Construa um modelo de negociação rentável em 7 etapas fáceis Um modelo de negociação é uma estrutura definida com base em regras passo a passo para governar as atividades comerciais. Neste artigo, apresentamos o conceito básico de modelos de negociação, explicamos seus benefícios e fornecemos instruções sobre como construir seu próprio modelo de negociação. Os benefícios da construção de um modelo de negociação A utilização de um modelo de negociação baseado em regras oferece muitos benefícios: os modelos são baseados em um conjunto de regras comprovadas. Isso ajuda a remover as emoções humanas da tomada de decisões. Os modelos podem ser facilmente testados em dados históricos para verificar seu valor antes de tomar o mergulho com dinheiro real. O backtesting baseado em modelo permite a verificação dos custos associados para que o comerciante possa ver o potencial de lucro de forma mais realista. Um lucro teórico 2 pode parecer atraente, mas uma taxa de corretagem de 2,50 muda a equação. Os modelos podem ser automatizados para enviar alertas móveis, mensagens pop-up e gráficos. Isso pode eliminar a necessidade de monitoramento e ação manual. Com um modelo, um comerciante pode rastrear facilmente 10 ações para a média móvel de 50 dias (DMA) cruzando a média móvel de 15 dias. Sem essa automação, o rastreamento manual, mesmo um DMA de estoque, pode ser difícil. Como construir seu próprio modelo de negociação Para construir um modelo de negociação, você não precisa de conhecimentos comerciais de nível avançado. No entanto, você precisa de uma compreensão de como e por que os preços se movem (por exemplo, devido a eventos mundiais), onde existem oportunidades de lucro e praticamente aproveitar as oportunidades. Novatos e comerciantes moderadamente experientes podem começar por se familiarizar com alguns indicadores técnicos. Estes oferecem uma visão significativa dos padrões de negociação. A compreensão dos indicadores técnicos também ajudará os comerciantes a conceituar tendências e a fazer estratégias e alterações personalizadas em seus modelos. Neste artigo, vamos nos concentrar nos negócios com base em indicadores técnicos. Exemplo de Estratégia do Modelo de Negociação Simples Com base no princípio da reversão da tendência. Alguns comerciantes agem no pressuposto de que o que vai para baixo voltará (e vice-versa). Usando a hipótese de reversão de tendência como estratégia, construiremos um modelo de negociação. Nas etapas abaixo, passaremos por uma série de etapas para criar um modelo de negociação e testar se é lucrativo. Fluxograma para construir um modelo de negociação 1. Conceituar o modelo de negociação. Nesta etapa, o comerciante estuda movimentos de estoque históricos para identificar tendências preditivas e criar um conceito. O conceito pode ser o resultado de uma ampla análise de dados ou pode ser um palpite com base em observações ocasionais. Para este artigo, estamos usando a reversão da tendência para construir a estratégia. O conceito inicial é: se um estoque desce x por cento em relação ao preço de fechamento dos dias anteriores, espere que a tendência seja reversa nos próximos dias. A partir daqui, olhe os dados passados e faça perguntas para refinar o conceito: o conceito é verdade. Este conceito se aplicará a apenas alguns estoques de alta volatilidade selecionados ou caberá a todos e quaisquer estoques Qual é a duração da reversão da tendência esperada (1 Dia, 1 semana ou 1 mês) O que deve ser definido como o nível de baixo para entrar em um comércio Qual é o objetivo do nível de lucro Um conceito inicial geralmente contém muitas incógnitas. Um comerciante precisa de alguns pontos ou números decisivos para começar. Estes podem ser baseados em certos pressupostos. Por exemplo: esta estratégia pode ser aplicada em ações moderadamente voláteis com um valor beta entre 2 e 3. Comprar se as ações caírem 3 por cento e aguardar os próximos 15 dias para a reversão da tendência e esperar um retorno de 4 por cento. Esses números são baseados em premissas e experiência de comerciantes. Novamente, uma compreensão básica dos indicadores técnicos é importante. 