R forex trading

Como uso o oscilador Williams% R para criar uma estratégia de negociação forex?
Os osciladores Momentum, como o indicador Williams% R, são usados ​​no mercado forex para determinar a força de uma tendência atual e, mais importante, identificar quando essa tendência pode estar se preparando para uma reversão. Uma estratégia comum para prever a reversão usando o oscilador Williams% R é buscar momentos em que os sinais de momentum diferem da ação do preço. Essa contradição, chamada de divergência, ocorre quando o preço continua a atuar em linha com a tendência atual, enquanto o oscilador mostra as tendências das leituras na direção oposta. Por exemplo, a divergência de alta ocorre em uma tendência de baixa quando o oscilador Williams% R começa a imprimir mais baixos, enquanto o preço continua a atingir novos mínimos baixos. O aumento nas leituras de Williams% R indica que o preço foi fechado mais perto do seu período alto do que antes em vez de atingir consistentemente novos mínimos a cada dia. Por outro lado, a divergência de baixa ocorre em uma tendência de alta quando o preço continua a subir, enquanto as leituras de Williams% R começam a mergulhar, indicando que o preço está se fechando mais longe do período alto.
Os sinais de divergência são considerados mais significativos quando ocorrem enquanto os osciladores de momentum refletem as condições de sobrecompra ou sobrevenda. As condições são muitas vezes sinais de que a tendência atual se estendeu demais e pode não ter o impulso necessário para continuar, abrindo a porta para a reversão. Ao usar o oscilador Williams% R, as leituras entre 0 e -20 são consideradas sobrecompra, enquanto as entre -80 e -100 são consideradas sobrevendidas.
Ao negociar no mercado cambial usando sinais divergentes de Williams% R, primeiro procure um par de moedas que tenha exibido uma tendência particularmente longa ou prolongada. Idealmente, a tendência está a aproximar-se de uma área anterior de suporte ou resistência, que oferece terreno fértil para reversão. Procure as leituras Williams% R dentro das gamas de sobrecompra ou sobrevenda. A evidência corroborante da reversão de outros indicadores de impulso, como o RSI do índice de força relativa, acrescenta credibilidade ao sinal. O volume crescente é outro bom sinal de esgotamento da tendência. Se o preço continuar a seguir a tendência, enquanto as leituras de momentum divergem, use esse sinal para sair das posições atuais ou entre novas para melhor aproveitar a reversão iminente.

Forex.
80 & # 32; пользователей находятся здесь.
МОДЕРАТОРЫ.
Wrayjustin Trading Pennies for Dollars FXMarketMaker Professional Trader Hot_Biscuits_ Modelos e Garrafas spicy_pasta RichJG Financial Astrologer El_Huachinango MOD finance_student Prop Trader о команде модераторов & raquo;
Bem-vindo ao Reddit,
a primeira página da internet.
e inscreva-se em uma das milhares de comunidades.
отправлено & # 32; 5 месяцев назад & # 32; автор & # 32; El_Huachinango MOD & # 32; - & # 32; anúncio.
отправлено & # 32; 1 день назад & # 32; автор & # 32; Chickenxchicken liberado em liberdade condicional.
отправлено & # 32; 1 день назад & # 32; автор & # 32; Ssasus.
отправлено & # 32; 2 дня назад & # 32; автор & # 32; dontknowheretogo Live Trader.
помощь правила сайта центр поддержки вики реддикет mod guidelines связаться с нами.
приложенияи инструменты Reddit para iPhone Reddit para o site móvel Android кнопки.
Использование данного сайта означает, что вы принимаете & # 32; пользовательского соглашения & # 32; и & # 32; Политика конфиденциальности. &cópia de; 2018 reddit инкорпорейтед. Все права защищены.
REDDIT e o logotipo ALIEN são marcas registradas da reddit inc.
& pi; Renderizado pelo PID 89053 em & # 32; app-272 & # 32; em 2018-01-23 23: 59: 30.577154 + 00: 00 executando o código do país a985f52: UA.

R forex trading
Puxe pedidos 0.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
R Code API for Forex Trading com OANDA Broker (CFTC e corretor de varejo regulamentado da SEC). Este código é uma série de funções para o uso da API Oanda REST, mais sobre Oanda pode ser lido em sua Página Inicial.
Foi adicionada a opção Contagem à função HisPrices, que é para recuperar uma quantidade fixa de velas, em vez de recuperar o número de velas que está presente em um intervalo de datas do início ao fim. Ainda está disponível a opção de obter os preços históricos de um intervalo de datas. A opção Contagem é usar os valores de granularidade menores, pois desde 1 dia a outro há mais de 5000 velas e esse é o limite de OANDA pela quantidade de histórico disponível por solicitação. Então, agora, cada pedido de preços históricos deve incluir o parâmetro Count, se o pedido for para um intervalo de datas, o valor de Count deve ser NULL, se o pedido for para uma quantidade fixa de velas, os valores de Start e End, ambos, deve ser NULL.
Na Oanda, pode-se trocar mais do que apenas o mercado FOREX, mas principalmente é isso, de modo a ter uma melhor compreensão sobre o que é FOREX trading:
E sobre o que e API, REST API são?
Tenha uma conta: você deve realmente obter uma conta com o OANDA, Live ou Practice está bem e exatamente o mesmo, se você não possui um, você pode criá-lo a partir daqui Abrir conta.
Obtenha Acesso à API REST: Faça o login - & gt; Procurar o link Gerenciar acesso à API - & gt; Gerar token de acesso pessoal.
Salve informações com segurança: ter esse símbolo é como ter sua senha, então mantenha-o seguro. Se você já perdeu ou precisa mudá-lo, está certo e o anterior é reprovado assim que você gerar outro, então você pode revogá-lo sempre que quiser.
OANDA tem uma página dedicada para fornecer todo o tipo de ajuda e exemplos para desenvolvedores, em muitos idiomas, você sempre pode ir lá e considerar ter um recurso completo para você Algorithmic Trading.
Qualquer versão está ok. Não é necessário usar RStudio ou qualquer outra GUI para R. Serão necessários pacotes específicos, acabei de adicionar um código para autodetectá-los e instalá-los se você ainda não tiver.
Os pacotes anteriores são realmente necessários não para executar as funções, são expressões regulares de R, mas quando você as liga e executa no seu código. Isso porque algumas funções eu usei dentro da API. Caso prefira ter acesso a esta API com uma linha de código, você pode usar o seguinte e as funções estarão disponíveis localmente (Nota: Você deve executar este código sempre que começar a sessão R).
Instale as bibliotecas necessárias se não estiverem instaladas, se estiverem instaladas basta carregá-las.
Usa a função source_url do downloadador de pacotes para gerar um script R localizado em um repositório GitHub.
AccountID é um número de 7 dígitos, a entrada deve ser numérica, Token é onde o seu e o Start e End são datas no formato * "AAAA-MM-DD".
InstList para obter os instrumentos disponíveis em Oanda e HisPrices * para obter os preços históricos do instrumento selecionado, neste caso, o 117º é o XAU_USD, ou seja, Gold Vs Usd.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

Análise Técnica com R.
Tabela de conteúdo.
Nesta publicação, veremos como um comerciante poderia usar R para calcular alguns indicadores básicos de Análise Técnica. R é um ambiente livre de análise estatística de código aberto e linguagem de programação. Está disponível para sistemas operacionais Windows, Mac OS e Linux. A instalação é fácil e rápida. Para instruções de download e instalação, vá para: cran. r-project.
