Python for Finance - برنامج تعليمي للتداول الخوارزمي للمبتدئين

أصبحت التكنولوجيا أحد الأصول في التمويل. تتطور المؤسسات المالية الآن إلى شركات تقنية بدلاً من مجرد البقاء مشغولاً بالجوانب المالية للمجال.

الخوارزميات الرياضية تحقق الابتكار والسرعة. يمكنهم مساعدتنا في الحصول على ميزة تنافسية في السوق.

جذبت سرعة وتواتر المعاملات المالية ، إلى جانب أحجام البيانات الكبيرة ، الكثير من الاهتمام نحو التكنولوجيا من جميع المؤسسات المالية الكبرى.

التداول الحسابي أو الكمي هو عملية تصميم وتطوير استراتيجيات التداول بناءً على التحليلات الرياضية والإحصائية. إنه مجال متطور للغاية للتمويل.

هذا البرنامج التعليمي بمثابة دليل المبتدئين للتداول الكمي مع بايثون. ستجد هذا المنشور مفيدًا جدًا إذا كنت:

  1. طالب أو شخص ما يهدف إلى أن يصبح محلل كمي (كمي) في صندوق أو بنك.
  2. شخص يخطط لبدء أعمال تجارية كمية خاصة به.

سنتناول الموضوعات التالية في هذا المنشور:

  • أساسيات الأسهم والتداول
  • استخراج البيانات من Quandl API
  • تحليل البيانات الاستكشافية على بيانات تسعير الأسهم
  • المتوسطات المتحركة
  • صياغة إستراتيجية تداول مع بايثون
  • تصور أداء الاستراتيجية

قبل أن نتعمق في تفاصيل وديناميكيات بيانات تسعير الأسهم ، يجب علينا أولاً فهم أساسيات التمويل. إذا كنت شخصًا على دراية بالتمويل وكيفية عمل التداول ، فيمكنك تخطي هذا القسم والنقر هنا للانتقال إلى القسم التالي.

ما هي الأسهم؟ ما هو تداول الأسهم؟

مخازن

السهم هو تمثيل لحصة في ملكية الشركة ، والتي يتم إصدارها بمبلغ معين. إنه نوع من الضمان المالي الذي يثبت مطالبتك بأصول الشركة وأدائها.

تقوم منظمة أو شركة بإصدار الأسهم لجمع المزيد من الأموال / رأس المال من أجل التوسع والمشاركة في المزيد من المشاريع. ثم تصبح هذه الأسهم متاحة للجمهور ويتم بيعها وشراؤها.

تداول الأسهم واستراتيجية التداول

تسمى عملية شراء وبيع الأسهم الحالية والمصدرة سابقًا تداول الأسهم. هناك سعر يمكن عنده شراء الأسهم وبيعها ، ويستمر هذا في التذبذب حسب الطلب والعرض في سوق الأسهم.

اعتمادًا على أداء الشركة وإجراءاتها ، قد تتحرك أسعار الأسهم صعودًا وهبوطًا ، لكن حركة سعر السهم لا تقتصر على أداء الشركة.

يدفع المتداولون الأموال مقابل الملكية داخل الشركة ، على أمل إجراء بعض الصفقات المربحة وبيع الأسهم بسعر أعلى.

تقنية أخرى مهمة يتبعها التجار هي البيع على المكشوف. يتضمن ذلك اقتراض الأسهم وبيعها على الفور على أمل شرائها لاحقًا بسعر أقل ، وإعادتها إلى المقرض ، وعمل الهامش.

لذلك ، يتبع معظم المتداولين خطة ونموذجًا للتداول. يُعرف هذا باسم إستراتيجية التداول.

يقوم المتداولون الكميون في صناديق التحوط والبنوك الاستثمارية بتصميم وتطوير استراتيجيات وأطر التداول هذه لاختبارها. يتطلب خبرة برمجة عميقة وفهمًا للغات اللازمة لبناء إستراتيجيتك الخاصة.

Python هي واحدة من أشهر لغات البرمجة المستخدمة ، من بين أمثال C ++ و Java و R و MATLAB. يتم اعتماده على نطاق واسع في جميع المجالات ، لا سيما في علم البيانات ، نظرًا لسهولة تركيبه ومجتمعه الضخم ودعم الجهات الخارجية.

ستحتاج إلى الإلمام ببايثون والإحصاءات من أجل تحقيق أقصى استفادة من هذا البرنامج التعليمي. تأكد من صقل لغة بايثون الخاصة بك وتحقق من أساسيات الإحصاء.