2. Identificar as oportunidades. Nesta etapa, identifique as oportunidades certas ou os estoques para negociar. Isso envolve a verificação do conceito contra dados históricos. No conceito de exemplo, compramos um mergulho de 3%. Comece escolhendo ações de alta vulnerabilidade para a avaliação. Você pode baixar dados históricos de ações comumente negociadas em sites de câmbio ou portais financeiros, como o Yahoo Finance. Usando fórmulas de planilha, calcule a variação percentual do preço de fechamento dos dias anteriores, filtre os resultados que correspondem aos critérios e observe o padrão para os dias seguintes. Abaixo está uma folha de cálculo de exemplo. Neste exemplo, o preço de fechamento das ações cai abaixo de 3% em 2 dias (4 de fevereiro e 7 de fevereiro). A observação cuidadosa dos dias seguintes revelará se a reversão da tendência é visível ou não. O preço em 5 de fevereiro dispara até 4,59% de mudança. Até 8 de fevereiro, a mudança está abaixo prevista em 1,96 por cento. Os resultados são conclusivos. Nenhuma observação corresponde à expectativa do conceito (mudança de 4% e acima) enquanto uma observação não acontece. Em seguida, precisamos verificar ainda mais o nosso conceito em mais pontos de dados e mais ações. Execute o teste em vários estoques com preços diários durante pelo menos 5 anos. Observe quais ações fornecem reversões de tendência positivas dentro de uma duração definida. Se o número de resultados positivos for melhor do que os negativos, continue com o conceito. Se não, ajustar o conceito e retesar ou descartar completamente o conceito e retornar ao passo 1. 3. Desenvolver o modelo de negociação. Nesta fase, ajustamos o modelo de negociação e apresentamos as variações necessárias com base nos resultados de avaliação do conceito. Continuamos a verificar em grandes conjuntos de dados e observamos para mais variações. O resultado da estratégia melhora se considerarmos dias úteis específicos, por exemplo, o preço das ações subindo 3% em um resultado de sexta-feira em um aumento acumulado de 5% ou mais na próxima semana. O resultado melhora se tomarmos estoques de alta volatilidade com valores beta Acima 4 Podemos verificar essas personalizações, independentemente de o conceito original mostrar resultados positivos. Você pode continuar explorando vários padrões. Nesta fase, você também pode usar a programação de computadores para identificar tendências rentáveis, permitindo que algoritmos e programas de computador analise os dados. Em geral, o objetivo é melhorar os resultados positivos da nossa estratégia, levando a mais lucratividade. Alguns comerciantes ficam presos neste estágio, analisando grandes conjuntos de dados infinitamente com pequenas variações nos parâmetros. Não existe um modelo de negociação perfeito. Lembre-se de desenhar uma linha de testes e tomar uma decisão. 4. Execute um estudo de praticidade: nosso modelo agora está ótimo. Isso mostra um lucro positivo para a maioria dos negócios (por exemplo, ganhos de 70 por cento de 2 e 30 por cento de perdas de 1). Concluímos que, para cada 10 transações, podemos fazer um belo lucro de 72 31 11. Esta etapa requer um estudo de praticidade que pode basear-se nos seguintes pontos: a corretora do custo por comércio deixando espaço suficiente para o lucro que eu possa ter que Fazer até 20 negociações de 500 cada uma para realizar um lucro, mas meu capital disponível é apenas 8000. Meu modelo comercial apresenta limites de capital Com que frequência posso trocar O modelo que mostra negociações muito frequentes acima do meu capital disponível, ou muito poucos negócios Mantendo os lucros muito baixos O resultado teórico coincide com os regulamentos necessários. Requer vendas curtas ou troca de opções de longo prazo que podem ser banidas, ou a realização de posições de compra e venda simultâneas que também não podem ser permitidas. 