Ao desenvolver uma estratégia comercial, é útil poder analisar e visualizar dados e poder testar suas regras de geração de comércio e suas variações e modelos rapidamente e com o mínimo de rotação. Enquanto muitas plataformas de negociação, como Interactive Brokers, etc. fornecem acesso a dados históricos via API ou download direto de arquivos e # 8211; Analisar essas estratégias de negociação de dados e protótipos muitas vezes requer escrever centenas de linhas de código em linguagens de programação, como Java ou C ++, ou escrever fórmulas complicadas difíceis de testar no Excel. Isso requer um investimento de tempo significativo, independentemente de como o programador de experiência você é. Em contraste, uma linguagem de programação de nível superior, como R ou Matlab, juntamente com seus ambientes de programação interativos, permite que seus usuários façam fatias, dados e analise dados dentro de uma fração de tempo que leva com C ++, C # ou Java. A quantidade de código necessária para desenvolver uma estratégia de negociação em R também é tipicamente uma ordem de grandeza.
Neste exemplo, usaremos um simples arquivo separado por vírgulas contendo colunas de preço aberto, alto, baixo e próximo (a. k.a. OHLC), juntamente com valores de volume e timestamp para SPY ETF. Nesta publicação, vamos demonstrar como usar uma biblioteca R gratuita para calcular os padrões da média movente simples (SMA), a média móvel exponencial (EMA), Bollinger Bands (BBands), RSI e MACD. Anexaremos indicadores calculados como novas colunas ao nosso arquivo de entrada para que ele possa ser usado para novas análises ou prototipagem de estratégia de negociação no Excel, R ou qualquer outro pacote de software compatível com CSV de sua escolha.
Biblioteca de Instalação de Análise Técnica para R.
1. Para calcular a Análise Técnica com R usaremos uma biblioteca livre de código aberto chamada & # 8220; TTR & # 8221; (Regras de Negociação Técnicas). Esta etapa inclui instruções para instalar a biblioteca TTR, supondo que você já tenha instalado R em seu computador. Este passo apenas precisa ser executado uma vez por instalação R em um computador.
Para instalar a biblioteca no seu computador:
1) Comece o ambiente R em seu computador e, no menu, selecione: Pacotes & # 038; Dados -> Instalador de Pacotes.
2) No tipo de Instalador de Pacotes & # 8220; TTR & # 8221; no campo Pesquisa de Pacotes e clique em & # 8220; Obter Lista & # 8221; botão.
3) Selecione o pacote & # 8220; TTR & # 8221; e clique em & # 8220; Instalar Selecionado & # 8221 ;.
Carregando dados históricos (entrada)
Para fins de demonstração, usaremos preços históricos diários para SPY ETF de setembro de 2018 a maio de 2018. Clique aqui para baixar o arquivo de dados. Este arquivo de entrada para este exemplo foi gerado usando o IB Historical Data Downloader.
2. Começamos abrindo o shell R e carregando a biblioteca "TTR", que é uma extensão R gratuita que contém funções para o cálculo de alguns dos indicadores mais comuns.
3. O próximo passo é importar nosso arquivo de dados com preços históricos para o ambiente R. Vamos carregar dados do arquivo CSV da amostra no ambiente R e armazená-lo como "quadro de dados", que é um tipo de variável R para armazenar dados no formato da tabela na memória.
Para exibir as primeiras linhas da tabela "dados":
Isso, por padrão, mostra as primeiras 6 linhas de dados, juntamente com os nomes das colunas (cabeçalho da tabela). Para ver quantas linhas você tem na tabela "dados":
Isso mostra que temos 187 registros de dados em nosso arquivo de dados SPY, para 187 dias de negociação entre 3 de setembro de 2018 e # 8211; 31 de maio de 2018.
Também podemos listar os nomes das colunas da tabela usando as funções "colnames" da seguinte maneira:
Médias móveis.
4. Vamos agora calcular a Média de Movimento Simples de 20 dias (SMA) da coluna de preço CLOSE usando a função R da biblioteca TTR "SMA":
Agora, vejamos os primeiros 50 valores da matriz "sma20":
Aqui, usamos a função SMA da biblioteca TTR que carregamos acima, dizendo para calcular a média de 20 dias (valor do parâmetro "n"), da coluna "CLOSE" da data frame "data". A função retorna uma matriz de valores de SMA e o armazena em uma nova variável chamada "sma20".
Você pode mostrar a ajuda com uma descrição detalhada da função e seus parâmetros estão sendo usados? seguido do nome da função, conforme abaixo. É sempre uma boa idéia ler páginas de ajuda para as funções que você está usando, pois listarão todos os parâmetros opcionais que você pode usar para ajustar a saída. Além disso, muitas funções têm variações ou funções relacionadas, o que pode ser útil em várias circunstâncias e será listado na página de ajuda.
5. O cálculo da Média de Movimento Exponencial é igualmente fácil, basta usar uma função diferente, desta vez EMA (). Observe que nós calculamos EMA por um período de 14 períodos.
Bandas de Bollinger.
6. Para calcular o indicador Bollinger Bands, usamos a função BBands. Há uma série de parâmetros opcionais que é necessário, então forneceremos vários exemplos. No exemplo abaixo, chamamos o BBands passando o quadro de dados "dados" com uma consulta que especifica que queremos usar valores da coluna "CLOSE", assim como fizemos acima os cálculos SMA e EMA acima. O segundo parâmetro 'sd' leva o número de desvios padrão para bandas superiores e inferiores. Como não passamos valor para 'n' & # 8211; O BBands usa a média móvel de 20 períodos por padrão. A saída contém várias colunas: 'dn' para a banda "inferior", 'mavg' para a média móvel, 'para cima' para a banda "superior" e pctB, que quantifica o preço de segurança em relação ao superior e Bollinger Band inferior, uma descrição detalhada disto pode ser encontrada aqui.
% B é igual a 1 quando o preço está na faixa superior% B é igual a 0 quando o preço está na faixa inferior% B está acima de 1 quando o preço está acima da banda superior% B está abaixo de 0 quando o preço está abaixo da faixa inferior% B está acima .50 quando o preço está acima da faixa do meio (SMA de 20 dias)% B está abaixo de .50 quando o preço está abaixo da faixa do meio (SMA de 20 dias)
> bb20 = BBands (dados, sd = 2,0)
6.1 Agora, gostaríamos de criar um novo quadro de dados contendo todos os dados de entrada a partir do & # 8216; dados & # 8217; quadro, mais dados Bollinger Bands que acabamos de calcular.
A função data. frame () leva qualquer número de quadros de dados e os junta em uma nova base de dados, de modo que os elementos das linhas correspondentes sejam "unidos" no resultado.
6.2 Bollinger Bands plot:
> linhas (dataPlusBB $ CLOSE, col = & # 8216; vermelho & # 8217;)
> linhas (dataPlusBB $ up, col = & # 8216; purple & # 8217;)
> linhas (dataPlusBB $ dn, col = & # 8216; brown & # 8217;)
> linhas (dataPlusBB $ mavg, col = & # 8216; blue & # 8217;)
6.3 Alternativamente, podemos especificar explicitamente que tipo de média móvel deve ser usado como base para Bollinger Bands usando o parâmetro de função 'maType', que simplesmente leva um nome de função de média móvel. Consulte a página de ajuda do SMA para ver diferentes tipos de médias móveis suportadas na biblioteca TTR. Por exemplo, se você quiser calcular um EMA Bollinger Bands, você pode passar EMA para maType. Observe que, neste exemplo, estamos substituindo o parâmetro de comprimento padrão para a média móvel, usando a média de 14 períodos desta vez.
