ایجاد مجموعه ای جامع از شاخص های فنی در پایتون برای تجارت کمی

شاخص های قابل تنظیم ، جامع برای الگوریتم های یادگیری ماشین و آماری

توجه داشته باشید از ویرایشگران Data Science: در حالی که ما به نویسندگان مستقل اجازه می دهیم مقالات را مطابق با قوانین و دستورالعمل های خود منتشر کنند ، ما سهم هر نویسنده را تأیید نمی کنیم. شما نباید بدون اینکه به دنبال مشاوره حرفه ای باشید ، به آثار نویسنده اعتماد کنید. برای جزئیات بیشتر به اصطلاحات خواننده ما مراجعه کنید.

بررسی اجمالی

پیش بینی حرکات قیمت دارایی یک منطقه گسترده تحقیق شده با هدف تدوین استراتژی های تجاری تولید کننده آلفا است که این حرکات قیمت دارایی را "دقیق" ضبط می کند. من با توجه به ماهیت تصادفی بیشتر قیمت های دارایی که به طور تعریف از نظر ماهیت تصادفی است ، با دقت می گویم با یک نمک نمک می گویم. بنابراین این ایده بر انجام نوعی تجزیه و تحلیل برای ضبط ، با برخی از اعتماد به نفس ، حرکت این عنصر تصادفی متمرکز است. در میان بسیاری از روشهای مورد استفاده برای پیش بینی این حرکت ، شاخص های فنی مدتی است که (طبق گزارش ها از دهه 1800 استفاده می شود) به عنوان یکی از روشهای مورد استفاده در شکل گیری نظر یک حرکت بالقوه است.

تا زمان گسترده تجارت الگوریتمی ، شاخص های فنی در درجه اول توسط معامله گران مورد استفاده قرار می گرفتند که به این شاخص ها در صفحه معاملات خود نگاه می کردند تا تصمیم خرید و فروش را بگیرند. حتی اگر این هنوز هم بسیار شیوع داشته باشد ، تجزیه و تحلیل فنی با توجه به توانایی یادگیری ماشین و سایر ابزارهای آماری برای تجزیه و تحلیل این داده ها در کسری از زمان و توانایی محاسباتی رایانه ها در پشت تست با چندین دهه ، راه خود را به تجارت خودکار تبدیل کرده است. داده ها

حتی اگر این مقاله برای استفاده یا استفاده از تجزیه و تحلیل فنی استدلال نمی کند ، از شاخص های فنی زیر می توان برای انجام آزمونهای مختلف استفاده کرد و در مورد قدرت پیش بینی آنها نظر خود را ارائه داد.

شاخص های فنی

در این مقاله به یک لیست جامع از شاخص های فنی که به طور گسترده توسط متخصصان و دانشمندان استفاده می شود ، و مواردی که معتقدم در تجارت خودکار بیشتر سودمند هستند ، خواهد بود. لیست شاخص ها عبارتند از:

1. میانگین حرکت ساده (سریع و آهسته)

2. دامنه واقعی متوسط

3. شاخص جهت متوسط (سریع و آهسته)

4- نوسان سازهای تصادفی (سریع و کند)

5. شاخص قدرت نسبی (سریع و آهسته)

6. حرکت میانگین واگرایی همگرایی

7. گروههای بولینگر

8. نرخ تغییر

داده ها

با استفاده از پانداها برای پایگاه داده مالی یاهو، داده‌های سهام اپل و نتفلیکس را از ژانویه 1990 تا امروز استخراج می‌کنم. بیشتر نشانگرها با استفاده از Close به جای Adjusted Close در این مقاله ایجاد شده‌اند. انتخاب قیمت به عهده خواننده است.

از آنجایی که نشانگرهای فنی در کوتاه مدت بهترین عملکرد را دارند، من به ترتیب از 5 روز و 15 روز به عنوان سیگنال سریع و آهسته استفاده خواهم کرد. اما این ممکن است بر اساس افق سرمایه گذاری تغییر کند. نشانگرهای زیر برای هر مدت زمان با یک تغییر پارامتر قابل تنظیم هستند.