5. Vá ao vivo ou abandone e mude para um novo modelo. Considerando os resultados dos testes, análises e ajustes acima, tome uma decisão. Vá ao vivo investindo dinheiro real usando o modelo de negociação ou abandone o modelo e comece novamente a partir do passo 1. Lembre-se, uma vez que você mora com dinheiro real, é importante continuar rastreando, analisando e avaliando o resultado, especialmente no início. 6. Esteja preparado para falhas e reinicia. O comércio exige atenção constante e melhorias na estratégia. Mesmo que seu modelo comercial tenha consistentemente feito dinheiro por anos, os desenvolvimentos do mercado podem mudar a qualquer momento. Esteja preparado para falhas e perdas. Esteja aberto para personalizações e melhorias adicionais. Esteja pronto para destruir o modelo e passar para um novo se você perder dinheiro e não conseguir mais customizações. 7. Assegurar o gerenciamento de riscos, construindo em cenários que-se. Pode não ser possível incluir o gerenciamento de risco no modelo de negociação selecionado, de acordo com as estratégias escolhidas, mas é aconselhável ter um plano de backup se as coisas não parecem ser conforme o esperado. E se você comprar o estoque que caiu 3 por cento, mas não mostrou reversão de tendência para o próximo mês. Se você despejar esse estoque com uma perda limitada ou continuar agarrando a essa posição. O que você deve fazer no caso de uma ação corporativa Como uma questão de direitos humanos Existem centenas de conceitos comerciais estabelecidos e estão crescendo diariamente com as personalizações de novos comerciantes. Para construir com êxito um modelo de negociação, o comerciante deve ter disciplina, conhecimento, perseverança e avaliação de risco justo. Um dos principais desafios vem do apego emocional dos comerciantes a uma estratégia de negociação auto-desenvolvida. Essa fé cega no modelo pode levar a perdas crescentes. O comércio baseado em modelos é sobre desapego emocional. Descarregue o modelo se estiver falhando e crie um novo, mesmo que isso ocorra com uma perda limitada e tempo atrasado. O comércio é sobre a rentabilidade e a aversão à perda é incorporada nos modelos de negociação baseados em regras. Bancos de dados mestres de segurança para negociação algorítmica Na negociação algorítmica, o foco geralmente brilha no componente modelo alfa do sistema de negociação completo. Esta é a parte do sistema que gera os sinais de negociação, antes da filtração por um sistema de gerenciamento de risco ou construção de carteira. Como tal, os comerciantes de algo geralmente gastam uma parcela significativa de seu tempo de pesquisa refinando o modelo alfa para gerar a maior relação Sharpe de teste posterior antes de colocar seu sistema em produção. No entanto, um modelo alfa é tão bom quanto os dados que são alimentados a ele. Este conceito é bem resumido pelo antigo ditado em informática do lixo, o lixo. É crucial que dados precisos e oportunos sejam usados para alimentar o modelo alfa, caso contrário os resultados serão, na melhor das hipóteses, ruins ou, na pior das hipóteses, completamente incorretos, levando a grandes perdas se o sistema for posto em produção. Neste artigo, quero discutir questões relacionadas com a aquisição e fornecimento de dados precisos atempados para um sistema de backtesting de estratégia algorítmica e, finalmente, um mecanismo de execução comercial. Em particular, estudaremos como obter dados financeiros, como armazená-lo, como limpá-lo e como exportá-lo. No setor financeiro, este tipo de serviço de dados é conhecido como banco de dados mestre de valores mobiliários. O que é um mestre de valores mobiliários Um mestre de valores mobiliários é um banco de dados de toda a organização que armazena fundamental. Preços e dados transacionais para uma variedade de instrumentos financeiros em classes de ativos. Ele fornece acesso a essas informações de forma consistente para ser usado por outros departamentos, como gerenciamento de riscos, liquidação de títulos e negociação proprietária. Em grandes organizações, uma série de instrumentos e dados serão armazenados. Aqui estão