Computational Investing, Part 1 课后分享 --fyw-- 2014.11
Outline 简要介绍课程内容 理论部分举例 实践部分举例 总结
Comp_Invs1讲了一些什么? a. 理论部分: b. 实践部分: Financial Markets Data Analysis (e.g: Actual Close Price , Adjusted Close Price) Data Analysis
举例1: “Actual Close Price & Adjusted Close Price”
举例2: “Sharpe Ratio” : Measure Risk and Return Days A B 1 10% 3% 2 5% 2% 3 4% 4 -3% 1% 5 -4% Mean Std Sharpe_Ratio A 2.6% 0.053 2.6% / 0.053 * Sqrt(250) B 2.4% 0.010 2.4% / 0.010 * Sqrt(250)
上个栗子: “Event Study” 1.事先定义一个”事件”, 根据历史数据分析, 选出相应的”事件”发生时间. 1.事先定义一个”事件”, 根据历史数据分析, 选出相应的”事件”发生时间. 2. 用历史数据, 检验所定义的”事件”, 看历史数据的结果. 并因此制定交易策略 3. 根据历史数据, 回测, 选出最优的”事件交易”策略.
1. 数据获取: 通过课程提供的接口( QuantSoftware ToolKit ), 获取纽交所(NYSE)的历史日数据
2. 事件的定义: 可以利用一些技术指标(Indicators), 技术分析(Technical Analysis)的方法, 例如Bollinger Bands:
3. 用历史数据, 检验所定义的”事件”, 看历史数据的结果. 并因此制定交易策略 e.g: 决定当下次”事件”发生时, 买入该股票, 并持有5天, 然后卖掉.
4. 根据历史数据和”事件”定义, 列出应执行的订单.
4. 根据列出应执行的订单, 回测历史数据, 检验”定义事件”的盈利效果.
4. 根据列出应执行的订单, 回测历史数据, 检验”定义事件”的盈利效果. a. 选择一个评判”交易策略”的标准. 比如: Sharpe Ratio. b. 按照“事件A”, “事件B”, ……., “事件 X”的定义, 分别回测历史数据. c. 选出Sharpe Ratio最高的方案, 作为”Event Study” 的结果. d. 等待今后该”事件”发生时, 按照既定的交易策略执行.
1.事先定义一个”事件”, 根据历史数据分析, 选出相应的”事件”发生时间. 2. 用历史数据, 检验所定义的”事件”, 看历史数据的结果. 并因此制定交易策略 3. 根据历史数据, 回测, 选出最优的”事件交易”策略.
个人感想 2. 提供了”理论联系实际”的python练习 (熟悉numpy, pandas, dataFrame, Series) Pros: 1. 介绍了一些基本的金融常识(Order book, Sharpe ratio, CAPM……) 2. 提供了”理论联系实际”的python练习 (熟悉numpy, pandas, dataFrame, Series) 总结: 当作一个Hallo World级课程, 还是一个不错的选择. 进阶的话还要看很多其它的材料, 书籍. “Computational Investing Part 2 -- Machine Learning for Trading” 15年春季开始, 有兴趣的同学可以到时候关注. Cons: 题目比较简单.
谢谢大家