Python для алготрейдинга - страница 14

[MetaQuotes]

Создайте свечные графики с помощью Python (библиотека Pandas)

Создайте свечные графики с помощью Python (библиотека Pandas)

Видео содержит пошаговое руководство по созданию свечных диаграмм с использованием библиотеки Python Pandas с данными CSV. Он начинается с импорта данных CSV и создания фрейма данных для использования при создании диаграммы. Учебник также охватывает установку финансовой библиотеки mpl, используемой для финансовых графиков. В видео подчеркивается важность понимания Pandas для эффективного использования его в Python, а также то, как изменить тип диаграммы и диапазон дат для точного представления данных. Это полезно даже для таких задач, как моделирование для автоматической торговли.

• В этом разделе ютубер объясняет, как создавать свечные графики с помощью библиотеки Python Pandas с данными CSV. Первым шагом является получение исторических данных в формате CSV, которые можно загрузить из различных источников в Интернете. После импорта данных CSV в скрипт создается фрейм данных, который представляет собой набор данных, которые можно использовать для создания свечного графика. Затем YouTuber показывает, как выбрать определенные столбцы из фрейма данных для создания диаграммы. Эти графики можно использовать в сочетании с алгоритмами машинного обучения для автоматической торговли.
  
  
• 00:05:00 В этом разделе видео обсуждается, как создать свечной график с Python, используя библиотеку Pandas. Учебник начинается с выбора столбцов из набора данных и изменения порядка DataFrame на обратный, что является важным шагом при работе с данными фондового рынка. В видео также рассказывается об установке mpl Finance, библиотеки, используемой для создания финансовых графиков. Затем учебник переходит к импорту Pandas и MPL Finance, прежде чем выбрать файл CSV для использования.
  
  
• В этом разделе руководства спикер объясняет, как создавать свечные графики с помощью библиотеки Python Pandas. Используя Data Frames, стоимость акций на момент закрытия можно отобразить на графике. Докладчик объясняет, как выбрать различные типы диаграмм с помощью библиотеки mpf и как изменить диапазон дат, чтобы увеличить масштаб определенных периодов. Учебное пособие содержит пошаговое руководство и подчеркивает важность понимания Pandas для эффективного использования этой библиотеки в Python.
  
  
• 00:15:00 В этом разделе видео показано, как создать свечной график с помощью библиотеки Python Pandas. Первый шаг — создать DataFrame под названием «Диаграмма», прочитав данные из CSV-файла. Следующим шагом является использование DataFrame для создания свечного графика с использованием библиотеки «mpl_finance». В видео показано, как настроить график и изменить его на линейные диаграммы или другие типы диаграмм. Код, используемый для создания графика, также указан в описании видео. В видео также подчеркивается важность выбора соответствующего диапазона дат при выборе данных из DataFrame, так как это может быть полезно для других задач, таких как моделирование.

[MetaQuotes]

Алгоритмическая торговля с Python (Дерево решений)

Алгоритмическая торговля с Python (Дерево решений)

В этом видео об алгоритмической торговле с помощью Python спикер использует подход дерева решений для прогнозирования движения цены Биткойн на основе исторических корреляций между SP500, золотом и эфириумом. Модель обучается с использованием данных за текущий день, а затем используется для прогнозирования результатов на следующий день. Хотя деревья решений могут быть полезны для прогнозов, спикер отмечает, что они могут быть несовершенными только с небольшой выборкой данных. Зрители могут получить доступ к другим алгоритмическим торговым стратегиям, курсам и статьям, связанным с искусственным интеллектом и Python, на веб-сайте, представленном в видео.

• 00:00:00 В этом разделе стенограммы спикер представляет процесс принятия решений с использованием алгоритмического подхода с упором на деревья решений. Методология дерева решений применяется к данным исторических корреляций движения цен между p500, золотом и эфириумом для прогнозирования движения цены биткойна. Модель обучения основана на данных X за текущий день, которые используются для прогнозирования данных на следующий день. Спикер утверждает, что они разработали свой подход, применяя к процессу интуицию и логику.
  
  
• 00:05:00 В этом разделе видео демонстрирует, как использовать алгоритмическую торговую стратегию, чтобы предсказать, будет ли цена биткойна расти или падать на следующий день. Алгоритм использует модель дерева решений, которая обучается с использованием существующих данных, а затем прогнозирует будущие результаты на основе входных признаков. Пример, показанный в видео, имеет ограниченный набор данных, но тот же подход можно использовать с большими наборами данных для повышения точности. Кроме того, видео предоставляет веб-сайт, на котором зрители могут получить доступ к другим алгоритмическим торговым стратегиям, а также к курсам и статьям, связанным с искусственным интеллектом и Python.
  
  
• 00:10:00 В этом разделе спикер объясняет, как использовать деревья решений для создания алгоритмических торговых прогнозов с помощью Python. Они демонстрируют использование деревьев решений, присваивая числовые значения терминам «вверх» и «вниз» для анализа корреляций в данных. Докладчик предполагает, что, хотя деревья решений могут быть полезны для прогнозирования, они могут быть несовершенны только при небольшой выборке данных. Они также предполагают, что деревья решений можно применять для прогнозирования других типов диаграмм и что для большего обучения люди могут использовать искусственный интеллект.

[MetaQuotes]

Python для инвестиций: как получить индекс доллара? DXY

Python для инвестиций: как получить индекс доллара? DXY

В видео показано извлечение данных индекса DXY, который измеряет силу доллара США по отношению к другим валютам, с использованием библиотек Python Beautiful Soup и Pandas. Ведущий предоставляет код, который извлекает информацию о процентах вариации из данных DXY и сохраняет ее в файле CSV для дальнейшего анализа данных и машинного обучения. Кроме того, они делятся своим веб-сайтом с бесплатными курсами по Python, финансам и алгоритмической торговле. Таким образом, видео является полезным руководством по извлечению финансовых данных с помощью Python.

• 00:00:00 В этом разделе спикер представляет концепцию индекса DXY, который измеряет силу доллара США по отношению к другим валютам, таким как евро, иена, фунт, канадский доллар, швейцарский франк и шведская крона. Спикер объясняет, что эти данные могут быть полезны для автоматизированных инвестиций, анализа данных и машинного обучения. Затем он предоставляет код для извлечения данных DXY с веб-страницы с помощью библиотеки Beautiful Soup Python, уделяя особое внимание получению варианта индекса. Спикер также делится своим никнеймом в Instagram и веб-страницей, с которой он собирает данные.
  
  
• 00:05:00 В этом разделе видео ведущий демонстрирует, как извлечь индекс доллара (DXY) с помощью Python для инвестиционных целей. Ведущий использует фрагмент кода, который сохраняет информацию DXY в файле CSV для последующего анализа. Код сначала извлекает процентную информацию из данных DXY, а затем отделяет ее от информации о дате с помощью функций «разделить» и «заменить». Наконец, код сохраняет извлеченную информацию в файл CSV, который включает два столбца — один с датой, а другой с процентом вариации. Докладчик предполагает, что извлеченные данные можно использовать для целей машинного обучения и анализа данных.
  
  
• 00:10:00 В этом разделе спикер демонстрирует, как извлечь индекс доллара с помощью Python. Они показывают отрывки из скрипта Python и объясняют, как он работает. Код использует библиотеку pandas для извлечения данных из таблицы HTML и сохранения их в файле CSV для дальнейшего анализа. Спикер также дает ссылку на свой сайт с бесплатными курсами по Python, алгоритмической торговле и финансам. В целом, видео представляет собой полезное руководство для всех, кто хочет извлекать финансовые данные с помощью Python.

[MetaQuotes]

Алгоритмическая торговля с использованием Python — полный курс

Алгоритмическая торговля с использованием Python — полный курс

00:00:00 - 01:00:00 В этом видео объясняется, как использовать Python для алгоритмической торговли акциями. Он начинается с знакомства с основами библиотеки pandas, а затем демонстрируется, как использовать ее для создания фрейма данных. Затем в курсе показано, как выполнить HTTP-запрос для акций и как использовать результаты вызова API для заполнения фрейма данных. Наконец, в курсе обсуждается, как повысить производительность кода за счет пакетной обработки запросов API.