alguns dos instrumentos que podem ser de interesse para uma empresa: Equities Equity Options Indices Taxas de juros cambiais Futures Commodities Bonds - Derivados governamentais e corporativos - Caps, Floors, Swaps As bases de dados principais de valores mobiliários freqüentemente têm equipes de desenvolvedores e especialistas em dados que garantem altos níveis Disponibilidade dentro de uma instituição financeira. Embora isso seja necessário em grandes empresas, no nível de varejo ou em um pequeno fundo, um mestre de valores mobiliários pode ser muito mais simples. Na verdade, embora os grandes mestres de valores mobiliários façam uso de banco de dados e sistemas de análise empresariais caros, é possivel usar software de fonte aberta de commodities para fornecer o mesmo nível de funcionalidade, assumindo um sistema bem otimizado. Que conjuntos de dados são usados Para o comerciante algorítmico de varejo ou o pequeno fundo quantitativo, os conjuntos de dados mais comuns são o preço histórico intradiário e final de mercado para ações, índices, futuros (principalmente commodities ou renda fixa) e câmbio (forex). Para simplificar esta discussão, nos concentraremos apenas nos dados de fim de dia (EOD) para ações, ETFs e índices de ações. Artigos posteriores discutirão a adição de dados de freqüência mais altos, classes de ativos adicionais e dados de derivativos, que possuem requisitos mais avançados. Os dados EOD para ações são fáceis de obter. Há uma série de serviços que fornecem acesso gratuitamente através de APIs disponíveis na web: é direto baixar manualmente dados históricos para valores mobiliários individuais, mas torna-se demorado se muitas ações precisam ser baixadas diariamente. Assim, um componente importante do nosso mestre de valores mobiliários será atualizar automaticamente o conjunto de dados. Outra questão é o período de observação. Quão longe no passado precisamos seguir com os nossos dados, isso será específico para os requisitos da sua estratégia de negociação, mas existem certos problemas que abrangem todas as estratégias. O mais comum é a mudança de regime. Que muitas vezes é caracterizado por um novo ambiente regulatório, períodos de volatilidade mais alta ou mercados de tendências a mais longo prazo. Por exemplo, uma estratégia de longo prazo de curto prazo - estratégia de seguimento provavelmente seria muito boa entre 2000-2003 e 2007-2009. No entanto, teria sido difícil desde 2003-2007 ou 2009 até o presente. A minha regra geral é obter a maior quantidade possível de dados, especialmente para os dados de EOD, onde o armazenamento é barato. Só porque os dados existem no seu mestre de segurança, não significa que ele deve ser utilizado. Há ressalvas em torno do desempenho, uma vez que as tabelas de banco de dados maiores significam tempos de consulta mais longos (veja abaixo), mas os benefícios de ter mais pontos de amostra geralmente superam quaisquer problemas de desempenho. Tal como acontece com todos os dados financeiros, é imperativo estar ciente de erros, como preços baixos incorretos ou viés de sobrevivência. Que eu discuti extensivamente no QuantStart (veja aqui). O que é usado para armazenar dados Existem três maneiras principais de armazenar dados financeiros. Todos possuem vários graus de acesso, desempenho e capacidades estruturais. Consideraremos cada um deles. Armazenamento de arquivos planos O armazenamento de dados mais simples para dados financeiros e a forma como você provavelmente receberá os dados de qualquer fornecedor de dados, é o formato de arquivo plano. Os arquivos planos geralmente fazem uso do formato Variável Comma (CSV), que armazena uma matriz de dados bidimensional como uma série de linhas, com dados de coluna separados por um delimitador (geralmente uma vírgula, mas pode ser espaço em branco, como Como um espaço ou guia). Para os dados de preços do EOD, cada linha representa um dia de negociação através do paradigma do OHLC (ou seja, os preços no aberto, alto, baixo e próximo do período de negociação). A vantagem dos