استراتژی تجارت تجزیه و تحلیل احساسات از طریق داده های Sentdex در QStrader
استراتژی تجارت تجزیه و تحلیل احساسات از طریق داده های Sentdex در QStrader
علاوه بر ترفندهای "معمول" داوری آماری ، روند پیروی از روند و تجزیه و تحلیل اساسی ، بسیاری از مغازه های کمی (و خرده فروشی!) برای ساختن استراتژی های سیستماتیک در تکنیک های پردازش زبان طبیعی (NLP) شرکت می کنند. چنین تکنیک هایی تحت پرچم تجزیه و تحلیل احساسات قرار می گیرند.
در این مقاله گروهی از استراتژی های تجاری کمی تهیه می شود که از مجموعه ای از سیگنال های احساساتی تولید شده از API فروشنده استفاده می کنند. این سیگنال ها مقیاس عدد صحیح را ا ز-3 ("قوی ترین احساسات منفی") تا +6 ("قوی ترین احساسات مثبت") ، همراه با یک تاریخ و نماد تیک ارائه می دهند ، که می تواند به عنوان آستانه ورود و خروج در یک رویداد استفاده شودشبیه سازی پشتی رانده شده.
یک چالش اساسی در توسعه چنین سیستمی ، ادغام رویدادهای نمایانگر احساسات است ، همانطور که در یک پرونده CSV از ردیف های "DateTime-Ticker-Sentiment" ذخیره شده است ، در یک سیستم معاملاتی محور که معمولاً برای تجارت مستقیم داده های قیمت گذاری طراحی شده است. واد
این مقاله با بحث مختصری در مورد چگونگی انجام تجزیه و تحلیل احساسات ، به همراه خلاصه ای از ماهیت API های فروشنده و پرونده های نمونه آغاز می شود. این مقاله با بحث در مورد چگونگی اضافه شدن عملکرد احساسات به تازگی به QStrader ، از جمله کد پایتون مرتبط ادامه خواهد یافت. این نتیجه با ارائه نتایج سه پشتی جداگانه از استراتژی احساسات اعمال شده برای سهام S& P500 در بخش های فناوری ، دفاعی و انرژی انجام می شود.
تجزیه و تحلیل احساسات
هدف از تجزیه و تحلیل احساسات ، به طور کلی ، گرفتن مقادیر زیادی از داده های "بدون ساختار" (مانند پست های وبلاگ ، مقالات روزنامه ، گزارش های تحقیقاتی ، توییت ها ، فیلم ها ، تصاویر و غیره) و استفاده از تکنیک های NLP برای تعیین کمیت "احساسات" مثبت یا منفی در مورددارایی های خاص
برای سهام به ویژه این امر اغلب به تجزیه و تحلیل یادگیری ماشین آماری از زبان مورد استفاده و اینکه آیا حاوی عبارات صعودی یا نزولی است ، می باشد. این عبارت را می توان از نظر قدرت احساسات اندازه گیری کرد ، که به مقادیر عددی تبدیل می شود. غالباً این بدان معناست که مقادیر مثبت منعکس کننده احساسات صعودی و مقادیر منفی نشان دهنده احساسات نزولی است.
در سالهای اخیر رشد مداوم فروشندگان تجزیه و تحلیل احساسات ، از جمله Sentdex ، Psychsignal و Accern وجود داشته است. همه از تکنیک های اختصاصی برای شناسایی "نهادها" در داده های جایگزین استفاده می کنند و سپس نمره احساسات زمانی را با هرگونه اطلاعات استخراج شده مرتبط می کنند. این اطلاعات پس از آن می تواند در طی یک دوره زمانی (مانند یک روز) جمع شود ، به منظور تولید Tuples تاریخچه تاریخ. چنین تولهایی اساس سیگنال تجاری را تشکیل می دهند.
وظیفه واقعی گرفتن مقادیر زیادی "داده های بزرگ" و تعیین اندازه گیری احساسات فراتر از محدوده این مقاله خاص است. یک ابزار تجزیه و تحلیل احساساتی آماده تولید نهایی یک کار بزرگ مهندسی نرم افزار است. از این رو برای معامله گران خرده فروشی ، بدست آوردن سیگنال های فروشنده و استفاده از آنها به عنوان بخشی از یک نمونه کارها وسیع تر از سیگنال های کمی برای تشکیل یک استراتژی عملی است.