01:00:00 - 02:00:00 В этом видео показано, как использовать Python для торговли акциями с использованием автоматизированного алгоритма. Он начинается с создания списка акций и символов, а затем преобразования этих акций в строки. Затем видео создает URL-адрес для запуска HTTP-запроса с использованием этой строки. Наконец, видео демонстрирует, как выполнить этот запрос и вернуть данные.

02:00:00 - 03:00:00 В этом видео показано, как использовать Python для создания алгоритмической торговой стратегии, использующей соотношение цены и прибыли в качестве показателя стоимости. Стратегия отбирает акции на основе этой метрики и дает рекомендации по покупке и продаже на основе текущей цены акций.

03:00:00 - 04:00:00 В этом видеоуроке объясняется, как использовать Python для алгоритмической торговли акциями. В нем рассказывается, как рассчитать различные индикаторы успеха, как работать с отсутствующими данными и как использовать обработку исключений для замены отсутствующих значений.

04:00:00 - 04:30:00 В этом видео объясняется, как рассчитать процентные оценки для различных показателей акций с помощью Python. В нем также рассказывается, как использовать Python для создания файла Excel, содержащего цены акций и размеры позиций для коллов и путов, а также как форматировать файл для печати.

Часть 1:

• 00:00:00 Этот курс посвящен алгоритмической торговле и Python. Первый проект — это создание эквивалентной версии популярного индексного фонда S&P 500. Второй проект представляет собой количественную импульсную стратегию, которая выбирает лучшие акции на основе различных импульсных и инвестиционных показателей. Третий проект — это количественный скрининг стоимости, который выбирает привлекательные акции на основе ряда показателей стоимости.
  
  
• 00:05:00 Этот курс предназначен для обучения Python алгоритмической торговле. Python — популярный язык для этого типа торговли, но это медленный язык. Многие практики обнаружили, что Python часто используется в качестве связующего языка для запуска кода, который на самом деле выполняется на других языках. В этом курсе мы будем использовать Python для разработки трех алгоритмических торговых стратегий.
  
  
• 00:10:00 Это видео знакомит с языком программирования Python и показывает, как использовать его для доступа к данным из онлайн-API. Курс будет посвящен использованию API кода IRS для сбора данных фондового рынка.
  
  
• 00:15:00 В этом видео инструктор знакомит с концепциями алгоритмической торговли и с тем, как создавать различные стратегии инвестирования в Python. Первый проект заключается в создании эквивалентной версии индексного фонда S&P 500.
  
  
• 00:20:00 В этом видеоруководстве по Python объясняется, как использовать библиотеки NumPy, pandas, запросы и XLS для создания алгоритмической торговой стратегии.
  
  
• 00:25:00 В этом видео показано, как использовать Python для торговли акциями. Первый шаг — сохранить список из 500 акций S&P 500 в файл CSV. Затем мы импортируем в наш Jupyter Notebook ключ облачного API IE x и используем его для получения токена API. Мы начинаем с импорта в наш скрипт файла secrets.py, в котором хранится конфиденциальная информация, такая как ключ API. Затем мы используем ключ API для получения финансовых данных из облачного API IE x. Данные хранятся во фрейме данных панды, и мы можем распечатать данные, чтобы убедиться, что они работают.
  
  
• 00:30:00 В этой части руководства по Python рассказывается, как использовать облачный API для запроса рыночной капитализации и цен на отдельные акции.
  
  
• 00:35:00 В видео объясняется, как использовать библиотеку запросов для выполнения HTTP-запроса и сохранения результатов в переменной. В нем показано, как создать конечную точку API с помощью инструмента командной строки curl и как выполнить запрос. Переменная данных содержит объект ответа на запрос, содержащий код состояния и другую информацию.
  
  
• 00:40:00 В этом видео объясняется, как использовать язык программирования Python для торговли акциями с использованием алгоритмов. В видео показано, как настроить среду Python и как использовать точечный метод JSON для преобразования данных из HTTP-запроса в объект JSON. Переменная data в среде Python ведет себя так же, как расширенная переменная change в документах iX Cloud. В видео объясняется, что данные о ценах в iX Cloud могут быть неточными, и показано, как проверить точность с помощью поиска Google.
  
  
• 00:45:00 В этом видео автор объясняет, как анализировать вызов API, оценивать акции и рассчитывать их рыночную капитализацию. Затем они объясняют, как добавлять точки данных во фрейм данных панды, и показывают, как это сделать, распечатывая фрейм данных в виде списка.
  
  
• 00:50:00 В этом видео показано, как использовать Python для алгоритмической торговли акциями. Курс начинается с знакомства с основами pandas, библиотеки анализа данных, а затем переходит к созданию фрейма данных и серии pandas. Затем курс демонстрирует, как выполнить HTTP-запрос для акций и как использовать результаты вызова API для заполнения фрейма данных панды. Наконец, в курсе показано, как повысить производительность кода за счет пакетной обработки запросов API.
  
  
• 00:55:00 В этом видео представлен обзор темы алгоритмической торговли с использованием Python с акцентом на использование библиотеки фреймов данных pandas и использование пакетных вызовов API для ускорения кода. В видео обсуждается, как разбить список акций на куски по 100 и как использовать функцию кусков для создания списка списков серий панд, каждый из которых ограничен 100 элементами. Наконец, цикл for используется для выполнения пакетных вызовов API для каждой акции в списке акций, и информация о каждой акции добавляется к окончательному фрейму данных.

Часть 2:

• 01:00:00 В этом видеоруководстве по Python показано, как использовать язык программирования Python для торговли акциями с использованием автоматизированного алгоритма. Видео начинается с создания списка акций и символов, а затем преобразования этих акций в строки. Затем видео создает URL-адрес для запуска HTTP-запроса с использованием этой строки. Наконец, видео демонстрирует, как выполнить этот запрос и вернуть данные.
  
  
• 01:05:00 В этом видео показано, как использовать Python для алгоритмической торговли. В нем рассказывается, как создать URL-адрес вызова API, проанализировать данные из вызова API и использовать библиотеку запросов для получения данных. В видео также показано, как добавить индекс игнорирования в класс серии pandas и как запустить код.
  
  
• 01:10:00 Этот скрипт Python быстро вычисляет количество акций для покупки для размера портфеля, введенного пользователем.
  
  
• 01:15:00 Этот скрипт Python вычисляет размер позиции и покупает акции, чтобы достичь этого размера позиции. Он использует функцию округления в меньшую сторону математического модуля, чтобы округлить в меньшую сторону количество покупаемых акций.
  
  
• 01:20:00 В видео показано, как использовать Python для торговли акциями. В первом разделе видео объясняется, как получить доступ к данным в кадре данных и использовать их. Во втором разделе объясняется, как сохранить фрейм данных в файл Excel.
  
  
• 01:25:00 В этом видео показано, как использовать Python для создания алгоритмов для торговли. Первый шаг — создать файл Excel и передать кадр данных из модуля pandas. Затем вводится форматирование с различными форматами для строковых, долларовых и целочисленных ячеек. Наконец, формат применяется к ячейкам в файле Excel.
  
  
• 01:30:00 В этом видео показано, как использовать Python для торговли акциями с использованием автоматизированного алгоритма. В первой части видео объясняется, как создать формат столбца в словаре, который используется для форматирования столбцов в электронной таблице Excel. Во второй части видео показано, как создать два цикла, которые автоматически форматируют столбцы в электронной таблице.
  
  
• 01:35:00 В этом видео объясняется, как создать алгоритмическую торговую стратегию на Python с использованием виртуальной среды. Сначала инструктор открывает Jupyter Notebook, чтобы запустить виртуальную среду. Далее они активируют виртуальную среду и создают новый проект. Проект включает в себя модель прогнозирования цены акций, модель прогнозирования рыночной капитализации и модель прогнозирования количества акций для покупки. Затем инструктор показывает, как перебирать модели и выводить прогнозы в файл. Наконец, они показывают, как сохранить файл и закончить урок.
  
