Hay un objeto Pandas DataFrame con algunos datos de stock. Los SMA son promedios móviles calculados a partir de los 45/15 días anteriores. Quiero encontrar todas las fechas, cuando se cruzan SMA15 y SMA45. La fila de datos, cuando: el valor de SMA largo (45) fue mayor que el valor corto de SMA (15) durante más tiempo que el periodo corto de SMA (15) y se hizo más pequeño . El valor largo de SMA (45) fue menor que el valor corto de SMA (15) durante más tiempo que el corto periodo SMA (15) y se hizo más grande. Preguntó Feb 5 15 at 13:31 Eso didn39t realmente responder DSM39s pregunta. Necesita definir lo que quiere decir cruzar. Si quiere decir establecer intersección, entonces eso implicaría que desea que todos los valores que se producen en ambos SMA45 y SMA15 independientemente de ellos que se producen en el mismo día. O tal vez sólo desea una intersección de sus valores en el mismo día. Su pregunta tal como está actualmente presenta demasiada ambigüedad para recibir una respuesta enfocada. Ndash auslacy Feb 5 15 at 13:46 chilliq: que doesn39t responder a la pregunta. Hay muchas cosas que podrías significar por quotintersectquot: (1) estar de acuerdo (ser igual), posiblemente dentro de alguna tolerancia (2) 39crossover39, como en tu título de pregunta, en el sentido de que SMA45 gt SMA15 es cierto en una fecha pero SMA45 En la siguiente, las líneas se cruzaron y así sucesivamente. Tal vez le ayudaría si mostró la manera ineficaz de hacer esto que tenía en mente. Ndash DSM Feb 5 15 at 13:48 1 Respuesta Im tomar un crossover para significar cuando las líneas SMA - como funciones del tiempo - se cruzan, como se muestra en esta página de investopedia. Puesto que las SMA representan funciones continuas, hay un cruce cuando, para una fila dada, (SMA15 es menor que SMA45) y (la anterior SMA15 es mayor que la anterior SMA45) o viceversa. En el código, que podría ser expresado como si cambiamos sus datos para que haya cruces, Backtesting un promedio móvil Crossover en Python con pandas En el artículo anterior sobre Investigación Backtesting Entornos En Python Con Pandas creamos un objeto orientado a la investigación basada en Backtesting y lo probó en una estrategia de pronóstico aleatoria. En este artículo vamos a hacer uso de la maquinaria que introdujimos para llevar a cabo una investigación sobre una estrategia real, a saber, el Media Crossover móvil en AAPL. Estrategia de crossover de media móvil La técnica de crossover de media móvil es una estrategia de impulso simplista extremadamente conocida. A menudo se considera el ejemplo de Hello World para el comercio cuantitativo. La estrategia descrita aquí es larga solamente. Se crean dos filtros sencillos simples de media móvil, con periodos de retroceso variables, de una serie de tiempo particular. Las señales para comprar el activo ocurren cuando la media móvil de retroceso más corto excede la media móvil de retroceso más larga. Si el promedio más largo excede posteriormente el promedio más corto, el activo se vende de nuevo. La estrategia funciona bien cuando una serie de tiempo entra en un período de fuerte tendencia y luego invierte lentamente la tendencia. Para este ejemplo, he elegido Apple, Inc. (AAPL) como la serie de tiempo, con un breve lookback de 100 días y un largo lookback de 400 días. Este es el ejemplo proporcionado por la biblioteca de comercio algorítmico zipline. Por lo tanto, si queremos implementar nuestro propio backtester debemos asegurarnos de que coincide con los resultados en zipline, como un medio básico de validación. Implementación Asegúrese de seguir el tutorial anterior aquí. Que describe cómo se construye la jerarquía de objetos inicial para el backtester, de lo contrario el código siguiente no funcionará. Para esta implementación en particular he utilizado las siguientes bibliotecas: La implementación de macross. py requiere backtest. py del tutorial anterior. El primer paso es importar los módulos y objetos necesarios: Como en el tutorial anterior, vamos a subclase la clase base abstracta de la estrategia para producir MovingAverageCrossStrategy. Que contiene todos los detalles sobre cómo generar las señales cuando los promedios móviles de AAPL se cruzan entre sí. El objeto requiere una ventana corta y una ventana larga sobre la cual operar. Los valores se han fijado