Estratégia de negociação sql


Sql estratégia de negociação.


Acesse metatrader para sites sql - mql5, ...


Olhe para o metatrader de acesso mais relevante para sites sql fora de 415 Mil em KeyOptimize. Acesse metatrader para sql. negociação de forex automatizada, estratégia.


sql - Personalizando a nova estratégia de negociação em R usando ...


Eu quero criar um novo indicador de TA personalizado para o símbolo de estoque em R. Mas eu não tenho idéia sobre como converter minha estratégia condicional SQL em R self-de.


Demanda de oferta | Blue Point Trading Worldwide Ltd.


Vídeo embutido & # 0183; & # 32; Indicador - Provisão de oferta. Recentemente, encontrei um indicador interessante, inspirado por um dos nossos comerciantes aqui no Blue Point Trading e pensei que ...


SuperSignal Binary Trading Strategy & gt; Opções binárias .


A estratégia SuperSignal para negociação binária é, de acordo com nossa opinião e experiência, uma das melhores estratégias de tempo baixo. Deve ser rentável se tudo.


Pesquisa Quantitativa & amp; Comércio de Quants | Thomson ...


Pesquisa Quantitativa & amp; Negociação; Compartilhar. Compartilhar; . métodos científicos para sua pesquisa e negociação quantitativa,. - utilize Microsoft SQL Server ou Oracle com.


Data Mining a Forex Majors Strategy - Algorithmic and.


Daniel usa uma abordagem de mineração de dados para desenvolver uma estratégia para negociar os quatro maiores de Forex.


MultiCharts Trading Platform - Software de negociação para.


Software de negociação MultiCharts para comerciantes profissionais com análise avançada, estratégias de negociação, backtesting e otimização. Plataforma de negociação que lhe dá uma vantagem.


TransAct AT Download & amp; Demonstração gratuita - Futures Trading: ...


Transa Futures - Cannon Trading oferece demonstração GRATUITA de 30 dias. Faça o download da plataforma de negociação Transact AT Futures. Você pode nos ligar para (800) 454-9572 para começar agora.


SQL para negociação. | Página 4 | Elite Trader.


Citação do thstart: os discos SSD agora são relatados para se deteriorar com o tempo eo tempo de acesso para aumentar após o uso. Ainda não está claro por quê.


Futuros io day day day: revisões, salas, educação.


A melhor comunidade comercial de futuros no planeta: comércio de futuros, notícias de mercado, gráficos de negociação, plataformas de negociação, estratégias de negociação.


Estratégias de mineração de dados do SQL Server para ações Comprar e vender recomendações.


Por: Rick Dobson | Leia comentários (1) | Dicas relacionadas: Mais> T-SQL.


Nosso serviço de consultoria de estoque de start-up recomenda com sucesso as ações vencedoras de longo prazo. Alguns de nossos clientes também querem conselhos específicos sobre quando comprar e vender ações recomendadas. Forneça um exemplo de solução SQL Server T-SQL para gerar conselhos sobre quando comprar e vender nossas ações recomendadas.


As ferramentas de mineração de dados podem ser usadas para avaliar uma estratégia de linha de base simples para gerar estratégias de estoque de compra e venda. Além disso, você pode usar ferramentas de mineração de dados para avaliar se os aprimoramentos de uma estratégia de linha de base melhoram os resultados comerciais para obter recomendações de compra e venda. Esta dica desenha no SQL Server T-SQL código e técnicas de mineração de dados para gerar comprar e vender conselhos de estoque e avaliar se o conselho cresce capital.


O código é apresentado em um estilo modular para que outros possam substituir partes da abordagem com suas próprias idéias ou mesmo apenas testar a dica com diferentes estoques. Esperemos que a estrutura inspire outros a implementar melhor compra e venda de modelos de estoque temporário usando o código T-SQL.


Uma dica anterior da MSSQLTips ilustrou estratégias básicas de desenvolvimento de ações comerciais. A dica anterior demonstrou que uma estratégia de compra e retenção para um conjunto seleto de ações é uma maneira confiável de aumentar o capital. No entanto, alguns investidores em ações se sentem incomodados ao manter seus fundos por um longo período de tempo, como 2 anos ou mais. Outros, acham preocupante manter posições de estoque quando vêem perdas acumuladas, se apenas por algumas semanas ou meses. O fácil de entender e implementar conselhos sobre quando comprar e vender ações recomendadas provavelmente será bem-vinda por esses indivíduos.


Baixando os dados do site Google Finance.


Tal como acontece com a dica anterior sobre as estratégias de negociação, esta dica também usa o site Google Finance como fonte de dados para histórico de preços de ações. Não houve mudanças significativas na forma como os dados foram recuperados para esta dica em relação ao anterior. Basicamente, a abordagem é tão simples como inserir um URL em um navegador da Internet, como o IE ou o Chrome. O URL especifica o símbolo do ticker para uma segurança juntamente com uma data de início, data de término e formato de dados para os dados retornados do site.


Os dados retornados começam com a data de início ou a primeira data de negociação para a qual o Google Finance possui dados. Os dados retornados terminam com a última data de negociação para a qual o Google Finance possui dados. Os preços históricos incluem o dia atual em algum momento após o fechamento da negociação por um dia. O seguinte URL especifica o download de dados para Ulta Salon, Cosmetics & amp; Fragrance, Inc., que tem um símbolo de ulta.


Os dados de dez títulos em quatro categorias foram baixados do Google Finance para essa dica. Para uma referência fácil, nos referimos nesta dica a todos os títulos como ações, embora alguns sejam outros instrumentos de investimento.


Um conjunto básico de ações inclui seis selecionados porque eu estava assistindo-os com base em "due diligence". Os símbolos para esses estoques são: bzun, crus, meet, nvda, tsn e ulta Um estoque adicional foi selecionado porque é para uma empresa que muitos leitores desta dica são familiares - Microsoft Corporation (msft) Dois símbolos mais representam inverso Títulos da ETF. O site INVESTOPEDIA define um inversor como: um fundo negociado em bolsa (ETF) construído usando vários derivativos com o objetivo de lucrar com uma queda no valor de um benchmark subjacente. O benchmark para um etf (sco) é o preço do petróleo bruto. benchmark para o outro etf (sds) é para o S & amp; Índice P 500 O símbolo final é para um etf regular (espião) que acompanha o S & amp; Índice P 500. Em vez de se mover inversamente para o seu benchmark, este etf procura desempenho que se correlaciona com o seu benchmark. Tal como acontece com todos os títulos de etf, o espião não combina perfeitamente com o seu benchmark devido a várias considerações, como taxas de administração, comissões de negociação de ações, composição dos títulos subjacentes, ritmo de mudanças no benchmark versus mudanças no etf, etc.


A seguinte captura de tela do Notepad ++ mostra as 12 primeiras linhas descarregadas para o símbolo de estoque ulta.


A primeira linha indica os nomes das colunas para as linhas de dados que se seguem. As colunas das linhas de dados começam com uma data para o restante das colunas dessa linha. As colunas Abrir, Alto, Baixo e Fechar exibem informações sobre o preço do símbolo do estoque ao longo do dia indicado pela primeira coluna. A última coluna para linhas de dados indica o número de ações negociadas durante o dia.


O download foi iniciado para a ulta e os outros nove símbolos de ticker utilizados nesta dica em 7 de setembro de 2018, por volta das 2:00 da tarde, hora do leste. Portanto, a primeira linha de dados é 6 de setembro de 2018 - um dia antes da data de download.


Todos os dados na tela acima, são válidos e formatados corretamente. No entanto, o Google Finance retorna raramente as linhas de dados que contêm dados inválidos. Para aplicações comerciais que exigem dados perfeitamente precisos, você deve considerar implementar algumas etapas de verificação e limpeza que refletem os requisitos do seu aplicativo para os dados baixados. Essas etapas não foram tomadas para essa dica, de modo a não prejudicar o foco principal no desenvolvimento de recomendações de compra e venda.


Importar dados baixados para o SQL Server.


Como o Google Finance transfere um arquivo por estoque e essa dica usa 10 símbolos de ticker, existem 10 arquivos csv baixados. Quando os arquivos são baixados, seu nome é symbol. csv. Por exemplo, o arquivo com dados para o símbolo ulta tem o nome ulta. csv. Depois que os arquivos csv são baixados, você pode copiá-los para qualquer diretório que seja conveniente para o processamento. Esta dica usa a pasta \ stock_price_histories_and_trades na unidade C: como um repositório para dados baixados.


Aviso da captura de tela acima, de que não existe uma coluna de símbolos nos arquivos de símbolos de ticker individuais. No entanto, ao processar dados para mais de um símbolo em uma única tabela, é necessário ter uma coluna de símbolos na tabela do SQL Server juntamente com os dados de volume aberto, alto, baixo, próximo.


Esta dica demonstra uma abordagem em duas etapas para importar dados de preços de ações baixados e arquivos de volume para tabelas do SQL Server.


Inicialmente, os dados para cada arquivo são inseridos sucessivamente em uma tabela de teste. Então, os dados são transferidos da tabela de teste para outra tabela e uma coluna é adicionada para o símbolo do ticker do investimento.


O processo de importação geral depende de quatro tabelas dentro de um banco de dados.