> bbEMA = BBands (dados, sd = 2.0, n = 14, maType = EMA)
RSI & # 8211; Indicador de força relativa.
7. RSI. Para calcular o RSI, usamos a função RSI (). Você pode usar o comando RSI no shell R para obter detalhes dos parâmetros da função. Basicamente, é muito semelhante às funções que usamos acima para gerar médias móveis. Tem dois parâmetros necessários: séries temporais (como a coluna "FECHAR" da nossa base de dados "dados" e "número inteiro" para o "comprimento" do indicador RSI.
> rsi14 = RSI (dados, n = 14)
Aqui, o primeiro parâmetro para a função RSI é: dados, que é uma declaração que diz "pegue a coluna chamada 'FECHAR' da tabela 'dados' e devolva-a como uma lista de valores eo segundo parâmetro é n = 14, onde o nome do parâmetro é 'n' e o valor 14 indica que queremos calcular os valores de RSI de 14 dias nos preços de fechamento.
8. A função MACD leva vários argumentos:
séries de dados de entrada (como o preço "CLOSE") de períodos para a média móvel média "rápida" de períodos para a média móvel média "lenta" de períodos para a linha "sinal".
Você também pode opcionalmente especificar a função média móvel que você deseja usar para as médias móveis do MACD. Veja uma captura de tela da página de ajuda abaixo (você também pode usar o comando MACD no shell R para abrir a página de ajuda você mesmo):
Vamos calcular um padrão (12,26,9) indicador MACD usando esta função. Estaremos usando médias móveis simples padrão, então, especificaremos a função SMA no parâmetro 'maType':
> macd = MACD (data, nFast = 12, nSlow = 26, nSig = 9, maType = SMA)
Junte todos os dados juntos.
9. Agora, juntamos todos os indicadores calculados acima com os dados de entrada originais em um único quadro de dados:
A função data. frame () leva qualquer número de quadros de dados e os junta em fileira, de modo que os elementos das linhas correspondentes sejam "colados" juntos no data. frame resultante 'allData'.
Escreva no arquivo de texto.
E, finalmente, escrevemos o conteúdo da estrutura de dados 'allData' para um arquivo de valores separado por vírgulas. Usamos a função write. table (), que contém uma grande quantidade de parâmetros opcionais. Uma página de ajuda detalhada está disponível usando o comando "? Write. table" no shell R.
> write. table (allData, file = "spy_with_indicators. csv", na = "", sep = ",", row. names = FALSE)
Quando chamamos a função write. table (), passamos os seguintes argumentos:
AllData & # 8211; Esta é simplesmente uma referência ao quadro de dados que contém dados a serem gravados no arquivo de saída. arquivo = "& # 8230;" & # 8211; Este é o caminho e o nome do arquivo que estamos criando. na = "" & # 8211; certifica-se de que as células no quadro de dados que contenham o valor R "NA" conterão valores vazios no arquivo de saída. Algumas células têm NA para linhas onde não havia dados suficientes para gerar um valor indicador correspondente (por exemplo, as primeiras 19 linhas para SMA de 20 dias). sep = "," & # 8211; define o separador de colunas para vírgulas (portanto, o arquivo de valores separados por vírgulas). Para criar um arquivo separado por tabulação (realmente um formato preferido para sistemas de software sério) & # 8211; use: sep = "\ t". row. names = FALSE & # 8211; é importante definir esse valor, caso contrário, a primeira coluna no arquivo de saída conterá números de linha.
O arquivo resultante está disponível aqui. Clique com o botão direito do mouse e selecione & # 8220; Salvar arquivo vinculado como ... & # 8221; O arquivo baixado pode ser aberto no Excel ou no editor de texto.
10. Existem mais funções e recursos disponíveis na biblioteca "TTR". Você pode descobrir mais trazendo a página de ajuda da TTR:
CONCLUSÃO.
R fornece um ambiente conveniente e versátil para análise e cálculos de dados. Além de milhares de bibliotecas e algoritmos estatísticos, bibliotecas e algoritmos de código aberto gratuitos, R contém um grande número de funções e bibliotecas para ler e gravar dados de / para arquivos, bancos de dados, URLs, Serviços da Web, etc ... Isso, combinado com a concisão do idioma, é uma combinação poderosa que pode ajudar os comerciantes a economizar um tempo precioso. Os comerciantes podem reduzir significativamente o tempo necessário para protótipo e estratégias de negociação backtest usando R. Existem também métodos para integrar R com linguagens de programação convencionais, como Java e C ++. Não hesite em publicar um comentário ou enviar como uma mensagem através do formulário de contato, se você tiver alguma dúvida sobre este material.
Finalmente, gostaríamos de mencionar alguns livros que foram muito úteis em nossos esforços de desenvolvimento. O primeiro livro # 8211; & # 8220; Comércio Quantitativo com R & # 8221; é uma ótima combinação de insights de análise de dados financeiros e aplicação de R para backtesting, exploração de dados e análise. Tem uma série de ótimos exemplos de código e passa por uma série de pacotes R úteis. Este é um bom livro de nível de introdução para intermediário para pessoas que gostariam de construir e testar suas próprias estratégias de negociação.
O segundo livro # 8211; & # 8220; Mastering R for Quantitative Finance & # 8221; & # 8211; é uma verdadeira jóia. Contém informações mais avançadas para os comerciantes com uma boa compreensão dos instrumentos derivados e um fundo matemático mais forte. Descobrimos que este livro é um ótimo acompanhamento para o & # 8220; Quantitative Trading com R & # 8221 ;. Além de grandes exemplos e pacotes de código R, ele contém visões gerais de vários modelos e algoritmos de financiamento quantitativos avançados (e práticos!) E permite que você fique com os pés molhados com o código R imediatamente.
8 comentários sobre o & ldquo; Análise técnica com R & rdquo;
Ótimo post! Obrigado.
1) você pode usar os dados baixados para fazer gráficos, com os indicadores ou osciladores?
2) outros outros parâmetros podem ser usados ​​para pesquisar os candidatos certos? Eu não quero milhares de ações para examinar.
3) é esta uma tela de pesquisa ou os estoques devem ser inseridos manualmente?
4) todos os critérios de pesquisa serão atualizados automaticamente?
5) outras questões, mas estas parecem as mais relevantes neste momento.
Você fez todo o trabalho fazendo todo esse trabalho.
Existe a possibilidade de que eu possa fazer você ajustar algumas coisas no MACD?
Sim, você pode definir todos os dados da série temporal em R, incluindo indicadores, de forma semelhante ao exemplo do gráfico Bollinger Bands na minha publicação.
uau, isso é realmente muito melhor do que muitas outras coisas que eu li tentando entender como construir minha própria plataforma de negociação, eu posso ter controle sobre. Seria ótimo se houvesse um guia de teste de volta também.
Obrigado! Eu ficarei feliz em discutir backtesting e responder suas perguntas se você me deixar uma linha através do formulário de contato no lado direito.
Obrigado por compartilhar o link para a página do tutorial, publicação educativa aqui, por sinal.
É possível para mim criar meu próprio indicador personalizado e usar isso com o quantmod?
Sim, você tem requisitos para o indicador personalizado? Podemos ajudá-lo com o desenvolvimento.
