معرفی شرکت ها
CointArbitrage-0.0.63
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Conintegration method
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | CointArbitrage-0.0.63 |
| نام | CointArbitrage |
| نسخه کتابخانه | 0.0.63 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Yili Peng |
| ایمیل نویسنده | yili_peng@outlook.com |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/CointArbitrage/ |
| مجوز | - |
This programme is used for statistical arbitrage with co integation
method
Dependencies
~~~~~~~~~~~~
- python 3.5
- pandas 0.22.0
- spyder 3.2.8
- joblib 0.12.3
- RNWS 0.1.2
- mini_exchange 0.0.7
Sample
~~~~~~
Back Test
---------
Calculate p_value of stationarity among all pairs along all history
.. code:: bash
import pandas as pd
from CointArbitrage.pairing_period import find_pair,filter_tickers
price=pd.read('price.csv') # index:yyyymmdd(int),columns:tickers,values:adjusted price
past_date=60 # use last 60 days to calculate p_value
P=[]
for i in range(past_date,price.shape[0]):
# filter unavailable tickers, this step is optional
df=filter_tickers(price.iloc[(i-past_date):i])
# calculate p_value
des=find_pair(df,mul=True,n_jobs=-1)
dt=filter_tickers.index[i]
P.append(pd.Series(des.p_value.values,index=des['ticker1'].str.cat(des['ticker2'],'|').values,name=dt))
pairs=pd.concat(P,axis=1).T
Make signal dataframe
.. code:: bash
from CointArbitrage.trading_period import zscore_log_w,zscore_w,sig,sig_cut_tail
window=20 # use 20 days to calculate zscore ( = normalize(stockPrice1/stockPrice2))
ratio,zs=zscore_w(price_df=price,pair_lst=pairs.columns,window=window)
# or use log zscore = normalize(log(stockPrice1/stockPrice2))
ratio,zs=zscore_log_w(price_df=price,pair_lst=pairs.columns,window=window)
# or use exponential moving to calculate zscore with function zscore_df and zscore_log_df
# generate signal
# k0: close position, int, float or pd.Series if need to specify different values for each pairs
# k1: open position
# k2: close out position
k0,k1,k2=1,2,4
sig_df=sig(zscore=zs,k0=k0,k1=k1,k2=k2)
# sig_df contains value Nan,-3,-2,-1,0,1,2,3
# 3(-3) means close position and open another position in different direction
# 2(-2) means close position
# 1(-1) means open position
# keep signal when stationary (i.e. p_val<0.1), others would be kept in Nan
# and add a new signal 4(-4), which means reaching the end of stationarity period
sig_result=sig_cut_tail(sig_df,pairs<0.1,n_jobs=-1,new_signal=4)
Simulate trade
::
from CointArbitrage.trading_period import Trade
start=20140101
end=20180101
TT=Trade(price,start=start,end=end)
user_name='user01'
TT.add_user(user_name,sig_result,start_amount=1000)
# add signal 4 as close signal
# and leave close status as -1 (default close status is 0)
# more reference can be found in mini_exchange package
TT.add_close_signal(4,close_status=-1)
TT.add_close_signal(-4,close_status=-1)
# trade 10 dollars when opening position each time
uad=pd.DataFrame({'user_name':[user_name],'amt_type':0,'value':10})
TT.trade(uad)
print(TT.summary())
# to analysis in detail, get the account info and position info of user01
account,position=TT.get_user(user_name)
# more details can be found in mini_exchange package
account.plot_history(by_pct=True)
account.annual_return()
account.draw_down()
account.romad()
position.win_rate(dual=True)
position.log
# plot one pair
pair='0001.HK|0002.HK'
TT.plot_trade_pair(user_name,pair,k0=k0,k1=k1,k2=k2,window=window)
Instant simulation in HK market with Wind Api
---------------------------------------------
Find New Pair
.. code:: bash
# initialize
from CointArbitrage.instant_with_wind import init_log
init_log('log.csv')
# last t trading days
from WindPy import w
from CointArbitrage.instant_with_wind import trading_times
w.start()
times=trading_times(w,length=60,text="TradingCalendar=HKEX")
# download adjusted close price up to yesterday
# price is kept in file price_yyyymmdd.csv with eachline as 'tickers,values'
# more can be found in RNWS package
from CointArbitrage.instant_with_wind import download_hist_price
tickers=['0001.HK','0002.HK','0003.HK'...]
download_hist_price(tickers,times,'price_path',w)
# read in history price
from RNWS import read_df
hist_price=read_df('price_path',file_pattern='price',dt_range=times)
# filter stationary pairs
from CointArbitrage.pairing_period import filter_pval
import pandas as pd
pairs=['0001.HK|0002.HK','0001.HK|0003.HK',...]
new_pairs=filter_pval(hist_price,pairs,n_jobs=-1)
new_tickers=pd.Series(new_pairs).str.split('|',expand=True).unstack().unique().tolist()
new_hist=hist_price[new_tickers]
# lotsize and shortability
ls=pd.DataFrame({'shortable':[0,0,1,...],'lotsize':[500,1000,500,...]},index=['0001.HK','0002.HK','0003.HK'...])
# find new pairs
from CointArbitrage.instant_with_wind import find_new_hk
params={'log_path':'log.csv'
,'hist_price':hist_price
,'hist_log': pd.read_csv('history_log.csv') #from back test
,'pairs':new_pairs
,'tickers':new_tickers
,'zs_window':20
,'zs_log':False
,'w':w
,'ls':ls
,'potential_path':'potential_path.csv'
,'potential_k':1.8
,'k0':1
,'k1':2
,'k1':4
,'match_max':50000
}
# update log.csv
sign=find_new_hk(**params)
update file every 1800s at trading hour and refresh evrey 900s at lunch
break and before trading start
.. code:: bash
from CointArbitrage.instant_with_wind import time_sleep
time_sleep(sign={0:1800,1:900,2:'break',3:'break'})(find_new_hk)(**params)
Refresh log and check close status
.. code:: bash
params2={}
for key in ['log_path','hist_price','w','hist_log','k0','k2','plot_mark','potential_path','zs_log','zs_window']:
params2.update(params[key])
refresh_hk(**params2)
# to continue refresh every 1800s
time_sleep(sign={0:1800,1:900,2:'break',3:'break'})(refresh_hk)(**params2)
Check stationarity by using the price at last 10min of all trading hours
.. code:: bash
param3={}
for key in ['log_path','hist_price','w','zs_window','zs_log','k0','k1']
param3.update(key)
time_sleep(sign={0:10,1:9000,2:'break',3:'break'})(last_hk)(**param3)
Notice: After using time_sleep, sleep loops will start directly. Thus
``find_new``, ``refresh`` and ``last`` should be running in 3 different
consules.
نیازمندی
| مقدار | نام |
|---|---|
| - | RNWS |
| - | mini-exchange |
نحوه نصب
نصب پکیج whl CointArbitrage-0.0.63:
pip install CointArbitrage-0.0.63.whl
نصب پکیج tar.gz CointArbitrage-0.0.63:
pip install CointArbitrage-0.0.63.tar.gz