algoritmico con Python - pagina 14

[MetaQuotes]

Trading algoritmico con Python (indicatore delle bande di Bollinger)

Trading Algorítmico con Python (Indicador Bandas de Bollinger)

In questo video, il relatore discute le bande di Bollinger, come misurano la volatilità del mercato e come creare un sistema di ordini automatizzato basato su di esse utilizzando Python. Il relatore illustra le principali librerie utilizzate, come Yahoo Finance e Pandas, e sottolinea l'importanza di specificare i parametri per personalizzare il sistema per ogni titolo analizzato. Dimostrano anche l'aggiunta di dati alle colonne di acquisto e vendita e come confrontare la data dell'ultima vendita con la data corrente e avviare una vendita se corrispondono. Infine, il relatore ricorda agli spettatori che l'analisi tecnica non è sempre accurata e suggerisce di combinare vari indicatori e utilizzare l'intelligenza artificiale per prendere decisioni di trading informate.

• 00:00:00 In questa sezione, il relatore introduce il concetto di bande di Bollinger, che misurano la volatilità del mercato e includono una linea media mobile centrale e linee di deviazione superiore e inferiore. Il relatore discute quindi come creare un sistema di ordini automatizzato basato su queste bande, che può eseguire un ordine di acquisto o vendita quando vengono soddisfatti determinati criteri. Il relatore fornisce una panoramica del codice utilizzato per creare questo sistema, comprese le principali librerie utilizzate, come Yahoo Finance per il recupero dei dati e Pandas per l'analisi dei dati. Inoltre, il relatore spiega l'importanza di specificare parametri, come n20 e n2, per personalizzare il sistema per ciascun titolo analizzato.
  
  
• 00:05:00 In questa sezione, l'oratore spiega come aggiungere dati alle colonne di acquisto e vendita create in precedenza nel codice. Dimostrano che i dati possono essere aggiunti alla parte "accadere" della colonna o lasciati vuoti usando "np.nal". Il relatore spiega anche che si sono specializzati in questo algoritmo per lavorare solo con i dati di vendita, eliminando le colonne vuote e salvando i dati in un file CSV. Quindi mostrano come confrontare la data dell'ultima vendita con la data corrente e avviare una vendita se corrispondono. Infine, ricordano agli spettatori che l'analisi tecnica non è sempre accurata al 100% e suggeriscono di combinare vari indicatori e creare algoritmi con intelligenza artificiale per prendere decisioni di trading informate.

[MetaQuotes]

Crea un grafico a candele con Python (Note della libreria Pandas)

Crea grafico a candela con Python (Note della libreria Pandas)

Il video fornisce una guida dettagliata su come creare grafici a candele utilizzando la libreria Pandas di Python con dati CSV. Inizia con l'importazione dei dati CSV e la creazione di un frame di dati da utilizzare per la creazione del grafico. Il tutorial copre anche l'installazione della libreria finanziaria mpl utilizzata per i grafici finanziari. Il video evidenzia l'importanza di comprendere Pandas per utilizzarlo efficacemente in Python e come modificare il tipo di grafico e l'intervallo di date per rappresentazioni accurate dei dati. Questo è utile anche per attività come la modellazione per il trading automatico.

• 00:00:00 In questa sezione, lo YouTuber spiega come creare grafici a candele utilizzando la libreria Pandas di Python con dati CSV. Il primo passo è ottenere i dati storici in formato CSV, che possono essere scaricati da varie fonti online. Una volta che i dati CSV sono stati importati nello script, viene creato un frame di dati, ovvero una raccolta di dati che possono essere utilizzati per creare il grafico a candele. Lo YouTuber passa quindi a mostrare come selezionare colonne specifiche dal frame di dati per creare il grafico. Questi grafici possono essere utilizzati in combinazione con algoritmi di apprendimento automatico per il trading automatico.
  
  
• 00:05:00 In questa sezione, il video illustra come creare un grafico a candele con Python utilizzando la libreria Pandas. L'esercitazione inizia selezionando le colonne da un set di dati e invertendo l'ordine di un DataFrame, che è un passaggio importante quando si lavora con i dati del mercato azionario. Il video copre anche l'installazione di mpl finance, una libreria utilizzata per creare trame finanziarie. Il tutorial procede quindi all'importazione di Panda e mpl finance prima di selezionare il file CSV da utilizzare.
  
  
• 00:10:00 In questa sezione del tutorial, il relatore spiega come creare grafici a candele utilizzando la libreria Pandas di Python. Utilizzando i Data Frame, i valori di chiusura delle azioni possono essere visualizzati su un grafico. Il relatore spiega come selezionare diversi tipi di grafici utilizzando la libreria mpf e come modificare l'intervallo di date per ingrandire periodi specifici. Il tutorial fornisce una guida dettagliata e sottolinea l'importanza di comprendere Panda per utilizzare efficacemente questa libreria in Python.
  
  
• 00:15:00 In questa sezione, il video mostra come creare un grafico a candele utilizzando la libreria Pandas di Python. Il primo passo è creare un DataFrame chiamato "Chart" leggendo i dati da un file CSV. Il passaggio successivo consiste nell'utilizzare DataFrame per creare un grafico a candele utilizzando la libreria "mpl_finance". Il video mostra come personalizzare il grafico e modificarlo in grafici a linee o altri tipi di grafici. Il codice utilizzato per creare il grafico è fornito anche nella descrizione del video. Il video sottolinea inoltre l'importanza di selezionare l'intervallo di date appropriato quando si selezionano i dati dal DataFrame, in quanto ciò può essere utile per altre attività come la modellazione.

[MetaQuotes]

Trading algoritmico con Python (Albero decisionale)

Trading Algorítmico con Python (Arbol de decisioni)

In questo video sul trading algoritmico con Python, l'oratore utilizza un approccio ad albero decisionale per prevedere il movimento dei prezzi di Bitcoin sulla base di correlazioni storiche tra SP500, oro ed ethereum. Il modello viene addestrato utilizzando i dati del giorno corrente e quindi utilizzato per prevedere i risultati del giorno successivo. Sebbene gli alberi decisionali possano essere utili per le previsioni, il relatore osserva che potrebbe non essere perfetto con solo un piccolo campione di dati. Gli spettatori possono accedere a più strategie di trading algoritmico, corsi e articoli relativi all'intelligenza artificiale e Python sul sito Web fornito nel video.

• 00:00:00 In questa sezione della trascrizione, il relatore introduce il processo decisionale utilizzando un approccio algoritmico, con particolare attenzione agli alberi decisionali. La metodologia dell'albero decisionale viene applicata ai dati delle correlazioni storiche del movimento dei prezzi tra p500, oro ed ethereum per prevedere il movimento dei prezzi di Bitcoin. Il modello di addestramento si basa sui dati X per il giorno corrente, che vengono utilizzati per prevedere i dati per il giorno successivo. L'oratore afferma di aver sviluppato il proprio approccio, applicando l'intuizione e la logica al processo.
  
  
• 00:05:00 In questa sezione, il video mostra come utilizzare una strategia di trading algoritmico per prevedere se il prezzo di Bitcoin salirà o scenderà il giorno successivo. L'algoritmo utilizza un modello di albero decisionale che viene addestrato utilizzando i dati esistenti e quindi prevede i risultati futuri in base alle funzionalità di input. L'esempio mostrato nel video ha un set di dati limitato, ma lo stesso approccio potrebbe essere utilizzato con set di dati più grandi per migliorare la precisione. Inoltre, il video fornisce un sito Web in cui gli spettatori possono accedere a più strategie di trading algoritmico, oltre a corsi e articoli relativi all'intelligenza artificiale e Python.
  
  
• 00:10:00 In questa sezione, il relatore spiega come utilizzare gli alberi decisionali per fare previsioni di trading algoritmico con Python. Dimostrano l'uso di alberi decisionali assegnando valori numerici ai termini "su" e "giù" per analizzare le correlazioni nei dati. Il relatore suggerisce che mentre gli alberi decisionali possono essere utili per fare previsioni, potrebbero non essere perfetti con solo un piccolo campione di dati. Suggeriscono inoltre che gli alberi decisionali possono essere applicati per prevedere altri tipi di grafici e che, per un maggiore apprendimento, le persone possono accedere all'intelligenza artificiale.