میانگین متحرک ساده (SMA)

میانگین متحرک ساده یکی از رایج ترین شاخص های فنی است. SMA میانگین قیمت ها را در یک بازه زمانی معین محاسبه می کند و برای تعیین روند سهام استفاده می شود. همانطور که در بالا تعریف شد، یک SMA آهسته (SMA_15) و یک SMA سریع (SMA_5) ایجاد خواهم کرد. برای ارائه الگوریتم‌های یادگیری ماشین با عواملی که قبلاً مهندسی شده‌اند، می‌توان از (SMA_15/SMA_5) یا (SMA_15 - SMA_5) نیز به‌عنوان عاملی برای ثبت رابطه بین این دو میانگین متحرک استفاده کرد.

متوسط حجم متحرک ساده

مشابه میانگین متحرک ساده قیمت، یک میانگین متحرک ساده حجم بینش هایی را در مورد قدرت سیگنالی که سهام نشان می دهد ارائه می دهد.

شاخص جهت دار متوسط (ADX)

شاخص جهت دار متوسط توسط وایلدر برای ارزیابی قدرت یک روند در قیمت سهام ایجاد شد. دو جزء اصلی آن، +DI و-DI به شناسایی جهت روند کمک می کند. به طور کلی، ADX 25 یا بالاتر نشان دهنده روند قوی و ADX کمتر از 20 نشان دهنده روند ضعیف است. محاسبه ADX بسیار پیچیده است و به مراحل خاصی نیاز دارد.

من ADX را برای 5 و 15 روز نیز محاسبه خواهم کرد.

نوسانگرهای تصادفی

نوسانگر تصادفی یک شاخص حرکتی است که هدف آن شناسایی اوراق بهادار بیش از حد خرید و فروش بیش از حد است و معمولاً در تحلیل تکنیکال استفاده می شود.

شاخص قدرت نسبی (RSI)

RSI یکی از رایج‌ترین شاخص‌های حرکتی است که با هدف تعیین کمیت تغییرات قیمت و سرعت چنین تغییراتی انجام می‌شود.

واگرایی میانگین متحرک همگرایی (MACD)

MACD از دو میانگین متحرک نمایی استفاده می کند و یک تحلیل روند بر اساس همگرایی یا واگرایی آنها ایجاد می کند. اگرچه متداول ترین سیگنال های آهسته و سریع MACD به ترتیب بر اساس 26 روز و 12 روز استفاده می شوند، من از 15 روز و 5 روز برای سازگاری با سایر شاخص ها استفاده کرده ام.

باندهای بولینگر

نوارهای بولینگر نوسانات سهام را ضبط می کنند و برای شناسایی سهام بیش از حد و بیش از حد استفاده می شوند. گروههای بولینگر از سه عنصر اصلی تشکیل شده است: خط متوسط حرکت ساده ، یک محدوده بالایی که 2 انحراف استاندارد بالاتر از میانگین در حال حرکت و یک محدوده پایین است که 2 انحراف استاندارد زیر میانگین متحرک است.

نرخ تغییر

نرخ تغییر یک شاخص حرکت است که نسبت به یک دوره ثابت قیمت قبل از آن ، یک حرکت قیمت را توضیح می دهد.

نتیجه

این شاخص های فنی با توجه به افق زمانی ضبط شده به همراه اجازه مهندسی ویژگی های مختلف که به ایجاد یک مدل بهتر کمک می کند ، بسیار قابل تنظیم است. این مقادیر یا مستقیماً می توانند در یک مدل یادگیری ماشین قرار بگیرند یا زیر مجموعه ای از عوامل را برای یک مدل بزرگتر تشکیل دهند.

شاخص های بی شماری دیگر وجود دارد که می توانند در نظر گرفته شوند ، حتی اگر دارای اهمیت زیادی نباشند. شاخص های ذکر شده در مقاله به هیچ وجه لیستی جامع از شاخص ها نیستند ، اما لیستی از مواردی که من در مدل های خود استفاده کرده ام.

در مقاله بعدی خود ، اجرای این شاخص ها را در یک مدل یادگیری ماشین توضیح خواهم داد و عمیق تر در ایجاد و آزمایش دقیق استراتژی قرار می گیریم.

نظرات و پیشنهاد خود را در زیر بگذارید.