Python Forex

Forex-python 0.2.2 Taxas de câmbio e conversão de moeda. Status de compilação forex-python (travis-ci. orgMicroPyramidforex-python. svgbranchmaster) (travis-ci. orgMicroPyramidforex-python) Status da cobertura (coveralls. ioreposgithubMicroPyramidforex-pythonbadge. svgbranchmaster) (coveralls. iogithubMicroPyramidforex-pythonbranchmaster) Código Saúde (landscape. iogithubMicroPyramidforex - Pythonmasterlandscape. svgstyleplastic) (landscape. iogithubMicroPyramidforex-pythonmaster) Taxas de câmbio livres e conversão de moeda. Características: --------- - Lista todas as taxas de câmbio. - Obtenha taxas históricas para qualquer dia desde 1999. - Taxa de conversão para uma Moeda (ex USD para INR). - Converte o valor de uma moeda para outra. (USD 10 para INR) Moeda Fonte: --------------- Fixer. io é uma API gratuita para as taxas de câmbio atuais e históricas publicadas pela European Banco Central. As tarifas são atualizadas diariamente às 23h CET. Instale usando python package pip install forex-python Ou clonando diretamente o repo: python setup. py instale Inicialize a classe python gtgtgt de forexpython. converter import CurrencyRates gtgtgt c CurrencyRates () Obter taxa de conversão de USD para INR python gtgtgt c. getrate (USD, INR) 67.473 Converta o montante de USD para INR: python gtgtgt c. convert (USD, INR, 10) 674.73 Converta o valor de USD para INR com base nas taxas de 2010-03-01 python gtgtgt data de importação data de início datebj dattime. datetime. strptime (2010 -05-10, Ymd).date () gtgtgt c. convert (EUR, USD, 10, dateobj) 12.969 RatesNotAvailableError para códigos de moeda inválidos e código de moeda ausente da fonte: python gtgtgt c. getrate (XYZ, INR) Traceback (mais Última ligação última): RatesNotAvailableError: A taxa de moeda XYZ gt INR não está disponível para a data mais recente. Nós agradecemos seus comentários e suporte. Encontrou bug aumentou o problema do github. Tentando com o Python Ive leu recentemente uma ótima publicação pelo blog turinginance sobre como ser um quant. Em suma, descreve uma abordagem científica para o desenvolvimento de estratégias comerciais. Para mim pessoalmente, observar dados, pensar com modelos e formar hipóteses é uma segunda natureza, como deve ser para qualquer bom engenheiro. Nesta publicação, vou ilustrar esta abordagem, passando explicitamente por uma série de etapas (apenas um casal, nem todas) envolvidas no desenvolvimento de uma estratégia de negociação. Examinemos o instrumento de negociação mais comum, o SampP 500 ETF SPY. Comece com observações. Observações Ocorreu-me que, na maior parte do tempo, há muita conversa na mídia sobre o mercado quebrando (depois de grandes perdas ao longo de vários dias), uma recuperação bastante significativa às vezes segue. No passado, fiz alguns erros ao fechar minhas posições para reduzir as perdas, apenas para perder uma recuperação nos dias seguintes. Teoria geral Depois de um período de perdas consecutivas, muitos comerciantes liquidarão suas posições por medo de perda ainda maior. Grande parte desse comportamento é governado pelo medo, ao invés de risco calculado. Comerciantes mais inteligentes entram nas pechinchas. Hipótese: os retornos do dia seguinte do SPY mostrarão um viés ascendente após uma série de perdas consecutivas. Para testar a hipótese, Ive calculou o número de dias consecutivos baixos. Tudo sob -0,1 retorno diário se qualifica como um dia abaixo. A série de retorno é quase aleatória, de modo que se poderia esperar, as chances de 5 ou mais dias consecutivos baixos são baixas, resultando em um número muito limitado de ocorrências. O baixo número de ocorrências resultará em estimativas estatísticas não confiáveis, portanto, eu vou parar em 5. Abaixo está uma visualização dos retornos nex-tday em função do número de dias baixos. Ive também traçou 90 intervalos de confiança dos retornos entre as linhas. Acontece que o retorno médio está positivamente correlacionado com o número de dias baixos. Hipótese confirmada. No entanto, você pode ver claramente que esse alfa extra é muito pequeno