a valores predeterminados de 100 días y 400 días respectivamente, que son los mismos parámetros utilizados en el ejemplo principal de tirolesa. Los promedios móviles se crean mediante el uso de la función rollingmean de los pandas en las barrasCerrar el precio de cierre de la acción AAPL. Una vez que se han construido los promedios móviles individuales, la serie de señales se genera ajustando la colum igual a 1,0 cuando el promedio móvil corto es mayor que el promedio móvil largo, o 0,0 de lo contrario. A partir de esto, los pedidos de posiciones se pueden generar para representar señales comerciales. El MarketOnClosePortfolio está subclasificado de Portfolio. Que se encuentra en backtest. py. Es casi idéntica a la implementación descrita en el tutorial anterior, con la excepción de que las operaciones se llevan a cabo ahora en una base Close-to-Close, en lugar de una base Open-to-Open. Para obtener más información sobre cómo se define el objeto Portfolio, consulte el tutorial anterior. He dejado el código en la integridad y para mantener este tutorial autónomo: Ahora que las clases MovingAverageCrossStrategy y MarketOnClosePortfolio se han definido, una función principal se llamará para vincular todas las funciones. Además, el desempeño de la estrategia será examinado a través de un gráfico de la curva de equidad. El objeto de DataReader de pandas descarga los precios de OHLCV de las acciones de AAPL para el período del 1 de enero de 1990 al 1 de enero de 2002, momento en el que las señales DataFrame se crean para generar las señales de sólo larga duración. Posteriormente, la cartera se genera con una base de capital inicial de 100.000 USD y los rendimientos se calculan sobre la curva de patrimonio. El paso final es utilizar matplotlib para trazar un gráfico de dos cifras de los precios de AAPL, superpuestos con las medias móviles y las señales de compra / venta, así como la curva de equidad con las mismas señales de compra / venta. El código de trazado se toma (y se modifica) a partir del ejemplo de implementación de tirolesa. La salida gráfica del código es la siguiente. Hice uso del comando IPython paste para ponerlo directamente en la consola IPython mientras estaba en Ubuntu, de modo que la salida gráfica permaneció en la vista. Las barras de color rosa representan la compra de la acción, mientras que los downticks negros representan la venta de nuevo: Como se puede ver la estrategia pierde dinero durante el período, con cinco operaciones de ida y vuelta. Esto no es sorprendente teniendo en cuenta el comportamiento de AAPL en el período, que estaba en una ligera tendencia a la baja, seguido por un aumento significativo a partir de 1998. El período de retroceso de las señales de media móvil es bastante grande y esto afectó el beneficio del comercio final , Que de otro modo podría haber hecho rentable la estrategia. En los artículos siguientes vamos a crear un medio más sofisticado de analizar el rendimiento, así como la descripción de cómo optimizar los períodos de retroceso de las señales individuales de media móvil. Python Data Analysis Library pandas es una fuente abierta, BSD biblioteca con licencia de alto rendimiento, Estructuras de datos fáciles de usar y herramientas de análisis de datos para el lenguaje de programación Python. Pandas es un proyecto patrocinado por NUMFocus. Esto ayudará a asegurar el éxito del desarrollo de los pandas como un proyecto open source de clase mundial. 0.19.1 Final (3 de noviembre de 2016) Esta es una versión de corrección de errores menor de 0.19.0 e incluye algunas pequeñas correcciones de regresión, correcciones de errores y mejoras de rendimiento. Consulte la página v0.19.1 WhatsNew para obtener una descripción general de todos los errores que se han corregido en 0.19.1. 