A tabela import_stock_prices é a tabela de teste que mantém sucessivamente os dados csv para cada símbolo do ticker. A tabela stocks_symbol_ohlcv serve como o repositório de dados de todos os dez símbolos ticker. Uma terceira tabela (WHILE_LOOP_FIELDS) contém três colunas para facilitar o ciclo dos arquivos e copiar os dados com cada um dos dez símbolos para a tabela stocks_symbol_ohlcv Uma coluna para cada linha contém um símbolo de ticker. Outra coluna contém um campo numérico (de 1 para o número de arquivos) para cada símbolo. Uma terceira coluna para cada linha contém o caminho eo nome do arquivo baixado do Google Finance Uma quarta tabela temporária (T #) é usada para rastrear quais dos dez símbolos do ticker estão sendo processados ​​atualmente.


Como o nome da tabela WHILE_LOOP_FIELDS implica, um loop WHILE é usado para importar dados sucessivamente de cada um dos arquivos csv baixados. Dentro do loop WHILE, o código dinâmico T-SQL depende de uma instrução BULK INSERT para importar todas as linhas de dados de cada arquivo csv para a tabela import_stock_prices. Então, uma instrução INSERT transfere os dados importados juntamente com um valor de símbolo de estoque para a tabela stocks_symbol_ohlcv.


Aqui está o script de um arquivo sql chamado import_downloaded_data_into_SQL_Server. sql que implementa as etapas descritas acima. Observe que o código começa com uma referência ao banco de dados stock_price_histories_trades. A dica usa este banco de dados para armazenar dados para implementar e avaliar as regras de negociação. A pasta de arquivos de recurso para esta dica contém código T-SQL para criar uma versão vazia e vazia do banco de dados stock_price_histories_trades.


Revisão das regras de negociação para atribuir datas de compra e venda para ações.


Duas regras de negociação para atribuir datas de compra e venda a um estoque são examinadas nesta dica.


Uma regra é comprar ações com preços crescentes que anteriormente não estavam aumentando e depois vender essas ações quando eles pararam de subir. Esta regra é chamada de regra de crescimento de estoque. Uma segunda regra de buy-low monta em cima da primeira regra, de modo que uma compra só é executada quando seu preço de compra é menor do que o preço de compra para o comércio imediatamente anterior. Esta regra ajuda a evitar a compra de um estoque quando ele já tem um preço relativamente alto, do qual há pouco potencial para aumentar. As recomendações de venda são emitidas com a regra de buy-low da mesma maneira exata que a regra de aumento de estoque.


Esta dica usa médias móveis de 10 dias e 30 dias, bem como o preço de fechamento de um dia de negociação para verificar se um estoque está aumentando. As técnicas computacionais médias em movimento para os preços das ações são examinadas em uma dica anterior. Aqui estão dois critérios específicos para avaliar quando as ações estão aumentando.


O preço de fechamento de uma ação é maior do que a média móvel de 10 dias. Isso indica que o preço mais recente para um estoque é maior do que seu preço médio nos 10 dias anteriores. A média móvel de 10 dias é maior do que a média móvel de 30 dias. Isso confirma que a tendência de preços nos últimos 10 dias é maior do que a tendência de preços nos últimos 30 dias.


A recomendação de compra para a regra do estoque ascendente depende das seguintes condições ao longo de um período de 5 dias.


O estoque não deve estar aumentando por dois dias sucessivos Seguido por mais dois dias sucessivos em que o estoque está aumentando O preço de compra é o preço aberto no quinto dia na seqüência.


A recomendação de venda para a regra do estoque crescente depende das seguintes condições ao longo de um período de 2 dias.


O preço das ações não deve mais aumentar. Mais especificamente, um dia deve ocorrer em que nem o preço de fechamento está acima da média móvel de 10 dias nem a média móvel de 10 dias está acima da média móvel de 30 dias. O preço de venda é o preço aberto no próximo dia de negociação.


Esta dica examina as duas regras comerciais sucessivamente. Primeiro, a regra do preço do estoque ascendente é implementada e examinada. Em segundo lugar, a regra de compra-baixa para a não execução de compras quando o preço de compra está acima do preço de compra anterior é implementada e comparada com os resultados iniciais do comércio ascendente.


Criando e preenchendo uma tabela com entradas para a regra do estoque crescente.


Para emitir recomendações de compra e venda de estoque ascendente de acordo com a regra do estoque crescente, um aplicativo precisa ter dados disponíveis para o dia atual, no dia seguinte e em cada um dos três dias anteriores. Esta dica coleta todas essas entradas em linhas para o dia atual dentro da tabela stocks_symbol_trade_inputs. Cada linha desta tabela possui as informações necessárias para determinar se o dia seguinte é um dia recomendado de compra ou dia de venda. Ele também tem a data e o preço aberto para o próximo dia, o que será útil na avaliação dos resultados da negociação para a regra do estoque crescente.


Além dos valores baixados do Google Finance, o código para implementar a regra do estoque crescente precisa de médias móveis de 10 dias e 30 dias. Essas médias móveis são baseadas no preço de fechamento por 10 ou 30 dias de negociação antes e por meio do dia de negociação atual. As médias móveis de 10 dias e 30 dias são comparadas entre si e a média móvel de 10 dias é comparada ao preço fechado do dia atual. Os resultados da comparação devem estar disponíveis para o dia atual, bem como os três dias anteriores.


Esta dica examina as duas regras comerciais sucessivamente. Primeiro, a regra do preço do estoque ascendente é implementada e examinada. Em segundo lugar, a regra de compra-baixa para a não execução de compras quando o preço de compra está acima do preço de compra anterior é implementada e comparada com os resultados iniciais do comércio ascendente.


Tal como acontece com o código para importar valores baixados, os cálculos para valores de dia corrente, atraso e liderança são realizados dentro de um ciclo WHILE sucessivamente para cada símbolo de estoque. Antes do início do ciclo WHILE, uma instrução CREATE TABLE cria a tabela stocks_symbol_trade_inputs. No ciclo WHILE, existe uma sub-consulta aninhada para calcular médias móveis de 10 dias e 30 dias. Então, e consulta externa calcula as comparações para o dia atual e três dias anteriores. A consulta externa deriva do preço aberto e da data para o próximo dia de negociação. O preço aberto e a data para o dia seguinte são valores candidatos para comprar ou vender a data e o preço recomendados.


Aqui está o script de um arquivo sql chamado compute_trade_inputs. sql que implementa as etapas descritas acima.


Criando uma tabela com recomendações de compra e venda para a estratégia de negociação de ações em expansão.


A tabela stocks_symbol_trade_inputs serve como entrada para o código para outra tabela (stocks_symbol_buy_sell_recs) na atribuição de datas e preços recomendados de compra e venda. O código para ir da tabela stocks_symbol_trade_inputs para a tabela stocks_symbol_buy_sell_recs implementa a estratégia de negociação de estoque crescente.


Uma maneira fácil de entender o papel da tabela stocks_symbol_buy_sell_recs é exibir as linhas selecionadas a partir dele. A seguinte captura de tela mostra o último conjunto de recomendações de compra e venda correspondentes para os símbolos ulta e crus ticker em 2018 (até a data de negociação final de 6 de setembro de 2018 para os dados usados ​​por esta dica).


No primeiro par de linhas para ulta, houve uma inversão da tendência do aumento de preços no dia (2018-02-02) para a qual uma recomendação de compra foi emitida. Como resultado, uma recomendação de venda foi definida para o dia seguinte (2018-02-03). O preço da ulta em 2018-02-03 caiu do aberto para o fechamento, de modo que o preço de fechamento estava abaixo da média móvel de 10 dias; a média móvel de 10 dias já estava abaixo da média móvel de 30 dias. É o preço fechado em 2018-02-02 que fez com que o comércio terminasse em 2018-02-03. No caso do segundo conjunto de recomendações de compra e venda para ulta em 2018, houve uma diferença de vários meses entre a recomendação de compra e a recomendação de venda. Você pode verificar que essa lacuna seja apropriada ao verificar as linhas apropriadas da tabela stocks_symbol_trade_inputs.


As quatro linhas para o símbolo crus mostram a data de início e preço versus a data de término e preço para crus. Para crus, vários meses separaram a recomendação inicial de compra e venda, mas apenas alguns dias separaram as segundas recomendações de compra e venda. Tal como acontece com as recomendações de compra e venda da ulta, você pode verificar esses resultados crus para si mesmo examinando linhas apropriadas da tabela stocks_symbol_trade_inputs.


Esta dica examina mais profundamente os ganhos e perdas associados aos negócios em uma seção subseqüente.


Tal como acontece com os scripts para outras tabelas no aplicativo, o código para criar e preencher a tabela stocks_symbol_buy_sell_recs começa com uma instrução CREATE TABLE seguida de um loop WHILE. Dentro do ciclo WHILE, as recomendações de compra e venda para cada símbolo são adicionadas à tabela stocks_symbol_buy_sell_recs.


Uma tabela temporária chamada #to_clean_recs serve como uma tabela de teste para aceitar as recomendações de compra e venda para um símbolo de estoque. Esta tabela, por sua vez, é criada por uma consulta externa com base em uma união de duas sub-consultas.


A primeira sub-consulta extrai as linhas selecionadas da tabela stocks_symbol_trade_inputs para o símbolo atual que está sendo processado que corresponde aos critérios de recomendação de compra. A segunda sub-consulta executa a mesma função para as linhas da tabela stocks_symbol_trade_inputs que correspondem aos critérios de recomendação de venda.