em comparação com a banda dos prováveis ​​resultados de retorno. Mas mesmo uma pequena vantagem pode ser explorada (encontre uma vantagem estatística e repita sempre que possível). O próximo passo é investigar se essa vantagem pode ser transformada em uma estratégia de negociação. Dado os dados acima, uma estratégia de negociação pode ser associada: depois de três perdas ou mais, percorrer o tempo. Sair no próximo fechamento. Abaixo está um resultado dessa estratégia em comparação com a pura compra e retenção. Isso não parece ruim em tudo Procurando os ratios de sharpe, a estratégia classifica uma descida 2.2 versus 0.44 para o BampH. Isso é realmente muito bom (não fique excitado demais, pois não contai com custos de comisão, derrapagem, etc.). Embora a estratégia acima não seja algo que eu gostaria de negociar simplesmente por causa do longo período de tempo, a própria teoria provoca mais pensamentos que poderiam produzir algo útil. Se o mesmo princípio se aplica aos dados intradiários, uma forma de estratégia de escalação poderia ser construída. No exemplo acima, simplifiquei o mundo um pouco apenas contando o número de dias baixos, sem prestar atenção à profundidade da redução. Além disso, a saída da posição é apenas um fechamento básico do próximo dia. Há muito a ser melhorado, mas a essência na minha opinião é esta: os retornos futuros da SPY são determinados pela redução e redução do tempo nos últimos 3 a 5 dias. Um comerciante experiente sabe o comportamento a esperar do mercado com base em um conjunto de indicadores e sua interpretação. O último é muitas vezes feito com base em sua memória ou algum tipo de modelo. Encontrar um bom conjunto de indicadores e processar suas informações representa um grande desafio. Primeiro, é preciso entender quais fatores estão correlacionados com os preços futuros. Os dados que não possuem qualidade preditiva apenas provocam o ruído e a complexidade, diminuindo o desempenho da estratégia. Encontrar bons indicadores é uma ciência por conta própria, muitas vezes requerendo uma compreensão profunda da dinâmica do mercado. Esta parte do design de estratégia não pode ser facilmente automatizada. Felizmente, uma vez que um bom conjunto de indicadores foi encontrado, a memória e a intuição dos comerciantes podem ser facilmente substituídas por um modelo estatístico, que provavelmente funcionará muito melhor, já que os computadores possuem memória perfeita e podem fazer estimativas estatísticas perfeitas. Quanto ao comércio de volatilidade, demorou bastante tempo para entender o que influencia seus movimentos. Em particular, estou interessado em variáveis ​​que predizem retornos futuros de VXX e XIV. Não vou entrar em uma explicação completa, mas apenas apresente uma conclusão. Os meus dois indicadores mais valiosos para a volatilidade são o limite da estrutura e a volatilidade atual. A minha definição destes dois é: volatilidade premium VIX-realizadoVol delta (inclinação da estrutura de prazo) VIX-VXV VIX amplificador VXV são as volatilidades implícitas de 1 e 3 meses do SampP 500. realizadoVol aqui é uma volatilidade de 10 dias realizada da SPY, Calculado com a fórmula Yang-Zhang. O delta tem sido discutido frequentemente no blog VixAndMore, enquanto o prémio é conhecido pela negociação de opções. Faz sentido fazer uma baixa volatilidade quando o prémio é alto e os futuros estão em contango (delta lt 0). Isso causará um vento de raiz do rolo premium e diário ao longo da estrutura do termo em VXX. Mas esta é apenas uma estimativa aproximada. Uma boa estratégia de negociação combinaria informações de premium e delta para vir com uma previsão na direção comercial em VXX. Eu tenho lutado há muito tempo para encontrar uma boa maneira de combinar os dados ruidosos de ambos os indicadores. Eu tentei a maioria das abordagens padrão, como a regressão linear, escrevendo um monte de if-thens. Mas todos com melhorias muito menores em comparação com o uso de apenas um indicador. Um bom exemplo dessa estratégia de indicador único com regras simples pode ser encontrada no blog