در این مقاله یک استراتژی معاملاتی مبتنی بر داده های احساسات یک فروشنده خاص ، یعنی Sentdex ، و چگونگی ایجاد یک استراتژی اساسی فقط در اطراف آن ، شرح داده شده است.
API Sentdex و پرونده نمونه
Sentdex یک API را فراهم می کند که امکان بارگیری داده های احساسات خود را برای طیف گسترده ای از ابزارهای مالی فراهم می کند. داده ها در یک دقیقه یا یک روز دانه در دسترس است. جزئیات بیشتر در مورد پیشنهاد (پرداخت شده) آنها را می توان در صفحه API آنها یافت.
API در این مقاله مورد بحث قرار نمی گیرد زیرا این یک محصول پولی است و بیشتر به عنوان یک تجارت کاغذ یا تولید کننده رویداد پخش مستقیم است. از آنجا که این مقاله به استراتژی های پشتی در داده های تاریخی مربوط می شود ، استفاده از یک پرونده استاتیک و محلی برای ارائه داده های احساسات مناسب تر است.
به طرز غافلگیرانه ، Sentdex یک پرونده داده نمونه (که می توان در اینجا یافت) ارائه می دهد که حاوی تقریباً پنج سال سیگنال های احساساتی ، در وضوح روزانه ، برای بسیاری از ترکیبات S& P500 است.
قطعه ای از پرونده در زیر ارائه شده است:
مشاهده می شود که هر ردیف شامل یک تاریخ ، یک نماد تیک و سپس یک عدد صحیح است که نشان دهنده قدرت احساسات ، بین +6 ("احساسات مثبت قوی") و-3 ("احساسات منفی قوی") است.
این پرونده نمونه اساس داده های احساسات را که در سه شبیه سازی جداگانه انجام شده در این مقاله استفاده می شود ، تشکیل می دهد.
استراتژی تجارت
پیچیدگی این اجرای عمدتاً از تنظیمات به Qstrader ناشی می شود ، نه خود استراتژی ، که پس از تولید سیگنال احساسات کاملاً ساده است. این استراتژی عمداً ساده نگه داشته شده است و دامنه زیادی برای اصلاح و بهینه سازی وجود دارد که موضوع مقالات بعدی خواهد بود.
این استراتژی در این اجرای فقط طولانی است اما به راحتی اصلاح می شود تا موقعیت های کوتاه را شامل شود. آستانه های ورود و خروج مشخص می شود که به ترتیب برای تولید موقعیت های طولانی و بستن آنها به ترتیب استفاده می شود.
سه استراتژی ارائه شده است که همه به استثنای انتخاب سهام که در آن کار می کنند یکسان هستند. لیست سهام به شرح زیر است:
- فناوری - MSFT ، AMZN ، GOOG ، IBM ، AAPL
- انرژی - xom ، cvx ، slb ، oxy ، cop
- دفاع - BA ، GD ، NOC ، LMT ، RTN
قوانین استراتژی به شرح زیر است:
- اگر مقدار احساسات آن به +6 برسد ، یک تیک بلند است
- اگر مقدار احساسات آن ب ه-1 رسید ، موقعیت تیک را ببندید
هیچ تخصیص درصد به هر سهام وجود ندارد ، در عوض از مقدار ثابت سهام برای هر یک در طول استراتژی استفاده می شود. این مقدار ثابت برای هر یک از سه بخش فوق اصلاح شده است.
یک اصلاح آشکار ایجاد یک سرمایه گذاری با وزن دلار است که بطور پویا تخصیص را بر اساس اندازه حساب تنظیم می کند. با این حال ، در این مقاله اندازه گیری موقعیت برای سهولت در درک نسل اصلی رویداد احساسات ساده نگه داشته می شود.