Uma consulta externa faz algum processamento menor para facilitar a compra de linhas de compra e venda por data. Então, uma segunda consulta faz uma pequena limpeza para remover algumas linhas de venda que não possuem linhas de compra correspondentes e bombeia o resultado limpo para um símbolo na tabela stocks_symbol_buy_sell_recs.


O script (compute_buy_and_sell_recommendations. sql) que implementa estas etapas aparece abaixo.


Calcule os resultados Gain_Loss para estratégias de estoque crescente e de comércio baixo.


Como você pode ver na tela de tela anterior, é uma questão relativamente simples calcular o ganho ou perda associado a cada troca, subtraindo o preço de compra do preço de venda. No entanto, a estrutura da tabela stocks_symbol_buy_sell_recs não facilita facilmente essa computação porque os preços de compra e venda para cada comércio estão em linhas diferentes. Além disso, para alguns símbolos de estoque, pode haver recomendações de compra sem recomendação de venda correspondente no final dos negócios para uma ação. Isto é simplesmente porque o sinal de compra foi emitido, mas os critérios de venda para concluir o comércio não ocorreram dentro dos dados baixados para esta dica (ocorreu ou ocorrerá em uma data posterior, ou seja, após 6 de setembro de 2018).


Há uma outra questão que tem os cálculos de ganhos e perdas. Até agora, esta dica revisou apenas as etapas detalhadas de implementação para a estratégia de negociação em expansão de ações. No entanto, precisamos incluir uma segunda estratégia de negociação que se baseie na estratégia de crescimento de estoque. Esta segunda regra de negociação baseia-se na estratégia de crescimento de ações, apenas incluindo ganhos e perdas, quando o preço de compra de um comércio é inferior ao preço de compra para o comércio imediatamente anterior. Como essa estratégia de negociação de baixo custo baseia-se na estratégia de aumento de estoque, sua implementação foi propositadamente diferida até esta seção.


Os ganhos e perdas por ação para cada comércio são salvos em uma das duas tabelas dependendo da regra de negociação.


Os ganhos e perdas para a estratégia de aumento de estoque são salvos na tabela all_trades_gain_loss Os ganhos e perdas para a estratégia buy-low são salvos na tabela buy_low_trades_gain_loss.


A captura de tela a seguir mostra os resultados de ganhos e perda para as recomendações de compra e venda na captura de tela anterior. Lembre-se de que estes são para negociações completas para ulta e crus durante 2018. Estes dados são da tabela all_trades_gain_loss. Você pode facilmente confirmar por si mesmo das linhas na tela de tela que o ganho ou perda é simplesmente o preço de venda menos o preço de compra.


Observe também que o ganho por ação é de quase US $ 52 para ulta no comércio que termina em 24 de maio de 2018! Este ganho de grandes dimensões está associado a um comércio com um preço de compra bem abaixo do preço de compra do comércio anterior. De forma inversamente correspondente, o comércio de crus que termina em 5 de maio de 2018 termina com uma perda de US $ 1,85. Este comércio tem um preço de compra maior do que o comércio anterior. A estratégia de comércio de baixo custo manteria o comércio com um ganho de US $ 52 por ação e excluindo o comércio com uma perda de US $ 1,85. A regra de negociação de compra-baixa pode incluir e excluir negociações sem realmente realizar o comércio porque se baseia em uma comparação do preço de compra comercial atual prospectivo com o preço de compra comercial anterior. Se o preço de compra para o comércio prospectivo atual for maior que o preço de compra para o comércio anterior, o comércio não é selecionado para execução pela estratégia de negociação de baixo custo.


Conforme discutido, os cálculos de ganhos e perdas dependem dos preços de compra e venda correspondentes para a data de compra e data de venda em uma negociação. A fonte de dados para esses cálculos é a tabela all_trades_gain_loss para a estratégia comercial de crescimento de estoque. A fonte de dados para ganhos e perdas para a estratégia de negociação de buy-low é a tabela buy_low_trades_gain_loss.


A lista a seguir (create_and_populate_gain_loss_tables. sql) mostra o código para criar e preencher os ganhos e perdas para cada uma das duas estratégias de negociação. Ele segue a discussão nesta seção, bem como as convenções gerais de codificação das seções anteriores sobre os resultados de computação para cada símbolo, por sua vez.


Comparação do desempenho do gain_loss para regras de negociação.


Os relatórios nesta seção são de um projeto SSRS com base em consultas para as tabelas all_trades_gain_loss e buy_low_trades_gain_loss no banco de dados stock_price_histories_trades. Para não se distrair com as conclusões, o código T-SQL para as consultas do relatório não aparece na dica. Uma pasta de recursos disponível para download com esta dica contém o projeto SSRS, que, por sua vez, possui o código T-SQL para a consulta de cada relatório (consulte a janela Propriedades do conjunto de dados para cada relatório no projeto SSRS).


A tela de tela a seguir mostra um relatório SSRS confirmando que as regras de negociação de estoque ascendente e buy_low podem retornar ganhos para categorias de estoque selecionadas. Os resultados na tabela são em todos os negócios feitos para uma categoria de ações com uma regra de negociação. Os preços de compra e venda, bem como os valores do gain_loss são em dólares por ação. As comissões de corretores para negociações não estão incluídas porque estas podem variar de acordo com o corretor que executa os negócios.


As ações de due diligence (bzun, crus, meet, nvda, tsn e ulta) retornaram um ganho de 2,56 por cento em ações por troca com a estratégia de estoque crescente. Com a estratégia de negociação buy_low para ações de due diligence, o ganho percentual por comércio aumenta para 5,18 por cento; esse ganho é impulsionado substancialmente por uma enorme queda no preço de compra para negociações selecionadas pela regra de negociação buy_low (a soma dos preços de compra por comércio foi de R $ 6,119.90 com a regra do estoque crescente, mas foi apenas US $ 2.593,44 para a regra buy_low) O espião ef , que tem o S & amp; O índice P 500 como índice de referência, retornou o mesmo tipo de tendência, mas não na mesma medida, como os estoques de due diligence O estoque da Microsoft não gerou ganhos com qualquer uma das regras. Em vez disso, retornou pequenas perdas por base comercial com a regra de estoque crescente No entanto , a regra buy_low reduziu a porcentagem do tamanho da perda em torno de metade. Os dois títulos inversos de etf (sds e sco) não retornaram resultados positivos, e os resultados do comércio foram aproximadamente iguais em uma base percentual com qualquer uma das regras para inversa etf títulos.


Há pelo menos três razões pelas quais a estratégia buy_low é um vencedor com os estoques de due diligence. A tabela a seguir documenta estes para você.


O ganho por ação é quase 70% maior para os negócios de buy_low do que as operações de estoque ascendente (US $ 1,08 por ação versus US $ 0,64). A porcentagem de negócios vencedores é marginalmente melhor com a estratégia buy_low do que com a regra do estoque crescente (por uma proporção de cerca de 32 % a 30%) O número de negociações com a regra buy_low é cerca de metade da quantidade para a regra do estoque crescente. O número reduzido de negociações torna mais disponível o capital para ganhos com outros negócios para outras ações (normalmente, uma empresa de consultoria de ações recomendará muitos mais do que os 6 títulos de due diligence cobertos nesta dica)


Antes de fechar, vale a pena dar uma olhada na percentagem de earn_loss das duas regras de negociação com ações individuais de due diligence. O preço de compra, o preço de venda e os valores de earn_loss são os montantes em todas as negociações para um estoque com um modelo de negociação. O percentual de perda de ganho é o valor de ganho de ganhos somado dividido pelo valor de preço de compra somado representado como uma porcentagem.


No geral, a magnitude dos ganhos aumentou 7 a 8 por cento para as ações de melhor desempenho e estratégias de negociação Com a exceção de um estoque, a estratégia buy_low melhora ganhos ou muda uma perda em um ganho em relação à estratégia de estoque crescente. estoque (nvda) que não melhorou seu desempenho com a estratégia buy_low, o ganho percentual foi quase idêntico entre as duas estratégias. As variações nos resultados por estoque e estratégia de negociação apontam para o valor de testar historicamente o desempenho de uma ação com uma estratégia de negociação antes de endossar seu uso para negociar um estoque.


Próximos passos.


Esta dica demonstra como implementar um modelo de negociação de linha de base (estoque crescente) e, opcionalmente, aumentá-lo com uma abordagem suplementar (buy-low). Os conceitos são fáceis de entender, e sua implementação também é relativamente simples de seguir. As duas estratégias de negociação podem trabalhar juntas para preservar e crescer o capital.


A dica descreve e demonstra a lógica por trás de um conjunto de quatro scripts T-SQL usados ​​para importar dados, pré-processamento de dados para implementar os modelos de negociação e executar os modelos de negociação. Um dos objetivos da dica é incentivá-lo a substituir seus modelos comerciais por aqueles que você prefere. No mínimo, você é convidado a substituir os estoques usados ​​nesta dica com os de interesse específico para você.


Aqui estão algumas perguntas a serem consideradas ao decidir seus próximos passos depois de ler esta dica.