  
• 01:40:00 В этом видео ноутбукист объясняет, как использовать Python для торговли акциями с использованием алгоритмической торговой стратегии. В курсе рассказывается, как импортировать библиотеки, как выполнять вызовы API и как построить стратегию на основе импульса.
  
  
• 01:45:00 Это видео учит, как использовать Python для алгоритмической торговли. Он охватывает основы того, как использовать язык для анализа производительности и торговли. В видео показано, как использовать библиотеку Requests, чтобы сделать простой вызов API для получения данных о запасах.
  
  
• 01:50:00 В этом видео автор демонстрирует, как использовать Python для создания пакетных вызовов API для алгоритмической торговли. Сначала автор делит список акций на группы по 100, затем создает пустой фрейм данных Panda и инстанцирует его. Для каждой акции в списке строк символов автор создает URL-адрес пакетного вызова API и вызывает для него метод JSON, чтобы преобразовать его из объекта запроса в объект JSON.
  
  
• 01:55:00 В видео объясняется, как использовать Python для торговли акциями с использованием алгоритмов. Инструктор демонстрирует, как перебирать акции, анализировать соответствующие показатели и добавлять их в фрейм данных.

Часть 3:

• 02:00:00 В этом видеоуроке объясняется, как использовать Python для торговли акциями с использованием алгоритмов. В нем рассказывается, как создавать фрейм данных, циклически перебирать символы, выполнять вызовы API и сортировать данные. Окончательный фрейм данных используется для определения того, какие акции покупать.
  
  
• 02:05:00 В этом видеоруководстве по Python показано, как использовать библиотеку pandas для расчета количества акций для покупки по импульсной стратегии. Учебное пособие сначала сортирует строки фрейма данных на основе доходности цен за один год, а затем использует параметр inplace equals true для изменения исходного фрейма данных вместо возврата временной копии. Затем фрейм данных модифицируется, чтобы содержать только 50 акций с самым высоким ценовым моментумом. Наконец, функция для расчета количества акций, которые необходимо купить для импульсной стратегии, создана и адаптирована для приема только ошибок стоимости. Затем стратегия запускается и приносит успех.
  
  
• 02:10:00 В этом курсе рассказывается, как написать код для создания простой алгоритмической торговой стратегии, как протестировать стратегию и как использовать стратегию для покупки и продажи акций. Стратегия основана на предположении, что акции являются либо высококачественными импульсными акциями, либо низкокачественными импульсными акциями. Стратегия работает, покупая акции, когда цена низкая, и продавая акции, когда цена высока.
  
  
• 02:15:00 В этом видео на Python показано, как создать количественную импульсную стратегию, используя набор данных о ценах на акции и значениях доходности за разные периоды времени. Стратегия использует различные показатели импульса для определения высококачественных акций.
  
  
• 02:20:00 Автор обсуждает, как создать алгоритм торговли акциями с помощью Python. Сначала они создают список метрик для отслеживания, а затем используют библиотеку Sai pi для расчета процентилей для каждой метрики. Затем они создают цикл для вычисления процентилей для каждого столбца во фрейме данных. Наконец, они используют цикл для создания стратегии торговли акциями.
  
  
• 02:25:00 В этом видео показано, как использовать язык программирования Python для алгоритмической торговли акциями. Преподаватель использует метод LFC (линейный метод наименьших квадратов) для расчета процентного балла для каждого столбца в фрейме данных.
  
  
• 02:30:00 Этот курс объясняет, как использовать Python для выполнения алгоритмической торговли. Курс начинается с введения в программирование на Python и объясняет, как использовать модуль статистики для расчета процентилей для разных периодов времени и классов активов. Затем функция Mean используется для вычисления среднего значения этих оценок. Затем используется цикл для вычисления оценки HTM для каждой строки в кадре данных HTM. Наконец, кадр данных HM распечатывается, чтобы убедиться, что вычисления были успешными.
  
  
• 02:35:00 В этом видео автор учит, как использовать Python для расчета «оценки HTM» для каждой акции в кадре данных и выбора 50 лучших импульсных акций с использованием оценки HTM в качестве фильтра.
  
  
• 02:40:00 В этом видео показано, как использовать Python для торговли акциями с использованием алгоритмов. Автор инициализирует фрейм данных, а затем форматирует данные в документ Excel для нетехнических пользователей.
  
  
• 02:45:00 Автор видео учит, как использовать Python для создания алгоритмической торговой системы. Первый шаг — создать словарь букв столбцов для значений столбцов, а затем прокрутить словарь, чтобы применить соответствующий формат к каждому столбцу. Второй шаг — использовать объект записи для записи данных в файл Excel. Третий шаг — использовать метод установки столбца для динамического применения форматов к каждому столбцу во фрейме данных.
  
  
• 02:50:00 В этом видео инструктор показывает, как форматировать файлы Excel для использования в алгоритмической торговле и как создать стратегию стоимостного инвестирования на основе одной метрики.
  
  
• 02:55:00 В этом видео показано, как использовать Python для создания алгоритмической торговой стратегии, использующей соотношение цены и прибыли в качестве показателя стоимости. Стратегия отбирает акции на основе этой метрики и дает рекомендации по покупке и продаже на основе текущей цены акций.

Часть 4:

• 03:00:00 В видео обсуждается, как использовать язык программирования Python для создания алгоритмических торговых моделей. В нем показано, как использовать библиотеку запросов для выполнения HTTP-запросов и как преобразовывать значения данных в объекты JSON. Затем в видео показано, как рассчитать соотношение цены и прибыли, используя цены акций на двух разных биржах.
  
  
• 03:05:00 В этом видео объясняется, как выполнить пакетный вызов API с помощью Python.
  
  
• 03:10:00 Видео демонстрирует, как использовать библиотеку запросов Python для выполнения запроса на получение данных с фондового рынка. Затем эти данные анализируются и используются для создания серии панд.
  
  
• 03:15:00 Этот курс объясняет, как использовать Python для алгоритмической торговли. Сначала инструктор объясняет, как создать фрейм данных в Python. Далее инструктор объясняет, как удалить гламурные запасы из фрейма данных. Наконец, инструктор объясняет, как вернуть 50 лучших акций из фрейма данных в соответствии со схемой заказа.
  
  
• 03:20:00 В этом видео инструктор объясняет, как использовать Python для алгоритмической торговли. Во-первых, они отсортировали фрейм данных, чтобы гарантировать, что акции с самым низким отношением цены к прибыли оказались наверху. Затем они использовали метод перетаскивания для удаления нового столбца индекса. Затем они снова отсортировали фрейм данных, используя параметр in place equals true, чтобы сохранить измененный исходный фрейм данных. Затем они рассчитали размер позиции и рассчитали цену за акцию для каждой акции. Наконец, они использовали функцию ввода портфеля для расчета размера позиции по каждой акции во фрейме данных.
  
  
• 03:25:00 В этом видео представлена концепция алгоритмической торговли и то, как Python можно использовать для создания стратегии создания ценности. Затем в видео показано, как использовать Python для доступа к ix Cloud API для получения данных для нескольких показателей оценки. Если все пойдет хорошо, данные будут возвращены в виде кадра данных panda, а видео покажет, что данные работают правильно.
  
  
• 03:30:00 В этом видео автор демонстрирует, как использовать Python для алгоритмической торговли. Сначала автор показывает, как получить соотношение цены и прибыли, а затем анализирует это значение из облачного API IRS. Далее автор демонстрирует, как присвоить значение каждой метрике и как анализировать эти данные из облачного API IRS. Наконец, автор показывает, как использовать отношение цены к объему продаж, чтобы найти соотношение цены и балансовой стоимости.
  