TradingTheOdds. Não parece ruim, mas o que pode ser feito com vários indicadores. Comece com alguns dados VXX fora da amostra que recebi da MarketSci. Observe que isso é dados simulados, antes do VXX ser criado. Os indicadores para o mesmo período são traçados abaixo: se tomarmos um dos indicadores (premium neste caso) e traçamo-lo contra retornos futuros do VXX, pode-se ver alguma correlação, mas os dados são extremamente barulhentos: ainda assim, é claro Esse prémio negativo provavelmente terá retornos VXX positivos no dia seguinte. Combinar tanto premium como delta em um modelo tem sido um desafio para mim, mas sempre quis fazer uma aproximação estatística. Em essência, para uma combinação de (delta, premium), a Id gosta de encontrar todos os valores históricos mais próximos dos valores atuais e fazer uma estimativa dos retornos futuros com base neles. Algumas vezes eu comecei a escrever meus próprios algoritmos de interpolação de vizinho mais próximo, mas toda vez que eu tinha que desistir. Até encontrar a regressão dos vizinhos mais próximos. Isso me permitiu construir rapidamente um preditor com base em duas entradas e os resultados são tão bons, que estou um pouco preocupado com o fato de eu ter cometido um erro em algum lugar. Aqui está o que eu fiz: crie um conjunto de dados de delta, premium - gt VXX retorno do dia seguinte (in-of-sample) crie um preditor vizinho mais próximo baseado no conjunto de dados acima da estratégia de comércio (fora da amostra) com as regras: Vá longo se for previsto o retorno gt 0 seja curto se previsto retorno lt0 A estratégia não poderia ser mais simples. Os resultados parecem extremamente bons e ficam melhores quando mais neigbors são usados ​​para estimação. Primeiro, com 10 pontos, a estratégia é excelente na amostra, mas é plana fora da amostra (a linha vermelha na figura abaixo é o último ponto na amostra). Em seguida, o desempenho melhora com 40 e 80 pontos: no último Duas parcelas, a estratégia parece executar o mesmo dentro e fora da amostra. O índice Sharpe é de cerca de 2,3. Estou muito satisfeito com os resultados e tenho a sensação de que eu só estava riscando a superfície do que é possível com esta técnica. Minha busca de uma ferramenta de backtesting ideal (minha definição de ideal é descrita nas postagens anteriores de dilemas Backtesting) não resultou em algo que eu poderia usar de imediato. No entanto, revisar as opções disponíveis me ajudou a entender melhor o que eu realmente quero. Das opções que eu olhei, pybacktest foi o que mais gostei por causa de sua simplicidade e velocidade. Depois de passar pelo código-fonte, eu tenho algumas idéias para torná-lo mais simples e um pouco mais elegante. A partir daí, foi apenas um pequeno passo para escrever meu próprio backtester, que agora está disponível na biblioteca TradingWithPython. Eu escolhi uma abordagem onde o backtester contém funcionalidades que todas as estratégias de negociação compartilham e que muitas vezes são copiadas. Coisas como calcular posições e pnl, métricas de desempenho e fazer parcelas. A funcionalidade específica da estratégia, como a determinação de pontos de entrada e saída, deve ser feita fora do backtester. Um fluxo de trabalho típico seria: encontrar entrada e sair - gt calcular pnl e fazer parcelas com backtester - gt dados de estratégia pós-processo Neste momento, o módulo é muito mínimo (veja a fonte aqui), mas no futuro planejo Na adição de saídas de lucro e stop-loss e de carteiras multi-ativos. O uso do módulo backtesting é mostrado neste caderno de exemplo Eu organizo meus cadernos IPython salvando-os em diretórios diferentes. Isso traz, no entanto, um inconveniente, porque para acessar os notebooks eu preciso abrir um terminal e digitar ipython notebook --ylabinline a cada vez. Estou certo de que a equipe do ipython resolverá isso no longo prazo, mas, entretanto, há uma maneira de descida bonita de acessar rapidamente os cadernos do explorador de arquivos. Tudo o que você precisa fazer é adicionar um menu de contexto que inicie o servidor ipython no diretório desejado: uma