Gostaria de experimentar esta abordagem para ver como ela funciona com seus estoques? Quais são algumas maneiras melhores de operacionalizar os conceitos descritos nos modelos comerciais examinados nesta dica? As médias móveis em diferentes períodos do que 10 e 30 dias melhoram os resultados comerciais? Você pode melhorar o modelo de recomendações de venda para reter mais do ganho alcançado enquanto um estoque está aumentando? Você pode melhorar o modelo de recomendações de compra para reduzir a porcentagem de negócios que terminam antes de um estoque começar a aumentar? Você pode projetar, implementar e testar modelos de negociação vastamente superiores com base em outras ferramentas de mineração de dados, além das médias móveis e as regras if-then-else?


A pasta de arquivos de recurso para esta dica inclui os quatro scripts T-SQL principais para importar, pré-processamento e implementar as regras de negociação, bem como outros scripts selecionados para os dados exibidos em capturas de tela que suportam a explicação das regras de negociação. Além disso, os arquivos de recursos incluem os arquivos de projeto do SSRS para os relatórios na seção Comparação da performance do gain_loss para regras de negociação. Certifique-se e revise o arquivo readme. txt na pasta da solução de recursos antes de tentar reproduzir quaisquer resultados nesta dica com base nos arquivos na pasta de arquivos de recursos.


Finalmente, encerro indicando que esta dica não está recomendando ações específicas, incluindo as dez analisadas. Essas ações foram escolhidas porque eu estava observando-as como parte da minha devida diligência de investimento normal. No momento em que eu enviei essa dica para MSSQLTips, eu ou outros membros da família imediata mantivemos posições em sete ações entre os dez da dica.


Sobre o autor.


Bom artigo usando o SQL Server para prever a tendência. :)


Aprendendo.


Pesquisa.


Mais informações.


Copyright (c) 2006-2018 Edgewood Solutions, LLC Todos os direitos reservados.


Alguns nomes e produtos listados são marcas registradas de seus respectivos proprietários.


Usando a análise de dados do SQL Server para estratégias de negociação de estoque.


Por: Rick Dobson | Leia comentários (2) | Dicas relacionadas: 1 | Mais> T-SQL.


Nosso negócio administra um serviço de consultoria de ações. Alguns de nossos clientes trocam nossas ações recomendadas em uma perda comprando a um preço alto e vendendo a um preço baixo. Precisamos de modelos de negociação muito simples com resultados comparativos para mostrar aos clientes como eles podem aumentar o valor de suas contas de investimento com nossas escolhas de estoque.


A mineração de dados - especialmente o pré-processamento, análise preliminar de dados e etapas de relatórios - pode ser muito útil para resolver seu problema. Esta dica examina seis ações, como as que podem ser recomendadas pela sua empresa, para apresentar o resultado de três estratégias comerciais diferentes. As estratégias de negociação de ações são propositadamente simples para que possam ser prontamente programadas com o T-SQL, além de serem entendidas pelos seus clientes comerciais. Todas as estratégias cobertas são consistentes com mostrar aos clientes como eles podem aumentar o valor de suas contas de investimento.


Os dados de origem da dica são os preços das ações do site Google Finance. Estes dados estão disponíveis gratuitamente. A dica ilustra como baixar os preços das ações nos arquivos csv. Em seguida, os dados são transferidos para tabelas do SQL Server.


Depois de transferir os dados do preço de estoque para um banco de dados do SQL Server, eles são pré-processados ​​para torná-los adequados para examinar como cada uma das três estratégias de negociação de ações atua. Uma estratégia de negociação de ações depende das médias móveis para os preços das ações. Esta dica inclui uma explicação simples das médias móveis, bem como uma maneira fácil de computá-las para obter dados sobre os preços das ações.


O elemento da ponta final compara ganhos e perdas das três estratégias de negociação. As comparações são para as seis ações individualmente e em geral. As comparações são calculadas numa base por ação, bem como base de lotes compartilhados. Um lote de ações é um conjunto de ações para um estoque que é comprado e vendido como uma unidade.


Baixando os dados do site Google Finance.


Você pode baixar o preço e o volume histórico de fim de dia de um estoque no site do Google Finance. Basta inserir um URL com parâmetros, incluindo o símbolo do estoque, bem como as datas de início e término para o intervalo de dados que você procura. Você também precisa especificar o formato de saída. Seu navegador, como o Chrome ou o Internet Explorer, recuperará os preços e os volumes diários de ações em um arquivo em seu computador.


O seguinte URL especifica a recuperação de dados históricos de preço e volume para um estoque com o símbolo crus. Os dados começam a partir do primeiro dia de negociação no dia 1 de janeiro de 2008 até o último dia de negociação para o qual os dados estão disponíveis até 31 de agosto de 2018. O download foi feito durante a manhã de 24 de agosto de 2018. O Google Finance O site automaticamente nomeia o arquivo baixado com o símbolo especificado no URL (por exemplo, crus. csv).


Aqui está uma captura de tela do Excel que mostra as 20 primeiras linhas de dados no arquivo csv chamado crus. csv. Observe que há uma linha separada para cada dia de negociação que termina em 23 de agosto de 2018, o último dia de negociação para o qual os dados do final do dia estavam disponíveis. Além da coluna Data, existem quatro colunas que especificam valores de dinheiro (Abrir, Alto, Baixo, Fechar) e uma quinta coluna mostra ações negociadas em uma data para o estoque designado pelo símbolo. Enquanto o Excel transforma automaticamente os dados de caracteres no arquivo crus. csv para a data e valores numéricos, é importante ter em mente que os dados no arquivo csv são dados de caracteres.


Os dados para seis símbolos de estoque foram baixados para esta dica. The following bullets show and the symbols along with the corresponding company names and short descriptions. You can see from the descriptions that great diversity is readily available.


crus is for Cirrus Logic, Inc. The company supplies circuits for consumer, automotive and professional audio and energy applications edu is for New Oriental Education & Tech Grp (ADR). This symbol represents an ADR for New Oriental Education & Technology Group -- a company operating in China that is a provider of private educational services. An ADR is a stock that trades in the United States but represents a specified number of shares in a foreign corporation meet is for MeetMe, Inc. The company makes available social networks for meeting new people in the US and in Latin America orly is for O'Reilly Automotive Inc, a retailer of automotive parts and accessories stmp is for Stamps, a provider of internet-based mailing and shipping services ulta is for Ulta Salon, Cosmetics & Fragrance, Inc. This firm sells cosmetics, fragrances, skin and hair care products, appliances, and accessories. The company also offers hair salon services and spa treatments.


Migrating the csv files to SQL Server tables.


This tip creates the tables to store the csv file contents in a database named stock_history_data. Then, it populates the SQL Server tables from the downloaded csv files - one table per file. The code provided for the tip will not work as is unless you have the stock_history_data database created on your SQL Server instance. If you do not have the database on your server, running the following script can create the database.


Because the data in the csv files are character-based, you must transform them before you can use them as dates, money, or integers in SQL Server. There are several ways to perform the transformations. A prior tip working with S&P 500 index historical prices (Creating an SSRS Matrix Sparkline Report with Data from Oracle 11g) describes an approach in which the data are imported to SQL Server as character data and then transformed via T-SQL functions to date, money, or integer values. This tip demonstrates how to use built-in SSIS transformation features to convert the data to an appropriate data type.


The following screen shot shows a Control Flow view of the SSIS project for data mining the stock price data downloaded from the Google Finance site. Some annotation text and two steps are highlighted. The highlighted content is for importing the downloaded data into SQL Server.


Additionally, there are 7 connection managers displayed below the control flow area.


One is and OLEDB connection manager pointing at the stock_history_data database Six are for flat file connection managers that point at the downloaded csv files.


The following screen shot shows the T-SQL in the create orly ohlcv table Execute SQL Task within the Create stock history ohlcv tables Sequence Container. There are six Execute SQL Task steps in the container - one for each table to receive downloaded data from a csv file. All tables have the same specification except for the symbol name.


When you open a flat file connection manager for the orly. csv file, SSIS automatically sees the UTF-8 character codes sent from the Google Finance site and designates the Microsoft 65001 Code page for reading the character codes. It also expects column headers in the first row, which corresponds to the downloaded format. Therefore, no changes are required to the default General tab that appears below (other than assigning a connection manager name).


This tip uses settings on the Advanced tab to indicate SSIS data types for reading csv file data in a way that is suitable for transferring them to data types in SQL Server tables. Three distinct formats are designated as indicated in the screen shots below.


The DT_DBTIMESTAMP data type can read UTF-8 date characters The DT_CY data type can read UTF-8 character fields representing money; this data type designation is appropriate for the Open, High, Low, and Close columns in the csv files The DT_I8 data type can read UTF-8 character fields representing integers that are going to a column with a bigint data type in a SQL Server table.


With the exception of the data for the orly symbol, the csv file contents for the stocks imported successfully to SQL Server tables. However, the data for the orly symbol failed to load successfully on the first try. After examining SSIS logs and the downloaded data in Notepad++, it was discovered that selected columns in the orly data for three dates (November 24, 2018, December 23, 2018, and December 29, 2018) were incorrectly specified.


See the screen below to view from Notepad++ the faulty data in the orly. csv file. Notice that the bad data were for the Open, High, and Low columns. The data for the Date and Close column values appeared valid, but the data for the Volume column did not appear valid. However, this tip only requires valid, correct Date and Close column values.