  
• 03:35:00 В этом видеоуроке объясняется, как использовать Python для алгоритмической торговли. Курс начинается с обучения тому, как рассчитать соотношение цены и продаж компании, используя другую метрику (цена к заказу). Далее курс учит, как рассчитать стоимость предприятия, прибыль до вычета процентов, налогов, износа и амортизации (EBITDA) и отношения стоимости предприятия к валовой прибыли (EV/EBIT). Наконец, курс показывает, как рассчитать отношение стоимости к прибыли (EV/EBIT) на конец периода для компании.
  
  
• 03:40:00 В этом видео автор показывает, как использовать Python для алгоритмической торговли. Они начинают с демонстрации того, как рассчитать показатели оценки, а затем переходят к созданию цикла для заполнения фрейма данных рассчитанной информацией. Они заканчивают видео, печатая коды состояния для вызовов API.
  
  
• 03:45:00 В этом видео автор демонстрирует, как использовать Python для алгоритмической торговли акциями. Сначала они создают фрейм данных биржевых символов и значений данных, а затем используют метод append для добавления данных в фрейм данных для каждого тикера. Затем они используют метод head для анализа точек данных для каждого тикера, а затем используют метод append для добавления этих точек данных в кадр данных pandas. Наконец, они используют метод процентилей для расчета процентилей акций.
  
  
• 03:50:00 В этом часовом видеоруководстве рассказывается, как использовать Python для торговли акциями, используя различные расчеты для создания индикаторов успеха. В случае сбоя одного из вычислений инструктор использует обработку исключений, чтобы заменить значение фиктивным значением.
  
  
• 03:55:00 В этом видео инструктор объясняет, как работать с отсутствующими данными во фрейме данных с помощью панд. Во-первых, они объясняют, как определить, какие столбцы во фрейме данных содержат отсутствующие данные. Затем они показывают, как использовать метод заполнения для замены отсутствующих данных средним значением из другого столбца.

Часть 5:

• 04:00:00 В этом видео объясняется, как рассчитать процентные оценки для различных показателей акций с помощью Python. Во-первых, отрывок из стенограммы показывает, как создать словарь метрик акций, а затем как использовать метод «LLC» библиотеки pandas для доступа к процентилям для каждой метрики.
  
  
• 04:05:00 Видео учит, как использовать Python для выполнения алгоритмической торговли. В первой части руководства показано, как использовать функцию процентилей оценки из модуля статистики Sai pi dot для доступа к процентилям оценок для заданного набора данных. Во второй части руководства показано, как рассчитать показатель RV для заданной строки в наборе данных с помощью метода LSC.
  
  
• 04:10:00 В видео объясняется, как использовать Python для расчета различных показателей оценки, включая коэффициенты P/E, коэффициенты PB, коэффициенты PS, коэффициенты Evie/EBIT и Eb/валовая прибыль. После расчета показателей видео демонстрирует, как распечатать данные и сравнить их с ожидаемыми значениями.
  
  
• 04:15:00 В этом видео на Python автор демонстрирует, как рассчитать размер позиции для портфеля с помощью библиотеки pandas для Python. Во-первых, они создают фрейм данных с индексом 50 самых дешевых акций в своей вселенной. Затем они фильтруют фрейм данных, чтобы включить только 50 акций, и сбрасывают индекс на подчеркивание. Затем они передают параметр drop, чтобы избежать дублирования существующего индекса, и создают цикл for для расчета размера позиции для каждой акции. Наконец, они распечатывают размер позиции для каждой акции и сравнивают его с желаемым размером позиции в 50 000 долларов.
  
  
• 04:20:00 В этом видео показано, как использовать Python для алгоритмической торговли акциями. Первая часть видео посвящена основам создания фрейма данных и его печати. Во второй части видео рассказывается, как использовать Python для создания файла Excel, содержащего цены акций и размеры позиций для коллов и путов. Наконец, в видео показано, как отформатировать файл Excel и отправить его на принтер.
  
  
• 04:25:00 В этом видео показано, как использовать Python для алгоритмической торговли. Инструктор демонстрирует, как отформатировать электронную таблицу для хранения данных в торговых целях и как использовать различные функции Python для выполнения различных задач в электронной таблице.
  
  
• 04:30:00 В этом руководстве рассказывается об использовании Python для количественного инвестирования в стоимость с использованием метода определения 50 самых дешевых акций в S&P 500. Руководство содержит пошаговые инструкции по форматированию и запуску кода и завершается заполненная электронная таблица.

[MetaQuotes]

Алгоритмическая торговля Python 2023 - ПОЛНОЕ ОБУЧЕНИЕ для начинающих

Алгоритмическая торговля Python 2023 - ПОЛНОЕ ОБУЧЕНИЕ для начинающих

В этом видеоуроке автор углубляется в процесс установки и использования программы Python для алгоритмической торговли. Они содержат пошаговые инструкции по созданию базового файла Python 3, специально предназначенного для размещения кода, связанного с алгоритмическими торговыми стратегиями. Кроме того, они демонстрируют, как выполнять код и распечатывать полученные результаты для анализа. Учебное пособие в первую очередь посвящено использованию возможностей языка программирования Python для целей алгоритмической торговли. Он охватывает ряд основных функций и библиотек, применимых к алгоритмической торговле, включая библиотеку yfinance. В учебном пособии подчеркивается важность использования этих функций и библиотек, а также рассматриваются методы загрузки и обработки данных с использованием электронных таблиц.

Кроме того, в видеоруководстве демонстрируется процесс записи и чтения CSV-файлов с помощью Python. В нем объясняются необходимые шаги для создания файла CSV и демонстрируется, как читать файл и управлять им в среде Python. Продолжая тему торговли акциями на основе Python, в учебнике рассказывается о создании фондового индекса и демонстрируется, как можно использовать функцию Python «convert» для изменения формата индекса. Кроме того, в нем объясняется, как функция Python «start.columns» облегчает внесение изменений в список столбцов специально для акций.

Следующий видеоурок также посвящен использованию Python для торговли акциями. Он начинается с иллюстрации загрузки и анализа данных о запасах, после чего следует использование функции «описать» для эффективного анализа полученных данных. Наконец, он демонстрирует использование функции «точка блокировки» для мониторинга и отслеживания цен на акции. В последующем видеоруководстве дается исчерпывающее объяснение использования Python для создания алгоритмов для торговли акциями. Он начинается с визуализации различных начальных точек для трех различных акций, а затем иллюстрирует нормализацию значений для их представления в едином диапазоне в 100 пунктов. Затем учебник помогает зрителям построить нормализованные цены закрытия акций и использовать функцию «точка» (крот) для умножения значений на 100, что повышает удобочитаемость.

Точно так же другое видеоруководство посвящено использованию Python для создания алгоритмов торговли акциями. В учебнике описывается процесс создания нового столбца в наборе данных для хранения информации о закрытых запасах. Далее объясняется использование функции «сдвига» для перемещения данных в конец столбца. Кроме того, он демонстрирует расчет процентных изменений цен на акции по сравнению с предыдущим днем. В другом учебном пособии учащиеся знакомятся с использованием Python для статистических расчетов, связанных с алгоритмической торговлей. Он содержит рекомендации по использованию таких функций, как «сдвиг», «вычитание» и «деление» для вычисления запаздывания и данных, связанных с различиями.

Далее в видео рассматривается расчет процентных изменений финансовых активов с использованием Python. Он демонстрирует изменение функции «change» для улучшения читабельности путем переименования ее в «pst». Кроме того, он устанавливает переменную «периоды» в единицу и умножает процентное изменение на 100, чтобы представить его в формате значения в пунктах. В видео также рассматривается расчет стандартного изменения для актива путем вычитания его из процентного изменения, чтобы исключить влияние первого дня. Фрейм данных для определенного актива переименовывается как «изменение», и создается столбец «изменение». Учебник завершается проверкой столбца «изменить» с помощью «aafl» и сохранением фрейма данных.

Кроме того, автор учебника объясняет, как рассчитать среднее значение, стандартное отклонение, процентное изменение и доходность для заданного набора данных. Они также демонстрируют построение гистограммы и создание графика системы попаданий.

