Вот тут пост с описанием о чем это и зачем

Самое ценное в статье
В файле perfomance.py лежат методы по расчету среднегодовой взвешенной по времени / деньгам доходности. 
— twrr   — (time-weighted return) считает среднегодовую взвешенную по времени доходность
— xirr — (х internal rate of return  она же  money-weighted return) считает среднегодовую взвешенную по деньгам доходность
— create_return — метод, считающий оба вида доходности и рассчитывающий среднегодовую доходность каждого типа для каждого периода в входящих данных. 

Зачем это вам нужно?

— Если вдруг у вас есть датасет с cashflow ваших инвестиций и вы хотите посмотреть на годовую доходность и заодно посмотреть, как эта доходность менялась во времени, то вам может быть интересно заглянуть в этот код. 

Возможно файл переедет, но все равно ищите его в этом репозитории. Методы описаны максимально подробно, но если чего пишите.

( Читать дальше )

Доброго дня, товарищи инвесторы. 

Для знающих сразу вопрос:
Есть ли какой либо инструмент, рассчитывающий взвешенную по времени доходность для S&P 500?  
Если прямо инструмента нет, то есть ли инструмент считающий эту TWR для набора данных?
Может там сайт какой или эксель у кого завалялся?



Вкратце про исходные данные проблемы:
Я пишу на коленке свой бэктестер с питоном и куртизанками, что получается, выкладываю в открытый репозиторий.
Предыдущие посты можно глянуть в оглавлении.

Теперь к теме топика. Я затормозил в вроде бы совершенно простом моменте — как считать доходность!
Тут можно начинать кидать в меня тапки, отписываться и вот это все, ведь даже школьник знает, что считать доходность при условии пополнения и изъятия можно двумя методами:
Взвешенно по деньгам MWR и взвешенно по времени TWR!

Для взвешенного по деньгам расчета (Money weight return) я нашел и честно скомуниздил готовое решение, вы можете посмотреть его в

( Читать дальше )

Не понятно, к чему это все? Почитай тут

Доброго дня! 
Вашему вниманию представляется продолжение потуг начинающего программиста / аналитика по созданию самопальной системы бэктестинга на python. 
Настала пора поближе понять, что же такое backtesting торговых стратегий. Расскажу как обычно своими словами.

Вот сидел я, смотрел на графики и прозрел! Все же просто в этих ваших инвестициях, покупай на дне, продавай на пике! Изи же! 

Осталось понять, когда оно на дне, когда на пике.

И вот тут раскрывается все море возможностей, трейдеры разворачивают сети осцилляторов, средних и нарисованных фигур, стоимостные инвесторы сдувают пыль с мультипликаторов и сравнивают со средними значениями по отраслям и историческими средними, пассивные инвесторы расчехляют свои корреляции, собирают портфель и ждут перекосов для ребалансировки. Тысячи инструментов, миллионы идей, миллиарды комбинаций и это я еще не сказал про рынок производных инструментов. 

Ну и как водится, истина где то там, в безбрежном океане информации и пока не попробуешь, не узнаешь. 
А пробовать то надо за деньги, а деньги жалко! 

И тут снова приходит великолепная идея, есть же данных о прошлых значениях, цен, объемов, мультипликаторов, осцилляторов, корреляций. Что если сформировать портфель в прошлом и посмотреть, как все было бы сейчас, если бы мы все купили/продали тогда?  

Это и есть backtest. Ответ на вопрос, что было бы, если бы мы в соответствии с подсказками, которую дает наша стратегия, купили / продали в прошлом. 
Такое тестирование можно делать смотря на графики, табличками в экселе используя специально предназначенные для этого инструменты. 

А можно написать код, который будет проверять на сколь угодно больших объемах данных и выдавать результат. Как долго он будет то делать и как точно у него получится, вопрос уже к коду. 

Ну и хватит потока мыслей, переходим к реализации. 
То, что я пытаюсь написать называется событийно — ориентированным бэктестом. 

( Читать дальше )

Вот тут написано, к чему это вообще и содержание

Если уж начинать рассказ про проект по анализу данных, нельзя не упомянуть про инструментарий, который поможет в этом нелегком деле. 
Для тех кто в теме, буду краток, для тех кому вдруг интересно мое видение, расскажу подробнее. 

Отдельной ремаркой, немаловажной для данного сайта, все инструменты описанные ниже совершенно open source, то есть даром! 
Используемый инструментарий:

Python 3.8 + Pycharm + anaconda + git(необязательно)

В комменты накидали еще инструментов, грех упускать случай.
Что еще используют пользователи smart-lab:
— Язык R
- jupyter notebook
— Collab google


Если вы хотя бы немного умеете в программирование, не читайте дальше, вам не понравится.

Я предупреждал. 


( Читать дальше )

Это будет пополняемый пост с общими решениями по ходу проекта и набором грабель, на которые я натолкнулся. 

Тут будет пополняемый список общих решений, которые мне помогли:
1. Найти ментора. То есть человека, который работает с python и за вменяемую деньгу будет рассказывать как вылезти из того треша, что я написал. Не делать за меня, а именно рассказывать и давать ссылки.
Найти такого человека совсем не просто. Искал в яндекс услугах и профи. За неделю, откликнулись всего четверо, с одним договорился. 
Найти человека, который ответил на мои вопросы по инвестиционному анализу, было труднее. Помогли товарищи, мы вскладчину оплатили инвестиционного советника. Закрепил с ним те идеи, которые у меня были. 

2. git — система контроля версий, это круто удобно и правильно. Но для старта, очень трудно. Посвятил какое то время изучению статей для новичков, поиграл в игру и неделю разбирался, как его подключить в pycharm. Помог ментор и создание пары тестовых проектов / репозиториев на github

( Читать дальше )

День добрый! 
Предлагаю вам понаблюдать в прямом эфире процесс зарождения и танцев по граблям начинающего автоматизатора анализа ценных бумаг. 

Немного про проект:
Написание собственного пошагового бэктестинга инвестиционных идей на python. 

Это попытка развития под свои нужды кода из вот этой статьи:

Репозиторий вот тут

В блоге буду описывать созданные велосипеды и баги, с которыми столкнулся по ходу творчества.

Если вы все еще читаете, у вас наверняка возникли вопросы:

Кто ты вообще такой?
В анамнезе:
— профессия и профильное образование бизнес / системный аналитик
— куски знаний про инвестиции набранные на курсах про инвестиции курсеры 
— куски знаний по python набранные на курсах по машинному обучению той же курсеры и всякие 

( Читать дальше )