It was the bad data for the Open, High, and Low columns that caused the importing of the orly. csv file data to fail initially. You can bypass the failure by configuring settings within the Flat File Source for the orly csv step to assign NULL values to columns with invalid data during the import process. The following screen shot shows the Ignore failure settings for the Open, High, and Low columns in the orly. csv file. With these configuration changes in the Error Output tab of the Flat File Source for orly csv step, it was possible to load the orly. csv file along with downloaded data for the other five symbols.


Pre-processing the imported data for trading strategy evaluations.


Up to this point, the imported data exists in six separate tables with dates going back to the first trading date in 2008 or whenever the Google Finance site first started reporting stock prices for a symbol. Aside from variations in the start date for different symbols, I sometimes noticed dates with rows of data for one symbol that were missing for other symbols. For the six stock symbols used in this tip, these missing dates were very rare and limited to data prior to 2018. The missing data are not relevant to this tip because stock trading rules were compared only for trading strategies in the 25-month window from July 2018 through July 2018.


In addition, to pre-processing filters for the date range, other pre-processing was implemented.


Data were consolidated from six separate tables without a symbol indicator into one table with a distinct symbol indicator for each stock. This step makes it easier to evaluate trading strategies across all six stocks Also, 10-day and 30-day moving averages were computed from the base stock price data. Moving averages are a common technical analysis tool for analyzing stock trends. The 10-day moving average reflects short-term trends, and the 30-day moving average reflects longer-term trends.


The following T-SQL script shows code for selecting data from the crus table, adding a symbol column, and computing 10-day and 30-day moving averages. This link compares 6 different methods for computing a sum over a rolling window, such as 10 days or 30 days. The method with the best performance used a customized version of the SUM function that depended on PRECEDING and CURRENT ROW key words. The following code illustrates an adaptation of the best method for computing moving averages instead of sums over a rolling window.


The following screen shot displays an excerpt from the result set for the preceding script. The mav_10 column shows 10-day moving average values and the mav_30 column reveals 30-day moving average values. Notice that values for these columns do not start until the tenth and thirtieth rows, respectively. This is because a 10-day moving average requires at least 10 preceding days of values, and a 30-day moving average requires at least 30 days of preceding values. Rolling windows determine which dates contribute to the moving average values on each row.


The step named create stocks_ohlcv_with_mav_10_30 table with consolidated stock histories and add mav_10 and mav_30 in the Control Flow diagram displayed in the second screen shot within this tip includes the complete script for date filtering, consolidation, adding symbols, and computing moving averages. The step stores its outcome in the stocks_ohlcv_with_mav_10_30 table.


There are 525 stock trading days from July 2018 through July 2018. For the six stocks examined within this tip, this means there are 3150 rows in the stocks_ohlcv_with_mav_10_30 table. The following screen shot shows the first 31 rows in the table. Because the data are arranged by Date within Symbol, these rows are for the earliest 31 trading days for the crus symbol. Because the moving averages are computed on values going back as far as 2008, there are no NULL values for either the 10-day or 30-day moving averages.


Three trading rules.


Before moving to the final pre-processing step for the stock price data, it will be helpful to review the three trading strategies evaluated in this tip. Recall that the objective is to evaluate simple trading rules because we want the rules to be easily understood by clients of the stock advisory service. Also, we seek rules which are safe to trade - so that stock price gains go up if stock prices rise throughout an evaluation period (we'll site a couple of examples where a trade can lose money even while a stock price is rising over an extended period). This tip evaluates trading strategies for the 25-month period from July 2018 through July 2018. Additionally, we need rules that can be readily compared to one another. The rules examined in this tip are more like benchmarks for contrasting trading styles than precise recommendations on how to trade stocks.


The three trading rules evaluated by this tip are as follow.


The overall buy-and-hold rule buys shares for a stock at the Open price of the first trading day in July 2018 and sells those shares at the Close price on the last trading day in July 2018 The monthly buy-and-hold rule buys shares for a stock at the Open price for each month from July 2018 through July 2018. On the last trading day of each month, the rule sells the stocks purchased at the beginning of the month The conditional buy-and-hold strategy buys shares for a stock only when the short-term price trend at the beginning of month as indicated by the 10-day moving average is greater than the long-term trend as indicated by the 30-day moving average. Otherwise, no purchase is made for a stock during the month. To keep the code simple for this trading rule comparison, we assume that you know the 10-day and 30-day moving average values for the month's first trading day at the start of a month's first day.


Trading plans are compared on a share price change as well as a lot price change basis.


Share price change is computed based on the difference between the Open price on first trade for a period versus the Close price on the last day of a period. If the Close price is greater than the Open price, then rule results in a gain. Otherwise, the rule breaks even or loses money The start and end days change from one rule to the next For the buy-and-hold rule, there is just one start date and one end date. The start date is the first trading day at the beginning of July 2018. The end date is the last trading day of July 2018 For the monthly buy-and-hold rule, there is start date and end date for each of the 25 months from July 2018 through July 2018. Within each month, the start date is always the first trading day of the month, and the end date is always the last trading day of the month For the conditional buy-and-hold rule, there are a variable number of months in which stocks can be bought and sold. Stocks are only bought on months when the 10-day moving average is greater than the 30-day moving average at the beginning of the month. If there is a stock purchase at the start of a month with this rule, then the close price is for the last trading day in the month Recall that the term lot refers to the collection of stock shares bought during a trade. The term lot size indicates the number of stock shares bought at one time. For evaluation in the context of this tip, the lot size for the monthly buy-and hold rule is the number of shares purchased (rounded up to the nearest 10 shares) so the average monthly price is $4,000 or slightly more. The lot size varies from one stock to the next within a month. The lot sizes computed for the monthly buy-and-hold rule are also used for the conditional buy-and-hold rule The overall buy-and-hold rule uses the monthly buy-and-hold lot size of July 2018 for its first buy. Because at the end of 25 months you sell the shares acquired in the initial purchase with the overall buy-and-hold rule, the lot size sold in July 2018 is the same as the shares bought in July 2018 The conditional buy-and-hold rule uses the monthly buy-and-hold lot sizes. The only difference is that for months in which the initial 10-day moving average is less than or equal to the initial 30-day moving average, there is no buying and selling of stock.


The table for evaluating trading rules.


This tip uses the data_for_trading_rules table to store data in a format that simplifies the computation of gains and losses on a monthly basis. The next screen shot shows the first 25 rows of the data_for_trading_rules table. Notice that all 25 rows are for the crus symbol.


The first three columns denote the symbol and time period for the rest of the data on a row The first_day and last_day columns are not strictly necessary, but they provide a way of visually confirming these dates are within the year and month for the row The Open column indicates the open price on the first trading day of the month for the row The mav_10_first_day and mav_30_day columns display the 10-day and 30-day moving average on the first trading day of the month The Close column reveals the closing price on the last trading day of the month.


All the data that you need for evaluating the monthly and conditional buy-and-hold trading rules is on one row of the data_for_trading_rules table. For example, the Close column value less the Open column value indicates the gain or loss per share for the month with the monthly buy-and-hold rule. The conditional buy-and-hold rule only uses the difference between the Close and Open column values for months in which the 10-day moving average is greater than the 30-day moving average. By summing the gain or loss for each month in which there was a trade, you can derive the gain or loss across all 25 months for which stock prices are tracked.


For the overall buy-and-hold rule, you need two rows from the data_for_trading_rules table to evaluate the gain or loss for the trading rule. The difference between the Close price for July 2018 less the Open price for July 2018 returns the gain or loss for a stock. Just as with the monthly rules, you compute this value separately for each stock.


The following script shows the T-SQL script for computing the data_for_trading_rules table. The script contains two derived table queries.


The first_day_data derived table query returns the Open price along with the 10-day and 30-day moving averages for the first trading day of each month The last_day_data derived table query returns the Close price for the last trading day of each month A sub-query within the first_day_data and last_day_data derived table queries allows the queries to return data for just the first or last day in a month from the stocks_ohlcv_with_mav_10_30 table The two derived table queries are inner joined based on SYMBOL, YEAR, and MONTH to put opening and closing prices on the same row of the data_for_trading_rules table The INTO clause just before the FROM clause in the main outer query populates the data_for_trading_rules table.


Evaluating the Trading Rules.


Three SSRS reports are provided as a model for evaluating the trading rules with the six stocks examined in this tip. The summary results do not include trading costs because commissions per trade can vary (or even be zero in some cases) depending on the broker and security in which you invest. However, if you plan on using a particular broker with a standard fee per trade, you may want to factor in a broker commission.


The first report is a top line report comparing the three trading strategies for gain versus loss on a per share basis and a lot size basis. As the screen shot below shows, all three trading strategies generated gains over the 25-month evaluation period for each of the stocks and overall. The buy-and-hold strategy edged out the buy-and-sell every month rule (overall gain of $22,964 for buy-and-hold versus $22,950 for buy-and-sell every month). The trading strategy based on the 10-day moving average versus the 30-day moving average generated the smallest gains by a substantial margin. We show why this outcome is obtained in the next couple of reports.


As you can see, there are 8 columns in the body of the top-line report. The query for the report starts with a SELECT statement that references two main derived table queries -- each of which has its own sub-queries. The listing below just shows the outer most query and references to the main derived table queries so you are not distracted by details from getting the big picture about how the report compiles data. If you wish, you can examine the complete query for the top line comparison of trading strategies report in the SSRS project available for download with this tip.