arquivos planos é a simplicidade e a capacidade de serem fortemente compactadas para arquivamento ou download. As principais desvantagens residem na falta de capacidade de consulta e mau desempenho para a iteração em grandes conjuntos de dados. SQLite e Excel atenuam alguns desses problemas ao fornecer certas capacidades de consulta. As lojas de documentosNoSQL Document storesNoSQL bancos de dados, embora certamente não um novo conceito, ganharam destaque significativo nos últimos anos, devido ao seu uso em empresas de escala web como Google, Facebook e Twitter. Eles diferem substancialmente dos sistemas RDBMS, na medida em que não existe um conceito de esquemas de tabela. Em vez disso, existem coleções e documentos. Que são as analogias mais próximas às tabelas e registros, respectivamente. Existe uma ampla taxonomia de lojas de documentos, cuja discussão está bem fora deste artigo No entanto, algumas das lojas mais populares incluem MongoDB. Cassandra e CouchDB. As lojas de documentos, nas aplicações financeiras, são principalmente adequadas para dados fundamentais ou meta. Os dados fundamentais para os ativos financeiros são de várias formas, como ações corporativas, declarações de ganhos, registros da SEC, etc. Assim, a natureza sem esquemas dos DBs do NoSQL é bem adaptada. No entanto, os bancos de dados NoSQL não são bem projetados para séries temporais, como dados de preços de alta resolução e, portanto, não estaremos considerando-os mais neste artigo. Sistemas de gerenciamento de banco de dados relacionais Um sistema de gerenciamento de banco de dados relacional (RDBMS) faz uso do modelo relacional para armazenar dados. Esses bancos de dados são particularmente adequados aos dados financeiros porque objetos diferentes (como trocas, fontes de dados, preços) podem ser separados em tabelas com relacionamentos definidos entre eles. O RDBMS faz uso do Structured Query Language (SQL) para realizar consultas de dados complexas em dados financeiros. Exemplos de RDBMS incluem Oracle. MySQL. SQLServer e PostgreSQL. As principais vantagens do RDBMS são a simplicidade de instalação, a independência da plataforma, a facilidade de consulta, a facilidade de integração com os principais softwares de back-up e as capacidades de alto desempenho em larga escala (embora alguns possam argumentar que o último não é o caso). Suas desvantagens são muitas vezes devido à complexidade da personalização e às dificuldades de alcançar o referido desempenho sem o conhecimento subjacente de como os dados RDBMS são armazenados. Além disso, eles possuem esquemas semi-rígidos e, portanto, os dados geralmente precisam ser modificados para se encaixarem em tais projetos. Isso é diferente dos armazenamentos de dados NoSQL, onde não há esquema. Para todos os futuros artigos de implementação de preços históricos no QuantStart, usaremos o RDBMS do MySQL. É gratuito, open-source, cross-platform, altamente robusto e seu comportamento em escala está bem documentado, o que o torna uma escolha sensata para o trabalho de quant. Como é que os dados históricos são estruturados Existe um corpo significativo de teoria e pesquisas acadêmicas realizadas no domínio da ciência da computação para o design ideal para lojas de dados. No entanto, não vamos entrar em detalhes demais, pois é fácil perder-se em minúcias. Em vez disso, apresentarei um padrão comum para a construção de um mestre de segurança de ações, que você pode modificar conforme você vê para suas próprias aplicações. A primeira tarefa é definir nossas entidades. Que são elementos dos dados financeiros que eventualmente serão mapeados para tabelas no banco de dados. Para um banco de dados mestre de ações, prevejo as seguintes entidades: Trocas - Qual é a fonte original final do fornecedor de dados - Onde é um ponto de dados particular obtido da InstrumentTicker - O símbolo de tickers para o patrimônio ou índice, juntamente com informações corporativas da empresa subjacente Ou fundo. Preço - O preço real de uma determinada segurança em um determinado dia. Ações