maneira rápida de adicionar o item de contexto é executando este patch de registro. (Nota: o patch pressupõe que você tenha sua instalação em python localizada em C: Anaconda. Caso contrário, you8217ll precisa abrir o arquivo. reg em um editor de texto e definir o caminho certo na última linha). Instruções sobre como adicionar as chaves de registro manualmente podem ser encontradas no blog Frolians. Muitas pessoas pensam que os etfs alavancados a longo prazo são inferiores aos seus benchmarks. Isso é verdade para os mercados agitados, mas não no caso de condições de tendência, tanto para cima como para baixo. A alavancagem só tem efeito sobre o resultado mais provável, e não sobre o resultado esperado. Para mais informações, leia esta postagem. 2013 foi um ano muito bom para as ações, que apresentaram tendência para a maior parte do ano. Vamos ver o que aconteceria se estivéssemos em curto-circuito, alguns dos estofamentos alavancados exatamente um ano atrás e os protegemos com seu benchmark. Conhecendo o comportamento alavancado do etf, eu esperaria que esses resultados melhorassem seu benchmark, então a estratégia que tentaria lucrar com a deterioração perderia dinheiro. Eu estarei considerando esses pares: SPY 2 SSO -1 SPY -2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1 Cada etnado alavancado é mantido curto (-1) e coberto com uma 1x Etf. Observe que, para proteger um inverso, uma posição negativa é realizada no 1x etf. Aqui está um exemplo: SPY vs SSO. Uma vez que normalizamos os preços para 100 no início do período de backtest (250 dias), é evidente que o 2x etf supera 1x etf. Agora, os resultados do backtest nos pares acima: Todos os 2x etfs (incluindo o inverso) superaram seu benchmark ao longo de 2013. De acordo com as expectativas, a estratégia que explora a decomposição beta não seria lucrativa. Eu pensaria que jogar contra a contrapartida não alavancada não fornece nenhuma vantagem, a menos que você conheça as condições do mercado de antemão (tendência ou limite de alcance). Mas se você conhece o regime de mercado que vem, existem maneiras muito mais fáceis de lucrar com isso. Infelizmente, ninguém tem sido muito bem sucedido na previsão do regime de mercado mesmo no curto prazo. O código fonte completo dos cálculos está disponível para os assinantes do curso Trading With Python. Notebook 307 Aqui está o meu tiro na avaliação do Twitter. Gostaria de começar com um aviso: neste momento, uma grande parte do meu portrolio consiste em uma curta posição TWTR, então minha opinião é bastante distorcida. A razão pela qual eu fiz a minha própria análise é que a minha aposta não funcionou bem, e o Twitter fez um movimento parabólico em dezembro de 2013. Então, a pergunta que eu estou tentando responder aqui é que eu deveria levar minha perda ou segurar meus shorts. No momento da redação, a TWTR comercializa cerca de 64 pontos, com um limite de mercado de 34,7 B. Até agora, a empresa não obteve lucro, perdendo 142 milhões em 3013, depois de ter gerado 534 milhões de receitas. Os últimos dois números nos dão gastos anuales da empresa de 676M. Preço derivado do valor do usuário O Twitter pode ser comparado com o Facebook, Google e LinkedIn para ter uma idéia dos números de usuários e seus valores. A tabela abaixo resume os números de usuários por empresa e um valor por usuário derivado do limite de mercado. (Fonte para o número de usuários: Wikipedia, o número para o Google baseia-se no número de pesquisas exclusivas). É evidente que a avaliação do mercado por usuário é muito similar para todas as empresas, no entanto, minha opinião pessoal é a seguinte: TWTR é atualmente mais valioso Por usuário que não FB ou LNKD. Isso não é lógico, pois ambos os concorrentes têm mais valiosos dados de usuários pessoais à sua disposição. O GOOG tem se destacado na extração de receita de anúncios de seus usuários. Para fazer isso, tem um conjunto de ofertas altamente diversificadas, do mecanismo de pesquisa ao Google. Docs e Gmail. TWTR não tem nada parecido com isso, enquanto seu valor por usuário é apenas 35 inferior