Quantmod Liikkuva Keskiarvo Crossover

Keskimääräisten risteytysten liikkuvuus Keskimääräisten risteytysten siirtäminen on tavallinen tapa, jolla kauppiaat voivat käyttää liikkuvat keskiarvot. Siirtyminen tapahtuu, kun nopeammin liikkuvan keskiarvon (eli lyhyemmän ajan, joka liikkuu keskimäärin) ylittää joko hitaamman liukuvan keskiarvon (eli pidemmän ajan liikkuvat keskiarvon) yläpuolella, jota pidetään nousevana ylittävänä tai alle, jota pidetään laskevana crossoverina. SampP Depositary Receipts Exchange Traded Fundin (SPY) alla oleva kaavio osoittaa 50 päivän Simple Moving Average - arvon ja 200 päivän Simple Moving Average - arvon. Tämä Moving Average - pari katsotaan usein suurilta rahoituslaitoksilta pitkän aikavälin markkinasuunnan indikaattoriksi : Huomata, kuinka pitkän aikavälin 200 päivän Simple Moving Average on nousussa, sitä usein tulkitaan signaaliksi, että markkinat ovat melko vahvat. Kauppias voi harkita ostoa, kun lyhyemmän aikavälin 50 päivän SMA ylittää 200 päivän SMA: n yläpuolella ja kontrasti, elinkeinonharjoittaja saattaa harkita myyntiä, kun 50 päivän SMA ylittää 200 päivän SMA: n. SampP 500: n yllä olevassa kaaviossa molemmat potentiaaliset ostosignaalit olisivat olleet erittäin kannattavia, mutta yksi mahdollinen myyntisignaali olisi aiheuttanut pienen tappion. Muista, että 50 päivän 200 päivän Simple Moving Average crossover on erittäin pitkän aikavälin strategia. Niille kauppiaille, jotka haluavat lisää vahvistusta, kun he käyttävät liikkuvia keskimääräisiä risteytyksiä, voidaan käyttää 3 Simple Moving Average crossover - tekniikkaa. Esimerkki tästä on Wal-Mart (WMT) - osakkeen alla: 3 Simple Moving Average - menetelmä voidaan tulkita seuraavasti: Ensimmäisen nopeimman SMA: n crossover (edellä olevassa esimerkissä, 10 päivän SMA) seuraavassa nopeimmassa SMA-luokassa (20 päivän SMA) toimii varoituksena siitä, että hinnat saattavat olla käänteisiä trendiä, mutta yleensä elinkeinonharjoittaja ei aseta varsinaista osto - tai myyntitilausta sitten. Tämän jälkeen nopein SMA (10 päivän) ja hitaimman SMA: n (50 päivän) toinen risteytys voi aiheuttaa elinkeinonharjoittajan ostamaan tai myymään. On olemassa lukuisia vaihtoehtoja ja menetelmiä 3 Simple Moving Average crossover - menetelmän käyttämiseksi, jotkin alla ovat: Konservatiivisempi lähestymistapa saattaa olla odottaa, kunnes keskimmäinen SMA (20 päivän) ylittää hitaamman SMA: n (50 päivän), mutta tämä on periaatteessa kaksi SMA-crossover-tekniikkaa, ei kolmea SMA-tekniikkaa. Kauppias voi harkita rahanhallintatekniikkaa ostaa puolikoko, kun nopea SMA ylittää seuraavan nopeimman SMA: n ja syöttää sitten toisen puolen, kun nopea SMA ylittää hitaamman SMA: n. Halvojen sijaan osta tai myy kolmasosa asemasta, kun nopea SMA ylittää seuraavan nopeimman SMA: n, kolmanneksen, kun nopea SMA ylittää hidas SMA: n ja viimeisen kolmanneksen, kun toinen nopein SMA ylittää hidas SMA: n . Moving Average crossover - tekniikka, joka käyttää 8 siirrettävää keskiarvoa (eksponentiaalinen), on Moving Average Exponential Ribbon - indikaattori (ks. Exponential Ribbon). Liikkuvat Keskimääräiset risteytykset ovat usein kauppiaiden työkaluja. Itse asiassa risteytykset sisältyvät usein suosituimpiin teknisiin indikaattoreihin, mukaan lukien Moving Average Convergence Divergence (MACD) - indikaattori (katso: MACD). Muut liikkuvat keskiarvot ansaitsevat huolellisen harkinnan kaupankäyntisuunnitelmassa: Yllä olevat tiedot koskevat vain informaatiota ja viihdyttämistä, eivätkä ne ole kaupankäyntiä koskevia neuvoja tai kehotuksia ostaa tai myydä