Suporte Geeks de negociação.
Deixe uma resposta Cancelar resposta.
IB Data Downloader.
O IB Data Downloader versão 3.3 está agora disponível! Faça o download de dados históricos da Interactive Brokers. Ações, Futuros, ETFs, Índices, Forex, Opções, FOPs. Agora suporta downloads de dados históricos de opções! Executa no Windows, MacOS, Linux. Manipula automaticamente as violações de estimulação da API IB, sem restrições de duração devido a limitações de estimulação. Apoia dados históricos para contratos de futuros expirados.
IB Excel Trader.
IB Excel Trader versão 1.6 está agora disponível! Trade Stocks, ETFs, Futuros e Forex diretamente do Excel. Implementar regras comerciais comerciais usando fórmulas de planilha ou VBA. Regras de entrada do programa para ordens de saída únicas ou de suporte. Mercado, Stop, Limite, Stop-Limit, além de encomendas complexas complexas são suportadas. Folha de registro de pedidos (novo!). Contém uma lista detalhada de cada alteração de status do pedido em uma tabela Excel filtrável. Use o nosso Serviço de personalização para expandir o IB Excel Trader e contratar nossos programadores para desenvolver suas estratégias comerciais comerciais.
O Interactive Brokers (IB) é um fornecedor de baixo custo de serviços de execução comercial e de compensação para indivíduos, conselheiros, grupos comerciais, corretores e hedge funds. A principal tecnologia do IB oferece acesso direto a ações, opções, futuros, divisas, títulos e fundos em mais de 100 mercados em todo o mundo a partir de uma única conta universal do IB.
Membro NYSE, FINRA, SIPC. Visite os roteiros interativos para obter mais informações.
Postagens recentes.
Contate-Nos!
Mensagem enviada.
Obrigado por contatar os Geeks comerciais. Nós responderemos a sua mensagem em breve. Entretanto, se você tiver alguma dúvida adicional, não hesite em nos enviar um e-mail para: contatos @ tradinggeeks.
Desculpe, houve um problema e sua mensagem não foi enviada.
Digite seus detalhes de contato e uma breve mensagem abaixo e nós responderemos sua mensagem em breve.

O R Trader.
Usando R e ferramentas relacionadas em Finanças Quantitativas.
Visualizando dados da série temporal em R.
Estou muito satisfeito em anunciar o meu curso DataCamp sobre Visualização de Dados da Série Temporal em R. Este curso também faz parte da série Time com R habilidades. Sinta-se livre para dar uma olhada, o primeiro capítulo é gratuito!
Descrição do Curso.
Como diz o ditado, "Um gráfico vale mais que mil palavras". É por isso que a visualização é a maneira mais utilizada e poderosa de obter uma melhor compreensão dos seus dados. Após este curso, você terá uma ótima visão geral das capacidades de visualização da série R e você poderá decidir melhor o modelo a ser escolhido para análise subseqüente. Você também poderá transmitir a mensagem que deseja entregar de forma eficiente e linda.
Esboço de Curso.
Capítulo 1: R Time Series Visualization Tools.
Este capítulo irá apresentá-lo às ferramentas básicas de visualização da série R.
Capítulo 2: séries temporais univariadas.
Os gráficos univariados são projetados para aprender o máximo possível sobre a distribuição, a tendência central e a disseminação dos dados em questão. Neste capítulo, você receberá algumas ferramentas visuais usadas para diagnosticar séries de tempos univariados.
Capítulo 3: séries temporais multivariadas.
O que fazer se você tiver que lidar com séries temporais multivariadas? Neste capítulo, você aprenderá como identificar padrões na distribuição, tendência central e propagação em pares ou grupos de dados.
Capítulo 4: Estudo de caso: selecionando visualmente um estoque que melhora sua carteira existente.
Deixe colocar tudo o que aprendeu até agora na prática! Imagine que você já possui um portfólio de ações e você tem algum dinheiro extra para investir, como você pode escolher com sabedoria um novo estoque para investir seu dinheiro adicional? Analisar as propriedades estatísticas das ações individuais versus um portfólio existente é uma boa maneira de abordar o problema.
Vinculando R para IQFeed com o pacote QuantTools.
O IQFeed fornece serviços de transmissão de dados e soluções de negociação que cobrem o mercado agrícola, energético e financeiro. É um fornecedor bem conhecido e reconhecido de feed de dados voltado para usuários de varejo e pequenas instituições. O preço da assinatura começa em torno de US $ 80 / mês.
Stanislav Kovalevsky desenvolveu um pacote chamado QuantTools. É um pacote tudo em um projetado para melhorar a modelagem de negociação quantitativa. Ele permite baixar e organizar dados históricos de mercado de várias fontes como Yahoo, Google, Finam, MOEX e IQFeed. O recurso que mais me interessa é a capacidade de vincular o IQFeed à R. I & # 8217; tenho usado o IQFeed há alguns anos e estou feliz com ele (eu não sou afiliado à empresa em nenhum caminho). Mais informações podem ser encontradas aqui. Eu procurei uma integração dentro de R por um tempo e aqui está. Como resultado, depois de executar alguns testes, mudei meu código que ainda estava em Python em R. Apenas por completude, aqui é um link que explica como baixar dados históricos do IQFeed usando o Python.
O QuantTools oferece quatro funcionalidades principais: Obter dados de mercado, armazenar / recuperar dados do mercado, traçar dados da série temporal e testar as costas.
Primeiro, certifique-se de que o IQfeed esteja aberto. Você pode baixar dados diários ou intraday. O código abaixo baixa os preços diários (Open, High, Low, Close) para a SPY de 1 de janeiro de 2017 a 1 de junho de 2017.
O código abaixo baixa dados intraday de 1 de maio de 2017 a 3 de maio de 2017.
Observe o parâmetro do período. Pode levar qualquer um dos seguintes valores: tick, 1min, 5min, 10min, 15min, 30min, hora, dia, semana, mês, dependendo da frequência que você precisa.
O QuantTools torna o processo de gerenciamento e armazenamento de dados do mercado de tiques fácil. Você apenas configura parâmetros de armazenamento e está pronto para ir. Os parâmetros são onde, desde que data e quais símbolos você gostaria de ser armazenado. Sempre que você pode adicionar mais símbolos e se eles não estiverem presentes em um armazenamento, o QuantTools tenta obter os dados da data de início especificada. O código abaixo salvará os dados no seguinte diretório: & # 8220; C: / Usuários / Arnaud / Documents / Market Data / iqfeed & # 8221 ;. Existe uma sub-pasta por instrumento e os dados são aved em arquivos. rds.
Você também pode armazenar dados entre datas específicas. Substitua a última linha de código acima com uma das seguintes.
Agora, você deseja recuperar alguns dos dados armazenados, basta executar algo como:
Observe que apenas os tiques são suportados no armazenamento local, pelo que o período deve ser & # 8216; assinalar & # 8217;
O QuantTools fornece a função plot_ts para traçar dados da série temporal sem fins de semana, feriados e intervalos overnight. No exemplo abaixo, primeiro recupero os dados armazenados acima, selecione as primeiras 100 observações de preços e, finalmente, desenhe o gráfico.
Duas coisas a notar: primeiro espião é um objeto data. table daí a sintaxe acima. Para obter uma visão geral rápida das capacidades de data. table, veja esta excelente folha de truques da DataCamp. Segundo, o parâmetro local é VERDADEIRO à medida que os dados são recuperados do armazenamento interno.