[MetaQuotes]

Python per gli investimenti: come ottenere l'indice del dollaro? DXY

Python para inversiones: ¿Cómo sacar Dollar Index? DXY

Il video copre l'estrazione dei dati dell'indice DXY, che misura la forza del dollaro USA rispetto ad altre valute, utilizzando le librerie Beautiful Soup e Pandas di Python. Il presentatore fornisce un codice che estrae le informazioni sulla percentuale di variazione dai dati DXY e le salva in un file CSV per ulteriori analisi dei dati e scopi di machine learning. Inoltre, condividono il loro sito Web con corsi gratuiti su Python, finanza e trading algoritmico. Pertanto, il video è un'utile guida per l'estrazione di dati finanziari utilizzando Python.

• 00:00:00 In questa sezione, il relatore introduce il concetto di indice DXY, che misura la forza del dollaro USA rispetto ad altre valute come l'euro, lo yen, la sterlina, il dollaro canadese, il franco svizzero e la corona svedese. Il relatore spiega che questi dati possono essere utili per investimenti automatizzati, analisi dei dati e apprendimento automatico. Quindi fornisce un codice per estrarre i dati DXY da una pagina Web utilizzando la libreria Beautiful Soup di Python, con l'obiettivo di ottenere la variazione dell'indice. L'oratore condivide anche il suo handle di Instagram e la pagina web da cui raccoglie i dati.
  
  
• 00:05:00 In questa sezione del video, il presentatore mostra come estrarre il Dollar Index (DXY) utilizzando Python a scopo di investimento. Il relatore utilizza un pezzo di codice che salva le informazioni DXY in un file CSV per un'analisi successiva. Il codice prima estrae le informazioni sulla percentuale dai dati DXY, quindi le separa dalle informazioni sulla data utilizzando le funzioni "dividi" e "sostituisci". Infine, il codice salva le informazioni estratte in un file CSV che include due colonne: una con la data e l'altra con la percentuale di variazione. Il presentatore suggerisce che i dati estratti possono essere utilizzati per l'apprendimento automatico e l'analisi dei dati.
  
  
• 00:10:00 In questa sezione, il relatore mostra come estrarre l'indice del dollaro usando Python. Mostrano estratti da uno script Python e spiegano come funziona. Il codice utilizza la libreria panda per estrarre i dati da una tabella HTML e archiviarli in un file CSV per ulteriori analisi. Il relatore fornisce anche un collegamento al loro sito Web con corsi gratuiti su Python, trading algoritmico e finanza. Nel complesso, il video fornisce una guida utile per chiunque desideri estrarre dati finanziari utilizzando Python.

[MetaQuotes]

Trading algoritmico con Python - Corso completo

Trading algoritmico con Python - Corso completo

00:00:00 - 01:00:00 Questo video spiega come usare Python per scambiare azioni in modo algoritmico. Inizia introducendo le basi della libreria pandas e poi dimostra come usarla per creare un frame di dati. Il corso mostra quindi come eseguire una richiesta HTTP per uno stock e come utilizzare i risultati della chiamata API per popolare il frame di dati. Infine, il corso discute come migliorare le prestazioni del codice raggruppando le richieste API.

01:00:00 - 02:00:00 Questo video illustra come utilizzare Python per negoziare azioni utilizzando un algoritmo automatizzato. Inizia creando un elenco di azioni e simboli e quindi trasformando tali azioni in stringhe. Successivamente, il video crea un URL per avviare una richiesta HTTP utilizzando quella stringa. Infine, il video mostra come eseguire tale richiesta e recuperare i dati.

02:00:00 - 03:00:00 Questo video insegna come utilizzare Python per creare una strategia di trading algoritmica che utilizza il rapporto prezzo-utili come metrica di valore. La strategia seleziona le azioni in base a questa metrica e formula raccomandazioni di acquisto e vendita in base al prezzo corrente delle azioni.

03:00:00 - 04:00:00 Questo video tutorial spiega come utilizzare Python per negoziare azioni in modo algoritmico. Descrive come calcolare vari indicatori di successo, come gestire i dati mancanti e come utilizzare la gestione delle eccezioni per sostituire i valori mancanti.

04:00:00 - 04:30:00 Questo video spiega come calcolare i punteggi percentili per diverse metriche di borsa utilizzando Python. Descrive anche come utilizzare Python per creare un file Excel contenente i prezzi delle azioni e le dimensioni delle posizioni per call e put e come formattare il file per la stampa.

Parte 1:

• 00:00:00 Questo corso riguarda il trading algoritmico e Python. Il primo progetto sta costruendo una versione di pari peso del popolare fondo indicizzato S&P 500. Il secondo progetto è una strategia di momentum quantitativo che seleziona i migliori titoli sulla base di una varietà di momentum, metriche di investimento. Il terzo progetto è uno screening quantitativo del valore che seleziona titoli interessanti sulla base di una serie di metriche di valore.
  
  
• 00:05:00 Questo corso è progettato per insegnare Python per il trading algoritmico. Python è un linguaggio popolare per questo tipo di trading, ma è un linguaggio lento. Molti professionisti hanno scoperto che Python viene spesso utilizzato come linguaggio collante per attivare il codice che viene effettivamente eseguito in altri linguaggi. In questo corso utilizzeremo Python per sviluppare tre strategie di trading algoritmico.
  
  
• 00:10:00 Questo video introduce il linguaggio di programmazione Python e mostra come utilizzarlo per accedere ai dati dalle API online. Il corso si concentrerà sull'utilizzo dell'API del codice IRS per raccogliere dati sul mercato azionario.
  
  
• 00:15:00 In questo video, l'istruttore introduce i concetti del trading algoritmico e come creare varie strategie di investimento in Python. Il primo progetto è quello di creare una versione di pari peso del fondo indicizzato S&P 500.
  
  
• 00:20:00 Questo video tutorial di Python spiega come utilizzare le librerie NumPy, panda, request e XLS per creare una strategia di trading algoritmica.
  
  
• 00:25:00 Questo video è un tutorial su come usare Python per fare trading di azioni. Il primo passaggio consiste nel salvare un elenco delle 500 azioni dell'S&P 500 in un file CSV. Quindi, importiamo nel nostro Jupyter Notebook la chiave API IE x cloud e la utilizziamo per acquisire un token API. Iniziamo importando nel nostro script il file secrets.py, che memorizza informazioni sensibili come la chiave API. Utilizziamo quindi la chiave API per acquisire dati finanziari dall'API IE x cloud. I dati sono archiviati nel data frame di un panda e possiamo stampare i dati per verificarne il funzionamento.
  
  
• 00:30:00 Questa parte del tutorial di Python illustra come utilizzare l'API cloud per eseguire query sulla capitalizzazione di mercato e sui prezzi delle azioni per i singoli titoli.
  
  
• 00:35:00 Il video spiega come utilizzare la libreria delle richieste per eseguire una richiesta HTTP e memorizzare i risultati in una variabile. Mostra come creare un endpoint API utilizzando lo strumento da riga di comando curl e come eseguire la richiesta. La variabile dati contiene l'oggetto risposta dalla richiesta, che ha il codice di stato e altre informazioni.
  
  
• 00:40:00 Questo video spiega come utilizzare il linguaggio di programmazione Python per negoziare azioni utilizzando algoritmi. Il video mostra come configurare un ambiente Python e come utilizzare il metodo dot JSON per convertire i dati da una richiesta HTTP in un oggetto JSON. La variabile data nell'ambiente Python si comporta allo stesso modo della variabile di modifica estesa nei documenti iX Cloud. Il video spiega che i dati sui prezzi nell'iX Cloud potrebbero non essere accurati e mostra come verificare l'accuratezza utilizzando una ricerca su Google.
  
  
• 00:45:00 In questo video, l'autore spiega come analizzare una chiamata API, quotare le azioni e calcolare la loro capitalizzazione di mercato. Quindi spiegano come aggiungere punti dati al frame di dati di un panda e mostrano come farlo stampando il frame di dati come elenco.
  