برای انجام این استراتژی لازم است که روزانه داده های قیمت گذاری OHLCV را برای سهام در دوره تحت پوشش این پشتی ها داشته باشید. در این مقاله سه شبیه سازی جداگانه انجام شده است که هر یک شامل گروهی از پنج سهام از S& P500 است. گروه اول شامل سهام اصلی فناوری/مصرف کننده است:
تیک زدن | نام | عادت زنانه | ارتباط دادن |
---|---|---|---|
msft | مایکروسافت | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
amzn | amazon. com | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
گوز | الفبا | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
AAPL | سیب | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
IBM | ماشین های تجاری بین المللی | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
گروه دوم شامل مجموعه ای از سهام دفاعی ، همچنین از S& P500 است:
تیک زدن | نام | عادت زنانه | ارتباط دادن |
---|---|---|---|
BA | شرکت بوئینگ | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
LMT | لاکهید مارتین | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
شبانه روزی | نورتروپ گروممن | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
GD | پویایی عمومی | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
RTN | ریتون | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
مجموعه نهایی تیکت ها از سهام انرژی ، بار دیگر از S& P500 تشکیل شده است:
تیک زدن | نام | عادت زنانه | ارتباط دادن |
---|---|---|---|
XOM | Exxon Mobil | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
CVX | مجلل | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
SLB | چلبرگر | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
اکسی | نفتی | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
پلیس | مروارید | 15 اکتبر 2012 - 2 فوریه 2016 | امور مالی یاهو |
در صورت تمایل به تکرار نتایج ، این داده ها باید در فهرست مشخص شده توسط پرونده تنظیمات QStrader قرار دهند.
علاوه بر این ، پرونده نمونه Sentdex API نیاز به قرار دادن در همان فهرست داده های QStrader خواهد داشت.
اجرای پایتون
دست زدن به احساسات با Qstrader
برای پشت سر گذاشتن استراتژی های مبتنی بر احساسات ، لازم است ابتدا در نظر بگیریم که چگونه "سیگنال ها" احساسات در پشتی قرار می گیرند.
مدل فعلی QStrader برای پشتوانه این است که کد انشعاب پاسخگویی به رویداد را در یک حلقه بزرگ قرار دهید که در تمام اشیاء Tickevent یا Barevent تکرار می شود. هر مجموعه ای از داده های تاریخی ذخیره شده در یک پایگاه داده یا پرونده های CSV Ticker جداگانه ، به صورت خط به خط هماهنگ شده و تکرار می شود ، با هر ردیف در Pandas Dataframe بعدی که یک تیکونت یا لخت در هر تیک تشکیل می شود.
کد قبلی برای انجام این کار به شرح زیر بود:
این کد تا زمانی که پشتی تمام شود ، به حلقه ادامه می یابد (این توسط شیء PriceHandler تعیین می شود). این تلاش می کند تا آخرین رویداد را از صف بیرون بکشد و آن را به شیء صحیح رویداد رویداد اعزام کند.
با این حال ، چالش در اینجا این است که سیگنال های Sentiment Sentiment که قبلاً ذکر شده است ، پرونده CSV نیز حاوی سیگنال های احساسات زمانی است. از این رو لازم است که سیگنال احساسات مناسب را برای یک تیکت خاص در نقطه زمانی صحیح در پشتی تزریق کنیم.
این امر با ایجاد یک رویداد جدید به نام SentimentEvent حاصل شده است. این یک جدول زمانی ، یک تیک و یک مقدار احساسات (که می تواند یک مقدار شناور نقطه ، عدد صحیح یا یک رشته باشد) ذخیره می کند که برای تولید Signalevent به شیء استراتژی ارسال می شود. کد QStrader برای SentimentEvent به شرح زیر است:
یک سلسله مراتب شیء اضافی به نام AbstractSentimenthandler نیز ایجاد شده است. این اجازه می دهد تا زیر طبقه بندی اشیاء کنترل کننده احساسات برای API های مختلف فروشنده ، همه از طریق یک رابط مشترک به اشتراک گذاشته شود. از آنجا که شاخص های احساسات تقریباً همیشه "Timestamp-Ticker-Sentiment" هستند ، ایجاد یک رابط یکپارچه مفید است.
برای رسیدگی به پرونده CSV نمونه Sentdex ، یک شیء sentdexsentimenthandler به QStrader نوشته شده است. همانطور که در بیشتر دستگیرندگان به صف رویدادها نیاز دارد ، زیر مجموعه ای از تیکرها برای عمل و همچنین تاریخ شروع و پایان کار می کنند:
دو روش مرتبط با این کلاس وجود دارد. اولین مورد _open_sentiment_csv است. این افتتاح CSV را به درون یک Pandas Dataframe به همراه تیکت های مرتبط و فیلتر تاریخ بسته می کند:
مورد دوم stream_next است که برای "جریان" سیگنال احساسات بعدی در صف رویدادها استفاده می شود. از آنجا که پرونده Sentdex CSV در همان تاریخ حاوی چندین تیک است ، لازم است یک جریان_دیت را مشخص کنید تا تعصب نگاه معرفی نشود. یعنی ، این رویداد هرگز نباید با نگاه کردن به پرونده CSV ، سیگنال احساساتی را که در آینده "ایجاد می شود ، ببیند.