O QuantTools permite escrever sua própria estratégia comercial usando sua API C ++. Eu não vou elaborar sobre isso, pois este é basicamente o código C ++. Você pode consultar a seção Exemplos no site QuantTools.
No geral, considero o pacote extremamente útil e bem documentado. O único bit faltante é o feed ao vivo entre R e IQFeed, o que tornará o pacote uma solução de fim a fim real.
Como de costume, todos os comentários são bem-vindos.
BERT: um recém-chegado na conexão do R Excel.
Alguns meses atrás, um leitor me apontou essa nova maneira de conectar R e Excel. Eu não sei por quanto tempo isso aconteceu, mas nunca encontrei isso e eu nunca vi nenhuma postagem no blog ou artigo sobre isso. Então eu decidi escrever uma publicação, pois a ferramenta realmente vale a pena e, antes que alguém pergunte, eu não estou relacionado à empresa de nenhuma maneira.
BERT significa Basic Excel R Toolkit. É grátis (licenciado sob a GPL v2) e foi desenvolvido pela Structured Data LLC. No momento da redação, a versão atual do BERT é 1.07. Mais informações podem ser encontradas aqui. De uma perspectiva mais técnica, o BERT foi projetado para suportar a execução de funções R a partir de células da planilha do Excel. Em termos de Excel, ele é para escrever funções definidas pelo usuário (UDFs) em R.
Nesta publicação, não vou mostrar-lhe como o R e o Excel interagem através do BERT. Há muito bons tutoriais aqui, aqui e aqui. Em vez disso, quero mostrar-lhe como usei o BERT para criar uma torre de controle # 8222; para minha negociação.
Meus sinais comerciais são gerados usando uma longa lista de arquivos R, mas eu preciso da flexibilidade do Excel para exibir resultados de forma rápida e eficiente. Como mostrado acima, o BERT pode fazer isso por mim, mas eu também quero adaptar o aplicativo às minhas necessidades. Ao combinar o poder de XML, VBA, R e BERT, posso criar uma aplicação bem parecida e poderosa na forma de um arquivo Excel com código VBA mínimo. Em última análise, tenho um único arquivo do Excel reunindo todas as tarefas necessárias para gerenciar meu portfólio: atualização do banco de dados, geração de sinal, envio de ordens etc e # 8230; Minha abordagem poderia ser dividida nas 3 etapas abaixo:
Use XML para criar menus e botões definidos pelo usuário em um arquivo do Excel. Os menus e botões acima são essencialmente chamadas para funções VBA. Essas funções VBA estão envolvidas em torno de funções R definidas usando o BERT.
Com esta abordagem, posso manter uma distinção clara entre o núcleo do meu código mantido em R, SQL e Python e tudo usado para exibir e formatar resultados mantidos no Excel, VBA e amp; XML. Nas próximas seções, apresento o pré-requisito para desenvolver essa abordagem e um guia passo a passo que explica como o BERT poderia ser usado para simplesmente passar dados de R para Excel com um código mínimo de VBA.
1 & # 8211; Baixe e instale o BERT a partir deste link. Uma vez que a instalação foi concluída, você deve ter um novo menu de suplementos no Excel com os botões como mostrado abaixo. É assim que o BERT se materializou no Excel.
2 & # 8211; Baixe e instale o editor de UI personalizado: O Editor de UI personalizado permite criar menus e botões definidos pelo usuário na faixa de Excel. Um procedimento passo a passo está disponível aqui.
1 & # 8211; Código R: A função R abaixo é um código muito simples apenas para fins ilustrativos. Ele calcula e retorna os resíduos de uma regressão linear. Isto é o que queremos recuperar no Excel. Salve isso em um arquivo chamado myRCode. R (qualquer outro nome está bem) em um diretório de sua escolha.
2 & # 8211; functions. R em BERT: do Excel, selecione Add-Ins - & gt; Diretório inicial e abra o arquivo chamado functions. R. Neste arquivo cole o seguinte código. Certifique-se de inserir o caminho correto.
Isso está apenas fornecendo o arquivo RERT que você criou acima. Em seguida, salve e feche as funções do arquivo. R. Se você quiser fazer alguma alteração no arquivo R criado na etapa 1, você terá que recarregá-lo usando o botão BERT & # 8220; Recarregar arquivo de inicialização e # 8221; no menu Complementos no Excel.
3 & # 8211; No Excel: Crie e salve um arquivo chamado myFile. xslm (qualquer outro nome está bem). Este é um arquivo ativado por macro que você salva no diretório de sua escolha. Uma vez que o arquivo é salvo, feche-o.
4 & # 8211; Abra o arquivo criado acima no editor UI personalizado: depois que o arquivo estiver aberto, cole o código abaixo.
Você deve ter algo assim no editor XML:
Essencialmente, essa parte do código XML cria um menu adicional (RTrader), um novo grupo (Meu Grupo) e um botão definido pelo usuário (Novo botão) na faixa do Excel. Depois de concluir, abra myFile. xslm no Excel e feche o Editor de UI personalizado. Você deve ver algo assim.
5 & ​​# 8211; Abra o editor VBA: no myFile. xlsm insira um novo módulo. Cole o código abaixo no módulo recém-criado.
Isso apaga os resultados anteriores na planilha antes de lidar com novos.
6 & # 8211; Clique no botão Novo: Agora volte para a planilha e no menu do RTrader clique no & # 8220; Novo botão & # 8221; botão. Você deve ver algo como o que aparece abaixo.
O guia acima é uma versão muito básica do que pode ser alcançado usando o BERT, mas mostra como combinar o poder de várias ferramentas específicas para criar sua própria aplicação personalizada. Do meu ponto de vista, o interesse de tal abordagem é a capacidade de colar R e Excel, obviamente, mas também para incluir via XML (e lote) partes de código de Python, SQL e muito mais. Isso é exatamente o que eu precisava. Finalmente, ficaria curioso para saber se alguém tem alguma experiência com o BERT?
Estratégia de negociação: aproveitando ao máximo os dados da amostra.
Ao testar as estratégias de negociação, uma abordagem comum é dividir o conjunto de dados inicial em dados de amostra: a parte dos dados projetados para calibrar o modelo e fora dos dados de amostra: a parte dos dados utilizados para validar a calibração e garantir que o desempenho criado na amostra será refletido no mundo real. Como regra geral, cerca de 70% dos dados iniciais podem ser utilizados para calibração (isto é, na amostra) e 30% para validação (isto é, fora da amostra). Em seguida, uma comparação dos dados de entrada e saída da amostra ajuda a decidir se o modelo é robusto o suficiente. Esta publicação pretende dar um passo adiante e fornece um método estatístico para decidir se os dados fora da amostra estão alinhados com o que foi criado na amostra.
No gráfico abaixo, a área azul representa o desempenho fora da amostra para uma das minhas estratégias.
Uma simples inspeção visual revela um bom ajuste entre o desempenho dentro e fora da amostra, mas o grau de confiança que tenho nisso? Nesta fase não muito e esta é a questão. O que é realmente necessário é uma medida de similaridade entre os conjuntos de dados dentro e fora da amostra. Em termos estatísticos, isso pode ser traduzido como a probabilidade de os números de desempenho dentro e fora da amostra serem provenientes da mesma distribuição. Existe um teste estatístico não paramétrico que faz exatamente isso: o teste Kruskall-Wallis. Uma boa definição deste teste pode ser encontrada no R-Tutor & # 8220; Uma coleção de amostras de dados são independentes se elas vierem de populações não relacionadas e as amostras não se afetam. Usando o teste de Kruskal-Wallis, podemos decidir se as distribuições de população são idênticas sem assumir que elas sigam a distribuição normal. & # 8221; O benefício adicional deste teste não está assumindo uma distribuição normal.