استخراج البيانات من Quandl API

من أجل استخراج بيانات تسعير الأسهم ، سنستخدم Quandl API. لكن قبل ذلك ، دعونا نهيئ بيئة العمل. إليك الطريقة:

  1. في جهازك الطرفي ، قم بإنشاء دليل جديد للمشروع (قم بتسميته كما تريد):
mkdir 
  1. تأكد من تثبيت Python 3 و virtualenv على جهازك.
  2. قم بإنشاء Python 3 virtualenv جديدة باستخدام virtualenv وتفعيلها باستخدام source /bin/activate.
  3. الآن ، قم بتثبيت دفتر jupyter باستخدام نقطة ، واكتب في pip install jupyter-notebookالجهاز.
  4. وبالمثل، تثبيت pandas، quandlو numpyحزم.
  5. تشغيل الخاص بك jupyter-notebookمن المحطة.

الآن ، يجب أن يعمل الكمبيوتر الدفتري الخاص بك على مضيف محلي مثل لقطة الشاشة أدناه:

يمكنك إنشاء دفتر ملاحظاتك الأول بالنقر فوق Newالقائمة المنسدلة الموجودة على اليمين. تأكد من أنك قمت بإنشاء حساب على Quandl. اتبع الخطوات المذكورة هنا لإنشاء مفتاح API الخاص بك.

بمجرد الانتهاء من الإعداد ، دعنا نتعمق في:

# importing required packages
import pandas as pd import quandl as q

ستكون Pandas الحزمة الأكثر استخدامًا في هذا البرنامج التعليمي لأننا سنقوم بالكثير من معالجة البيانات والتخطيط.

بعد استيراد الحزم ، سنقوم بتقديم طلبات إلى Quandl API باستخدام حزمة Quandl:

# set the API key q.ApiConfig.api_key = "”
#send a get request to query Microsoft's end of day stock prices from 1st #Jan, 2010 to 1st Jan, 2019 msft_data = q.get("EOD/MSFT", start_date="2010-01-01", end_date="2019-01-01")
# look at the first 5 rows of the dataframe msft_data.head()

هنا لدينا بيانات تسعير مخزون Microsoft EOD لآخر 9 سنوات. كل ما عليك فعله هو استدعاء getالطريقة من حزمة Quandl وتقديم رمز المخزون ، MSFT ، والإطار الزمني للبيانات التي تحتاجها.

كان هذا حقًا بسيطًا ، أليس كذلك؟ دعنا نمضي قدمًا لفهم واستكشاف هذه البيانات بشكل أكبر.

تحليل البيانات الاستكشافية على بيانات تسعير المخزون

مع وجود البيانات في أيدينا ، فإن أول شيء يجب علينا فعله هو فهم ما تمثله ونوع المعلومات التي تحتويها.

طباعة معلومات DataFrame ، يمكننا رؤية كل ما يحتويه:

كما هو موضح في لقطة الشاشة أعلاه ، يحتوي DataFrame على DatetimeIndex ، مما يعني أننا نتعامل مع بيانات السلاسل الزمنية.

An index can be thought of as a data structure that helps us modify or reference the data. Time-series data is a sequence of snapshots of prices taken at consecutive, equally spaced intervals of time.

In trading, EOD stock pricing data captures the movement of certain parameters about a stock, such as the stock price, over a specified period of time with data points recorded at regular intervals.

Important Terminology

Looking at other columns, let’s try to understand what each column represents:

  • Open/Close — Captures the opening/closing price of the stock
  • Adj_Open/Adj_Close — An adjusted opening/closing price is a stock’s price on any given day of trading that has been revised to include any dividend distributions, stock splits, and other corporate actions that occurred at any time before the next day’s open.
  • Volume — It records the number of shares that are being traded on any given day of trading.
  • High/Low — It tracks the highest and the lowest price of the stock during a particular day of trading.

These are the important columns that we will focus on at this point in time.

We can learn about the summary statistics of the data, which shows us the number of rows, mean, max, standard deviations, and so on. Try running the following line of code in the Ipython cell:

msft_data.describe()

resample()

Pandas’ resample() method is used to facilitate control and flexibility on the frequency conversion of the time series data. We can specify the time intervals to resample the data to monthly, quarterly, or yearly, and perform the required operation over it.

msft_data.resample('M').mean()

This is an interesting way to analyze stock performance in different timeframes.

Calculating returns

العائد المالي هو ببساطة الأموال المكتسبة أو المفقودة من الاستثمار. يمكن التعبير عن العائد اسميًا كتغيير في مبلغ الاستثمار بمرور الوقت. يمكن حسابها كنسبة مئوية مشتقة من نسبة الربح إلى الاستثمار.