ao do Google. A TWTR tem um espaço limitado para aumentar a base de usuários, pois não oferece produtos comparáveis ​​às ofertas do FB ou do GOOG. TWTR tem sido em torno de sete anos agora e a maioria das pessoas que desejam um accout tem a chance. O resto simplesmente não se importa. A base de usuários TWTR é volátil e é provável que se mova para a próxima coisa quente quando ela se tornará disponível. Eu acho que a melhor referência aqui seria LNKD, que tem um nicho estável no mercado profissional. Por esta métrica TWTR seria sobrevalorizado. Definir o valor do usuário em 100 para o TWTR produzirá um preço justo TWTR de 46. Preço derivado de ganhos futuros Existem dados disponíveis suficientes sobre as estimativas de ganhos futuros. Um dos mais úteis que eu encontrei está aqui. Usando esses números enquanto resta as despesas da empresa, o que eu acredito permanecer constante. Produz esses números: Conclusão Com base nas informações disponíveis, a avaliação otimista do TWTR deve estar na faixa de 46-48. Não há razões claras para que ele seja negociado mais alto e muitos riscos operacionais para negociar mais baixos. Acho que, durante o IPO, profissionais suficientes revisaram o preço, ajustando-o a um nível de preço justo. O que aconteceu a seguir foi um movimento de mercado irracional não justificado por novas informações. Basta dar uma olhada no frenesi bullish sobre estoques. Com pessoas que reivindicam coisas como esta, o pássaro voará para 100. A emoção pura, que nunca funciona bem. A única coisa que me resta agora é colocar o meu dinheiro onde está minha boca e manter meus shorts. O tempo vai dizer. Curtar a volatilidade de curto prazo e VXX pode parecer uma ótima idéia quando você olha o gráfico a uma certa distância. Devido ao contango nos futuros de volatilidade, o etn experimenta bastante vento na cabeça a maior parte do tempo e perde um pouco seu valor todos os dias. Isso acontece devido ao reequilíbrio diário, para obter mais informações, olhe para a perspectiva. Em um mundo ideal, se você aguentar o tempo suficiente, um lucro gerado pela decadência do tempo nos futuros e o reequilíbrio é garantido, mas, no curto prazo, você deve passar por algumas retiradas bastante pesadas. Basta olhar para trás no verão de 2011. Fui lamentável (ou tolo) o suficiente para manter uma curta posição VXX logo antes do VIX subir. Eu quase explodi minha conta até então: 80 redução em apenas alguns dias resultando em uma ameaça de chamada de margem pelo meu corretor. Margin Call significaria cobrar a perda. Esta não é uma situação em que alguma vez gostaria de estar novamente. Eu sabia que não seria fácil manter a cabeça fresca em todos os momentos, mas experimentar o estresse e a pressão da situação era algo diferente. Por sorte, eu sabia como VXX tende a comportar-se, então não entrei em pânico, mas troquei de lado para XIV para evitar uma chamada de margem. A história acaba bem, 8 meses depois, meu portfólio voltou à força e eu aprendi uma lição muito valiosa. Para começar com uma palavra de advertência aqui: não troque a volatilidade, a menos que você saiba exatamente quanto arrisca você tomar. Dito isto, vamos dar uma olhada em uma estratégia que minimiza alguns dos riscos ao curvar o VXX apenas quando for apropriado. Tese de estratégia: VXX experimenta mais arraso quando a curva de futuros está em um contango íngreme. A curva de futuros é aproximada pela relação VIX-VXV. VXX será curto quando o VXV tiver um prémio excepcionalmente elevado em relação ao VIX. Primeiro, vamos dar uma olhada no relacionamento VIX-VXV: o gráfico acima mostra dados VIX-VXV desde janeiro de 2010. Os pontos de dados do ano passado são mostrados em vermelho. Eu escolhi usar um ajuste quadrático entre os dois, aproximando VXV f (VIX). O f (VIX) é plotado como uma linha azul. Os valores acima da linha representam a situação quando os futuros estão em contango mais forte do que o normal. Agora eu defino um indicador delta, que é o desvio do ajuste: delta VXV-f (VIX). Agora vamos dar uma olhada no preço do VXX juntamente com o delta: Acima: preço do VXX na escala de log. Abaixo: delta. Marcadores verdes indicat delta gt 0. markers vermelhos deltalt0. É evidente que áreas verdes correspondem a retornos negativos no VXX. Vamos simular uma estratégia com estes pressupostos: Curto VXX quando delta gt 0 Capital constante (aposta em cada dia é 100) Não há custos de deslizamento ou de transação Esta estratégia é comparada com a que troca curto todos os dias, mas não leva delta em conta . A linha verde representa nossa estratégia curta VXX, a linha azul é a besta. Sharpe de 1.9 para uma estratégia simples de fim de dia não é ruim na minha opinião. Mas, ainda mais importante, é que as eliminações desgastantes são largamente evitadas ao prestar atenção à curva futura futura. A construção desta estratégia passo a passo será discutida durante o próximo curso de negociação com Python. O preço de um ativo ou um ETF é, naturalmente, o melhor indicador que existe, mas, infelizmente, há apenas uma quantidade de informações contidas nisso. Algumas pessoas parecem pensar que mais indicadores (rsi, macd, cruzamento médio móvel etc.). O melhor, mas se todos eles se basearem na mesma série de preços subjacentes, todos eles contêm um subconjunto da mesma informação limitada contida no preço. Precisamos de mais informações adicionais ao que contém o preço para fazer um palpite mais informado sobre o que acontecerá no futuro próximo. Um excelente exemplo de combinar todo tipo de informações com uma análise inteligente pode ser encontrado no blog Short Side of Long. Produzir esse tipo de análise requer uma grande quantidade de trabalho, para o qual eu simplesmente não tenho tempo, pois eu só negocio a tempo parcial. Então eu construí meu próprio painel do mercado que coleciona informações automaticamente para mim e a apresenta de forma facilmente digerível. Nesta publicação, vou mostrar como construir um indicador com base em dados de curto volume. Esta publicação irá ilustrar o processo de coleta e processamento de dados. Etapa 1: Localizar fonte de dados. A troca de BATS fornece dados de volume diários gratuitamente em seu site. Etapa 2: Obter dados manualmente com inspeção do amplificador Os dados do volume curto da troca do BATS estão contidos em um arquivo de texto que é compactado. Cada dia tem seu próprio arquivo zip. Depois de baixar e descompactar o arquivo txt, isso é o que está dentro (primeiro várias linhas): no total, um arquivo contém cerca de 6000 símbolos. Esses dados precisam de algum trabalho antes que ele possa ser apresentado de forma significativa. Etapa 3: Obter dados automaticamente O que eu realmente quero não é apenas os dados por um dia, mas uma proporção de volume curto para volume total nos últimos anos, e eu realmente não sinto como baixar 500 arquivos zip e copiá-los em Excel manualmente. Felizmente, a automação completa é apenas um par de linhas de código: primeiro precisamos criar dinamicamente um URL a partir do qual um arquivo será baixado: agora podemos baixar vários arquivos ao mesmo tempo: Etapa 4. Parse de arquivos baixados Podemos usar zip e pandas Bibliotecas para analisar um único arquivo: ele retorna uma proporção de Volume VolumeTotal Curto para todos os símbolos no arquivo zip: Etapa 5: Faça um gráfico: Agora, o único item restante é analisar todos os arquivos baixados e combiná-los para uma única tabela e trama O resultado: na figura acima, tracei a proporção de volume curto médio nos últimos dois anos. Eu também poderia ter usado um subconjunto de símbolos se eu quisesse dar uma olhada em um setor ou estoque específico. A visão rápida dos dados me dá uma impressão de que os altos índices de volume curto geralmente correspondem com fundos de mercado e baixos índices parecem ser bons pontos de entrada para uma posição longa. A partir daqui, essa relação de volume curto pode ser usada como base para o desenvolvimento da estratégia. Curso de negociação com Python Se você é um comerciante ou um investidor e gostaria de adquirir um conjunto de habilidades de negociação quantitativas, você pode considerar levar o Trading With