Corporativas - A lista de todas as divisões de ações ou ajustes de dividendos (isso pode levar a uma ou mais tabelas), necessárias para ajustar os dados de preços. Feriados nacionais - Para evitar classificar mal os feriados comerciais como erros de dados em falta, pode ser útil armazenar feriados nacionais e referências cruzadas. Existem problemas importantes em relação ao armazenamento de tickers canônicos. Eu posso atestar isso da experiência de primeira mão em um fundo de hedge que lida com esse problema exato. Diferentes fornecedores usam métodos diferentes para resolver os tickers e, assim, combinando múltiplas fontes para obter precisão. Além disso, as empresas ficam quebradas, estão expostas à atividade de MA (ou seja, se tornam adquiridas e mudam nomes de nomes) e podem ter várias classes de ações negociadas publicamente. Muitos de vocês não terão que se preocupar com isso porque seu universo de tickers será limitado aos constituintes do índice maior (como SP500 ou FTSE350). Como os dados são avaliados quanto à exatidão Os dados de preços históricos dos vendedores são propensos a muitas formas de erro: Ações corporativas - Manipulação incorreta de divisões de ações e ajustes de dividendos. É preciso ter certeza absoluta de que as fórmulas foram implementadas corretamente. Spikes - Pontos de preço que excedem em grande parte certos níveis de volatilidade histórica. É preciso ter cuidado aqui, pois essas espinhas ocorrem - veja o May Flash Crash para um exemplo assustador. Os pontos também podem ser causados por não considerar as divisões de estoque quando ocorrem. Os scripts de filtro Spike são usados para notificar os comerciantes de tais situações. Agregação OHLC - Os dados OHLC gratuitos, como o YahooGoogle, são particularmente propensos a situações de agregação de carrapatos ruins, onde trocas menores realizam negociações pequenas bem acima dos principais preços de câmbio do dia, levando ao maximaminima excessivo, uma vez agregado. Isso é menos um erro como tal, mas é mais um problema a ser cauteloso. Dados faltantes - Os dados em falta podem ser causados pela falta de transações em um período de tempo específico (comum em dados de resolução de segundos segundos de pequenas capitalizações ilíquidas), por ferias comerciais ou simplesmente por erro no sistema de intercâmbio. Os dados em falta podem ser preenchidos (isto é preenchido com o valor anterior), interpolados (linear ou de outra forma) ou ignorados, dependendo do sistema de negociação. Muitos desses erros dependem do julgamento manual, a fim de decidir como proceder. É possível automatizar a notificação de tais erros, mas é muito mais difícil automatizar sua solução. Por exemplo, é preciso escolher o limiar para ser informado sobre os picos - quantos desvios padrão usar e sobre o período de aparência Muito alto um stdev vai perder alguns picos, mas muito baixo e muitos anúncios de notícias incomuns levará a falsos positivos. Todas essas questões exigem um julgamento avançado do comerciante do quant. Também é necessário decidir como corrigir erros. Os erros devem ser corrigidos assim que eles são conhecidos e, em caso afirmativo, deve ser realizada uma trilha de auditoria. Isso exigirá uma tabela extra no banco de dados. Isso nos leva ao tópico de recheio, o que é uma questão particularmente insidiosa para backtesting. Refere-se à correção automática de dados incorretos a montante. Se o seu fornecedor de dados corrigir um erro histórico, mas uma estratégia de negociação pré-testada está em produção com base na pesquisa de seus dados negativos anteriores, as decisões precisam ser feitas em relação à eficácia da estratégia. Isso pode ser um pouco atenuado ao estar plenamente consciente das suas métricas de desempenho da estratégia (em particular, a variação nas suas características de winloss para cada comércio). As estratégias devem ser escolhidas ou projetadas de tal forma que um único ponto de dados não possa distorcer o desempenho da estratégia em grande medida. Como esses processos são automatizados. O