Eu sou novo em pandas. Eu tenho um monte de dados de votação Eu quero calcular uma média de roaming para obter uma estimativa para cada dia com base em uma janela de três dias. Como entendi por esta questão. As funções de rolamento calculam a janela com base em um número especificado de valores e não um intervalo de data e hora específico. Existe uma função diferente que implementa essa funcionalidade Ou estou atolada escrevendo meus próprios dados de entrada de amostra: a saída teria apenas uma linha para cada data. EDIT x2: typo fixo Este exemplo parece exigir uma média ponderada como sugerido no comentário andyhaydens. Por exemplo, existem duas pesquisas em 1025 e uma em cada 1026 e 1027. Se você apenas reescreva e, em seguida, toma a média, isso efetivamente dá duas vezes mais ponderação para as pesquisas em 1026 e 1027 em comparação com as de 1025. Para dar Igual peso para cada enquete em vez de igual peso para cada dia. Você poderia fazer algo como o seguinte. Isso lhe dá os ingredientes brutos para fazer uma média baseada em votação em vez de uma média baseada no dia. Como antes, as pesquisas são calculadas em média em 1025, mas o peso para 1025 também é armazenado e é o dobro do peso em 1026 ou 1027 para refletir que duas pesquisas foram realizadas em 1025. Observe que a média de rolamento para 1027 é agora 0.51500 (poll - Ponderada) em vez de 52.1667 (ponderada no dia). Observe também que houve mudanças nas APIs para resamplear e rolar a partir da versão 0.18.0.Backtesting um Crossover Médio Mínimo em Python com pandas No artigo anterior sobre Ambientes de Backtesting de Pesquisa Em Python Com Pandas criamos uma pesquisa orientada a objetos, Baseado no ambiente de teste e testou-o em uma estratégia de previsão aleatória. Neste artigo, faremos uso das máquinas que introduzimos para realizar pesquisas sobre uma estratégia real, a saber, o Cromo de média móvel na AAPL. Estratégia de Crossover média móvel A técnica de Crossover de média móvel é uma estratégia de impulso simplista extremamente conhecida. Muitas vezes, é considerado o exemplo do Hello World para negociação quantitativa. A estratégia descrita aqui é longa apenas. São criados dois filtros de média móvel simples separados, com diferentes períodos de lookback, de uma série temporal específica. Os sinais para comprar o recurso ocorrem quando a média móvel de lookback mais curta excede a média móvel de lookback mais longa. Se a média mais longa exceder a média mais curta, o ativo é vendido de volta. A estratégia funciona bem quando uma série de tempo entra em um período de forte tendência e depois inverte lentamente a tendência. Para este exemplo, escolhi a Apple, Inc. (AAPL) como a série temporal, com um curto lookback de 100 dias e um longo lookback de 400 dias. Este é o exemplo fornecido pela biblioteca de negociação algorítmica de tirolesa. Assim, se quisermos implementar nosso próprio backtester, precisamos garantir que ele coincida com os resultados em tirolesa, como um meio básico de validação. Implementação Certifique-se de seguir o tutorial anterior aqui. Que descreve como a hierarquia inicial do objeto para o backtester é construída, caso contrário, o código abaixo não funcionará. Para esta implementação particular eu usei as seguintes bibliotecas: A implementação do macross. py requer backtest. py do tutorial anterior. O primeiro passo é importar os módulos e objetos necessários: como no tutorial anterior, vamos sub-classificar a classe de base abstrata da Estratégia para produzir MovingAverageCrossStrategy. Que contém todos os detalhes sobre como gerar os sinais quando as médias móveis da AAPL se cruzam. O objeto requer uma janela curta e uma longa janela para operar. Os valores foram configurados para padrões de 100 dias e 400 dias, respectivamente, que são os mesmos parâmetros utilizados no exemplo principal de tirolesa. As médias móveis são criadas usando a função pandas rollingmean nas barras fechar o preço de fechamento do estoque AAPL. Uma vez que as médias móveis individuais foram construídas, a Série de sinal é gerada definindo a coluna igual a 1,0 quando a média móvel curta é maior do que a média móvel longa, ou 0,0 caso contrário. A partir disso, as ordens de posições podem ser geradas para representar sinais de negociação. O MarketOnClosePortfolio é subclassado do Portfolio. Que é encontrado em backtest. py. É quase idêntico à implementação descrita no tutorial anterior, com a exceção de que os negócios são agora realizados em uma base de Close-to-Close, em vez de Open-to-Open. Para obter detalhes sobre como o objeto Portfolio está definido, consulte o tutorial anterior. Eu deixei o código em completo e mantenho este tutorial autônomo. Agora que as classes MovingAverageCrossStrategy e MarketOnClosePortfolio foram definidas, uma função principal será chamada para amarrar todas as funcionalidades em conjunto. Além disso, o desempenho da estratégia será examinado através de um gráfico da curva de equidade. O objeto DataReader de pandas baixa os preços de ações da AAPL da OHLCV para o período de 1º de janeiro de 1990 a 1º de janeiro de 2002, momento em que os sinais DataFrame são criados para gerar os sinais de longo tempo. Posteriormente, o portfólio é gerado com uma base de capital inicial de 100.000 USD e os retornos são calculados na curva de equivalência patrimonial. O passo final é usar matplotlib para plotar um gráfico de dois dígitos de ambos os preços da AAPL, superados com as médias móveis e os sinais de buysell, bem como a curva de equidade com os mesmos sinais de compra. O código de traçado é tomado (e modificado) do exemplo de implementação de tirolesa. A saída gráfica do código é a seguinte. Eu usei o comando de pasta IPython para colocar isso diretamente no console IPython, enquanto no Ubuntu, de modo que a saída gráfica permaneça em exibição. As barras-de-rosa cor-de-rosa representam a compra do estoque, enquanto os baixos negros representam vendê-lo de volta: como pode ser visto, a estratégia perde dinheiro ao longo do período, com cinco comércios de ida e volta. Isso não é surpreendente, dado o comportamento da AAPL ao longo do período, que estava em uma ligeira tendência descendente, seguido por um aumento significativo em 1998. O período de lookback dos sinais de média móvel é bastante grande e isso impactou o lucro do comércio final , O que de outra forma pode ter tornado a estratégia rentável. Em artigos subsequentes, criaremos um meio mais sofisticado de análise de desempenho, bem como descrevendo como otimizar os períodos de lookback dos sinais individuais de média móvel.
Comments
Post a Comment