Продолжая статистические расчеты, в другом видеоуроке объясняется расчет среднего значения, дисперсии и стандартного отклонения доходности акций. Кроме того, в нем содержатся рекомендации по определению среднегодовой доходности и годовой дисперсии доходности.

В дальнейшем в учебнике демонстрируется расчет годового стандартного отклонения доходности акций с использованием функции «std» в Python. Этот подход эффективно анализирует большие наборы данных, беря данные из тикера вместо отдельных точек данных. В учебнике также показано создание столбцов для отслеживания среднего значения и стандартного отклонения доходности акции, а также среднего значения и стандартного отклонения процентного изменения акции. Далее объясняется расчет среднего значения и стандартного отклонения доходности акций с использованием функции «суммирования».

Автор также описывает создание точечных диаграмм и аннотирование их, чтобы проиллюстрировать доходность и риск, связанные с различными акциями. Эта визуализация помогает понять взаимосвязь между доходами и рисками в контексте торговли акциями. Далее видеоурок посвящен использованию Python для создания алгоритмов торговли акциями. В нем исследуется использование циклов for и таких функций, как ковариация и корреляция. Кроме того, он демонстрирует графическое представление результатов алгоритма, что позволяет трейдерам эффективно визуализировать и анализировать эффективность своих торговых стратегий.

Кроме того, в руководстве объясняется, как использовать библиотеку Seaborn для создания тепловой карты, отображающей корреляции акций. Он предоставляет пошаговое руководство вместе с загрузкой кода для всего проекта, облегчая реализацию анализа корреляции акций с использованием Python. Смещая фокус, ведущий в видеоуроке обучает зрителей расчету риска и потенциала вознаграждения портфеля акций с использованием Python. Они обсуждают ограничения простой доходности и вводят концепцию логарифмической доходности, демонстрируя ее практическое применение при оценке риска и вознаграждения. Этот анализ помогает трейдерам принимать обоснованные решения относительно состава своего портфеля и управления рисками.

В другом руководстве объясняется процесс вычисления простой скользящей средней с использованием функции «скользящего» в Python. Применяя эту технику, трейдеры могут сглаживать колебания цен на акции и более эффективно определять тенденции. Кроме того, в учебном пособии демонстрируется вычисление среднего, медианы и скользящего среднего набора данных с акцентом на их важность для анализа и понимания шаблонов данных.

Кроме того, видеоурок демонстрирует расчет различных скользящих средних, включая 50-дневную скользящую среднюю, 200-дневную скользящую среднюю и EMA (отношение прибыли к цене) акции. Эти скользящие средние затем наносятся на график, помогая трейдерам определять ключевые тенденции и потенциальные торговые сигналы. Продолжая о методах манипулирования данными, в видеоуроке объясняется использование функции переиндексации в pandas для замены отсутствующих значений в кадре данных. Он также охватывает применение функций прямого и обратного заполнения для управления данными при наступлении праздников и выходных.

Видеоруководство также демонстрирует расчет доходности акций с течением времени, включая доходность покупки и удержания, совокупную доходность и максимальную доходность. Кроме того, он исследует расчет совокупной максимальной доходности и визуализирует данные посредством построения графика. Кроме того, в руководстве объясняется, как рассчитать просадку для акции, а также максимальную совокупную доходность и максимальную совокупную просадку. Понимание просадок помогает трейдерам оценить риск, связанный с инвестициями, и определить сценарии потенциальных убытков. В том же духе в другом видеоуроке обсуждается расчет просадки и максимальной просадки для акции. Кроме того, в нем представлен обзор расчета процентной просадки, важнейшего показателя в управлении рисками.

Учебное пособие по Python 2023 на YouTube знакомит зрителей с созданием стратегии пересечения скользящих средних для торговли. Эта стратегия включает в себя использование двух скользящих средних, 50-дневной скользящей средней и 100-дневной скользящей средней, чтобы определить тренд акции и соответственно генерировать торговые сигналы. Кроме того, видеоурок объясняет, как писать код Python для торговли акциями. Он демонстрирует процесс определения того, покупать или продавать акцию на основе ее текущей цены и данных о прошлых ценах. Он также охватывает использование библиотеки для отслеживания позиции акций с течением времени, что позволяет трейдерам эффективно отслеживать и управлять своим портфелем.

Учебное видео знакомит зрителей с тестированием стратегии алгоритмической торговли на истории с использованием доходности и стандартного отклонения. Он демонстрирует стратегию, которая превосходит 50-дневную скользящую среднюю с точки зрения доходности, но имеет более высокое стандартное отклонение, подчеркивая компромисс между риском и вознаграждением. Кроме того, видеоруководство помогает пользователям создать инвестиционную стратегию и сравнить ее с другими стратегиями. В нем подчеркивается, что стратегия с наилучшей доходностью — это стратегия с длинным уклоном, указывающая на предпочтение бычьих позиций.

Кроме того, автор вводит функцию создания тестовой стратегии для алгоритмической торговли. Эта функция принимает такие параметры, как название акции, даты начала и окончания, и возвращает ключевые показатели производительности, такие как ежедневная доходность, совокупная доходность и SMA (простая скользящая средняя). Используя эту функцию, трейдеры могут оценивать эффективность своих торговых стратегий и принимать решения на основе данных. Затем учебник переходит к демонстрации того, как создать скрипт Python для алгоритмической торговли. Сценарий включает в себя простую стратегию стоп-лосса и тейк-профита, направленную на достижение более высокой общей эффективности по сравнению с традиционным подходом к инвестированию «купи и держи». Этот скрипт служит основой для разработки более сложных торговых алгоритмов.

Докладчик также демонстрирует процесс тестирования торговой стратегии, написанной на Python. Стратегия, созданная докладчиком, тестируется на исторических данных фондового рынка за 2017 год, что позволяет трейдерам оценить ее эффективность и жизнеспособность. Кроме того, в руководстве объясняется, как написать алгоритм Python2023 для торговли акциями и криптовалютами. Он охватывает использование API для доступа к данным с различных фондовых и криптовалютных бирж, что позволяет трейдерам анализировать рыночные данные в режиме реального времени и соответствующим образом реализовывать торговые стратегии. В видеоуроке дополнительно рассматривается использование Python для торговли акциями и криптовалютами. Он включает в себя ввод данных, анализ, хранение, манипулирование и выполнение торговых стратегий с использованием сервисов API. Используя эти методы, трейдеры могут автоматизировать свои торговые процессы и эффективно управлять своими портфелями.

Кроме того, в руководстве представлены исчерпывающие рекомендации по использованию Python для торговли акциями и другими финансовыми активами. Он охватывает фундаментальные концепции, такие как анализ цен и торговля, а также более сложные темы, такие как тестирование на истории и использование API для интеграции данных. Это руководство дает трейдерам необходимые знания и инструменты для эффективного участия в алгоритмической торговле.

В заключение, эти учебные пособия и видеоролики предлагают обширную информацию об использовании Python для алгоритмической торговли. Они охватывают широкий круг тем, включая обработку данных, статистический анализ, визуализацию, разработку стратегии, тестирование на истории и торговлю в реальном времени. Следуя этим руководствам, трейдеры могут улучшить свое понимание принципов алгоритмической торговли и использовать возможности Python для принятия обоснованных торговых решений.

• 00:00:00 В этом видео автор рассказывает, как установить и использовать программу для алгоритмической торговли на Python. Далее они объясняют, как создать базовый файл Python 3 для хранения кода алгоритмической торговой стратегии. Наконец, они показывают, как запускать код, распечатывая результаты.
  
  
• 00:05:00 В этом руководстве объясняется, как использовать язык программирования Python для выполнения алгоритмической торговли. В учебнике рассматриваются различные функции и библиотеки, которые можно использовать в алгоритмической торговле, такие как библиотека y Finance. В учебнике также показано, как загружать и обрабатывать данные в электронной таблице.
  