از نظر مهم ، این روش در واقع چندین اشیاء SentimentEvent را که تمام مواردی هستند که در یک روز خاص تولید می شوند ، خروجی می کند:
اصلاح نهایی در پایگاه کد QStrader در شیء Backtest است. این شامل اصلاح توزیع کننده رویداد برای رسیدگی به اشیاء SentimentEvent است که باید به یک شیء استراتژی مناسب اعزام شوند.
به طور خاص ، در این رویداد برای رویدادهای تیک یا بار ، چند خط اضافی اضافه شده است. اولین مورد از این چک ها که آیا این یک استراتژی است که شامل یک احساساتی است یا خیر. اگر این کار را انجام دهد ، پس از آن همه اشیاء SentimentEvent برای یک روز خاص ، که در پرونده Sentdex Sentiment ارجاع شده اند ، ایجاد می شوند.
علاوه بر این ، کنترل کننده رویداد چنین رویدادهایی به شیء استراتژی ارسال می شود ، که سپس برای تولید سیگنال به آنها عمل می کند:
این نتیجه گیری در Qstrader است. این تغییرات اکنون در آخرین نسخه موجود در GitHub است ، بنابراین اگر می خواهید این استراتژی ها را تکرار کنید ، حتماً نسخه محلی QStrader خود را در آخرین نسخه به روز کنید.
کد استراتژی تحلیل احساسات
لیست کامل کد برای این استراتژی و Backtest در پایان مقاله ارائه شده است.
اصلاحات فوق در QStrader ساختار لازم را برای اجرای یک استراتژی تجزیه و تحلیل احساسات ارائه می دهد. با این حال هنوز نشان داده شده است که چگونه قوانین ورودی و خروج فوق در واقع اجرا می شود. همانطور که معلوم است اکثر "کار سخت" در ماژول های فوق انجام شده است. اجرای استراتژی خود نسبتاً ساده است.
مثل همیشه اولین کار وارد کردن کتابخانه های لازم است. در اینجا جای تعجب وجود ندارد ، به سادگی سازگاری Python2/3 و اشیاء اصلی Qstrader که با یک زیر کلاس استراتژی تعامل دارند:
زیر کلاس جدید sentdexsentimentstrategy نامیده می شود. این فقط به لیستی از تیکترها نیاز دارد تا روی آن عمل کنند ، یک دسته از صف رویدادها ، یک مقدار ورود آستانه Sent_Buy Integer Areshold و یک آستانه خروج مربوط به Sent_sell. هر دوی اینها بعداً در کد Backtest مشخص شده اند.
علاوه بر این ، مقدار پایه سهام برای معاملات لازم است. به منظور نگه داشتن استراتژی نسبتاً ساده ، موقعیت اندازه گیری صرفاً برای هر تیک در هر نقطه زمانی در استراتژی ، چنین مقدار پایه ای را خریداری می کند و می فروشد. یعنی هیچ تعدیل پویا در اندازه موقعیت یا تخصیص درصد به هر تیک وجود ندارد. در یک استراتژی تولید این یکی از اولین بخش هایی است که بهینه سازی می کند. از آنجا که احتمالاً این کد اندازه گیری از جنبه اصلی "احساسات" استراتژی منحرف می شود ، تصمیم گرفته شد که برای این مقاله ساده نگه داشته شود.
سرانجام یک عضو فرهنگ لغت خود سرمایه گذاری شده برای ذخیره اینکه آیا در حال حاضر هر تیک در حال معامله است ، ایجاد شده است. این کار با تنظیم مقدار واقعی / نادرست بولی ، برای هر تیک ، بسته به اینکه یک موقعیت طولانی باز باشد یا خیر ، انجام می شود:
مانند همه زیر کلاسهای انتزاعی Strategy ، روش محاسبه_ signals جایی است که قوانین واقعی معاملات محور رویداد قرار می گیرد. در تمام استراتژی های qstrader دیگر تا به امروز این روش به اشیاء برهنه یا tickevent پاسخ می دهد.
