The trend is your friend. Одна из стратегий на рынке — это покупка активов в направлении тренда. Узнать тренд можно множеством способов и каждый имеет свои плюсы и минусы. Самый известный и одновременно рабочий способ определения долгострочного тренда — это 200-дневная скользящая средняя.

Но хочется знать на сколько всё хорошо. Какова вероятность, что мы вскочим в рынок и он не рухнет вместе с нами? Для этой цели мы сегодня исследуем индикатор силы тренда (TSI), найденный мною на просторах интернета.

Разбил много ☕кружек в поисках решения для ️быстрого получения длинных историй цен для большого количества активов в Python. Ещё имел смелость желать работать с ценами в numpy-массивах, а лучше сразу в pandas.

Стандартные подходы в лоб работали разочаровывающе, что приводило к выполнению запроса к БД в течение 30 секунд и более. Не желая мириться, я нашёл несколько решений, которые полностью меня удовлетворили.

После хардфорка BCH многие пользователи столкнулись с разными проблемами. Но одна из этих проблем актуальна по сей день. Это отправка одной валюты на кошелёк другой с идентичным форматом адресов. Как-то, по случайности, отправились BCH на мой segwit-адрес BTC и заблудились… Форумы призывали забыть об этом и смириться. Но мне повезло и я нашёл способ спасения монет, отправленных на segwit-адрес.

Наткнулся на статью о лучезарных возможностях арбитража ETH/USD между криптобиржами Exmo и Kraken от аналитика банка New York Mellon. Исключив комиссии за 5 месяцев он получил доходность в 39%.

Но если на поверхности такие лучезарные возможности, то где же все?

В этот раз будем тестировать стратегию разворотов по сигналам 3-х-дневного индикатора RSI. Начнем с проведения анализа пересечения границ перепроданности/перекупленности методом, описанным в предыдущей статье.

Анализ и тесты будем проводить на Python, используем библиотеку Zipline и Quantopian.

При бэктестингах индикатора RSI заметил разное поведение на разных активах. На некоторых активах сигналы перекупленности и перепроданности по RSI за короткий период (2-5 дней) работают одинаково хорошо в обе стороны, а иногда преобладает только один сигнал. На крупных индексах за последние 10 лет лучше работает сигнал перепроданности⤴.

При поиске ответа на «Почему?» удалось найти решение для определения оптимального периода RSI и лучших порогов. Итак, проанализируем это вместе на Python.

В этой статье мы рассмотрим, как правильно работать с историей цен в связке PostgreSQL и Python. Разберём, как хранить цены и ускорить их получение в Python.

Дополнительно приложен блокнот на IPython с исходным кодом и измерениями.

При переходе на Python я был вдохновлен удобством языка и огромным количеством готовых пакетов. Писать было легко и удобно, а работало все быстро. Но всё омрачало катастрофически медленное получение большого массива цен из базы данных (БД) в Python.

В статье показаны примеры для PostgreSQL, но материал будет полезен для любой БД, включая MySQL, при работе в связке с Python.

Мы будем работать с пакетами psycopg2 и numpy.

Этой статьей мы продолжим улучшать результы автоматического поиска пар для торговли. Дополнительным фильтром будем использовать измерения, доступные после построения регрессии методом statsmodels.api.OLS(). Этот же фильтр будем применять к парам во время торговли.

Найденные пары проверим в Quantopian, а исходный код напишем на Python.

При торговле по стратегии «Парного трейдинга» часто встречаются пары, где цены каждого актива сильно отличаются друг от друга. Для получения лучшей доходности и сокращения риска необходимо правильно определить размер сделки по каждому активу.

Сегодня мы рассмотрим расчет дельты позиций используя метод наименьших квадратов (МНК).

Тестировать будем в Quantopian, а код пишем на Python.

В прошлый раз мы проверили трендовую природу индикатора RSI. Нами были получены интересные результаты, особенно при торговле основными секторами. В этот раз мы продолжим двигаться в направлении изменения индикатора RSI, но будем использовать сигнал разворота тенденции.

Рассмотрим пересечение индикаторов RSI разных периодов. Алгоритмы пишем в Quantopian на Python.

В этот раз:

• Попробуем быть на шаг впереди, используя 13-дневный и 65-дневный периоды RSI.
• Попробуем использовать стандартные 14-дневный и 70-дневный периоды RSI.
• Посмотрим на лучший период прошлого теста и используем 20-дневный и 100-дневный RSI.
• Попробуем отфильтровать тренды с помощью скользящих средних.