  
• 00:10:00 В этом видео на YouTube показано, как написать CSV-файл и как его прочитать в Python.
  
  
• 00:15:00 В этом руководстве объясняется, как использовать Python для торговли акциями. В видео сначала объясняется, как создать фондовый индекс, а затем показано, как использовать функцию convert в Python для изменения формата индекса. Наконец, объясняется, как использовать функцию Python start.columns для изменения списка столбцов для акций.
  
  
• 00:20:00 В этом видеоуроке рассказывается, как использовать Python для торговли акциями. В первой части руководства рассказывается, как загружать и анализировать биржевые данные. Далее в учебнике рассказывается, как использовать функцию описания для анализа данных. Наконец, в руководстве рассказывается, как использовать функцию блокировки точек для отслеживания цен на акции.
  
  
• 00:25:00 В этом видеоуроке объясняется, как использовать язык программирования Python для создания алгоритма торговли акциями. Учебник начинается с отображения разных начальных точек для трех разных акций, а затем демонстрируется, как нормализовать значения, чтобы все они были представлены в диапазонах по 100 пунктов. Далее в учебнике показано, как построить норму цены закрытия акции и как использовать
  точка (моль) для умножения значений на 100, чтобы их было легче читать.
  
  
• 00:30:00 В этом видеоуроке показано, как использовать язык программирования Python для создания алгоритмов торговли акциями. Первым шагом является создание нового столбца данных для хранения информации о закрытых акциях. Далее в видео объясняется, как использовать функцию сдвига для перемещения данных в конец столбца. Наконец, в учебнике показано, как рассчитать процентное изменение цен на акции по сравнению с предыдущим днем.
  
  
• 00:35:00 В этом уроке вы узнаете, как использовать язык программирования Python для расчета различных статистических данных, связанных с алгоритмической торговлей. Вы узнаете, как использовать сдвиг, вычитание и деление на функции для вычисления данных, связанных с задержкой и разницей.
  
  
• 00:40:00 В видео показано, как рассчитать процентное изменение финансового актива с помощью Python. Функция изменения заменяется на pst, чтобы ее было легче читать, а затем переменная period устанавливается равной единице. Процентное изменение затем умножается на сто, чтобы преобразовать в значение в баллах. Затем рассчитывается стандартное изменение для актива и вычитается из процентного изменения, чтобы исключить эффект первого дня. Яблоко кадра данных переименовывается в изменение, и создается изменение столбца. Aafl запускается для проверки изменений столбца и сохранения кадра данных.
  
  
• 00:45:00 В этом руководстве автор демонстрирует, как рассчитать среднее значение и стандартное отклонение определенного набора данных, а также процентное изменение и доходность ежемесячного изменения. Он также демонстрирует, как построить гистограмму и график системы попаданий.
  
  
• 00:50:00 В этом видео объясняется, как рассчитать среднее значение, дисперсию и стандартное отклонение доходности акций. В видео также объясняется, как рассчитать среднегодовой доход и как рассчитать годовой доход var.
  
  
• 00:55:00 В этом видеоруководстве объясняется, как рассчитать годовое стандартное отклонение доходности данной акции с помощью функции std. Функция std принимает данные от тикера, а не от отдельных точек данных, что делает ее более эффективной для анализа больших наборов данных. В учебнике также показано, как создать столбец для отслеживания среднего значения и стандартного отклонения доходности акции, а также столбец для отслеживания среднего значения и стандартного отклонения процентного изменения акции. Наконец, в нем объясняется, как рассчитать среднее значение и стандартное отклонение доходности акции с помощью функции суммирования.
  
  
• 01:00:00 Автор объясняет, как создать точечный график и аннотировать его, чтобы показать доходность и риск, связанные с различными акциями.
  
  
• 01:05:00 В этом видеоуроке объясняется, как использовать язык программирования Python для создания алгоритмов торговли акциями. В учебнике рассматривается использование циклов for и функций ковариации и корреляции, а также графическое представление результатов.
  
  
• 01:10:00 В этом руководстве объясняется, как использовать библиотеку Seaborn для создания тепловой карты корреляций акций. Учебник также включает в себя загрузку кода для всего проекта.
  
  
• 01:15:00 В этом видео ведущий учит, как рассчитать риск и потенциальное вознаграждение портфеля акций с помощью Python. Он обсуждает ограничения простых возвратов и возвратов журналов и демонстрирует, как они работают на практике.
  
  
• 01:20:00 В этом руководстве объясняется, как рассчитать простое скользящее среднее с помощью функции скользящего в Python.
  
  
• 01:25:00 В этом руководстве показано, как вычислить среднее значение и медиану набора значений, а также скользящее среднее.
  
  
• 01:30:00 В этом видео показано, как рассчитать 50-дневную скользящую среднюю, 200-дневную скользящую среднюю и EMA (или «отношение прибыли к цене») акции. Видео также демонстрирует, как отображать эти средние значения на графике.
  
  
• 01:35:00 В этом видео точка дня объясняет, как использовать функцию переиндексации в pandas для замены отсутствующих значений в кадре данных. В видео также рассказывается, как использовать функции прямого и обратного заполнения для управления данными, когда есть праздники, а также субботы и воскресенья.
  
  
• 01:40:00 В этом видео объясняется, как рассчитать доходность акций с течением времени, включая доходность при покупке и удержании, совокупную доходность и максимальную доходность. В нем также обсуждается, как рассчитать совокупную максимальную доходность и как построить график данных.
  
  
• 01:45:00 В этом видео объясняется, как рассчитать просадку для акции, а также как рассчитать максимальную совокупную доходность и максимальный совокупный максимум для акции.
  
  
• 01:50:00 В видео обсуждается, как рассчитать просадку и максимальную просадку по акции, а также представлен обзор того, как рассчитать процент просадки.
  
  
• 01:55:00 В этом видео на YouTube учебник по Python 2023 объясняет, как создать стратегию пересечения скользящих средних. Стратегия предполагает использование двух скользящих средних, 50-дневной и 100-дневной, для определения тренда акции.
  
  
• 02:00:00 В этом видеоуроке объясняется, как использовать Python для написания кода для торговли акциями. Видео демонстрирует, как написать код, чтобы определить, следует ли покупать или продавать акции, исходя из их текущей цены и прошлой цены. В видео также объясняется, как использовать библиотеку для отслеживания положения акции с течением времени.
  
  
• 02:05:00 Видео объясняет, как протестировать торговую стратегию алгоритма, используя доходность и стандартное отклонение. Стратегия обеспечивает более высокую доходность, чем 50-дневная скользящая средняя, но имеет высокое стандартное отклонение.
  
  
• 02:10:00 В этом видео объясняется, как создать стратегию для данной инвестиции и как сравнить ее с другими стратегиями. Стратегия с наибольшей доходностью — это стратегия с уклоном в длинную сторону.
  
  
• 02:15:00 Автор представляет функцию для создания тестовой стратегии для алготрейдинга. Функция принимает название акции, дату начала и окончания и возвращает дневной доход, совокупный доход и SMA.
  
  
• 02:20:00 В этом руководстве показано, как создать алгоритм Python для торговли акциями и как использовать его для прогнозирования будущих цен на акции. Учебное пособие включает в себя демонстрацию того, как рассчитать доход от инвестиций в акции, а также стандартное отклонение этого дохода.
  
  
• 02:25:00 Класс sma backtester используется для создания стратегии, которая вычисляет доходность и стандартное отклонение. Класс также включает функцию для получения данных.
  
  
• 02:30:00 Видео демонстрирует, как использовать функцию getdata для загрузки данных об акциях, как создать функцию результатов тестирования и как рассчитать эффективность и превосходство стратегии покупки и удержания с использованием данных.
  
  
• 02:35:00 Автор демонстрирует, как рассчитать производительность и производительность алгоритмической торговой стратегии. Автор также демонстрирует, как создать функцию для отображения результатов.
  
  
• 02:40:00 В этом уроке автор учит, как создать скрипт алгоритмической торговли на Python. Сценарий использует простую стратегию стоп-лосса и тейк-профита для достижения общего преимущества в производительности по сравнению с инвестициями «купи и держи».
  