  
• 00:50:00 Questo video descrive come usare Python per scambiare azioni in modo algoritmico. Il corso inizia introducendo le basi dei panda, una libreria di analisi dei dati, per poi passare alla creazione di un data frame e di una serie di panda. Il corso mostra quindi come eseguire una richiesta HTTP per uno stock e come utilizzare i risultati della chiamata API per popolare il frame di dati di un panda. Infine, il corso mostra come migliorare le prestazioni del codice raggruppando le richieste API.
  
  
• 00:55:00 Questo video fornisce una panoramica dell'argomento del trading algoritmico utilizzando Python, con particolare attenzione all'uso della libreria di frame di dati panda e all'uso di chiamate API batch per velocizzare il codice. Il video illustra come suddividere un elenco di azioni in blocchi di 100 e come utilizzare la funzione blocchi per generare un elenco di elenchi di serie di panda, ognuno dei quali è limitato a 100 elementi. Infine, viene utilizzato un ciclo for per eseguire chiamate API batch per ciascun titolo nell'elenco dei titoli e le informazioni di ciascun titolo vengono aggiunte al frame di dati finale.

Parte 2:

• 01:00:00 Questo video tutorial su Python dimostra come utilizzare il linguaggio di programmazione Python per negoziare azioni utilizzando un algoritmo automatizzato. Il video inizia creando un elenco di azioni e simboli e quindi trasformando tali azioni in stringhe. Successivamente, il video crea un URL per avviare una richiesta HTTP utilizzando quella stringa. Infine, il video mostra come eseguire tale richiesta e recuperare i dati.
  
  
• 01:05:00 Questo video insegna come usare Python per fare trading algoritmico. Descrive come creare un URL di chiamata API, analizzare i dati dalla chiamata API e utilizzare la libreria delle richieste per ottenere i dati. Il video mostra anche come aggiungere un indice ignore alla classe della serie pandas e come eseguire il codice.
  
  
• 01:10:00 Questo script Python calcola rapidamente il numero di azioni da acquistare per una dimensione del portafoglio inserita dall'utente.
  
  
• 01:15:00 Questo script Python calcola la dimensione della posizione e acquista azioni di un'azione per raggiungere quella dimensione della posizione. Utilizza la funzione di arrotondamento del modulo matematico per arrotondare per difetto il numero di azioni da acquistare.
  
  
• 01:20:00 Il video mostra come usare Python per fare trading di azioni. La prima sezione del video spiega come accedere e utilizzare i dati in un dataframe. La seconda sezione spiega come salvare il dataframe in un file Excel.
  
  
• 01:25:00 Questo video dimostra come utilizzare Python per creare algoritmi per il trading. Il primo passo è creare un file Excel e passare il dataframe da un modulo panda. Successivamente, viene introdotta la formattazione, con diversi formati per le celle stringa, dollaro e interi. Infine, il formato viene applicato alle celle nel file Excel.
  
  
• 01:30:00 Questo video insegna come utilizzare Python per negoziare azioni utilizzando un algoritmo automatizzato. La prima parte del video spiega come creare un formato colonna in un dizionario, che viene utilizzato per formattare le colonne in un foglio di calcolo Excel. La seconda parte del video mostra come creare due cicli che formattano automaticamente le colonne nel foglio di calcolo.
  
  
• 01:35:00 Questo video spiega come creare una strategia di trading algoritmico in Python utilizzando un ambiente virtuale. Innanzitutto, l'istruttore apre un Jupyter Notebook per avviare l'ambiente virtuale. Successivamente, attivano l'ambiente virtuale e creano un nuovo progetto. Il progetto include un modello di previsione del prezzo delle azioni, un modello di previsione della capitalizzazione di mercato e un numero di azioni da acquistare modello di previsione. L'istruttore mostra quindi come scorrere i modelli e generare le previsioni in un file. Infine, mostrano come salvare il file e terminare la lezione.
  
  
• 01:40:00 In questo video, notebookist spiega come utilizzare Python per negoziare azioni utilizzando una strategia di trading algoritmica. Il corso illustra come importare librerie, come effettuare chiamate API e come costruire una strategia basata sullo slancio.
  
  
• 01:45:00 Questo video insegna come usare Python per il trading algoritmico. Copre le basi su come utilizzare la lingua per l'analisi delle prestazioni e il trading. Il video mostra come utilizzare la libreria Requests per effettuare una semplice chiamata API per ottenere dati di borsa.
  
  
• 01:50:00 In questo video, l'autore dimostra come utilizzare Python per creare chiamate API batch per il trading algoritmico. L'autore prima divide un elenco di azioni in gruppi di 100, quindi crea un data frame vuoto di Panda e lo istanzia. Per ogni titolo nell'elenco delle stringhe di simboli, l'autore crea un URL di chiamata API batch e chiama il metodo JSON su di esso per trasformarlo da oggetto di richiesta a oggetto JSON.
  
  
• 01:55:00 Il video spiega come utilizzare Python per negoziare azioni utilizzando algoritmi. L'istruttore dimostra come eseguire il looping delle azioni, analizzare le metriche pertinenti e aggiungerle a un dataframe.

Parte 3:

• 02:00:00 Questo video tutorial spiega come utilizzare Python per negoziare azioni utilizzando algoritmi. Descrive come creare un frame di dati, eseguire il loop su simboli, effettuare chiamate API e ordinare i dati. Il frame di dati finale viene utilizzato per determinare quali azioni acquistare.
  
  
• 02:05:00 Questo video tutorial di Python mostra come utilizzare la libreria pandas per calcolare il numero di azioni da acquistare per una strategia momentum. L'esercitazione prima ordina le righe di un frame di dati in base ai rendimenti del prezzo di un anno e quindi usa il parametro inplace equals true per modificare il frame di dati originale, invece di restituire una copia temporanea. Successivamente, il frame di dati viene modificato per contenere solo i 50 titoli con il momentum di prezzo più elevato. Infine, la funzione per calcolare il numero di azioni da acquistare per la strategia momentum viene creata e specializzata per accettare solo errori di valore. La strategia viene quindi eseguita e ha successo.
  
  
• 02:10:00 Questo corso illustra come scrivere codice per creare una semplice strategia di trading algoritmico, come testare la strategia e come utilizzare la strategia per acquistare e vendere azioni. La strategia si basa sul presupposto che un'azione sia un'azione momentum di alta qualità o un'azione momentum di bassa qualità. La strategia funziona acquistando azioni quando il prezzo è basso e vendendo azioni quando il prezzo è alto.
  
  
• 02:15:00 Questo video Python insegna come creare una strategia di momentum quantitativa utilizzando un data frame di prezzi delle azioni e valori di rendimento in diversi periodi di tempo. La strategia utilizza una varietà di metriche di momentum per identificare azioni di alta qualità.
  
  
• 02:20:00 L'autore spiega come creare un algoritmo per il trading di azioni usando Python. Prima creano un elenco di metriche da tracciare, quindi utilizzano la libreria Sai pi per calcolare i punteggi percentili per ciascuna metrica. Successivamente, creano un ciclo per calcolare i punteggi percentili per ogni colonna nel frame di dati. Infine, usano il ciclo per creare una strategia per il trading di azioni.
  
  
• 02:25:00 Questo video insegna come utilizzare il linguaggio di programmazione Python per negoziare azioni in modo algoritmico. L'istruttore utilizza il metodo LFC (lineari minimi quadrati) per calcolare il punteggio percentile per ogni colonna in un dataframe.
  
  
• 02:30:00 Questo corso spiega come utilizzare Python per eseguire il trading algoritmico. Il corso inizia con un'introduzione alla programmazione Python e spiega come utilizzare il modulo delle statistiche per calcolare i punteggi percentili per diversi periodi di tempo e asset class. La funzione Media viene quindi utilizzata per calcolare la media di questi punteggi. Successivamente, viene utilizzato un ciclo per calcolare il punteggio HTM per ogni riga nel dataframe HTM. Infine, il dataframe HM viene stampato per verificare che i calcoli abbiano avuto successo.
  