لدينا pct_change () تحت تصرفنا لهذا الغرض. إليك كيف يمكنك حساب العوائد:

# Import numpy package import numpy as np
# assign `Adj Close` to `daily_close` daily_close = msft_data[['Adj_Close']]
# returns as fractional change daily_return = daily_close.pct_change()
# replacing NA values with 0 daily_return.fillna(0, inplace=True)
print(daily_return)

سيؤدي هذا إلى طباعة المرتجعات التي كان المخزون يولدها على أساس يومي. سيمنحك ضرب الرقم في 100 النسبة المئوية للتغيير.

الصيغة المستخدمة في pct_change () هي:

العائد = {(السعر عند t) - (السعر عند t-1)} / {السعر عند t-1}

الآن ، لحساب العوائد الشهرية ، كل ما عليك فعله هو:

mdata = msft_data.resample('M').apply(lambda x: x[-1]) monthly_return = mdata.pct_change()

بعد إعادة تشكيل البيانات إلى أشهر (لأيام العمل) ، يمكننا الحصول على آخر يوم تداول في الشهر باستخدام apply()الوظيفة.

apply() takes in a function and applies it to each and every row of the Pandas series. The lambda function is an anonymous function in Python which can be defined without a name, and only takes expressions in the following format:

Lambda: expression

For example, lambda x: x * 2 is a lambda function. Here, x is the argument and x * 2 is the expression that gets evaluated and returned.

Moving Averages in Trading

The concept of moving averages is going to build the base for our momentum-based trading strategy.

In finance, analysts often have to evaluate statistical metrics continually over a sliding window of time, which is called moving window calculations.

Let’s see how we can calculate the rolling mean over a window of 50 days, and slide the window by 1 day.

rolling()

This is the magical function which does the tricks for us:

# assigning adjusted closing prices to adj_pricesadj_price = msft_data['Adj_Close']
# calculate the moving average mav = adj_price.rolling(window=50).mean()
# print the resultprint(mav[-10:])

You’ll see the rolling mean over a window of 50 days (approx. 2 months). Moving averages help smooth out any fluctuations or spikes in the data, and give you a smoother curve for the performance of the company.

We can plot and see the difference:

# import the matplotlib package to see the plot import matplotlib.pyplot as plt adj_price.plot()

You can now plot the rolling mean():

mav.plot()

And you can see the difference for yourself, how the spikes in the data are consumed to give a general sentiment around the performance of the stock.

Formulating a Trading Strategy

Here comes the final and most interesting part: designing and making the trading strategy. This will be a step-by-step guide to developing a momentum-based Simple Moving Average Crossover (SMAC) strategy.

Momentum-based strategies are based on a technical indicator that capitalizes on the continuance of the market trend. We purchase securities that show an upwards trend and short-sell securities which show a downward trend.

The SMAC strategy is a well-known schematic momentum strategy. It is a long-only strategy. Momentum, here, is the total return of stock including the dividends over the last n months. This period of n months is called the lookback period.

There are 3 main types of lookback periods: short term, intermediate-term, and long term. We need to define 2 different lookback periods of a particular time series.

A buy signal is generated when the shorter lookback rolling mean (or moving average) overshoots the longer lookback moving average. A sell signal occurs when the shorter lookback moving average dips below the longer moving average.

Now, let’s see how the code for this strategy will look:

# step1: initialize the short and long lookback periods short_lb = 50long_lb = 120
# step2: initialize a new DataFrame called signal_df with a signal column signal_df = pd.DataFrame(index=msft_data.index)signal_df['signal'] = 0.0
# step3: create a short simple moving average over the short lookback period signal_df['short_mav'] = msft_data['Adj_Close'].rolling(window=short_lb, min_periods=1, center=False).mean()
# step4: create long simple moving average over the long lookback period signal_df['long_mav'] = msft_data['Adj_Close'].rolling(window=long_lb, min_periods=1, center=False).mean()
# step5: generate the signals based on the conditional statement signal_df['signal'][short_lb:] = np.where(signal_df['short_mav'][short_lb:] > signal_df['long_mav'][short_lb:], 1.0, 0.0) 
# step6: create the trading orders based on the positions column signal_df['positions'] = signal_df['signal'].diff()signal_df[signal_df['positions'] == -1.0]

Let’s see what’s happening here. We have created 2 lookback periods. The short lookback period short_lb is 50 days, and the longer lookback period for the long moving average is defined as a long_lb of 120 days.

We have created a new DataFrame which is designed to capture the signals. These signals are being generated whenever the short moving average crosses the long moving average using the np.where. It assigns 1.0 for true and 0.0 if the condition comes out to be false.

The positions columns in the DataFrame tells us if there is a buy signal or a sell signal, or to stay put. We're basically calculating the difference in the signals column from the previous row using diff.

And there we have our strategy implemented in just 6 steps using Pandas. Easy, wasn't it?