  
• 02:45:00 В этом видео показано, как протестировать торговую стратегию, написанную на Python. Стратегия написана ведущим и протестирована на фондовом рынке в 2017 году.
  
  
• 02:50:00 В этом руководстве объясняется, как написать алгоритм Python2023 для торговли акциями и криптовалютами. В руководстве также рассказывается, как использовать API для доступа к данным с различных фондовых и криптовалютных бирж.
  
  
• 02:55:00 В этом видеоуроке объясняется, как использовать Python для торговли акциями и криптовалютами. В видео рассказывается, как вводить и анализировать данные, как хранить данные и манипулировать ими, а также как отправлять торговую стратегию с помощью сервисов API.
  
  
• 03:00:00 В этом руководстве объясняется, как использовать Python для торговли акциями и другими финансовыми активами. Курс охватывает основные понятия, такие как анализ цен и торговля, а также более сложные темы, такие как тестирование на истории и использование API.

[MetaQuotes]

Введение в алгоритмическую торговлю с использованием Python — как создать и протестировать торговый алгоритм

Введение в алгоритмическую торговлю с использованием Python — как создать и протестировать торговый алгоритм

В этом видео мы рассмотрим разработку алгоритмической торговой стратегии. Важно отметить, что содержание этого видео предназначено исключительно для образовательных целей и не должно рассматриваться как совет по инвестированию. Стратегия, на которой мы сосредоточимся, широко известна как импульсная стратегия, хотя она может иметь различные интерпретации. В целом, эта стратегия предполагает выявление ценных бумаг, которые движутся в определенном направлении. Например, мы можем начать с проверки ценных бумаг, которые выше их 50-дневной скользящей средней или любой другой метрики, которую мы исследовали.

Этот подход часто называют стратегией следования за трендом, поскольку мы можем получать прибыль как от восходящего, так и от нисходящего движения ценной бумаги. Однако крайне важно провести тщательное исследование, чтобы определить потенциальные торговые сигналы, которые могут быть прибыльными. В идеале эти сигналы должны быть применимы к нескольким ценным бумагам, что делает их более обобщаемыми.

Для начала мы импортируем необходимые библиотеки и загрузим соответствующие данные. В этом случае мы будем использовать Yahoo Finance API для получения данных для золотого ETF (GLD). После загрузки данных мы проверим первые несколько строк, чтобы убедиться в их точности.

Далее мы добавим столбцы во фрейм данных. Первый столбец, который мы добавим, — это счетчик дней, который поможет нам отслеживать положение во временном ряду. Мы также изменим порядок столбцов, чтобы день шел сразу после даты. Мы можем удалить ненужные столбцы, такие как «Скорректированное закрытие» и «Объем», хотя они могут быть полезны для других ценных бумаг или для определенного анализа.

Двигаясь дальше, мы рассчитаем две скользящие средние: быструю скользящую среднюю (9-дневную) и медленную скользящую среднюю (21-дневную). Эти скользящие средние будут служить нашими сигналами для входа и выхода из сделок. Когда быстрая скользящая средняя пересекает медленную скользящую среднюю, мы входим в длинную сделку, а когда она пересекает ее ниже, мы выходим из сделки или даже открываем короткую. Однако обратите внимание, что эта стратегия предполагает, что у нас есть доступ к данным о ценах закрытия за текущий день, что нереально при торговле в реальном времени. Чтобы решить эту проблему, мы перенесем скользящие средние на один день вперед, используя метод сдвига в Pandas.

Затем мы добавим столбец «сигнал», который будет указывать, должны ли мы открывать длинную или короткую сделку на основе сигналов скользящей средней. Значение 1 будет представлять длинную сделку, а -1 — короткую. Чтобы рассчитать этот столбец, мы будем использовать функцию np.where для сравнения быстрой и медленной скользящих средних.

Поскольку для расчета скользящих средних требуется определенное количество наблюдений, мы будем отбрасывать строки, в которых недостаточно данных. Этот шаг удалит начальные строки, в которых скользящие средние недоступны.

Затем мы добавим столбец «доход», чтобы рассчитать мгновенную доходность на основе цен закрытия. Кроме того, мы рассчитаем столбец «возврат системы», который зависит от сигнала и возврата. Этот столбец предоставит нам доход, характерный для нашей торговой системы.

Чтобы визуализировать данные и понять торговые сигналы, мы построим линейный график цены закрытия, быстрой скользящей средней и медленной скользящей средней. Мы также отметим точки входа зелеными стрелками, направленными вверх, чтобы указать, когда изменится направление сделки.

Кроме того, мы сравним эффективность нашей торговой системы со стратегией «купи и держи». Мы построим кумулятивную доходность обоих подходов за пятилетний период. Синяя линия представляет стратегию «купи и держи», а оранжевая линия представляет нашу систему. Из графика видно, что производительность системы остается относительно неизменной, что указывает на то, что она не превосходит стратегию «купи и держи».

В заключение, это видео представляет собой образовательное пошаговое руководство по разработке алгоритмической торговой стратегии с использованием подхода, основанного на моментуме.

• 00:00:00 В этом разделе видеоруководство посвящено разработке алгоритмической торговой стратегии с использованием Python. Учебное пособие предназначено только для образовательных целей и рассматривает импульсную стратегию, которая направлена на выявление ценных бумаг, движущихся в определенном направлении, также известную как стратегия следования за трендом. В видео показан процесс исследования потенциальных торговых сигналов для одной ценной бумаги с использованием API Yahoo Finance и средства чтения данных Pandas для загрузки данных, добавления столбцов во фрейм данных и использования двух скользящих средних (медленных и быстрых) для определения сигналов. . Учебное пособие содержит примеры кода, чтобы помочь зрителям в создании своих торговых алгоритмов.
  
  
• 00:05:00 В этом разделе спикер объясняет, как добавить в алгоритм скользящие средние. Они добавляют столбец для 9-дневной скользящей средней и 21-дневной скользящей средней, основанных на ценах закрытия. Однако есть проблема со скользящими средними, подразумевающая, что у алгоритма есть какая-то упреждающая информация. Чтобы исправить это, они перекатывают скользящие средние на один день вперед, используя метод сдвига в пандах. Затем они добавляют столбец сигналов, чтобы сообщить алгоритму, когда открывать длинную или короткую сделку. Наконец, они добавляют столбец возврата для расчета дохода системы и сравнения его с доходом в режиме «купи и держи».
  
  
• 00:10:00 В этом разделе видео спикер объясняет, как система настроена для имитации стратегии «купи и держи» в длинной позиции, как добавить столбец входа, чтобы показать изменения направления, и как визуализировать систему. производительность с использованием линейного графика. Оранжевая линия — это возврат системы, а синяя — покупка и удержание; система работает довольно ровно, подобно системе «купи и держи», что говорит о том, что эта система не работает. Спикер также упоминает, что вход на открытии не приводит к лучшей отдаче.
  
  
• 00:15:00 В этом разделе спикер объясняет, как оценить общую доходность торгового алгоритма. Вычитая единицу из дохода в последний день, он может сравнить доход от покупки и удержания с доходом алгоритма. Результат составляет около 36 процентов для покупки и удержания по сравнению с убытком в шесть процентов для алгоритма. Затем выступающий советует проявлять осторожность при прокрутке скользящих средних вперед и манипулировании данными, поскольку это может создать подразумеваемый взгляд вперед, который исказит производительность алгоритма. Наконец, он призывает зрителей исследовать различные длины скользящих средних, чтобы разработать алгоритмическую торговую стратегию, которая будет лучше, чем покупка и удержание.

[MetaQuotes]

Как получить список акций на бирже || Анализ акций с помощью Python, часть 1

Как получить список акций на бирже || Анализ акций с помощью Python, часть 1

Это первая часть моей серии статей об использовании Python для анализа акций. Сериал будет разделен на три части. В первом разделе мы сосредоточимся на получении и организации данных для анализа. Во второй части будут рассмотрены отдельные ценные бумаги, и, наконец, я покажу, как упаковать наш код для простой установки с помощью pip. Код будет доступен на GitHub (ссылка в описании видео). Вы можете использовать любой текстовый редактор по вашему выбору.