benefício de escrever scripts de software para realizar o download, armazenamento e limpeza dos dados é que os scripts podem ser automatizados através de ferramentas fornecidas pelo sistema operacional. Em sistemas baseados em UNIX (como Mac OSX ou Linux), pode-se usar o crontab. Que é um processo em execução contínua que permite que scripts específicos sejam executados em horários específicos ou períodos regulares. Existe um processo equivalente no MS Windows conhecido como o Agendador de Tarefas. Um processo de produção, por exemplo, pode automatizar o download de todos os preços do final do dia do SP500 assim que eles sejam publicados através de um fornecedor de dados. Em seguida, executará automaticamente os dados faltantes acima mencionados e scripts de filtração de espiga, alertando o comerciante por e-mail, SMS ou alguma outra forma de notificação. Neste ponto, todas as ferramentas de backtesting terão automaticamente acesso a dados recentes, sem que o comerciante tenha que levantar um dedo Dependendo de se o seu sistema comercial está localizado em uma área de trabalho ou em um servidor remoto, você pode escolher no entanto ter um semi-automático ou totalmente Processo autônomo para essas tarefas. Como os dados são fornecidos ao software externo Uma vez que os dados são atualizados automaticamente e residindo no RDBMS, é necessário levá-lo ao software de teste de backtest. Esse processo será altamente dependente de como seu banco de dados está instalado e se o seu sistema comercial é local (ou seja, em um computador desktop) ou remoto (como, por exemplo, com um servidor de câmbio co-localizado). Uma das considerações mais importantes é minimizar o InputOutput (IO) excessivo, pois isso pode ser extremamente caro, tanto em termos de tempo e dinheiro, assumindo conexões remotas, onde a largura de banda é dispendiosa. A melhor maneira de abordar esse problema é apenas mover dados em uma conexão de rede que você precisa (via consulta seletiva) ou exportar e compactar os dados. Muitos RDBMS suportam tecnologia de replicação, que permite que um banco de dados seja clonado em outro sistema remoto, geralmente com um grau de latência. Dependendo da sua configuração e quantidade de dados, isso pode ser apenas na ordem dos minutos ou segundos. Uma abordagem simples é replicar um banco de dados remoto em uma área de trabalho local. No entanto, lembre-se de que os problemas de sincronização são comuns e demorados para corrigir o Ill tente e discuta algumas situações de exemplo abaixo, mas há muitas maneiras de abordar esse problema e serão altamente específicas para sua configuração individual: se você estiver usando o MySQL, então você Pode usar uma linguagem de script de código aberto, como o Python (através da biblioteca MySQLdb ou o ORM SQLAlchemy) para se conectar ao banco de dados e executar consultas contra ele. Bibliotecas de análise de dados mais recentes, como pandas, permitem acesso direto ao MySQL (veja este tópico para um exemplo). Você também pode usar seu ambiente de idioma favorito (C, C, Matlab) e um link ODBC para se conectar a uma instância do MySQL. MS SQLServer SQLServer foi projetado para ser facilmente conectado aos idiomas do MS. NET, como C e Visual Basic, via LINQ ORM. Você também pode se conectar ao SQLServer com Python, via pyODBC. Há claramente muitas outras combinações de data store e backtesting environment. No entanto, deixarei a discussão dessas configurações para artigos posteriores Próximas etapas Em futuros artigos, vamos discutir os detalhes técnicos da implementação para os senhores de valores mobiliários. Em particular, vamos instalar o MySQL, configurá-lo para obter dados de preços e obter dados do EOD no financiamento do YahooGoogle e explorá-lo através da biblioteca de análise de dados de pandas. Este Curso on-line mostra-o passo a passo como construir um modelo automatizado de negociação de ações automatizado Usando o Microsoft Excel. O idioma Visual Basic (VBA) da Microsofts é usado em conjunto com a interface do usuário, fórmulas