Now, let’s try to visualize this using Matplotlib. All we need to do is initialize a plot figure, add the adjusted closing prices, short, and long moving averages to the plot, and then plot the buy and sell signals using the positions column in the signal_df above:

# initialize the plot using plt fig = plt.figure()
# Add a subplot and label for y-axis plt1 = fig.add_subplot(111, ylabel="Price in $")
msft_data['Adj_Close'].plot(ax=plt1,, lw=2.)
# plot the short and long lookback moving averages signal_df[['short_mav', 'long_mav']].plot(ax=plt1, lw=2., figsize=(12,8))
# plotting the sell signals plt1.plot(signal_df.loc[signal_df.positions == -1.0].index, signal_df.short_mav[signal_df.positions == -1.0],'v', markersize=10,)
# plotting the buy signals plt1.plot(signal_df.loc[signal_df.positions == 1.0].index, signal_df.short_mav[signal_df.positions == 1.0], '^', markersize=10,) # Show the plotplt.show()

Running the above cell in the Jupyter notebook would yield a plot like the one below:

Now, you can clearly see that whenever the blue line (short moving average) goes up and beyond the orange line (long moving average), there is a pink upward marker indicating a buy signal.

A sell signal is denoted by a black downward marker where there’s a fall of the short_mav below long_mav.

Visualize the Performance of the Strategy on Quantopian

Quantopian is a Zipline-powered platform that has manifold use cases. You can write your own algorithms, access free data, backtest your strategy, contribute to the community, and collaborate with Quantopian if you need capital.

We have written an algorithm to backtest our SMA strategy, and here are the results:

Here is an explanation of the above metrics:

  • Total return: The total percentage return of the portfolio from the start to the end of the backtest.
  • Specific return: The difference between the portfolio’s total returns and common returns.
  • Common return: Returns that are attributable to common risk factors. There are 11 sector and 5 style risk factors that make up these returns. The Sector Exposure and Style Exposure charts in the Risk section provide more detail on these factors.
  • Sharpe: The 6-month rolling Sharpe ratio. It is a measure of risk-adjusted investment. It is calculated by dividing the portfolio’s excess returns over the risk-free rate by the portfolio’s standard deviation.
  • Max Drawdown: The largest drop of all the peak-to-trough movement in the portfolio’s history.
  • Volatility: Standard deviation of the portfolio’s returns.

Pat yourself on the back as you have successfully implemented your quantitative trading strategy!

Where to go From Here?

Now that your algorithm is ready, you’ll need to backtest the results and assess the metrics mapping the risk involved in the strategy and the stock. Again, you can use BlueShift and Quantopian to learn more about backtesting and trading strategies.

Further Resources

Quantra is a brainchild of QuantInsti. With a range of free and paid courses by experts in the field, Quantra offers a thorough guide on a bunch of basic and advanced trading strategies.

  • Data Science Course — They have rolled out an introductory course on Data Science that helps you build a strong foundation for projects in Data Science.
  • Trading Courses for Beginners — From momentum trading to machine and deep learning-based trading strategies, researchers in the trading world like Dr. Ernest P. Chan are the authors of these niche courses.

Free Resources

To learn more about trading algorithms, check out these blogs:

  • Quantstart — they cover a wide range of backtesting algorithms, beginner guides, and more.
  • Investopedia — everything you want to know about investment and finance.
  • Quantivity — detailed mathematical explanations of algorithms and their pros and cons.

Warren Buffet says he reads about 500 pages a day, which should tell you that reading is essential in order to succeed in the field of finance.

Embark upon this journey of trading and you can lead a life full of excitement, passion, and mathematics.

Data Science with Harshit

With this channel, I am planning to roll out a couple of series covering the entire data science space. Here is why you should be subscribing to the channel:

  • ستغطي هذه السلسلة جميع البرامج التعليمية عالية الجودة المطلوبة / المطلوبة حول كل موضوع وموضوعات فرعية مثل أساسيات Python لعلوم البيانات.
  • شرح الرياضيات ومشتقات لماذا نفعل ما نفعله في ML والتعلم العميق.
  • المدونة الصوتية مع علماء البيانات والمهندسين في Google و Microsoft و Amazon وغيرها ، والرؤساء التنفيذيين للشركات التي تعتمد على البيانات الضخمة.
  • مشاريع وتعليمات تنفيذ الموضوعات التي تم تعلمها حتى الآن. تعرف على الشهادات الجديدة ومعسكر التدريب والموارد اللازمة لاختراق تلك الشهادات مثل اختبار شهادة مطور TensorFlow هذا من Google.

علاوة على ذلك ، يمكنك التواصل معي على Twitter أو LinkedIn.