Existe outros testes da mesma natureza que podem enquadrar-se nesse quadro. O teste de Mann-Whitney-Wilcoxon ou os testes de Kolmogorov-Smirnov adequam-se perfeitamente à estrutura descreve aqui no entanto, isso está além do escopo deste artigo para discutir os prós e contras de cada um desses testes. Uma boa descrição junto com exemplos R podem ser encontradas aqui.
Aqui, o código usado para gerar o gráfico acima e a análise:
No exemplo acima, o período de amostra é mais longo do que o período fora da amostra, portanto, criei aleatoriamente 1000 subconjuntos dos dados de amostra, cada um deles com o mesmo comprimento que os dados fora da amostra. Então eu testei cada um em subconjunto de amostra contra os dados fora da amostra e gravei os valores p. Este processo não cria um único valor de p para o teste de Kruskall-Wallis, mas uma distribuição que torna a análise mais robusta. Neste exemplo, a média dos valores de p é bem acima de zero (0.478) indicando que a hipótese nula deve ser aceita: existem fortes evidências de que os dados dentro e fora da amostra são provenientes da mesma distribuição.
Como de costume, o que é apresentado nesta publicação é um exemplo de brinquedo que apenas arranha a superfície do problema e deve ser adaptado às necessidades individuais. No entanto, acho que propõe um quadro estatístico interessante e racional para avaliar os resultados da amostra.
Esta publicação é inspirada nos dois artigos seguintes:
Vigier Alexandre, Chmil Swann (2007), "Efeitos de várias funções de otimização sobre o desempenho da amostra de estratégias de negociação desenvolvidas genéticamente", Conferência de mercados financeiros de previsão.
Vigier Alexandre, Chmil Swann (2018), "Um processo de otimização para melhorar dentro / fora da consistência da amostra, um caso do mercado de ações", JP Morgan Cazenove Equity Quantitative Conference, Londres, outubro de 2018.
Apresentando fidlr: FInancial Data LoadeR.
fidlr é um complemento do RStudio projetado para simplificar o processo de download de dados financeiros de vários provedores. Esta versão inicial é um invólucro em torno da função getSymbols no pacote quantmod e apenas o Yahoo, Google, FRED e Oanda são suportados. Provavelmente vou adicionar funcionalidades ao longo do tempo. Como de costume com essas coisas apenas um lembrete amável: & # 8220; O SOFTWARE É FORNECIDO & # 8220; COMO ESTÁ & # 8221 ;, SEM GARANTIA DE QUALQUER TIPO & # 8230; & # 8221;
Como instalar e usar o fidlr?
Você pode obter o addin / pacote de seu repositório Github aqui (Eu vou registrá-lo em CRAN mais tarde) Instale o addin. Existe um excelente tutorial para instalar o RStudio Addins aqui. Uma vez que o addin está instalado, ele deve aparecer no menu Addin. Basta escolher fidlr no menu e uma janela como ilustrada abaixo deve aparecer. Escolha um fornecedor de dados no menu suspenso Origem. Selecione um intervalo de datas no menu Data Digite o símbolo que deseja baixar na caixa de texto do instrumento. Para baixar vários símbolos, basta inserir os símbolos separados por vírgulas. Use os botões de rádio para escolher se deseja baixar o instrumento em um arquivo csv ou no ambiente global. O arquivo csv será salvo no diretório de trabalho e haverá um arquivo csv por instrumento. Pressione Executar para obter os dados ou Fechar para fechar o addin.
Mensagens de erro e avisos são tratados pelos pacotes subjacentes (quantmod e Shiny) e podem ser lidos a partir do console.
Esta é uma primeira versão do projeto, então não espere perfeição, mas espero que melhore com o tempo. Informe qualquer comentário, sugestão, erro, etc. & # 8230; para: thertrader @ gmail.
Mantendo um banco de dados de arquivos de preços em R.
Fazer pesquisas quantitativas implica uma grande quantidade de dados crunching e um precisa de dados limpos e confiáveis ​​para conseguir isso. O que é realmente necessário é a limpeza de dados facilmente acessíveis (mesmo sem conexão à internet). A maneira mais eficiente de fazer isso por mim tem sido manter um conjunto de arquivos csv. Obviamente, esse processo pode ser tratado de várias maneiras, mas eu encontrei horas extras muito eficientes e simples para manter um diretório onde eu armazeno e atualize arquivos csv. Eu tenho um arquivo csv por instrumento e cada arquivo é nomeado após o instrumento que ele contém. A razão pela qual eu faço isso é dupla: primeiro, eu não quero baixar dados (preço) do Yahoo, Google etc e # 8230; Toda vez que eu quero testar uma nova ideia, mas mais importante, uma vez que eu identifiquei e corrigi um problema, não quero ter que fazer isso novamente na próxima vez que eu precisar do mesmo instrumento. Simples, mas muito eficiente até agora. O processo está resumido no quadro abaixo.
Em tudo o que se segue, suponho que os dados sejam provenientes do Yahoo. O código terá que ser alterado para dados do Google, Quandl etc e # 8230; Além disso, apresento o processo de atualização dos dados diários de preços. A configuração será diferente para dados de freqüência mais alta e outro tipo de conjunto de dados (ou seja, diferente dos preços).
1 & # 8211; Transferência inicial de dados (listOfInstruments. R & amp; historicalData. R)
O arquivo fileOfInstruments. R é um arquivo contendo apenas a lista de todos os instrumentos.
Se um instrumento não é parte da minha lista (ou seja, nenhum arquivo csv na minha pasta de dados) ou se você fizer isso pela primeira vez que você precisa baixar o conjunto de dados históricos inicial. O exemplo abaixo baixa um conjunto de preços diários dos ETFs do Yahoo Finance de volta para janeiro de 2000 e armazena os dados em um arquivo csv.
2 & # 8211; Atualizar dados existentes (updateData. R)
O código abaixo começa a partir de arquivos existentes na pasta dedicada e atualiza todos eles um após o outro. Costumo executar esse processo todos os dias, exceto quando eu estiver no feriado. Para adicionar um novo instrumento, basta executar o passo 1 acima para este instrumento sozinho.
3 & # 8211; Crie um arquivo em lote (updateDailyPrices. bat)
Outra parte importante do trabalho é criar um arquivo em lote que automatiza o processo de atualização acima (I & # 8217; m um usuário do Windows). Isso evita abrir o R ​​/ RStudio e executar o código a partir daí. O código abaixo é colocado em um arquivo. bat (o caminho deve ser alterado com a configuração do leitor). Observe que eu adicionei um arquivo de saída (updateLog. txt) para rastrear a execução.
O processo acima é extremamente simples porque ele apenas descreve como atualizar os dados de preços diários. Eu já usei isso por um tempo e tem funcionado muito bem para mim até agora. Para dados mais avançados e / ou frequências mais elevadas, as coisas podem ficar muito mais complicadas.
Como de costume, todos os comentários são bem-vindos.