0.19.0 Final (2 de octubre de 2016) Esta es una versión importante de 0.18.1 e incluye el número de cambios en la API, varias nuevas características, mejoras y mejoras de rendimiento junto con un gran número de correcciones de errores. Recomendamos que todos los usuarios actualicen esta versión. Véase ahora readcsv () ahora soporta el análisis de datos categóricos, vea aquí Se ha agregado una función unioncategorical () para combinar categoricals, Ver aquí PeriodIndex ahora tiene su propio período dtype, y cambiado para ser más consistente con otras clases de índice. Véase aquí Estructuras de datos escasas ganado apoyo mejorado de int y bool dtypes, vea aquí Las operaciones de comparación con la serie ya no ignora el índice, ver aquí para una visión general de los cambios API. Introducción de una API de desarrollo de pandas para funciones de utilidad, vea aquí. Deprecation de Panel4D y PanelND. Se recomienda representar estos tipos de datos n-dimensionales con el paquete xarray. Eliminación de los módulos previamente obsoletos pandas. io. data. Pandas. io. wb. Pandas. tools. rplot. Vea la descripción general de Whatsnew para una extensa lista de todas las mejoras y errores que se han corregido en 0.19.0. Por favor reporte cualquier problema aquí Mejor manera de instalar La mejor manera de obtener pandas es instalar a través de conda Builds para osx-64, linux-64, linux-32, win-64, win-32 para Python 2.7, Python 3.4 y Python 3.5 Están disponibles. Conda install pandas Quick vignette ¿Qué problema pandas resolver Python ha sido grande para la munging de datos y la preparación, pero menos para el análisis de datos y modelado. Pandas ayuda a llenar este vacío, lo que le permite llevar a cabo todo su flujo de trabajo de análisis de datos en Python sin tener que cambiar a un lenguaje más específico del dominio como R. Combinado con el excelente kit de herramientas IPython y otras bibliotecas, el entorno para hacer análisis de datos en Python sobresale En el rendimiento, la productividad y la capacidad de colaborar. Pandas no implementa una funcionalidad de modelado significativa fuera de la regresión lineal y panel para esto, mira a statsmodels y scikit-learn. Todavía se necesita más trabajo para hacer de Python un entorno de modelado estadístico de primera clase, pero estamos en camino hacia ese objetivo. Lo que nuestros usuarios tienen que decir 8220 pandas nos permite centrarnos más en la investigación y menos en la programación. Hemos encontrado pandas fácil de aprender, fácil de usar y fácil de mantener. El resultado final es que ha aumentado nuestra productividad. 8221 Director de Optimización amp Analytics 8220 pandas es la herramienta perfecta para salvar la brecha entre las iteraciones rápidas de análisis ad-hoc y código de calidad de producción. Si desea que una herramienta se utilice en una organización multidisciplinaria de ingenieros, matemáticos y analistas, no busque más. 8222 8220 Utilizamos pandas para procesar datos de series de tiempo en nuestros servidores de producción. La simplicidad y elegancia de su API, y su alto nivel de rendimiento para los conjuntos de datos de gran volumen, lo convirtieron en una opción perfecta para nosotros.8221 Destacados de la Biblioteca Un objeto DataFrame rápido y eficiente para la manipulación de datos con indexación integrada. Estructuras de datos en memoria y diferentes formatos: archivos CSV y texto, Microsoft Excel, bases de datos SQL y el rápido formato HDF5. Alineación inteligente de datos y manejo integrado de datos perdidos. Ganan alineación automática basada en etiquetas en los cálculos y manipulan fácilmente datos desordenados en una forma ordenada Flexible reestructuración y pivotamiento de conjuntos de datos Recorte inteligente basada en etiquetas. Indexación de fantasía. Y subconjunto de grandes conjuntos de datos Columnas se pueden insertar y eliminar de las estructuras de datos de tamaño mutabilidad Agregación o transformación de datos con un potente grupo por motor que permite dividir-aplicar-combinar las operaciones en los conjuntos de datos Alto rendimiento combinar y unir conjuntos de datos El eje jerárquico indexación proporciona Una forma intuitiva de trabajar con datos de alta dimensión en una estructura de datos de menor dimensión. Serie de tiempo - funcionalidad: generación y conversión de frecuencia, estadística de ventanas en movimiento, regresiones lineales de ventana móvil, cambio de fecha y retraso. Incluso crea desajustes de tiempo específicos de dominio y unirse a series de tiempo sin perder datos Muy optimizado para el rendimiento. Con rutas de código crítico escritas en Cython o C. Python con pandas está en uso en una amplia variedad de dominios académicos y comerciales, incluyendo Finanzas, Neurociencia, Economía, Estadísticas, Publicidad, Web Analytics, y más.
No comments:
Post a Comment