در هر استراتژی ارائه شده تاکنون خط اول در این روش همیشه بررسی می کند که نوع رویداد چیست (اگر Event. Type == EventType.). این انعطاف پذیری بیشتری را در زیر کلاسهای AbstractStrategy فراهم می کند ، زیرا آنها می توانند به وقایع دلخواه پاسخ دهند ، نه فقط مواردی که در اطراف داده های قیمت گذاری دارایی مستقر هستند.
پس از تأیید این رویداد به عنوان یک احساسات ، کد بررسی می کند که آیا این تیک مخصوص در حال حاضر معامله شده است یا خیر. اگر اینگونه نباشد ، بررسی می کند که آیا احساسات از آستانه ورود عدد صحیح احساسات فراتر می رود و سپس مقدار طولانی از سهام سهام را ایجاد می کند. اگر در حال حاضر تجارت این تیک را داشته باشد و آستانه احساسات فعلی زیر آستانه خروج ارائه شده باشد ، موقعیت را می بندد.
از این رو استراتژی ارائه شده در زیر فقط طولانی است. این یک موضوع ساده است که این کار را به معاملات کوتاه گسترش دهید. کد مثال برای کوتاه مدت در سایر استراتژی های معاملاتی ارائه شده است. به ویژه کد برای تجارت جفت فیلتر کالمن مشابه است.
مانند همه استراتژی های اجرا شده QStrader ، یک پرونده پس زمینه مربوطه وجود دارد که پارامترهای استراتژی را مشخص می کند. این بسیار شبیه به بسیاری از پرونده های قبلی Backtest است و بنابراین لیست کامل فقط در پایان این مقاله ارائه می شود.
تفاوت های اصلی آن لحظه ای از شیء احساسات و تنظیم پارامترها برای آستانه های ورود و خروج است. این موارد برای ورود به 6 تنظیم شده است و-1 برای خروج ، همانطور که در قوانین استراتژی اساسی در بالا منعکس شده است. بهینه سازی این مقادیر برای مجموعه های مختلف تیک ، آموزنده (و به طور بالقوه سودآورتر!) است.
sentdex_sample. csv در qstrader csv_data_dir قرار می گیرد ، جایی که داده های قیمت گذاری نیز معمولاً در آن قرار دارند. تاریخ شروع و پایان منعکس کننده مدت زمانی است که پرونده نمونه Sentdex حاوی پیش بینی احساسات است.
برای اجرای این استراتژی لازم است که از محیط مجازی QStrader خود استفاده کنید (مثل همیشه) و موارد زیر را در ترمینال تایپ کنید ، جایی که لیست تیکترها باید متناسب با استراتژی خاص مورد نظر سازگار شوند. در صورت تمایل به مقایسه معیار ، حتماً جاسوسی را شامل شوید.
اجرای مثال زیر شامل مجموعه ای از سهام دفاعی S& P500 از جمله بوئینگ ، جنرال دینامیک ، لاکهید مارتین ، نورثروپ-گرممان و رایتون است:
بازده کوتاه شده از سهام دفاعی به شرح زیر خواهد بود:
نتایج استراتژی
هزینه های معامله
نتایج استراتژی ارائه شده در اینجا از هزینه های معامله خالص داده می شود. این هزینه ها با استفاده از کارگزاران تعاملی سهام ایالات متحده برای سهام در آمریکای شمالی شبیه سازی می شوند. آنها از نظر منطقی نماینده آنچه می توانند در یک استراتژی معاملاتی واقعی حاصل شوند.
احساسات در سهام فناوری S & p500
مقدار پایه سهام مورد استفاده برای هر تیک 2000 است.
برای نمایش بزرگتر روی تصویر کلیک کنید.
استراتژی تجزیه و تحلیل احساسات سهام Tech CAGR 21. 0 ٪ را در مقایسه با معیار 9. 4 ٪ ، با استفاده از 2،000 سهم از هر یک از پنج تیک ، ارسال می کند. این امر تنها در سه ماه ، یعنی مه 2013 ، اکتبر 2013 و ژوئیه 2015 ، دستاوردهای زیادی ایجاد می کند. باقیمانده زمان آن عمدتا پایین یا مسطح است. علاوه بر این ، مدت زمان زیادی از 318 روز در اواسط سال 2014 تا اواسط سال 2015 و حداکثر حداکثر روزانه 17. 23 ٪ ، در مقایسه با 13. 04 ٪ برای معیار است.