  
• 02:35:00 In questo video, l'autore insegna come utilizzare Python per calcolare un "punteggio HTM" per ogni titolo in un dataframe e selezionare i 50 migliori titoli momentum utilizzando il punteggio HTM come filtro.
  
  
• 02:40:00 Questo video mostra come usare Python per negoziare azioni usando algoritmi. L'autore inizializza un dataframe e quindi formatta i dati in un documento Excel per utenti non tecnici.
  
  
• 02:45:00 L'autore del video insegna come utilizzare Python per creare un sistema di trading algoritmico. Il primo passaggio consiste nel creare un dizionario di lettere di colonna in valori di colonna, quindi eseguire il ciclo del dizionario per applicare il formato appropriato a ciascuna colonna. Il secondo passaggio consiste nell'utilizzare l'oggetto writer per scrivere i dati in un file Excel. Il terzo passaggio consiste nell'utilizzare il metodo set column per applicare dinamicamente i formati a ciascuna colonna nel frame di dati.
  
  
• 02:50:00 In questo video, l'istruttore mostra come formattare i file Excel da utilizzare nel trading algoritmico e come creare una strategia di investimento di valore basata su una metrica.
  
  
• 02:55:00 Questo video mostra come utilizzare Python per creare una strategia di trading algoritmica che utilizza il rapporto prezzo-utili come metrica di valore. La strategia seleziona le azioni in base a questa metrica e formula raccomandazioni di acquisto e vendita in base al prezzo corrente delle azioni.

Parte 4:

• 03:00:00 Il video illustra come utilizzare il linguaggio di programmazione Python per creare modelli di trading algoritmico. Dimostra come utilizzare la libreria delle richieste per effettuare richieste HTTP e come trasformare i valori dei dati in oggetti JSON. Il video mostra quindi come calcolare i rapporti di prezzo e guadagni utilizzando i prezzi delle azioni di due diverse borse.
  
  
• 03:05:00 Questo video spiega come eseguire una chiamata API batch utilizzando Python.
  
  
• 03:10:00 Il video mostra come utilizzare la libreria delle richieste Python per eseguire una richiesta get per ottenere dati dal mercato azionario. Questi dati vengono quindi analizzati e utilizzati per generare una serie di panda.
  
  
• 03:15:00 Questo corso spiega come usare Python per fare trading algoritmico. Innanzitutto, l'istruttore spiega come creare un dataframe in Python. Successivamente, l'istruttore spiega come rimuovere titoli glamour da un dataframe. Infine, l'istruttore spiega come restituire i primi 50 titoli da un dataframe secondo uno schema di ordini.
  
  
• 03:20:00 In questo video, l'istruttore spiega come utilizzare Python per eseguire il trading algoritmico. In primo luogo, hanno ordinato il frame di dati per garantire che le azioni con i rapporti prezzo/utili più bassi fossero in cima. Successivamente, hanno utilizzato il metodo drop per eliminare la nuova colonna dell'indice. Hanno quindi ordinato nuovamente il frame di dati utilizzando il parametro in place equals true per mantenere modificato il frame di dati originale. Hanno quindi calcolato la dimensione della posizione e calcolato il prezzo per azione per ciascun titolo. Infine, hanno utilizzato la funzione di input del portafoglio per calcolare la dimensione della posizione per ciascun titolo nel frame di dati.
  
  
• 03:25:00 Questo video introduce il concetto di trading algoritmico e come Python può essere utilizzato per creare una strategia di valore. Il video mostra quindi come utilizzare Python per accedere all'API ix Cloud per inserire i dati per più metriche di valutazione. Se tutto va bene, i dati verranno restituiti come dataframe panda e il video indicherà che i dati funzionano correttamente.
  
  
• 03:30:00 In questo video, l'autore dimostra come utilizzare Python per eseguire il trading algoritmico. L'autore prima mostra come ottenere il rapporto prezzo/utili e quindi analizza questo valore dall'API cloud IRS. Successivamente, l'autore mostra come assegnare un valore a ciascuna metrica e come analizzare questi dati dall'API cloud IRS. Infine, l'autore mostra come utilizzare il rapporto prezzo/vendite per trovare il rapporto prezzo/prezzo.
  
  
• 03:35:00 Questo video tutorial spiega come usare Python per fare trading algoritmico. Il corso inizia insegnando a calcolare il rapporto prezzo-vendita di un'azienda, utilizzando una metrica diversa (prezzo da prenotare). Successivamente, il corso insegna come calcolare il valore d'impresa, gli utili prima di interessi, imposte, deprezzamento e ammortamento (EBITDA) e il valore d'impresa rispetto all'utile lordo (EV/EBIT). Infine, il corso mostra come calcolare il rapporto valore-utili (EV/EBIT) di fine periodo per un'azienda.
  
  
• 03:40:00 In questo video, l'autore mostra come utilizzare Python per il trading algoritmico. Iniziano mostrando come calcolare le metriche di valutazione, quindi proseguono creando un ciclo per popolare un frame di dati con le informazioni calcolate. Concludono il video stampando i codici di stato per le chiamate API.
  
  
• 03:45:00 In questo video, l'autore dimostra come utilizzare Python per negoziare azioni in modo algoritmico. Prima creano un dataframe di simboli azionari e valori di dati, quindi utilizzano il metodo append per aggiungere dati al dataframe per ogni ticker. Successivamente, usano il metodo head per analizzare i punti dati per ogni ticker, quindi usano il metodo append per aggiungere quei punti dati al dataframe dei panda. Infine, usano il metodo percentile per calcolare i punteggi percentili delle azioni.
  
  
• 03:50:00 Questo video tutorial di 1 ora illustra come utilizzare Python per negoziare azioni, utilizzando vari calcoli per generare indicatori di successo. Quando uno dei calcoli fallisce, l'istruttore utilizza la gestione delle eccezioni per sostituire il valore con un valore fittizio.
  
  
• 03:55:00 In questo video, l'istruttore spiega come gestire i dati mancanti in un frame di dati utilizzando i panda. Innanzitutto, spiegano come identificare quali colonne in un frame di dati contengono dati mancanti. Quindi, mostrano come utilizzare il riempimento in un metodo per sostituire i dati mancanti con un valore medio da una colonna diversa.

Parte 5:

• 04:00:00 Questo video spiega come calcolare i punteggi percentili per diverse metriche di borsa utilizzando Python. Innanzitutto, l'estratto della trascrizione mostra come creare un dizionario di metriche azionarie e quindi come utilizzare il metodo "LLC" della libreria Pandas per accedere ai punteggi percentili per ciascuna metrica.
  
  
• 04:05:00 Il video insegna come usare Python per fare trading algoritmico. La prima parte del tutorial mostra come utilizzare la funzione percentile of score dal modulo Sai pi dot stats per accedere ai punteggi percentili per un dato set di dati. La seconda parte del tutorial mostra come calcolare il punteggio RV per una determinata riga in un set di dati utilizzando il metodo LSC.
  
  
• 04:10:00 Il video spiega come utilizzare Python per calcolare varie metriche di valutazione, inclusi rapporti P/E, rapporti PB, rapporti PS, rapporti Evie/EBIT e Eb/profitto lordo. Una volta calcolate le metriche, il video mostra come stampare i dati e confrontarli con i valori previsti.
  
  
• 04:15:00 In questo video Python, l'autore dimostra come calcolare la dimensione della posizione per un portafoglio utilizzando i panda della libreria Python. Innanzitutto, creano un dataframe con l'indice di 50 azioni più economiche nel loro universo. Successivamente, filtrano il dataframe per includere solo i 50 titoli e reimpostano l'indice su underscore. Quindi passano il parametro drop per evitare di duplicare l'indice esistente e creano un ciclo for per calcolare la dimensione della posizione per ciascun titolo. Infine, stampano la dimensione della posizione per ogni azione e la confrontano con la dimensione della posizione desiderata di $ 50.000.
  
  
• 04:20:00 Questo video insegna come usare Python per scambiare azioni in modo algoritmico. La prima parte del video copre le basi su come creare un dataframe e stamparlo. La seconda parte del video illustra come utilizzare Python per creare un file Excel contenente i prezzi delle azioni e le dimensioni delle posizioni per call e put. Infine, il video mostra come formattare il file Excel e inviarlo a una stampante.
  