The Rise of the Robots (Advisors & # 8230;)
A indústria de gerenciamento de ativos está à beira de uma grande mudança. Ao longo dos últimos anos, os Robots Advisors (RA) emergiram como novos jogadores. O termo em si é difícil de definir, pois engloba uma grande variedade de serviços. Alguns são projetados para ajudar conselheiros tradicionais a alocar melhor o dinheiro de seus clientes e alguns são reais & # 8220; caixa preta & # 8221 ;. O usuário insere alguns critérios (idade, renda, filhos, etc. & # 8230;) e o robô propõe uma alocação personalizada. Entre esses dois extremos, está disponível uma gama completa de ofertas. Encontrei a definição da Wikipedia muito boa. & # 8220; Eles são uma classe de consultor financeiro que fornece gerenciamento de portfólio on-line com uma intervenção humana mínima & # 8221 ;. Mais precisamente, eles usam gerenciamento de portfólio baseado em algoritmos para oferecer todo o espectro de serviços que um conselheiro tradicional ofereceria: reinvestimento de dividendos, relatórios de conformidade, reequilíbrio de portfólio, colheita de perda de impostos, etc. & # 8230; (Bem, isso é o que a comunidade de investimentos quantitativos está fazendo há décadas!). A indústria ainda está em sua infância, com a maioria dos jogadores ainda gerenciando uma pequena quantidade de dinheiro, mas eu só percebi o quão profunda era a mudança quando eu estava em Nova York há alguns dias. Quando a RA recebe seus nomes na TV adiciona ou no telhado do taxi de Nova York você sabe que algo grande está acontecendo e # 8230;
Está ficando cada vez mais atenção da mídia e, acima de tudo, faz muito sentido da perspectiva do investidor. Na verdade, existem duas vantagens principais na utilização da RA:
Taxas significativamente mais baixas sobre os conselheiros tradicionais O investimento é mais transparente e mais simples, o que é mais atraente para pessoas com conhecimentos financeiros limitados.
Nesta publicação, R é apenas uma desculpa para apresentar bem o que é uma grande tendência no setor de gerenciamento de ativos. O gráfico abaixo mostra as quotas de mercado da RA mais popular do final de 2018. O código usado para gerar o gráfico abaixo pode ser encontrado no final desta publicação e os dados estão aqui.
Esses números são um pouco datados, desde a rapidez com que essa indústria evolui, mas ainda é muito informativa. Não é de surpreender que o mercado seja dominado por provedores dos EUA, como Wealthfront e Betterment, mas a RA surge em todo o mundo: Ásia (8Now!), Suíça (InvestGlass), França (Marie Quantier) e # 8230; .. Ele está começando a afetar significativamente da forma como os gestores de ativos tradicionais estão fazendo negócios. Um exemplo proeminente é a parceria entre Fidelity e Betterment. Desde dezembro de 2018 Melhoramento após a marca AUM de US $ 2 bilhões.
Apesar de tudo acima, acho que a verdadeira mudança está à nossa frente. Como eles usam menos intermediários e produtos de baixa comissão (como ETFs) eles cobram taxas muito mais baixas do que os conselheiros tradicionais. A RA certamente ganhará quotas de mercado significativas, mas também reduzirá as taxas cobradas pela indústria como um todo. Em última análise, isso afetará a forma como as empresas de investimento tradicionais fazem negócios. O gerenciamento de portfólio ativo que está tendo um tempo difícil por alguns anos agora sofrerá ainda mais. As taxas elevadas que cobra serão ainda mais difíceis de justificar a menos que se reinvente. Outro impacto potencial é o aumento de ETFs e produtos financeiros de baixa comissão em geral. Obviamente, isso começou há um tempo atrás, mas acho que o efeito será ainda mais pronunciado nos próximos anos. Novas gerações de ETF acompanham índices mais complexos e estratégias customizadas. Essa tendência ficará mais forte inevitavelmente.
Como de costume, todos os comentários são bem-vindos.
R séries de séries de tempo financeiras que todos devem conhecer.
Há muitos tutoriais da série R que flutuam na web, este post não foi projetado para ser um deles. Em vez disso, eu quero apresentar uma lista dos truques mais úteis que encontrei ao lidar com séries temporais financeiras em R. Algumas das funções apresentadas aqui são incrivelmente poderosas, mas infelizmente enterradas na documentação, portanto, meu desejo de criar uma publicação dedicada. Eu só dirijo séries de tempos de frequência diária ou baixa. Lidar com dados de freqüência mais alta requer ferramentas específicas: pacotes de dados ou de alta freqüência são alguns deles.
xts: O pacote xts é o que deve ter quando se trata de séries de tempos em R. O exemplo abaixo carrega o pacote e cria uma série de tempo diária de 400 dias, normalmente retornados distribuídos.
merge. xts (pacote xts): Isso é incrivelmente poderoso quando se trata de vincular duas ou mais vezes as séries, se elas têm o mesmo comprimento ou não. O argumento de junção faz a magia! Ele determina como a ligação é feita.
apply. yearly / apply. monthly (pacote xts): aplique uma função específica para cada período distinto em um determinado objeto de séries temporais. O exemplo abaixo calcula os retornos mensais e anuais da segunda série no objeto tsInter. Observe que eu uso a soma dos retornos (sem composição)
pontos de extremidade (pacote xts): extrair valores de índice de um determinado objeto xts correspondente às últimas observações, dado um período especificado por on. O exemplo dá o último dia do mês retorna para cada série no objeto tsInter usando o ponto final para selecionar a data.
na. locf (pacote zoológico): função genérica para substituir cada NA com o mais recente não-NA antes dele. Extremamente útil ao lidar com uma série de tempo com alguns furos # 8221; e quando esta série de tempo é posteriormente utilizada como entrada para funções R que não aceita argumentos com NAs. No exemplo, crio uma série temporal de preços aleatórios, em seguida, inclui artificialmente alguns NAs e substitui-los pelo valor mais recente.
charts. PerformanceSummary (pacote PerformanceAnalytics): para um conjunto de retornos, crie um gráfico de índice de riqueza, barras para desempenho por período e gráfico subaquático para redução. Isso é incrivelmente útil, pois exibe em uma única janela todas as informações relevantes para uma rápida inspeção visual de uma estratégia de negociação. O exemplo abaixo transforma a série de preços em um objeto xts e, em seguida, exibe uma janela com os 3 gráficos descritos acima.
A lista acima não é de forma alguma exaustiva, mas uma vez que você domina as funções descritas nesta publicação torna a manipulação das séries temporais financeiras muito mais fácil, o código mais curto e a legibilidade do código melhor.
Como de costume, todos os comentários são bem-vindos.
Avaliação do fator na gestão quantitativa da carteira.
Quando se trata de gerenciar um portfólio de ações versus um benchmark, o problema é muito diferente de definir uma estratégia de retorno absoluto. No primeiro, é necessário manter mais ações do que no final, onde nenhum estoque pode ser realizado se não houver uma oportunidade suficiente. A razão para isso é o erro de rastreamento. Isso é definido como o desvio padrão do retorno da carteira menos o retorno do benchmark. Menos estoques são mantidos em comparação com um benchmark quanto maior o erro de rastreamento (por exemplo, maior risco).
A análise que se segue é amplamente inspirada no livro # 8220; Gerenciamento de portfólio ativo # 8221; por Grinold & amp; Kahn. Esta é a Bíblia para qualquer pessoa interessada em administrar um portfólio em relação a um benchmark. Eu encorajo fortemente qualquer pessoa interessada no tópico a ler o livro desde o início até o fim. É muito bem escrito e estabelece as bases do gerenciamento sistemático de portfólio ativo (não tenho afiliação ao editor ou aos autores).