با وجود این ، نسبت شارپ 1. 12 در مقایسه با 0. 75 برای معیار اعتراف می کند ، اما عملکرد به اندازه کافی قابل توجه برای توجیه اجرای کامل تولید استراتژی نیست.
احساسات در سهام انرژی S & P500
مقدار پایه سهام مورد استفاده برای هر تیک 5000 است.
برای نمایش بزرگتر روی تصویر کلیک کنید.
مخلوط سهام انرژی کاملاً متفاوت با جمع آوری سهام فناوری است. بسیار بی ثبات است و ماه ها را با دستاوردهای بزرگ و ماه های دیگر با ضررهای بزرگ ارسال می کند. حداکثر کاهش روزانه آن در 27. 49 ٪ گسترده است ، که به تنهایی آن را از هرگونه توجه بیشتر به عنوان یک استراتژی کمی معقول از بین می برد. علاوه بر این ، به نظر می رسد که این استراتژی بعد از اواسط سال 2014 ، هنگامی که در زیر آب فرو می رود ، تمام اثربخشی را از دست می دهد و تا سال 2015 مسطح است.
نسبت به شارپ ضعیف در 0. 63 در مقایسه با معیار 0. 75 است. از این رو این یک استراتژی مناسب نیست که به شکل فعلی آن پیش می رود.
احساسات در سهام دفاعی S & P500
مقدار پایه سهام مورد استفاده برای هر تیک 2000 است.
برای نمایش بزرگتر روی تصویر کلیک کنید.
سهام دفاعی داستانی متفاوت در مقایسه با فناوری و انرژی ارائه می دهد. این استراتژی ماهها از دستاوردهای جامد برخوردار است و دارای یک شارپ روزانه فقط با طول روزانه 1. 69 است. حداکثر کاهش آن کمتر از معیار 9. 69 ٪ است. همچنین دارای CAGR قوی در 25. 45 ٪ است. علیرغم این مزایا ، بیشتر دستاوردهای خود را در سال 2013 ایجاد کرد ، و سال های 2014 و 2015 بازده های بسیار کمتری را ارسال کرد.
در حالی که مطمئناً این استراتژی جالب است ، کارهای بیشتری برای انجام آن انجام می شود. برای یک ، باید در یک دوره بسیار بزرگتر آزمایش شود. علاوه بر این ، اضافه کردن شورت باعث می شود این استراتژی تا حدودی بی طرف بازار باشد ، امیدوارم که بتا بازار را کاهش دهد.
بهینه سازی اندازه موقعیت و مدیریت ریسک مراحل منطقی بعدی است و احتمالاً تأثیر قابل توجهی در عملکرد خواهد داشت. اصلاح نهایی این است که با افزودن سهام بسیاری دیگر به ترکیب ، شاید در بخش ها ، تنوع را افزایش دهد. واضح است که زمینه قابل توجهی برای بهبود وجود دارد.
در مقالات بعدی بسیاری از این بهینه سازی ها از طریق اصلاح اشیاء موقعیت یابی و RiskManager در Qstrader مورد بررسی قرار می گیرند. این امر به نزدیک شدن استراتژی ها به اجرای تولید کمک می کند.
رمز کامل
qsalpha
به بستر تحقیق QSALPHA بپیوندید که به پر کردن خط لوله تحقیق استراتژی شما کمک می کند ، نمونه کارها را متنوع می کند و بازده تنظیم شده ریسک را برای افزایش سودآوری بهبود می بخشد.
کوانتین
به پورتال عضویت QuantCademy بپیوندید که به جامعه بازرگانان Quant Trader با سرعت در حال رشد می پردازد و یاد می گیرید که چگونه می توانید سودآوری استراتژی خود را افزایش دهید.
تجارت الگوریتمی موفق
نحوه یافتن ایده های جدید استراتژی تجارت و ارزیابی عینی آنها را برای نمونه کارها خود با استفاده از موتور پشتی مبتنی بر پایتون ارزیابی کنید.
تجارت الگوریتمی پیشرفته
نحوه اجرای استراتژی های تجاری پیشرفته با استفاده از تجزیه و تحلیل سری زمانی ، یادگیری ماشین و آمار بیزی با R و Python.