  
• 04:25:00 Questo video dimostra come utilizzare Python per eseguire il trading algoritmico. L'istruttore dimostra come formattare un foglio di calcolo per contenere i dati a scopo commerciale e come utilizzare varie funzioni Python per eseguire varie attività nel foglio di calcolo.
  
  
• 04:30:00 Questo tutorial introduce l'uso di Python per l'investimento di valore quantitativo, utilizzando un metodo per identificare i 50 titoli più economici nell'S&P 500. Il tutorial fornisce istruzioni dettagliate per la formattazione e l'esecuzione del codice e si conclude con un foglio di calcolo completato.

[MetaQuotes]

Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante

Algorithmic Trading Python 2023 - TUTORIAL COMPLETO Principiante

In questo video tutorial, l'autore approfondisce il processo di installazione e utilizzo di un programma Python per il trading algoritmico. Forniscono istruzioni dettagliate sulla creazione di un file Python 3 di base specificamente progettato per ospitare il codice relativo alle strategie di trading algoritmico. Inoltre, dimostrano come eseguire il codice e stampare gli output risultanti per l'analisi. Il tutorial si concentra principalmente sullo sfruttamento della potenza del linguaggio di programmazione Python per scopi di trading algoritmico. Copre una gamma di funzioni e librerie essenziali applicabili al trading algoritmico, inclusa la libreria yfinance. Il tutorial evidenzia l'importanza dell'utilizzo di queste funzioni e librerie mentre esplora anche il download dei dati e le tecniche di elaborazione utilizzando fogli di calcolo.

Inoltre, il tutorial video mostra il processo di scrittura e lettura di file CSV utilizzando Python. Spiega i passaggi necessari per creare un file CSV e dimostra come leggere e manipolare il file all'interno di un ambiente Python. Continuando con il tema del trading azionario basato su Python, il tutorial chiarisce la creazione di un indice azionario e dimostra come la funzione "convert" di Python può essere utilizzata per modificare il formato dell'indice. Inoltre, spiega come la funzione Python "start.columns" faciliti le modifiche all'elenco delle colonne specificamente per le azioni.

Il prossimo tutorial video ruota anche attorno all'utilizzo di Python per il trading azionario. Inizia illustrando il download e l'analisi dei dati di borsa, seguita dall'utilizzo della funzione "descrivi" per analizzare efficacemente i dati acquisiti. Infine, dimostra l'utilizzo della funzione "dot lock" per monitorare e tenere traccia dei prezzi delle azioni. Andando avanti, il video tutorial successivo fornisce una spiegazione completa dell'utilizzo di Python per creare algoritmi per il trading azionario. Inizia visualizzando diversi punti di partenza per tre titoli distinti, illustrando successivamente la normalizzazione dei valori per rappresentarli all'interno di un intervallo uniforme di 100 punti. Il tutorial guida quindi gli spettatori nel tracciare i prezzi di chiusura normalizzati di un'azione e nell'utilizzare la funzione "punto" (talpa) per moltiplicare i valori per 100, migliorando la leggibilità.

Allo stesso modo, un altro tutorial video si concentra sull'utilizzo di Python per creare algoritmi di trading azionario. L'esercitazione delinea il processo di creazione di una nuova colonna all'interno di un set di dati per memorizzare le informazioni relative alle scorte chiuse. Spiega inoltre l'utilizzo della funzione "shift" per riposizionare i dati nella parte inferiore della colonna. Inoltre, mostra il calcolo delle variazioni percentuali dei prezzi delle azioni rispetto al giorno precedente. Cambiando marcia, un altro tutorial introduce gli studenti all'utilizzo di Python per calcoli statistici relativi al trading algoritmico. Fornisce indicazioni sull'utilizzo di funzioni come "shift", "subtract" e "divide" per calcolare i dati relativi a ritardi e differenze.

Successivamente, il video approfondisce il calcolo delle variazioni percentuali per le attività finanziarie utilizzando Python. Dimostra la modifica della funzione "modifica" per migliorare la leggibilità rinominandola come "pst". Inoltre, imposta la variabile "periodi" su uno e moltiplica la variazione percentuale per 100 per rappresentarla in formato valore in punti. Il video copre anche il calcolo della variazione standard per un asset, sottraendola dalla variazione percentuale per eliminare l'impatto del primo giorno. Il dataframe per un asset specifico viene rinominato come "modifica" e viene creata la colonna "modifica". Il tutorial si conclude con l'esecuzione di un controllo sulla colonna "change" utilizzando "aafl" e il salvataggio del dataframe.

Inoltre, l'autore del tutorial spiega come calcolare media, deviazione standard, variazione percentuale e rendimenti per un determinato set di dati. Dimostrano anche la tracciatura di un istogramma e la creazione di un grafico del sistema di hit.

Continuando con i calcoli statistici, un altro video tutorial spiega come calcolare la media, la varianza e la deviazione standard dei rendimenti di un titolo. Inoltre, fornisce indicazioni sulla determinazione del rendimento medio annuo e del rendimento della varianza annuale.

Espandendosi ulteriormente, il tutorial mostra il calcolo della deviazione standard annuale dei rendimenti di un titolo utilizzando la funzione "std" in Python. Questo approccio analizza in modo efficiente set di dati di grandi dimensioni prendendo i dati da un simbolo ticker anziché da singoli punti dati. L'esercitazione dimostra anche la creazione di colonne per tenere traccia della media e della deviazione standard del rendimento di un'azione, nonché della media e della deviazione standard della variazione percentuale di un'azione. Spiega inoltre il calcolo della media e della deviazione standard del rendimento di un titolo utilizzando la funzione "riepilogo".

L'autore copre anche la creazione di grafici a dispersione e le loro annotazioni per illustrare il rendimento e il rischio associati a diversi titoli. Questa visualizzazione aiuta a comprendere la relazione tra rendimenti e rischi nel contesto del trading azionario. Andando avanti, il tutorial video approfondisce l'uso di Python per creare algoritmi per il trading di azioni. Esplora l'uso di cicli for e funzioni come la covarianza e la correlazione. Inoltre, mostra la rappresentazione grafica dei risultati dell'algoritmo, consentendo ai trader di visualizzare e analizzare efficacemente le prestazioni delle loro strategie di trading.

Inoltre, il tutorial spiega come sfruttare la libreria Seaborn per creare una heatmap che rappresenti le correlazioni azionarie. Fornisce una guida passo-passo insieme a un download del codice per l'intero progetto, facilitando l'implementazione dell'analisi della correlazione azionaria utilizzando Python. Spostando l'attenzione, il presentatore in un tutorial video istruisce gli spettatori sul calcolo del potenziale di rischio e rendimento di un portafoglio di titoli utilizzando Python. Discutono i limiti dei rendimenti semplici e introducono il concetto di rendimenti logaritmici, dimostrando la loro applicazione pratica nella valutazione del rischio e della ricompensa. Questa analisi aiuta i trader a prendere decisioni informate in merito alla composizione del proprio portafoglio e alla gestione del rischio.

Un altro tutorial chiarisce il processo di calcolo di una media mobile semplice utilizzando la funzione "rolling" in Python. Applicando questa tecnica, i trader possono attenuare le fluttuazioni dei prezzi delle azioni e identificare le tendenze in modo più efficace. Inoltre, un'esercitazione illustra il calcolo della media, della mediana e della media mobile di un set di dati, sottolineandone l'importanza nell'analisi e nella comprensione dei modelli di dati.

Inoltre, un tutorial video mostra il calcolo di varie medie mobili, tra cui la media mobile a 50 giorni, la media mobile a 200 giorni e l'EMA (guadagno-prezzo) di un'azione. Queste medie mobili vengono quindi tracciate su un grafico, aiutando i trader a identificare le tendenze chiave e i potenziali segnali di trading. Continuando con le tecniche di manipolazione dei dati, un video tutorial spiega l'utilizzo della funzione reindicizza nei panda per sostituire i valori mancanti all'interno di un dataframe. Copre anche l'applicazione delle funzioni di riempimento in avanti e all'indietro per gestire i dati quando si incontrano festività e fine settimana.