One main derived query generates summary data for the buy and hold strategy; its name is buy_and_hold_summary The other main derived table query generates summary results for the monthly buy and hold rule versus the conditional buy-and-hold rule based on moving averages.


The next screen shot presents another report with detailed results for the monthly buy-and-hold trading rule. You can use this report to examine results for any of the six stocks in the data set for this tip. The screen shot below shows results for the stock with the crus symbol.


This second report displays monthly trading gain-loss outcomes on a per share basis and a lot size basis for the symbol entered into the SYMBOL selection box. Months with a loss show their outcome in red; otherwise, the per share and per lot size outcome shows in green.


Although the preceding report shows that the gain for the crus stock was about $3,780, the following report shows a loss in 10 of the 25 months for which price data was analyzed. Furthermore, the stock loses value in 4 of the first 5 months and an additional span of three consecutive months (June 2018 through August 2018) that were analyzed. If a client invested in the crus stock exclusively during either of these periods, they could easily conclude a recommendation for crus was a bad one in spite of the fact that the stock gained over 100% over the 25-month evaluation period!


The following query shows the code for reporting monthly buy-and-hold trade outcomes. The outermost SELECT statement references two derived table queries that are inner joined. The outermost SELECT computes one result (G/L for lot size) and renames other columns from their underlying source. Also, the @SYMBOL parameter in the code's last line allows the report user to specify a stock symbol for which to show results.


The monthly_G/L_per_share derived table query returns for each month the difference between the final closing price and the initial opening price; this is the gain or loss per share for a month The shares_to_buy_sell derived table query computes the lot size for a stock, which is, in turn, used by the outermost query to help generate the gain or loss per lot for a month.


The next screen shot for this tip shows the trading outcomes when the 10-day moving average is greater than the 30-day moving average at the start of the month. The result of the rule is that trades are not made in 10 months for which the every-month rule makes a trade. Both this report and the preceding one are for the stock with a crus symbol.


There are 10 months in which the trading rule based on moving averages skips a trade for a month relative to the every-month trading rule. The trading rule based on moving averages skipped 5 losses and 1 no-change outcome. These good results from the moving average rule are counter-balanced, in part, by missed gains in 4 months. The top-line report above shows that the moving average returned over $700 less gains than the every-month rule for the crus stock. The shrinkage in gains was even greater for the remaining 5 stocks.


My take-away from these results is that the moving average rule is not sufficiently accurate about discovering when a month is likely to result in a loss versus a gain. For example, if the moving average rule was 100% accurate, trading would occur only for months in which there was a gain. More research to discover better trading rules for avoiding losses while not missing gains might result in selective trading strategies that are better than buy-and-hold or buy-and-sell every month.


The following script shows the query for the report on the moving average trading rule. This script differs from the script for the every-month rule in that it shows 10-day and 30-day moving averages and that it only presents trading outcomes for months where the initial 10-day moving average is greater than the initial 30-day moving average.


Próximos passos.


This tip presents three simple trading models implemented via T-SQL code for a selection of 6 stocks over a 25-month evaluation period. Three SSRS reports are also presented for contrasting and analyzing the trading models. The reports show that it is possible to have stocks that gain significant value over the 25-month evaluation even when selectively investing in the stocks for just some months can actually generate a loss. By sharing these results with its clients, the stock advisory firm can help clients avoid losing money on poorly timed stock trades for recommended stocks. Because all steps from downloading historical stock prices through to preparing the reports are described, the stock advisory firm can use any other set of stocks besides those covered in this tip for a report to its clients. Also, any evaluation period for which the Google Finance site has stock prices can be used for reporting the results of trading rules. Finally, additional data mining of stock price data may lead to better rules for extracting more gains from stock trading. The resource files folder for this tip include the project files for the SSIS and SSRS projects mentioned in the tip along with other scripts that you may find useful. Please be sure and review the readme. txt file in the resource solution folder before trying to reproduce any results in the tip based on the files in the resource files folder. Finally, I close by indicating that this tip is not recommending any particular stocks, including the six analyzed ones. These stocks were chosen because I had been watching them as part of my normal investing due diligence. At the time that I submitted this tip to MSSQLTips, I held positions in three stocks among the six in the tip. Download resources for this tip.


Sobre o autor.


Obrigado. I enjoyed writing the tip.


Pretty cool. Obrigado por publicar.


Aprendendo.


Pesquisa.


Mais informações.


Copyright (c) 2006-2018 Edgewood Solutions, LLC All rights reserved.


Some names and products listed are the registered trademarks of their respective owners.


QuantStart.


Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.


Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.


Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.


Por Michael Halls-Moore em 19 de abril de 2018.


Neste artigo, quero apresentar-lhe os métodos pelos quais eu próprio identifico estratégias de negociação algorítmicas rentáveis. Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas. Vou explicar como as estratégias de identificação são tanto sobre preferências pessoais quanto sobre o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para o teste, como avaliar de forma imparcial uma estratégia de negociação e, finalmente, como avançar para a fase de backtesting e implementação estratégica.


Identificando suas próprias preferências pessoais para negociação.


Para ser um comerciante bem sucedido - de forma discricionária ou algorítmica - é necessário fazer-se algumas perguntas honestas. O Trading oferece a você a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário "conhecer você mesmo" tanto quanto é necessário entender a estratégia escolhida.


Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico em particular, requer um grau significativo de disciplina, paciência e desapego emocional. Como você está deixando um algoritmo executar sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando está sendo executado. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que mostraram ser altamente rentáveis ​​em um backtest podem ser arruinadas por uma simples interferência. Compreenda que se você deseja entrar no mundo da negociação algorítmica, você será testado emocionalmente e, para ser bem-sucedido, é necessário trabalhar com essas dificuldades!


A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha a tempo parcial? Você trabalha em casa ou tem uma longa viagem diária? Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar. Para aqueles de você no emprego a tempo inteiro, uma estratégia de futuros intradiária pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal da Bloomberg), você terá claramente que ser realista sobre sua capacidade de executar com sucesso durante o escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer examinar uma estratégia mais técnica de negociação de alta freqüência (HFT).


Minha opinião é que é necessário realizar pesquisas contínuas sobre suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Assim, uma parte importante do tempo atribuído à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre uma forte rentabilidade ou um declínio lento em relação a perdas.


Você também precisa considerar seu capital de negociação. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50,000 USD (aproximadamente £ 35,000 para nós no Reino Unido). Se eu estivesse começando de novo, eu começaria com uma quantidade maior, provavelmente mais perto de 100,000 USD (aproximadamente £ 70,000). Isso ocorre porque os custos de transação podem ser extremamente caros para estratégias de média a alta freqüência e é necessário ter capital suficiente para absorvê-los em tempos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociando em um ou dois ativos, já que os custos de transação irão comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis ​​para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínima de 10.000 USD.


A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Estar bem informado em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o sistema de armazenamento de dados, o sistema de backtest e o sistema de execução de ponta a ponta. Isso tem uma série de vantagens, cujo chefe é a capacidade de estar completamente atento a todos os aspectos da infra-estrutura comercial. Também permite que você explore as estratégias de freqüência mais alta, pois você terá o controle total da sua "pilha de tecnologia". Embora isso signifique que você possa testar seu próprio software e eliminar erros, também significa mais tempo gasto na codificação de infra-estrutura e menos na implementação de estratégias, pelo menos na parte anterior da sua carreira de trading. Você pode achar que você está confortável negociando no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso no entanto, especialmente para aqueles que negociavam em alta freqüência.


Você precisa se perguntar o que você espera alcançar por meio de negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você espera obter lucros de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se negociar sem a necessidade de retirar fundos? A dependência de renda determinará a freqüência de sua estratégia. As retiradas de renda mais regulares exigirão uma estratégia de negociação de maior freqüência com menor volatilidade (ou seja, uma proporção Sharpe mais alta). Os comerciantes de longo prazo podem pagar uma frequência comercial mais tranquila.


Finalmente, não se ilude com a noção de tornar-se extremamente rico num curto espaço de tempo! O comércio de Algo não é um esquema rápido e rápido - se alguma coisa pode ser um esquema rápido e rápido. É preciso disciplina, pesquisa, diligência e paciência importantes para serem bem-sucedidos no comércio algorítmico. Pode levar meses, senão anos, gerar rentabilidade consistente.


Sourcing Algorithmic Trading Ideas.


Apesar das percepções comuns em contrário, é realmente bastante direto localizar estratégias de negociação rentáveis ​​no domínio público. Nunca as idéias comerciais estão mais disponíveis do que hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs comerciais, fóruns de negociação, revistas comerciais semanais e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias.


Nosso objetivo como pesquisadores quantitativos de negócios é estabelecer um pipeline estratégico que nos forneça um fluxo de idéias comerciais em andamento. Idealmente, queremos criar uma abordagem metódica para sourcing, avaliação e implementação de estratégias que encontramos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e fornecer-nos uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.


Devemos ser extremamente cuidadosos para não permitir influências cognitivas na nossa metodologia de tomada de decisão. Isso pode ser tão simples como ter uma preferência por uma classe de ativos sobre outra (o ouro e outros metais preciosos vêm à mente) porque são percebidos como mais exóticos. Nosso objetivo sempre deve ser encontrar estratégias consistentemente lucrativas, com expectativas positivas. A escolha da classe de ativos deve basear-se em outras considerações, como restrições de capital de negociação, taxas de corretagem e capacidades de alavancagem.