Python couse. O curso on-line irá fornecer-lhe as melhores ferramentas e práticas para pesquisa de pesquisa quantitativa, incluindo funções e scripts escritos por comerciantes quantitativos especializados. Você aprenderá como obter e processar quantidades incríveis de dados, estratégias de projeto e backtest e analisar o desempenho comercial. Isso o ajudará a tomar decisões informadas que são cruciais para o sucesso de um comerciante. Clique aqui para continuar no site do curso Trading With Python. Meu nome é Jev Kuznetsov, durante o dia sou engenheiro de pesquisa em uma empresa envolvida na impressão de negócios. O resto do tempo eu sou um comerciante. Eu estudei física aplicada com especialização em reconhecimento de padrões e inteligência artificial. O meu trabalho diário envolve qualquer coisa, desde protótipos de algoritmo rápido em Matlab e outros idiomas até a programação de amplificação de hardware. Desde 2009, uso minhas habilidades técnicas nos mercados financeiros. Antes de chegar à conclusão de que a Python é a melhor ferramenta disponível, eu estava trabalhando extensivamente em Matlab, que é abordada no meu outro blog. Aprender Questões Números Se você é um comerciante ou um investidor e gostaria de adquirir um conjunto de habilidades de negociação quantitativas , Você está no lugar certo. O curso Trading With Python proporcionará as melhores ferramentas e práticas para pesquisa de negociação quantitativa, incluindo funções e scripts escritos por comerciantes quantitativos especializados. O curso dá-lhe o máximo impacto para o seu tempo investido e dinheiro. Ele se concentra na aplicação prática da programação ao comércio e não à informática teórica. O curso irá pagar por si mesmo rapidamente, economizando tempo no processamento manual de dados. Você passará mais tempo pesquisando sua estratégia e implementando negócios lucrativos. Visão geral do curso Parte 1: princípios Você aprenderá por que o Python é uma ferramenta ideal para negociação quantitativa. Começaremos pela criação de um ambiente de desenvolvimento e, em seguida, apresentaremos as bibliotecas científicas. Parte 2: Manipulação dos dados Saiba como obter dados de várias fontes gratuitas, como Yahoo Finance, CBOE e outros sites. Leia e escreva vários formatos de dados, incluindo arquivos CSV e Excel. Parte 3: estratégias de pesquisa Aprenda a calcular PL e as métricas de desempenho acompanhantes, como Sharpe e Drawdown. Desenvolva uma estratégia de negociação e otimize seu desempenho. Múltiplos exemplos de estratégias são discutidos nesta parte. Parte 4: Iniciando esta parte é centrada em torno da Interactive Brokers API. Você aprenderá como obter dados em estoque em tempo real e colocar ordens ao vivo. Muitos códigos de exemplo O material do curso consiste de cadernos que contêm texto juntamente com um código interativo como este. Você poderá aprender interagindo com o código e modificando-o para seu próprio gosto. Será um ótimo ponto de partida para escrever suas próprias estratégias. Enquanto alguns tópicos são explicados com grande detalhe para ajudá-lo a entender os conceitos subjacentes, na maioria dos casos, você nem precisa escrever seu próprio código de baixo nível, devido ao suporte de abertura existente Bibliotecas de fontes. A biblioteca TradingWithPython combina grande parte das funcionalidades discutidas neste curso como funções prontas a usar e serão usadas ao longo do curso. Pandas irá fornecer-lhe todo o poder de levantamento pesado necessário no trituração de dados. Todo o código é fornecido sob a licença BSD, permitindo seu uso em aplicações comerciais Classificação do curso Um piloto do curso foi realizado na primavera de 2013, é o que os alunos conseguiram dizer: Matej curso bem projetado e bom treinador. Definitivamente valeu o preço e meu tempo, Lave Jev, obviamente, conhecia suas coisas. A profundidade de cobertura foi perfeita. Se Jev executar algo assim novamente, eu vou ser o primeiro a se inscrever. John Phillips Seu curso realmente me fez começar a pensar em python para a análise do sistema de estoque.