Il tutorial video dimostra ulteriormente il calcolo dei rendimenti per un'azione nel tempo, comprendendo i rendimenti di acquisto e sospensione, i rendimenti cumulativi e i rendimenti massimi. Inoltre, esplora il calcolo dei rendimenti massimi cumulativi e visualizza i dati attraverso la rappresentazione grafica. Inoltre, il tutorial spiega come calcolare i drawdown per un'azione, nonché il massimo rendimento cumulativo e il massimo drawdown cumulativo. La comprensione dei drawdown aiuta i trader a valutare il rischio associato agli investimenti e a identificare potenziali scenari di perdita. Allo stesso modo, un altro tutorial video discute il calcolo del drawdown e del drawdown massimo per un'azione. Inoltre, fornisce una panoramica del calcolo del drawdown percentuale, una metrica cruciale nella gestione del rischio.

Un tutorial di Python 2023 su YouTube introduce gli spettatori alla creazione di una strategia crossover media mobile per il trading. Questa strategia prevede l'utilizzo di due medie mobili, una media mobile di 50 giorni e una media mobile di 100 giorni, per determinare l'andamento del titolo e generare segnali di trading di conseguenza. Inoltre, un video tutorial spiega come scrivere codice Python per il trading di azioni. Dimostra il processo per determinare se acquistare o vendere un'azione in base al suo prezzo attuale e ai dati sui prezzi passati. Copre anche l'utilizzo di una libreria per tenere traccia della posizione di un titolo nel tempo, consentendo ai trader di monitorare e gestire il proprio portafoglio in modo efficace.

Il video tutorial illumina gli spettatori sul backtest di una strategia di trading algoritmico utilizzando rendimenti e deviazione standard. Presenta una strategia che supera una media mobile a 50 giorni in termini di rendimenti, ma presenta una deviazione standard più elevata, evidenziando il compromesso tra rischio e rendimento. Inoltre, il tutorial video guida gli utenti attraverso la creazione di una strategia di investimento e il confronto con altre strategie. Sottolinea che la strategia con i migliori rendimenti è quella con un orientamento lungo, indicando una preferenza per le posizioni rialziste.

Inoltre, l'autore introduce una funzione per creare una strategia di test per il trading algoritmico. Questa funzione accetta parametri come il nome dell'azione, le date di inizio e di fine e restituisce le metriche delle prestazioni chiave come il rendimento giornaliero, il rendimento cumulativo e la SMA (media mobile semplice). Utilizzando questa funzione, i trader possono valutare l'efficacia delle loro strategie di trading e prendere decisioni basate sui dati. Il tutorial procede quindi dimostrando come creare uno script Python per il trading algoritmico. Lo script incorpora una semplice strategia di stop-loss e take-profit, con l'obiettivo di ottenere prestazioni complessive migliori rispetto a un tradizionale approccio di investimento buy-and-hold. Questo script funge da base per lo sviluppo di algoritmi di trading più sofisticati.

Il presentatore mostra anche il processo di backtesting di una strategia di trading scritta in Python. La strategia, creata dal presentatore, viene testata sui dati storici del mercato azionario del 2017, consentendo ai trader di valutarne le prestazioni e la fattibilità. Inoltre, il tutorial spiega come codificare un algoritmo Python2023 per il trading di azioni e criptovalute. Copre l'utilizzo delle API per accedere ai dati da vari scambi di azioni e criptovalute, consentendo ai trader di analizzare i dati di mercato in tempo reale e implementare strategie di trading di conseguenza. Il video tutorial esplora ulteriormente l'utilizzo di Python per scambiare azioni e criptovalute. Comprende l'inserimento dei dati, l'analisi, l'archiviazione, la manipolazione e l'esecuzione di strategie commerciali utilizzando i servizi API. Sfruttando queste tecniche, i trader possono automatizzare i loro processi di trading e gestire in modo efficiente i loro portafogli.

Inoltre, il tutorial fornisce una guida completa sull'utilizzo di Python per negoziare azioni e altre attività finanziarie. Copre concetti fondamentali come l'analisi dei prezzi e il trading, nonché argomenti avanzati come il backtesting e l'utilizzo di API per l'integrazione dei dati. Questo tutorial fornisce ai trader le conoscenze e gli strumenti necessari per impegnarsi efficacemente nel trading algoritmico.

In conclusione, questi tutorial e video offrono una grande quantità di informazioni sull'utilizzo di Python per il trading algoritmico. Coprono una vasta gamma di argomenti, tra cui l'elaborazione dei dati, l'analisi statistica, la visualizzazione, lo sviluppo della strategia, il backtesting e il trading in tempo reale. Seguendo questi tutorial, i trader possono migliorare la loro comprensione dei principi del trading algoritmico e sfruttare le capacità di Python per prendere decisioni di trading informate.

• 00:00:00 In questo video, l'autore spiega come installare e utilizzare un programma Python per il trading algoritmico. Successivamente, spiegano come creare un file Python 3 di base per contenere il codice per una strategia di trading algoritmica. Infine, mostrano come eseguire il codice stampando i risultati.
  
  
• 00:05:00 Questo tutorial spiega come utilizzare il linguaggio di programmazione Python per eseguire il trading algoritmico. Il tutorial copre varie funzioni e librerie che possono essere utilizzate nel trading algoritmico, come la libreria y finance. Il tutorial mostra anche come scaricare ed elaborare i dati in un foglio di calcolo.
  
  
• 00:10:00 Questo video di YouTube mostra come scrivere un file CSV e come leggerlo in Python.
  
  
• 00:15:00 Questo tutorial spiega come usare Python per fare trading di azioni. Il video spiega prima come creare un indice azionario, quindi mostra come utilizzare la funzione Python convert per modificare il formato dell'indice. Infine, spiega come utilizzare la funzione Python start.columns per modificare l'elenco delle colonne per le azioni.
  
  
• 00:20:00 Questo video tutorial spiega come usare Python per negoziare azioni. La prima parte del tutorial illustra come scaricare e analizzare i dati azionari. Successivamente, l'esercitazione illustra come utilizzare la funzione describe per analizzare i dati. Infine, il tutorial illustra come utilizzare la funzione di blocco dei punti per tenere traccia dei prezzi delle azioni.
  
  
• 00:25:00 Questo video tutorial spiega come utilizzare il linguaggio di programmazione Python per creare un algoritmo per il trading di azioni. Il tutorial inizia visualizzando i diversi punti di partenza per tre diversi titoli, quindi dimostra come normalizzare i valori in modo che siano tutti rappresentati in intervalli di 100 punti. Successivamente, il tutorial mostra come tracciare la norma del prezzo di chiusura di un titolo e come utilizzare il
  funzione punto (mole) per moltiplicare i valori per 100 per facilitarne la lettura.
  
  
• 00:30:00 Questo video tutorial mostra come utilizzare il linguaggio di programmazione Python per creare algoritmi per negoziare azioni. Il primo passo è creare una nuova colonna di dati per memorizzare le informazioni sulle azioni che sono state chiuse. Successivamente, il video spiega come utilizzare la funzione di spostamento per spostare i dati nella parte inferiore della colonna. Infine, il tutorial mostra come calcolare la variazione percentuale dei prezzi delle azioni rispetto al giorno precedente.
  
  
• 00:35:00 In questo tutorial imparerai come utilizzare il linguaggio di programmazione Python per calcolare vari dati statistici relativi al trading algoritmico. Imparerai come utilizzare le funzioni shift, sottrazione e divisione per per calcolare i dati relativi a lag e diff.
  
  
• 00:40:00 Il video illustra come calcolare la variazione percentuale di un asset finanziario utilizzando Python. La funzione di modifica viene modificata in pst per facilitarne la lettura, quindi la variabile periodi viene impostata su uguale a uno. La variazione percentuale viene quindi moltiplicata per cento per convertirla in un valore in punti. La variazione standard per l'asset viene quindi calcolata e sottratta dalla variazione percentuale per rimuovere l'effetto del primo giorno. Il dataframe apple viene rinominato in change e viene creato il cambio di colonna. Aafl viene eseguito per controllare le modifiche alla colonna e il dataframe viene salvato.
  