Se você não está completamente familiarizado com o conceito de estratégia comercial, então o primeiro lugar a procurar é com os livros didáticos estabelecidos. Os textos clássicos fornecem uma ampla gama de idéias mais simples e diretas, para se familiarizarem com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos para negociação quantitativa, que gradualmente se tornam mais sofisticados enquanto você trabalha através da lista:


Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart.


O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais. No entanto, uma nota de cautela: muitos blogs comerciais dependem do conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos.


Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um pouco ineficaz na comunidade de finanças quantitativas. Alguns sugeriram que não é melhor que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo! Na realidade, existem indivíduos bem-sucedidos que utilizam análises técnicas. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias "baseadas em TA" e tomar decisões baseadas em dados, em vez de basear nossas em considerações ou preconceitos emocionais.


Aqui está uma lista de bem-respeitados blogs e fóruns de negociação algorítmica:


Depois de ter tido alguma experiência na avaliação de estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem inscrições elevadas ou custos pontuais. Se você é um membro ou ex-aluno de uma universidade, você poderá obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para os servidores de pré-impressão, que são repositórios de internet de rascunhos finais de documentos acadêmicos que estão sendo submetidos a revisão pelos pares. Uma vez que estamos apenas interessados ​​em estratégias que possamos replicar com sucesso, fazer backtest e obter rentabilidade, uma revisão por pares é de menor importância para nós.


A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizadas, exigir dados históricos obscuros e dispendiosos, negociar classes de ativos ilíquidas ou não influenciar taxas, derrapagens ou propagação. Também não está claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens limitadas ou se contém perdas de parada, etc. Portanto, é absolutamente essencial replicar a estratégia o melhor que puder, fazer o backtest e adicionar uma transação realista custos que incluem tantos aspectos das classes de ativos que você deseja negociar.


Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras das quais você pode criar ideias:


E sobre como formar suas próprias estratégias quantitativas? Isso geralmente requer (mas não está limitado a) conhecimento em uma ou mais das seguintes categorias:


Microestrutura de mercado - Para estratégias de freqüência mais altas em particular, pode-se usar a microestrutura do mercado, ou seja, a compreensão da dinâmica do livro de pedidos, a fim de gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições que estão abertas à exploração através de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Os fundos de investimento em conjunto, como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos de investimento, são limitados por uma forte regulamentação e suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de valores mobiliários, eles terão que diminuí-lo para evitar "mover o mercado". Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundos. Aprendizado de máquinas / inteligência artificial - Os algoritmos de aprendizagem de máquinas tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Os classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram todos usados ​​para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um histórico nesta área, você pode ter alguma visão sobre como determinados algoritmos podem ser aplicados a certos mercados.


Há, é claro, muitas outras áreas para investigar quants. Vamos discutir como apresentar estratégias personalizadas em detalhes em um artigo posterior.


Ao continuar monitorando essas fontes em uma base semanal, ou mesmo diária, você está se preparando para receber uma lista consistente de estratégias de uma variedade diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de seu tempo e os recursos de backtesting em estratégias que provavelmente não serão lucrativas.


Avaliando Estratégias de Negociação.


A primeira consideração, e indiscutivelmente mais óbvia, é se você realmente entende a estratégia. Você poderia explicar a estratégia de forma concisa ou exigir uma série de advertências e listas de parâmetros infinitas? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar alguma lógica comportamental ou restrição da estrutura do fundo que possa estar causando o (s) padrão (s) que você está tentando explorar? Esta restrição suportaria uma mudança de regime, como uma dramática perturbação do ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série de tempo financeiro ou é específico para a classe de ativos em que se afirma ser lucrativo? Você deve constantemente pensar nesses fatores ao avaliar novos métodos comerciais, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.


Uma vez que você tenha determinado que você entende os princípios básicos da estratégia, você precisa decidir se ele se encaixa com o seu perfil de personalidade acima mencionado. Esta não é uma consideração tão vaga quanto parece! As estratégias diferirão substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução ou estão dispostos a aceitar um maior risco de retorno maior. Apesar do fato de que nós, como quants, tentamos eliminar todo o viés cognitivo possível e devemos avaliar uma estratégia de forma imparcial, os preconceitos sempre entrarão. Por isso, precisamos de um meio consistente e sem emoção para avaliar o desempenho das estratégias . Aqui está a lista de critérios que eu julgo uma nova estratégia potencial por:


Metodologia - O impulso da estratégia está baseado, o retorno médio, o mercado neutro, direcional? A estratégia baseia-se em técnicas de aprendizado estatístico ou de máquinas complexas (ou complexas) que são difíceis de entender e exigem um doutorado em estatísticas para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? A estratégia é susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros)? Sharpe Ratio - O índice de Sharpe caracteriza heuristicamente o índice de recompensa / risco da estratégia. Quantifica quanto retorno você consegue para o nível de volatilidade sofrido pela curva patrimonial. Naturalmente, precisamos determinar o período e a frequência em que esses retornos e volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de freqüência mais alta exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo geral mais curto, por exemplo. Alavancagem - A estratégia exige alavancagem significativa para ser lucrativa? A estratégia exige o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Estes contratos alavancados podem ter uma forte volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para essa volatilidade? Frequência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, à experiência tecnológica), ao índice Sharpe e ao nível geral dos custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência requerem mais capital, são mais sofisticadas e difíceis de implementar. No entanto, assumindo que seu mecanismo de teste de backtest é sofisticado e livre de erros, eles geralmente terão taxas Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A relação Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não coberta, muitas vezes leva a uma maior volatilidade na curva patrimonial e, portanto, menores índices de Sharpe. Naturalmente, suponho que a volatilidade positiva seja aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganhe / Perda, Lucro / Perda Médio - As estratégias serão diferentes nas suas ganhos / perdas e características médias de lucro / perda. Pode-se ter uma estratégia muito lucrativa, mesmo que o número de negócios perdidos exceda o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão média tendem a ter perfis opostos onde mais dos negócios são "vencedores", mas os negócios perdidos podem ser bastante graves. Drawdown máximo - A redução máxima é a maior queda percentual global na curva de equidade da estratégia. As estratégias de Momentum são bem conhecidas por sofrerem períodos de redução prolongada (devido a uma série de muitos negócios perdidos incrementais). Muitos comerciantes vão desistir em períodos de redução prolongada, mesmo que os testes históricos sugeriram que este é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de redução (e em que período de tempo) você pode aceitar antes de deixar de negociar sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / liquidez - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capital), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos maiores hedge funds sofrem de importantes problemas de capacidade à medida que suas estratégias aumentam em alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizagem de máquinas) requerem uma grande quantidade de parâmetros. Todo parâmetro adicional que uma estratégia exige deixa-o mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar segmentar estratégias com o menor número possível de parâmetros ou garantir que você tenha quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como "retorno absoluto") são medidas em relação a um benchmark de desempenho. O benchmark geralmente é um índice que caracteriza uma grande amostra da classe de ativos subjacentes em que a estratégia negocia. Se a estratégia negociar ações americanas de grande capitalização, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alfa" e "beta", aplicado a estratégias deste tipo. Vamos discutir esses coeficientes em profundidade em artigos posteriores.


Observe que não discutimos os retornos reais da estratégia. Por que é isso? De forma isolada, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são avaliadas apenas em seus retornos. Considere sempre os atributos de risco de uma estratégia antes de analisar os retornos.


Nesta fase, muitas das estratégias encontradas em seu pipeline serão rejeitadas, uma vez que não atenderão aos requisitos de capital, alavancar restrições, tolerar a tolerância máxima ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para testes anteriores. No entanto, antes disso é possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis para testar essas estratégias.


Obtenção de dados históricos.


Hoje em dia, a amplitude dos requisitos técnicos em todas as classes de ativos para o armazenamento histórico de dados é substancial. Para se manter competitivo, tanto o lado da compra (fundos) como os de venda (bancos de investimento) investem fortemente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados ​​em requisitos de tempo, precisão e armazenamento. Agora vou descrever os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente, este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, vou escrever muito mais sobre isso no futuro, já que minha experiência na indústria anterior no setor financeiro estava principalmente preocupada com aquisição, armazenamento e acesso de dados financeiros.


Na seção anterior, estabelecemos um pipeline de estratégia que nos permitiu rejeitar certas estratégias com base em nossos próprios critérios de rejeição pessoal. Nesta seção, vamos filtrar mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional varejista) são os custos dos dados, dos requisitos de armazenamento e do seu nível de experiência técnica. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.