varastossa, vaihtoehdossa, tulevaisuudessa, hyödykkeissä tai forex-tuotteissa. Aiempi tulos ei välttämättä ole merkki tulevasta suorituskyvystä. Kaupankäynti on luonnostaan ​​vaarallista. OnlineTradingConcepts ei ole vastuussa mistään erityisistä tai välillisistä vahingoista, jotka johtuvat tämän sivuston käytöstä tai käyttökelvottomuudesta, materiaaleista ja tiedoista. Katso täydellinen vastuuvapauslauseke. Pythonin siirrettävän keskimääräisen crossoverin palauttaminen pandojen kanssa Edellisessä artikkelissa tutkimustestausympäristöistä Pythonissa Pandasissa luotiin objektiivinen tutkimuspohjainen backtesting - ympäristö ja testattiin se satunnaisella ennakointistrategialla. Tässä artikkelissa käytämme koneita, joita käytimme toteuttamaan todellista strategiaa, nimittäin Moving Average Crossover AAPL: ia. Liikkuva keskimääräinen ylitysstrategia Liikkuva keskimääräinen ylitysmenetelmä on erittäin tunnettu yksinkertainen momentumstrategia. Sitä pidetään usein Hello World esimerkkinä kvantitatiivisesta kaupankäynnistä. Tässä kuvattu strategia on pitkäaikainen. Kaksi erillistä yksinkertaista liikkuvaa keskimääräistä suodatinta luodaan tietyn aikasarjan vaihtelevilla takaiskujaksolla. Varojen hankkimiseen tarkoitetut signaalit tapahtuvat, kun lyhyempi takaisinkytkentäinen keskiarvo ylittää pidemmän jäljellä olevan liukuvan keskiarvon. Jos keskimääräinen keskiarvo ylittää myöhemmin lyhyemmän keskiarvon, omaisuus myydään takaisin. Strategia toimii hyvin, kun aikasarja siirtyy voimakkaalle kehitykselle ja hitaasti kääntää trendin. Tässä esimerkissä olen valinnut Apple, Inc. (AAPL) aikasarjaksi, jossa on lyhyt takaisinkytkentä 100 päivältä ja pitkä takaisku 400 päivältä. Tämä esimerkki on zipline-algoritmisen kaupankäynnin kirjastosta. Joten jos haluamme toteuttaa oman backtesteriemme, meidän on varmistettava, että se vastaa zipline-tuloksia, kuten validoinnin perustana. Täytäntöönpano Seuraa edellistä opetusohjelmaa täällä. joka kertoo, miten taustapäätteen alkuobjektiivinen hierarkia on rakennettu, muuten alla oleva koodi ei toimi. Tätä toteutusta varten olen käyttänyt seuraavia kirjastoja: macross. py: n toteutus vaatii backtest. py: n edellisestä opetusohjelmasta. Ensimmäinen vaihe on tuoda tarvittavat moduulit ja objektit: Kuten edellisessä opetusohjelmassa, aiomme luokitella strategian abstraktin perusluokan tuottaa MovingAverageCrossStrategy. joka sisältää kaikki yksityiskohdat signaalin tuottamiseksi, kun AAPL: n liukuvat keskiarvot ylittävät toisiaan. Kohde vaatii lyhytsanoman ja pitkän ikkunan, johon se toimii. Arvot on asetettu oletusarvoiksi 100 päivältä ja 400 päivältä, jotka ovat samat parametrit, joita käytetään ziplinen pääesimerkissä. Liikkuvat keskiarvot luodaan käyttämällä pandas rollingmean-funktiota baareissaAssilaisen AAPL-osakkeen päätöskurssi. Kun yksittäiset liukuva keskiarvot on rakennettu, signaalisarja generoidaan asettamalla colum-arvo 1,0, kun lyhyt liikkuva keskiarvo on suurempi kuin pitkä liikkuva keskiarvo tai 0,0 muulla tavalla. Tästä voidaan luoda positiotilauksia edustamaan kaupankäyntisignaaleja. MarketOnClosePortfolio on alasarakennettu alarahastosta. joka löytyy osoitteesta backtest. py. Se on melkein sama kuin aiemmassa oppitunnissa kuvattu toteutus, lukuun ottamatta sitä, että kaupat toteutetaan nyt Close-to-Close-periaatteella eikä Open-to-Open - periaatteella. Lisätietoja Portfoliosivuston määrittämisestä on edellisen oppaassa. Olen jättänyt koodin täydellisyydestä ja pitämällä opetusohjelmasta itsestäänselvyytenä: Nyt kun MovingAverageCrossStrategy