  
• 00:45:00 In questo tutorial, l'autore dimostra come calcolare la media e la deviazione standard di un particolare set di dati, nonché la variazione percentuale e i rendimenti sulla variazione mensile. Dimostra anche come tracciare un istogramma e colpire il grafico del sistema.
  
  
• 00:50:00 Questo video spiega come calcolare la media, la varianza e la deviazione standard dei rendimenti di un'azione. Il video spiega anche come calcolare il rendimento medio annuo e come calcolare il rendimento var annuale.
  
  
• 00:55:00 Questo video tutorial spiega come calcolare la deviazione standard annuale del rendimento di un determinato titolo utilizzando la funzione std. La funzione std acquisisce i dati da un simbolo ticker, piuttosto che da singoli punti dati, il che la rende più efficiente per l'analisi di set di dati di grandi dimensioni. Il tutorial mostra anche come creare una colonna per tenere traccia della media e della deviazione standard del rendimento di un titolo, nonché una colonna per tenere traccia della media e della deviazione standard della variazione percentuale di un titolo. Infine, spiega come calcolare la media e la deviazione standard del rendimento di un titolo utilizzando la funzione di riepilogo.
  
  
• 01:00:00 L'autore spiega come creare un grafico a dispersione e annotarlo per mostrare il rendimento e il rischio associati a vari titoli.
  
  
• 01:05:00 Questo video tutorial spiega come utilizzare il linguaggio di programmazione Python per creare algoritmi per il trading di azioni. Il tutorial copre l'uso dei cicli for e delle funzioni di covarianza e correlazione, oltre a una rappresentazione grafica dei risultati.
  
  
• 01:10:00 Questo tutorial spiega come utilizzare la libreria Seaborn per creare una mappa termica delle correlazioni azionarie. Il tutorial include anche un download del codice per l'intero progetto.
  
  
• 01:15:00 In questo video, il presentatore insegna come calcolare il potenziale di rischio e rendimento di un portafoglio di azioni utilizzando Python. Discute i limiti dei rendimenti semplici e dei rendimenti log e dimostra come funzionano nella pratica.
  
  
• 01:20:00 Questo tutorial spiega come calcolare una media mobile semplice usando la funzione rolling in Python.
  
  
• 01:25:00 Questo tutorial mostra come calcolare la media e la mediana di un insieme di valori, nonché la media mobile.
  
  
• 01:30:00 Questo video mostra come calcolare la media mobile a 50 giorni, la media mobile a 200 giorni e l'EMA (o "utile/prezzo") di un'azione. Il video mostra anche come tracciare queste medie su un grafico.
  
  
• 01:35:00 In questo video, dot day spiega come utilizzare la funzione reindicizza nei panda per sostituire i valori mancanti in un dataframe. Il video spiega anche come utilizzare le funzioni di riempimento avanti e indietro per gestire i dati quando ci sono giorni festivi e sabato e domenica inclusi.
  
  
• 01:40:00 Questo video spiega come calcolare i rendimenti di un'azione nel tempo, compresi i rendimenti di acquisto e sospensione, i rendimenti cumulativi e i rendimenti massimi. Discute anche come calcolare i massimi rendimenti cumulativi e come tracciare un grafico dei dati.
  
  
• 01:45:00 Questo video spiega come calcolare i drawdown per un'azione e come calcolare il massimo rendimento cumulativo e il massimo massimo cumulativo per un'azione.
  
  
• 01:50:00 Il video spiega come calcolare il drawdown e il drawdown massimo per un'azione e fornisce anche una panoramica su come calcolare il drawdown percentuale.
  
  
• 01:55:00 In questo video di YouTube, un tutorial di Python 2023 spiega come creare una strategia crossover a media mobile. La strategia prevede l'utilizzo di due medie mobili, una a 50 giorni e una a 100 giorni, per determinare l'andamento del titolo.
  
  
• 02:00:00 Questo video tutorial spiega come usare Python per scrivere codice per negoziare azioni. Il video mostra come scrivere il codice per determinare se un'azione deve essere acquistata o venduta, in base al prezzo corrente e al prezzo passato. Il video spiega anche come utilizzare una libreria per tenere traccia della posizione di un titolo nel tempo.
  
  
• 02:05:00 Il video spiega come eseguire il backtest di una strategia di trading basata su algoritmi utilizzando i rendimenti e la deviazione standard. La strategia ottiene un rendimento superiore rispetto a una media mobile a 50 giorni, ma ha una deviazione standard elevata.
  
  
• 02:10:00 Questo video spiega come creare una strategia per un determinato investimento e come confrontarla con altre strategie. La strategia con i migliori rendimenti è la strategia con il long bias.
  
  
• 02:15:00 L'autore introduce una funzione per creare una strategia di test per il trading algoritmico. La funzione accetta il nome di un'azione, la data di inizio e di fine e restituisce il rendimento giornaliero, il rendimento cumulativo e lo sma.
  
  
• 02:20:00 Questo tutorial mostra come creare un algoritmo Python per scambiare azioni e come usarlo per fare previsioni sui futuri prezzi delle azioni. Il tutorial include una dimostrazione di come calcolare il rendimento di un investimento in un'azione, nonché la deviazione standard di tale rendimento.
  
  
• 02:25:00 La classe sma backtester viene utilizzata per creare una strategia che calcola i rendimenti e la deviazione standard. La classe include anche una funzione per ottenere dati.
  
  
• 02:30:00 Il video mostra come utilizzare la funzione getdata per scaricare dati azionari, come creare una funzione di risultato del test e come calcolare la performance e la sovraperformance di una strategia buy and hold utilizzando i dati.
  
  
• 02:35:00 L'autore mostra come calcolare la performance e la out performance di una strategia di trading algoritmico. L'autore mostra anche come creare una funzione per tracciare i risultati.
  
  
• 02:40:00 In questo tutorial, l'autore insegna come costruire uno script Python di trading algoritmico. Lo script utilizza una semplice strategia di stop-loss e take-profit per ottenere un vantaggio complessivo in termini di prestazioni rispetto a un investimento buy-and-hold.
  
  
• 02:45:00 Questo video mostra come eseguire il backtest di una strategia di trading scritta in Python. La strategia è stata scritta dal presentatore ed è stata testata in borsa nel 2017.
  
  
• 02:50:00 Questo tutorial spiega come codificare un algoritmo Python2023 per il trading di azioni e criptovalute. Il tutorial spiega anche come utilizzare un'API per accedere ai dati da vari scambi di azioni e criptovalute.
  
  
• 02:55:00 Questo video tutorial spiega come usare Python per scambiare azioni e criptovalute. Il video illustra come inserire e analizzare i dati, come archiviare e manipolare i dati e come inviare una strategia commerciale utilizzando i servizi API.
  
  
• 03:00:00 Questo tutorial spiega come usare Python per scambiare azioni e altre attività finanziarie. Il corso copre concetti di base come l'analisi dei prezzi e il trading, nonché argomenti più avanzati come il backtesting e l'utilizzo delle API.

[MetaQuotes]

Come ottenere un elenco di azioni in borsa || Analisi delle scorte con Python Parte 1

Come ottenere un elenco di azioni in borsa || Analisi delle scorte con Python Parte 1

Questa è la prima parte della mia serie sull'utilizzo di Python per l'analisi delle azioni. La serie sarà divisa in tre sezioni. Nella prima sezione, ci concentreremo sull'ottenimento e l'organizzazione dei dati per l'analisi. La seconda parte coprirà i singoli titoli e, infine, dimostrerò come impacchettare il nostro codice per una facile installazione usando pip. Il codice sarà disponibile su GitHub (link nella descrizione del video). Puoi utilizzare qualsiasi editor di testo di tua scelta.

L'aspetto più importante dell'analisi delle scorte è la fonte dei dati. Userò dati storici completi di fine giornata, che includono dati globali. Puoi iniziare con un piano gratuito, ma ha limitazioni sul numero di chiamate API al giorno. Se hai bisogno di più, puoi abbonarti a un pacchetto di dati con un prezzo speciale (link nella descrizione del video).