Aqui, estamos tentando classificar com a maior precisão possível as ações no universo de investimento em uma base de retorno para a frente. Muitas pessoas criaram muitas ferramentas e inúmeras variantes dessas ferramentas foram desenvolvidas para conseguir isso. Nesta publicação, foco em duas métricas simples e amplamente utilizadas: Coeficiente de Informações (IC) e Quantiles Return (QR).
O IC fornece uma visão geral da capacidade de previsão de fator. Mais precisamente, esta é uma medida de quão bem o fator classifica os estoques em uma base de retorno para a frente. O IC é definido como a correlação de classificação (ρ) entre a métrica (por exemplo, fator) e o retorno direto. Em termos estatísticos, a correlação de classificação é uma medida não paramétrica de dependência entre duas variáveis. Para uma amostra de tamanho n, as n pontuações brutas são convertidas em classificações e ρ é calculado a partir de:
O horizonte para o retorno para a frente deve ser definido pelo analista e é uma função da rotação da estratégia e da decaimento alfa (este tem sido objeto de pesquisa extensiva). Obviamente, os ICs devem ser o mais alto possível em termos absolutos.
Para o leitor afiado, no livro de Grinold & amp; Kahn é dada uma fórmula que liga Relação de informação (IR) e IC: com a amplitude sendo o número de apostas independentes (trades). Esta fórmula é conhecida como a lei fundamental do gerenciamento ativo. O problema é que muitas vezes, definir a amplitude com precisão não é tão fácil quanto parece.
Para ter uma estimativa mais precisa do poder preditivo do fator, é necessário avançar um pouco e agrupar os estoques por quantile de fatores de fator, em seguida, analise o retorno direto médio (ou qualquer outra métrica de tendência central) de cada um desses quantiles. A utilidade desta ferramenta é direta. Um fator pode ter um bom IC, mas seu poder preditivo pode ser limitado a um pequeno número de ações. Isso não é bom, pois um gerente de portfólio terá que escolher ações dentro do universo inteiro para atender a sua restrição de erro de rastreamento. O bom retorno dos quantiles é caracterizado por uma relação monótona entre os quantiles individuais e os retornos diretos.
Todas as ações no índice S & P500 (no momento da redação). Obviamente, há um viés de navio de sobrevivência: a lista de ações no índice mudou significativamente entre o início e o final do período de amostragem, porém é bom o suficiente para fins de ilustração apenas.
O código abaixo baixa os preços das ações individuais no S & P500 entre janeiro de 2005 e hoje (leva um tempo) e transforma os preços brutos em retorno nos últimos 12 meses e no último mês. O primeiro é o nosso fator, o último será usado como a medida de retorno direto.
Abaixo está o código para calcular Coeficiente de Informações e Quantiles Return. Note-se que usei quintios neste exemplo, mas qualquer outro método de agrupamento (terciles, deciles, etc. & # 8230;) pode ser usado. Depende realmente do tamanho da amostra, do que você deseja capturar e da sua vontade de ter uma visão ampla ou foco nas caudas de distribuição. Para estimar os retornos dentro de cada quintil, a mediana foi utilizada como estimador de tendência central. Esta medida é muito menos sensível a valores aberrantes do que a média aritmética.
E, finalmente, o código para produzir o gráfico de retorno Quantiles.
3 & # 8211; Como explorar as informações acima?
No gráfico acima Q1 é mais baixo após 12 meses de retorno e Q5 mais alto. Existe um aumento quase monotônico no retorno de quantiles entre Q1 e Q5, o que indica claramente que os estoques que caíram em Q5 superam aqueles que caíram em Q1 em cerca de 1% por mês. Isso é muito significativo e poderoso para um fator tão simples (não é realmente uma surpresa e # 8230;). Portanto, há maiores chances de vencer o índice por sobreponderar os estoques caindo no Q5 e subponderar aqueles que caem no Q1 em relação ao benchmark.
Um IC de 0,0206 pode não significar um ótimo negócio em si, mas é significativamente diferente de 0 e indica um bom poder preditivo dos últimos 12 meses em geral. Os testes de significância formal podem ser avaliados, mas isso está além do escopo deste artigo.
A estrutura acima é excelente para avaliar a qualidade do fator de investimento, porém existem várias limitações práticas que devem ser abordadas para a implementação da vida real:
Reequilíbrio: na descrição acima, considerou que, no final de cada mês, o portfólio é totalmente reequilibrado. Isso significa que todas as ações que caem no primeiro trimestre estão abaixo do peso e todas as ações que caem no Q5 estão com sobrepeso em relação ao benchmark. Isso nem sempre é possível por razões práticas: alguns estoques podem ser excluídos do universo de investimento, existem restrições ao peso da indústria ou do setor, existem restrições sobre o roteamento etc & # 8230; Custos de transação: isso não foi levado em consideração na análise acima e isso é um travão grave para a implementação da vida real. Turnover considerations are usually implemented in real life in a form of penalty on factor quality. Transfer coefficient : This is an extension of the fundamental law of active management and it relaxes the assumption of Grinold’s model that managers face no constraints which preclude them from translating their investments insights directly into portfolio bets.
And finally, I’m amazed by what can be achieved in less than 80 lines of code with R…
As usual any comments welcome.
Risk as a “Survival Variable”
I come across a lot of strategies on the blogosphere some are interesting some are a complete waste of time but most share a common feature: people developing those strategies do their homework in term of analyzing the return but much less attention is paid to the risk side its random nature. I’ve seen comment like “a 25% drawdown in 2018 but excellent return overall”. Well my bet is that no one on earth will let you experience a 25% loss with their money (unless special agreements are in place). In the hedge fund world people have very low tolerance for drawdown. Generally, as a new trader in a hedge fund, assuming that you come with no reputation, you have very little time to prove yourself. You should make money from day 1 and keep on doing so for a few months before you gain a bit of credibility.
First let’s say you have a bad start and you lose money at the beginning. With a 10% drawdown you’re most certainly out but even with a 5% drawdown the chances of seeing your allocation reduced are very high. This has significant implications on your strategies. Let’s assume that if you lose 5% your allocation is divided by 2 and you come back to your initial allocation only when you passed the high water mark again (e. g. the drawdown comes back to 0). In the chart below I simulated the experiment with one of my strategies.
You start trading in 1st June 2003 and all goes well until 23rd Jul. 2003 where your drawdown curve hits the -5% threshold (**1**). Your allocation is cut by 50% and you don’t cross back the high water mark level until 05th Dec. 2003 (**3**). If you have kept the allocation unchanged, the high water mark level would have been crossed on 28th Oct. 2003 (**2**) and by the end of the year you would have made more money.
But let’s push the reasoning a bit further. Still on the chart above, assume you get really unlucky and you start trading toward mid-June 2003. You hit the 10% drawdown limit by the beginning of August and you’re most likely out of the game. You would have started in early August your allocation would not have been cut at all and you end up doing a good year in only 4 full months of trading. In those two examples nothing has changed but your starting date….
The trading success of any individual has some form of path dependency and there is not much you can do about it. However you can control the size of a strategy’s drawdown and this should be addressed with great care. A portfolio should be diversified in every possible dimension: asset classes, investment strategies, trading frequencies etc…. From that perspective risk is your “survival variable”. If managed properly you have a chance to stay in the game long enough to realise the potential of your strategy. Otherwise you won’t be there next month to see what happens.