e recursos de cálculo da Excels para fornecer uma ferramenta de negociação poderosa e flexível. Assista ao Vídeo de Demonstração O Modelo inclui cinco indicadores técnicos comprovados (ADX, passagens médias móveis, estocásticos, bandas Bollinger e DMI). Você é guiado de forma detalhada através da criação de planilhas, arquivos, intervalos, fórmulas de indicadores, botões de controle, links DDEActive-X e módulos de código. O modelo incorpora características de negociação de tendências e swing-trading. O recurso de swing-trading pode ser ativado ou desativado, dependendo do seu estilo de investimento. Depois de construir o modelo, você simplesmente importa os dados que você precisa, execute o modelo automaticamente com um clique de um botão e faça suas decisões comerciais. O sistema funciona com a escolha dos arquivos ASCII. TXT GRATUITOS disponíveis na internet (do YahooFinance ou outro provedor), ou do seu serviço de dados de assinatura (com o nosso sem um link DDE). O modelo pode ser usado sozinho ou em conjunto com suas análises fundamentais e de mercado existentes para melhorar o tempo de investimento e evitar situações não lucrativas. Um modelo de Backtesting pré-construído separado também está incluído para análises históricas e testes de vários estoques e períodos de tempo. Veja o vídeo do software do Back Testing Excel (BONUS LIVRE) O que você obteve com cada curso: um tremendo valor de 3 em 1 Um curso de instruções completo PLUS VBA Código e seções de FAQs Instruções detalhadas sobre a importação de dados de preço no Excel com o DownloaderXL ou o YahooFinance Arquivos csv Um modelo pré-construído de Backtesting no Excel com gráficos e estatísticas de comércio para sua análise histórica. Aprenda a integrar Excel, VBA, fórmulas e fontes de dados em uma ferramenta de negociação rentável. Adquira conhecimento exclusivo aplicável a qualquer projeto de modelagem ou análise de Excel. Poupe dinheiro Eliminando custos de software recorrentes Calcule os sinais de negociação em uma grande quantidade de ações, fundos ou spreads em segundos (limitado apenas pela capacidade de dados Excels) Acesso rápido aos materiais do curso fornecidos no momento da compra Espaço em disco do Microsoft Excel 2 megabytes (para arquivos e Armazenamento de dados de estoque) Dados de preço de preço aberto-alto-baixo-fechado, diário ou semanal Acesso à Internet (DSL de alta velocidade ou modem a cabo sugerido, mas não nec Essary) OPCIONAL: link de importação de dados DDE para o Excel através do seu provedor de dados (aconselhamos mais de 5-10 valores mobiliários, caso contrário, os dados de preços gratuitos da YahooFinance ou outra fonte funcionam bem) Índice Introdução Requisitos técnicos básicos Os 5 indicadores técnicos Etapa 1: Índice Médio de Movimento Direcional (ADX) Etapa 2: Tendência ou Oscilação Etapa 2A: Tendência dos Crossovers Médias Mínimas Etapa 2B: Oscilador Estocástico Oscilador Etapa 3: Timing BuySell Signals with Bollinger Bands Etapa 4: Melhorando o Sucesso Comercial com o DMI System Architecture Setting Up Construindo o Diretório e a Estrutura do Arquivo Construindo a Estrutura da Planilha Construindo as Fórmulas do Indicador Dados do Mercado Indicador ADX Médias Movimentais Bandas Estoquestic Bollinger DMI Construindo o Macro Code Etapa 1: Abrindo a janela do Visual Basic Editor Etapa 2: Escrevendo o Macro Code Etapa 3: Verificando o Código Para erros O que o código faz Construção da folha de sinais Etapa 1: Folhas de sinalização Etiquetas e fórmulas Ste P 2: Construa as faixas Etapa 3: Adicionando um botão de controle e atribuindo uma macro Etapa 4: formatando a planilha Construindo o arquivo de fonte de dados Carregando dados de outras fontes Carregando arquivos. CSV ou. TXT Obtendo dados históricos GRATUITOS da Finança do Yahoo executando o modelo Em uma base diária Quando executar o modelo Combinando os sinais com outras informações do mercado Dinheiro e gerenciamento de riscos Erros de macro comuns Perguntas frequentes Backtesting o modelo
No comments:
Post a Comment