Moving average backtest

Médias móveis simples - Testes de negociação Os parâmetros de média móvel são os melhores. Este site tem um oceano de backtests de média móvel que eu realizei para o DAX, SP500 e também o USDEU (Forex). Esses testes foram feitos usando diferentes estratégias de sinal: variáveis ​​simples e exponencial e diferentes índices para um período de tempo de 1000 dias de negociação. Em contraste com outros sites, eu testei todos os valores da média diária móvel de 1 a 1000 dias, pois as estratégias de cross-over também em combinação. Estes dados também são unqiue, pois tentei realizar testes realistas, simulando a propagação de buysell e impostos para Comparação com uma estratégia de referência (buy hold). Um valor de janela que reage rápido parece ser bom em teoria e com um teste simples. Mas a propagação, taxas e impostos destruirão todo o desempenho em aplicação prática. É por isso que esses testes realistas são tão valiosos. Espero que este site possa ajudá-lo com seus negócios, aproveite-o Símbolo médio do Backtest: insira qualquer símbolo rastreado em nosso banco de dados ou use uma relação entre símbolos inserindo dois símbolos como sym1: sym2. Médias móveis - Pode ser simples ou exponencial pelo número de dias especificado. Com uma única MA, a participação é determinada pelo valor do Preço relativo à Média Móvel. Quando duas MAs são usadas, a retenção é determinada pela relação entre as duas Médias Móveis. Participações - O fundo a ser realizado pode ser o mesmo ou diferente do fundo utilizado para os cálculos acima. Por exemplo, você poderia modelar a compra de um fundo alavancado com base na média móvel do fundo não alavancado. Benchmark - SPY é o padrão, mas qualquer símbolo pode ser usado. Estatísticas - As estatísticas incluem três medidas de volatilidade que você quer ser baixas, desvio padrão, índice de úlcera e redução máxima. Além disso, há três retorno: medidas de risco, onde maior é melhor. Estes incluem a Razão Sharpe, Sortino Ratio e Martin Ratio. A partir de telas recentes Visão do mercado ETF a partir de fechado, Qua, 25 de janeiro Aviso importante: A informação fornecida pela ETFScreen é estritamente para fins informativos e não deve ser interpretada como conselho ou solicitação para comprar ou vender qualquer segurança. O proprietário da ETFScreen não assume qualquer responsabilidade decorrente do uso do material aqui contido para qualquer finalidade, incluindo fins de investimento. Política de Privacidade DisclaimerTermos de Uso Se você tiver um comentário, entre em contato conosco. Backtesting um Crossover Médio Mínimo em Python com pandas No artigo anterior sobre Ambientes de Backtesting de Pesquisa Em Python Com Pandas criamos um ambiente de backtesting baseado em pesquisa orientado a objetos e testávamos isso em Uma estratégia de previsão aleatória. Neste artigo, faremos uso da maquinaria que introduzimos para realizar pesquisas sobre uma estratégia real, a saber, o Crossover 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 temporal entra em um período de forte tendência e, em seguida, 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 na linha aérea, como um meio básico de validação. Implementação Certifique-se de seguir o tutorial anterior aqui. Que descreve como a hierarquia de objeto inicial 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 básica abstrata 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 usados ​​no exemplo principal de tirolesa. As médias móveis são criadas usando a função pandas rollingmean nas barras. O preço de fechamento fechado do estoque AAPL. Uma vez que as médias móveis individuais foram construídas, a série do 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 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 esse tutorial autônomo. Agora que as classes MovingAverageCrossStrategy e MarketOnClosePortfolio foram definidas, uma função principal será chamada para amarrar toda a funcionalidade 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, em que ponto 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 patrimônio. O passo final é usar matplotlib para plotar um gráfico de dois dígitos de ambos os preços AAPL, superado com as médias móveis e os sinais de buysell, bem como a curva de equidade com os mesmos sinais de compra. O código de plotagem 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 do IPython, enquanto no Ubuntu, de modo que a saída gráfica permaneceu em exibição. As barras-de-rosa cor-de-rosa representam a compra do estoque, enquanto os bastões negros representam vendê-lo de volta: como pode ser visto, a estratégia perde dinheiro durante o período, com cinco comércios de ida e volta. Isso não é surpreendente, dado o comportamento da AAPL durante o período, que estava em uma ligeira tendência descendente, seguido de um aumento significativo em 1998. O período de lookback dos sinais da 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 subseqüentes, criaremos um meio mais sofisticado de análise de desempenho, bem como descrevendo como otimizar os períodos de lookback dos sinais individuais de média móvel.