Vamos começar discutindo os tipos de dados disponíveis e os principais problemas sobre os quais devemos pensar:


Dados fundamentais - Isso inclui dados sobre tendências macroeconômicas, como taxas de juros, índices de inflação, ações corporativas (dividendos, estoque-divisões), registros da SEC, contas corporativas, números de ganhos, relatórios de culturas, dados meteorológicos etc. Esses dados são freqüentemente usados ​​para valorizar as empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente nos sites do governo. Outros dados fundamentais históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento geralmente não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de notícias - Os dados de notícias são geralmente de natureza qualitativa. Consiste em artigos, postagens de blog, postagens de microblog ("tweets") e editoriais. As técnicas de aprendizagem de máquinas, como os classificadores, costumam ser usadas para interpretar o sentimento. Esses dados também são freqüentemente disponíveis gratuitamente ou baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais novos foram projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados do preço do recurso - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços dos ativos. As ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio se enquadram nesta classe. Os dados históricos diários são geralmente simples de obter para as classes de ativos mais simples, como ações. No entanto, uma vez que a precisão e a limpeza estão incluídas e os preconceitos estatísticos removidos, os dados podem se tornar caros. Além disso, os dados das séries temporais geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intradiários são considerados. Instrumentos Financeiros - Ações, títulos, futuros e opções derivadas mais exóticas possuem características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve ser dado um cuidado significativo à concepção e implementação de estruturas de banco de dados para vários instrumentos financeiros. Vamos discutir a situação ao longo de quando chegamos a construir um banco de dados mestre de valores mobiliários em futuros artigos. Frequência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários são frequentemente suficientes. Para estratégias de alta freqüência, pode ser necessário obter dados de nível de tiquetaque e até mesmo cópias históricas de determinados dados de cadastro de trocas comerciais. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito tecnicamente intensiva e só é adequada para aqueles que possuem uma sólida base de programação / técnica. Pontos de referência - As estratégias descritas acima serão muitas vezes comparadas a uma referência. Isso geralmente se manifesta como uma série de tempo financeiro adicional. Para as ações, isso geralmente é um benchmark de estoque nacional, como o índice S & P500 (US) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar-se com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (ou seja, a taxa de juros apropriada) também é outra referência amplamente aceita. Todas as categorias de classe de ativos possuem um benchmark favorecido, por isso será necessário pesquisar isso com base em sua estratégia específica, se desejar ganhar interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo apenas pode arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele se centra em torno de um mecanismo de banco de dados, como um Sistema de Gerenciamento de Banco de Dados Relacional (RDBMS), como MySQL, SQL Server, Oracle ou um Document Storage Engine (ou seja, "NoSQL"). Isso é acessado através do código de aplicativo "lógica comercial" que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, esta lógica de negócios está escrita em C ++, C #, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal, seja remotamente através de servidores de internet. Produtos como o Amazon Web Services tornaram isso mais simples e barato nos últimos anos, mas ainda exigirá conhecimentos técnicos significativos para alcançar de forma robusta.


Como pode ser visto, uma vez que uma estratégia tenha sido identificada através do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar que é necessário rejeitar uma estratégia baseada unicamente em considerações de dados históricos. Esta é uma grande área e equipes de doutorados trabalham em grandes fundos garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um centro de dados robusto para os seus efeitos de backtesting!


Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados para você automaticamente - a um custo. Assim, demorará muito da dor de implementação para você, e você pode se concentrar exclusivamente na implementação e otimização da estratégia. Ferramentas como a TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para fornecedores de software. Eu prefiro estratégias de freqüência mais altas devido aos seus índices de Sharpe mais atraentes, mas muitas vezes estão fortemente acoplados à pilha de tecnologia, onde a otimização avançada é crítica.


Agora que discutimos os problemas relacionados aos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de teste. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!


Apenas iniciando o comércio quantitativo?


3 razões para se inscrever para a lista de e-mails QuantStart:


1. Quant Trading Lessons.


Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!


2. Todo o conteúdo mais recente.


Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.


Real, actionable quant trading tips with no nonsense.


Trading Strategy: 52-Weeks High Effect in Stocks.


In today’s algorithmic trading having a trading edge is one of the most critical elements. É simples. If you don’t have an edge, don’t trade! Hence, as a quant, one is always on a look out for good trading ideas. One of the good resources for trading strategies that have been gaining wide popularity is the Quantpedia site. Quantpedia has thousands of financial research papers that can be utilized to create profitable trading strategies.


The “Screener” page on Quantpedia categorizes hundreds of trading strategies based on different parameters like Period, Instruments, Markets, Complexity, Performance, Drawdown, Volatility, Sharpe etc.


Quantpedia has made some of these trading strategies available for free to their users. In this article, we will explore one such trading strategy listed on their site called the “52-Weeks High Effect in Stocks”.


52-Weeks High Effect in Stocks.


The Quantpedia page for this trading strategy provides a detailed description which includes the 52-weeks high effect explanation, source research paper, other related papers, a visualization of the strategy performance and also other related trading strategies.


What is 52-Weeks High Effect?


Let us put down the lucid explanation provided on Quantpedia here –


The “52-week high effect” states that stocks with prices close to the 52-week highs have better subsequent returns than stocks with prices far from the 52 – week highs. Investors use the 52-week high as an “anchor” which they value stocks against. When stock prices are near the 52-week high, investors are unwilling to bid the price all the way to the fundamental value. As a result, investors’ under-react when stock prices approach the 52-week high, and this creates the 52-week high effect.


Papel Fonte.


The Source paper, “Industry Information and the 52-Week High Effect” has been authored by Xin Hong, Bradford D. Jordan, and Mark H. Liu.


The financial paper says that traders use the 52-week high as a reference point which they evaluate the potential impact of news against. When good news has pushed a stock’s price near or to a new 52-week high, traders are reluctant to bid the price of the stock higher even if the information warrants it. The information eventually prevails and the price moves up, resulting in a continuation. It works similarly for 52-week lows.


The trading strategy developed by the authors buys stocks in industries in which stock prices are close to 52-week highs and shorts stocks in industries in which stock prices are far from 52-week highs. They found that the industry 52-week high trading strategy is more profitable than the individual 52-week high trading strategy proposed by George and Hwang (2004).


Framing our 52-Weeks High Effect Strategy using R programming.


Having understood the 52-weeks High Effect, we will try to backtest a simple trading strategy using R programming. Please note that we are not trying to replicate the exact trading strategy developed by the authors in their research paper.


We test our trading strategy for a 3-year backtest period using daily data on around 140 stocks listed on the National Stock Exchange of India Ltd. (NSE).


Brief about the strategy – The trading strategy reads the daily historical data for each stock in the list and checks if the price of the stock is near its 52-week high at the start of each month. We have shown how to check for this condition in step 4 of the trading strategy formulation process illustrated below. For all the stocks that pass this condition, we form an equal weighted portfolio for that month. We take a long position in these stocks at the start of the month and square off our position at the start of the next month. We follow this process for every month of our backtest period. Finally, we compute and chart the performance metrics of our trading strategy.


Now, let us understand the process of trading strategy formulation in a step-by-step manner. For reference, we have posted the R code snippets of relevant sections of the trading strategy under its respective step.


Step 1: First, we set the backtest period, and the upper and lower thresholds values for determining whether a stock is near its 52-week high.


Step 2: In this step, we read the historical stock data using the read. csv function from R. We are using the data from Google finance and it consists of the Open/High/Low/Close (OHLC) & Volume values.


Step 3: Since we are using the daily data we need to determine the start date of each month. The start date need not necessarily be the 1 st of every month because the 1 st can be a weekend or a holiday for the stock exchange. Hence, we write an R code which will determine the first date of each month.


Step 4: Check if the stock is near the 52-week high mark. In this part, we first compute the 52-week high price for each stock. We then compute the upper and the lower thresholds using the 52-week high price.


If the lower threshold = 0.90, upper threshold = 0.95 and the 52-week high = 1200, then the threshold range is given by:


Threshold range = (0.90 * 1200) – (0.95 * 1200)


Threshold range = 1080 to 1140.


If the stock price at the start of the month falls in this range, we then consider the stock to be near its 52-week high mark. We have also included one additional condition in the step. This condition checks whether the stock price in the past 30 days had reached the current 52-week high price and whether it is within the threshold range now. Such a stock will not be included in our portfolio as we assume that the stock price is in decline after reaching today’s 52-week high price.


Step 5: For all the stocks that fulfill the criteria mentioned in the step above, we create a long-only portfolio. The entry price equals the price at the start of the month. We square off our long position at the start of the next month. We consider the close price of the stock for our entry and exit trades.


Step 6: In this step, we write an R code which creates a summary sheet of all the trades for each month in the backtest period. A sample summary sheet has been shown below. It also includes the Profit/Loss from every trade undertaken during the month.


Step 7: In the final step, we compute the portfolio performance over the entire backtest period and also plot the equity curve using the PerformanceAnalytics package in R. The portfolio performance is saved in a CSV file.


A sample summary of the portfolio performance has been shown below. In this case, the input parameters to our trading strategy were as follows:


Plotting the Equity Curve.


As can be observed from the equity curve, our trading strategy performed well during the initial period and then suffered drawdowns in the middle of the backtest period. The Sharpe ratio for the trading strategy comes to 0.4098.


This was a simple trading strategy that we developed using the 52-week high effect explanation. One can tweak this trading strategy further to improve its performance and make it more robust or try it out on different markets.


You can explore other trading strategies listed on the Quantpedia site under their screener page and if interested you can sign up to get access to hundreds of exciting trading strategies.


Se você quiser aprender vários aspectos da negociação algorítmica, consulte nosso Programa Executivo em Negociação Algorítmica (EPAT ™). O curso abrange módulos de treinamento como Statistics & amp; Econometria, Computação Financeira e Tecnologia e Algorítmica e Negociação quantitativa. EPAT ™ foi projetado para equipá-lo com os conjuntos de habilidades adequados para ser um comerciante bem sucedido. Inscreva-se agora!

Comments