Наиболее важным аспектом биржевого анализа является источник данных. Я буду использовать комплексные исторические данные на конец дня, включая глобальные данные. Вы можете начать с бесплатного плана, но он имеет ограничения на количество вызовов API в день. Если вам нужно больше, вы можете подписаться на пакет данных по специальной цене (ссылка в описании видео).

Начнем с импорта необходимых модулей. Начнем со скачивания метаданных о ценных бумагах с конкретной биржи. Нам нужно предоставить ключ API и указать биржу (по умолчанию Нью-Йоркская фондовая биржа). Я приведу несколько примеров для рынка США, но вы можете изучить международные рынки, используя документацию на веб-сайте исторических данных на конец дня.

После того, как мы настроим документацию, мы выполним вызов конечной точки API, передав обмен и ключ API. Для этого мы будем использовать модуль запросов. Ответ будет в формате JSON, который мы преобразуем в DataFrame pandas.

Наконец, я добавлю несколько операторов печати, чтобы показать прогресс, и мы сможем протестировать код, запустив функцию точки входа. Обязательно замените ключ API на свой. Результатом будет DataFrame, содержащий извлеченные данные. Мы можем дополнительно отфильтровать эти данные на основе интересующих нас типов ценных бумаг, которые будут рассмотрены в следующем видео.

Я надеюсь, что вы найдете эту информацию полезной, и я с нетерпением жду встречи с вами в следующей части серии.

[MetaQuotes]

Как скачать символы акций S&P 500, фильтровать по секторам || Анализ запасов с помощью Python, часть 2

Как скачать символы акций S&P 500, фильтровать по секторам || Анализ запасов с помощью Python, часть 2

Это вторая часть моей серии статей об анализе акций с помощью Python. Если вы не видели первую часть, то рекомендую ее посмотреть. В предыдущем видео мы загрузили данные с конкретной биржи и получили DataFrame с метаданными. Теперь мы хотим отфильтровать символы на основе их типа безопасности, например обыкновенные акции, ETF или фонды. Это позволит нам сосредоточиться на конкретных ценных бумагах перед загрузкой данных.

Я добавлю новую функцию под названием «get_security_type», которая принимает в качестве входных данных DataFrame данных обмена. По умолчанию мы будем фильтровать обыкновенные акции, но при необходимости вы можете указать другой тип. Функция вернет список символов, соответствующих указанному типу ценной бумаги.

Кроме того, я заметил, что исторические данные на конец дня не включают символы S&P 500. Итак, я напишу еще одну функцию под названием "get_sp500_symbols" для извлечения символов из CSV-файла. Эта функция принимает необязательный параметр «сектор» для фильтрации символов на основе секторов. По умолчанию он возвращает все символы. Функция вернет DataFrame со столбцами символов, имен и секторов.

Чтобы реализовать это, мы будем использовать библиотеку pandas для чтения CSV-файла и применения нужных фильтров на основе предоставленных параметров.

После реализации мы можем протестировать функции. По умолчанию «get_security_type» возвращает все символы, и «get_sp500_symbols» также возвращает все символы. Мы можем указать сектор для фильтрации символов S&P 500.

Имея эти функции, мы теперь можем фильтровать символы на основе типов ценных бумаг и изучать акции из S&P 500. В следующей части серии мы сосредоточимся на загрузке и обработке данных.

Я надеюсь, что вы найдете эту информацию полезной, и я с нетерпением жду продолжения серии вместе с вами.

[MetaQuotes]

Как загрузить и сохранить данные о ценах на акции || Анализ запасов с помощью Python, часть 3

Как загрузить и сохранить данные о ценах на акции || Анализ запасов с помощью Python, часть 3

Это третья часть моей серии статей об использовании Python для анализа акций. Вы можете найти первые два видео по ссылке, указанной в описании видео. Весь код, использованный в серии, доступен в репозитории GitHub, на который также есть ссылка в описании.

В предыдущих видео мы узнали, как получить список ценных бумаг на конкретной бирже и как отфильтровать их по определенным критериям. Мы также написали функцию для фильтрации акций S&P 500. В этом видео мы сосредоточимся на загрузке и организации интересующих нас данных.

Для начала нам нужно установить вспомогательную библиотеку под названием «eod», которая упрощает взаимодействие с данными на конец дня. Мы можем использовать эту библиотеку вместо традиционных вызовов API. После его установки с помощью pip мы импортируем из библиотеки класс «EodHistoricalData», что позволяет нам легко выполнять вызовы API. Дополнительно импортируем модуль «datetime» для установки временных ограничений и модуль «os» для работы с файловой системой.

Затем мы устанавливаем некоторые даты по умолчанию для периода времени, за который мы хотим получить данные. В данном случае мы устанавливаем его примерно на год. Мы также устанавливаем текущую дату в качестве ссылки, если нам нужны даты начала и окончания.

Теперь мы можем приступить к написанию основной функции под названием «get_data». Эта функция принимает различные входные данные, включая один символ, список символов, разделенных запятыми, или список символов. Также требуется ключ API и путь, по которому будут храниться данные. Функция извлекает данные для указанных тикеров с помощью класса EodHistoricalData и сохраняет их в виде CSV-файла в указанной папке. Он отслеживает количество загруженных и пропущенных ценных бумаг и предоставляет информацию о процессе загрузки.

После написания функции мы можем протестировать ее, передав несколько примеров аргументов и проверив вывод. Мы можем видеть загруженные ценные бумаги и любые пропущенные. Функция успешно извлекает и сохраняет данные в указанной папке.

В следующих видеороликах мы будем работать с загруженными данными, например, извлекать цены закрытия и доходность, а также изучать методы визуализации.

[MetaQuotes]

Анализ акций с помощью Python: как извлечь данные о ценах из файлов || Часть 4

Анализ акций с помощью Python: как извлечь данные о ценах из файлов || Часть 4

Добро пожаловать в четвертую часть моей серии статей по анализу акций на Python. Вы можете найти ссылки на первые три части в описании видео, а также получить доступ к коду в репозитории GitHub.

В предыдущих видеороликах мы рассмотрели получение списка ценных бумаг, фильтрацию списка и загрузку данных в файлы CSV. Теперь в этом видео мы сосредоточимся на извлечении столбца цены закрытия из загруженных данных.

Для этого мы создадим функцию под названием «get_closing_prices». Функция принимает папку в качестве входных данных со значением по умолчанию, установленным для файлов данных. По умолчанию извлекается закрытый столбец, но при желании вы можете выбрать скорректированный закрытый столбец.

Во-первых, мы читаем все допустимые файлы в указанной папке, исключая файл, начинающийся с «0», чтобы избежать дублирования. Затем мы настраиваем пустой DataFrame.

Затем мы просматриваем файлы и проверяем, установлено ли для скорректированного закрытия значение true. Если это так, мы создаем временный DataFrame, используя функцию pandas read_csv, указав папку и файл. Мы устанавливаем столбец индекса как дату и выбираем скорректированный столбец закрытия. Наконец, мы переименовываем столбец в символ тикера.

Если скорректированное закрытие неверно, мы выполняем аналогичный процесс для столбца закрытия. Мы заменяем существующий DataFrame временным DataFrame для первого файла и объединяем новый DataFrame с существующим для последующих файлов.

Наконец, мы возвращаем DataFrame, содержащий цены закрытия. Кроме того, при желании мы записываем DataFrame в CSV-файл с именем closes.csv.

Вы можете протестировать функцию, вызвав ее с желаемым именем папки. Функция вернет DataFrame с ценами закрытия. В показанном примере он успешно извлек столбец цены закрытия для указанных ценных бумаг.

В пятой части мы рассчитаем данные о доходности на основе этих цен закрытия.