Iniziamo importando i moduli necessari. Inizieremo scaricando i metadati sui titoli da uno scambio specifico. Dobbiamo fornire una chiave API e specificare la borsa (per impostazione predefinita la Borsa di New York). Fornirò alcuni esempi per il mercato statunitense, ma puoi esplorare i mercati internazionali utilizzando la documentazione sul sito Web dei dati storici di fine giornata.

Una volta impostata la documentazione, effettueremo una chiamata all'endpoint API, passando lo scambio e la chiave API. Useremo il modulo delle richieste per questo. La risposta sarà in formato JSON, che trasformeremo in un DataFrame panda.

Infine, aggiungerò alcune istruzioni di stampa per mostrare l'avanzamento e possiamo testare il codice eseguendo una funzione del punto di ingresso. Assicurati di sostituire la chiave API con la tua. Il risultato sarà un DataFrame contenente i dati recuperati. Possiamo filtrare ulteriormente questi dati in base ai tipi di titoli a cui siamo interessati, che saranno trattati nel prossimo video.

Spero che queste informazioni ti siano utili e non vedo l'ora di vederti nella prossima parte della serie.

[MetaQuotes]

Come scaricare i simboli azionari S&P 500, filtro per settore || Analisi delle scorte con Python Parte 2

Come scaricare i simboli azionari S&P 500, filtro per settore || Analisi delle scorte con Python Parte 2

Questa è la seconda parte della mia serie sull'analisi delle azioni con Python. Se non hai visto la prima parte, ti consiglio di dargli un'occhiata. Nel video precedente, abbiamo scaricato i dati da una borsa specifica e ottenuto un DataFrame con metadati. Ora, vogliamo filtrare i simboli in base al loro tipo di sicurezza, come azioni ordinarie, ETF o fondi. Questo ci consentirà di concentrarci su titoli specifici prima di scaricare i dati.

Aggiungerò una nuova funzione chiamata "get_security_type" che accetta i dati di scambio DataFrame come input. Per impostazione predefinita, filtreremo per le azioni ordinarie, ma puoi specificare un tipo diverso se necessario. La funzione restituirà un elenco di simboli che corrispondono al tipo di sicurezza specificato.

Inoltre, ho notato che i dati storici di fine giornata non includono i simboli S&P 500. Quindi, scriverò un'altra funzione chiamata "get_sp500_symbols" per recuperare i simboli da un file CSV. Questa funzione accetta un parametro opzionale "settore" per filtrare i simboli in base ai settori. Per impostazione predefinita, restituisce tutti i simboli. La funzione restituirà un DataFrame con colonne simbolo, nome e settore.

Per implementare ciò, utilizzeremo la libreria Pandas per leggere il file CSV e applicare i filtri desiderati in base ai parametri forniti.

Una volta implementato, possiamo testare le funzioni. Per impostazione predefinita, "get_security_type" restituirà tutti i simboli e anche "get_sp500_symbols" restituirà tutti i simboli. Possiamo specificare un settore per filtrare i simboli S&P 500.

Con queste funzioni in atto, ora possiamo filtrare i simboli in base ai tipi di sicurezza ed esplorare le azioni dell'S&P 500. Nella parte successiva della serie, ci concentreremo sul download e sulla cura dei dati.

Spero che troverai utili queste informazioni e non vedo l'ora di continuare la serie con te.

[MetaQuotes]

Come scaricare e salvare i dati sui prezzi delle azioni || Analisi delle scorte con Python Parte 3

Come scaricare e salvare i dati sui prezzi delle azioni || Analisi delle scorte con Python Parte 3

Questa è la terza parte della mia serie sull'utilizzo di Python per l'analisi delle azioni. Puoi trovare i primi due video nel link fornito nella descrizione del video. Tutto il codice utilizzato nella serie è disponibile su un repository GitHub, anch'esso linkato nella descrizione.

Nei video precedenti abbiamo visto come ottenere un elenco di titoli su una borsa specifica e come filtrarli in base a criteri specifici. Abbiamo anche scritto una funzione per filtrare le azioni S&P 500. In questo video, ci concentreremo sul download e sull'organizzazione dei dati che ci interessano.

Per iniziare, dobbiamo installare una libreria di supporto chiamata "eod" che semplifica l'interazione con i dati di fine giornata. Possiamo utilizzare questa libreria invece di effettuare chiamate API tradizionali. Dopo averlo installato utilizzando pip, importiamo la classe "EodHistoricalData" dalla libreria, che ci consente di effettuare facilmente chiamate API. Inoltre, importiamo il modulo "datetime" per impostare i limiti di tempo e il modulo "os" per lavorare con il file system.

Successivamente, impostiamo alcune date predefinite per il periodo di tempo per il quale vogliamo recuperare i dati. In questo caso, lo impostiamo a circa un anno. Impostiamo anche la data corrente come riferimento se abbiamo bisogno sia della data di inizio che di quella di fine.

Ora possiamo procedere a scrivere la funzione principale chiamata "get_data". Questa funzione accetta una varietà di input, incluso un singolo simbolo, un elenco di simboli separati da virgole o un elenco di simboli. Richiede inoltre una chiave API e un percorso in cui verranno archiviati i dati. La funzione recupera i dati per i ticker specificati utilizzando la classe EodHistoricalData e li salva come file CSV nella cartella specificata. Tiene traccia del numero di titoli scaricati e saltati e fornisce informazioni sul processo di download.

Dopo aver scritto la funzione, possiamo testarla passando alcuni argomenti di esempio e controllando l'output. Possiamo vedere i titoli scaricati e quelli saltati. La funzione recupera e salva correttamente i dati nella cartella specificata.

Nei prossimi video lavoreremo con i dati scaricati, come l'estrazione dei prezzi di chiusura e dei rendimenti, ed esploreremo le tecniche di visualizzazione.

[MetaQuotes]

Analisi delle scorte con Python: come estrarre i dati sui prezzi dai file || Parte 4

Analisi delle scorte con Python: come estrarre i dati sui prezzi dai file || Parte 4

Benvenuti alla quarta parte della mia serie Python per l'analisi delle azioni. Puoi trovare collegamenti alle prime tre parti nella descrizione del video e anche accedere al codice sul repository GitHub.

Nei video precedenti abbiamo trattato come ottenere un elenco di titoli, filtrare l'elenco e scaricare i dati in file CSV. Ora, in questo video, ci concentreremo sull'estrazione della colonna del prezzo di chiusura dai dati scaricati.

Per fare ciò, creeremo una funzione chiamata "get_closing_prices". La funzione accetta una cartella come input, con un valore predefinito impostato per i file di dati. Per impostazione predefinita, estrae la colonna di chiusura, ma puoi scegliere la colonna di chiusura regolata se lo desideri.

Per prima cosa leggiamo tutti i file validi nella cartella specificata, escludendo il file che inizia con "zero" per evitare duplicazioni. Quindi, impostiamo un DataFrame vuoto.

Successivamente, eseguiamo un ciclo dei file e controlliamo se la chiusura regolata è impostata su true. Se lo è, creiamo un DataFrame temporaneo utilizzando la funzione read_csv di panda, specificando la cartella e il file. Impostiamo la colonna dell'indice in modo che sia la data e selezioniamo la colonna di chiusura rettificata. Infine, rinominiamo la colonna con il simbolo ticker.

Se la chiusura rettificata non è vera, seguiamo un processo simile per la colonna di chiusura. Sostituiamo il DataFrame esistente con il DataFrame temporaneo per il primo file e concateniamo il nuovo DataFrame su quello esistente per i file successivi.

Infine, restituiamo il DataFrame contenente i prezzi di chiusura. Inoltre, se lo desideri, scriviamo il DataFrame in un file CSV denominato "closes.csv".

Puoi testare la funzione chiamandola con il nome della cartella desiderata. La funzione restituirà il DataFrame con i prezzi di chiusura. Nell'esempio mostrato, ha estratto con successo la colonna del prezzo di chiusura per i titoli specificati.

Nella quinta parte, calcoleremo i dati di rendimento sulla base di questi prezzi di chiusura.