ja MarketOnClosePortfolio-luokat on määritetty, päätoimintoa kutsutaan yhdistämään kaikki toiminnot yhteen. Lisäksi strategian suorituskykyä tarkastellaan pääpiirteittäin käyrän avulla. Pandas DataReader-objekti lataa AAPL-osakekannan OHLCV-hinnat 1. tammikuuta 1990-1.1.2002 välisenä aikana, jolloin signaalit DataFrame luodaan tuottamaan vain pitkiä signaaleja. Tämän jälkeen salkku tuotetaan 100 000 USD: n peruspääomalla ja tuotot lasketaan oman pääoman käsitteestä. Viimeisenä vaiheena on käyttää matplotlibä molempien AAPL-hintojen kaksiulotteisessa kuvaajassa, joka on liitetty liikkuvien keskiarvojen ja buysell-signaalien kanssa, samoin kuin samaa buysell-signaalia käyttävä tasakaari. Piirtämiskoodi otetaan (ja muokataan) zipline-toteutusesimerkistä. Koodin graafinen tuotos on seuraava. Käytin IPython-liitä komentoa laittamalla tämä suoraan IPython konsoliin Ubuntussa samalla, kun graafinen tulostus pysyi näkyvissä. Vaaleanpunaiset uppikset edustavat varastojen hankintaa, kun taas mustat laskut edustavat sen myymistä. Kuten nähdään, strategia menettää rahat ajanjaksolla viidellä kierrosmatkalla. Tämä ei ole yllättävää, kun otetaan huomioon AAPL: n käyttäytyminen ajanjaksolla, joka oli lievässä laskusuunnassa ja sen jälkeen merkittävä nousu, joka alkoi vuonna 1998. Liikkuvan keskiarvon signaalien takaisinottoaika on melko suuri ja tämä vaikutti lopullisen kaupan , jotka muuten voisivat tehdä strategian kannattavaksi. Seuraavissa artikkeleissa luodaan kehittyneempi keino analysoida suorituskykyä sekä kuvata kuinka optimoida yksittäisten liikkuvien keskimääräisten signaalien hakuajat. Just Getting Started with Quantitative TradingSimple liukuva keskimääräinen crossover backtest opetusohjelma 18 Olen uusi SIT ja haluamme käyttää sitä backtesting minun strategia. Haastin Googlea yksinkertaisen opetusohjelman käyttämiseen SIT: n avulla, mutta en löytänyt mitään. Ainoa opetusohjelma, jonka löysin, oli Inovance ja sinun, mutta se on todella monimutkainen ja minulla ei ole aavistustakaan, miten tehdä yksinkertainen liukuva keskimääräinen crossover strategia yhden stock Microsoft (MSFT) lähellä hinta käyttäen SIT ja quantmod (tiedän tämän kirjaston). Jos mahdollista voit kirjoittaa opetusohjelman MA Crossover strategia Tämä koodi on kirjoitettu Miten voin käyttää edellä koodi kanssa SITs työkaluja backtesting Myös olen asentanut SIT R mutta kun yritin sen sen antaa tämä Miksi antaa tämän on se virhe Hei, kiitos nopeasta vastauksesta. Yritän tätä koodia. Olen hämmentynyt tämän osakekurssin dataprices, dataweight NA, data-signaali. Soitin koodin uudelleen. mutta se antaa virheitä koodistrategioissa Et voi suorittaa tätä toimintaa tällä hetkellä. Olet kirjautunut sisään toisen välilehden tai ikkunan kanssa. Päivitä istunto uudelleen. Olet kirjautunut ulos toisessa välilehdessä tai ikkunassa. Päivitä istuntosi päivittämiseen. Python vs R 3: Yksinkertainen liikkuva keskimääräinen crossover testitesti SPY: lla Tämä on kolmas sarjassa, joka vertailee Python ja R kvantitatiivisen kaupankäynnin analyysiin. Käyttämällä zipline-kehystä Pythonille ja R. Systematic Investor Toolboxin työtä varten toteutan saman liikkuvan keskimääräisen cross-over-mallin jokaisella kielellä. Pythonin OOP-luonteesta johtuen näiden kahden kielen välillä on monia eroja, mikä johtaa noin kaksi kertaa enemmän koodiin. Oletettavasti lisätty OO-monimutkaisuus on hyödyllinen monimutkaisemmissa strategioissa. Seuraavassa sarjassa tarkastellaan kielten sisäänrakennettuja suorituskykytietoja ja saatavilla olevia backtesting-paketteja.