Trading Estratégia Quantmod

Im muito novo para R e tentar backtest uma estratégia Ive programado já em WealthLab. Várias coisas que eu não entendo (e não funciona obviamente :) Eu não entendo os Preços Fechar bem em um vetor. Ou algum tipo de vetor, mas ele começa com a estrutura e eu realmente não entendo o que esta função faz. É por isso que minha série, uma chamada provavelmente não funciona. N lt - nrow (série) não funciona, mas eu preciso que para o Loop Então eu acho que se eu chegar Estas 2 perguntas respondidas minha estratégia deve funcionar. Estou muito grato por qualquer ajuda .. R parece muito complicado, mesmo com a experiência de programação em outras línguas yeah I Tipo de copiado algumas linhas de código a partir deste tutorial e don39t realmente entender esta linha. Quero dizer série, 1 eu pensei que iria aplicar a função f para quotcolumnquot 1 da série. Mas desde que esta série é alguma compley com a estrutura etc. não trabalha. I39m falando sobre este tutorial: r-bloggersbacktesting-a-negociação-estratégia ndash MichiZH Jun 6 13 at 14: 22Introducing quantmod: É possível com uma função de quantmod para carregar dados de uma variedade de fontes, incluindo. (Dados de OHLC) Banco de Reserva Federal de St. Louis FRED174 (11.000 séries econômicas) Finanças de Google (dados de OHLC) Oanda, o local da moeda corrente (FX e metais) Bancos de dados de MySQL (seus dados locais) R formatos binários. Rda) Comma Separated Arquivos de valor (.csv) Mais para vir incluindo (RODBC, economagic, Rbloomberg.) Como você pedeGetting dados gt getSymbols (YHOO, srcgoogle) de google finance 1 google getSymbols (GOOG, srcyahoo) Gt getSymbols (DEXJPUS, srcFRED) Taxas de FX de FRED 1 DEXJPUS gt getSymbols (XPTUSD, srcOanda) Platinum de Oanda 1 XPTUSD Cada chamada resulta em dados sendo carregados diretamente em sua área de trabalho, com o nome do objeto retornado da chamada. Muito útil, mas fica melhor. Gt Especificar parâmetros de pesquisa e salvar para sessões futuras. Gt gt setSymbolLookup (YHOOgoogle, GOOGyahoo) gt setSymbolLookup (DEXJPUSFRED) gt setSymbolLookup (XPTUSDlist (nameXPTUSD, srcoanda)) gt saveSymbolLookup (filemysymbols. rda) gt novas sessões chamada loadSymbolLookup (filemysymbols. rda) gt gt getSymbols (c (YHOO, GOOG, DEXJPUS XPTUSD Agora é fácil carregar dados de fontes diferentes em seu espaço de trabalho (ou qualquer outro ambiente) sem requerer explicitamente a atribuição, ou constantemente recordando especificando parâmetros de conexão. Pense nisso como um comando de carregamento que pode buscar dados de quase qualquer lugar. Experimente você mesmo getdata. R Charting com quantmod Agora que temos alguns dados que pode querer olhar para ele. Insira a nova função chartSeries. No presente, esta é uma ótima ferramenta para visualizar as séries de tempo financeiro de uma maneira que muitos praticantes estão familiarizados com - gráficos de linha, bem como gráficos OHLC barra e vela. Há conveniência wrappers para esses estilos diferentes (lineChart, barChart. E candleChart), embora chartSeries faz um pouco para lidar automaticamente com os dados da forma mais adequada. Um rápido olhar para como criar alguns gráficos, incluindo algumas características e um olhar para o que está chegando em lançamentos futuros. Gt Especificar parâmetros de pesquisa e salvar para sessões futuras. Gt gt getSymbols (AAPL, srcyahoo) 1 AAPL gt barChart (AAPL) gt Adicionar multi-colorir e mudar o fundo para branco gt candleChart (AAPL, multi. colTRUE, themewhite) Non-OHLC e Volume série são tratados automaticamente gt getSymbols (XPTUSD, Srcoanda) 1 XPTUSD gt chartSeries (XPTUSD, nomePlatinum (.oz) em USD) Platinum, agora semanal com velas de cor personalizadas usando a função quantmod to. weekly gt chartSeries (to. weekly (XPTUSD), up. colwhite, dn. colblue) Ferramentas de análise de análise técnica A partir da versão 0.3-0, pode-se agora adicionar estudos de análise técnica do pacote TTR ao gráfico acima. Uma página de exemplos detalhados seguirá em breve, mas aqui está um pouco da bondade: Muito boa funcionalidade técnica da biblioteca por Josh Ulrich - no CRAN gt require (TTR) gt getSymbols (AAPL) 1 AAPL gt chartSeries (AAPL) gt addMACD ) Gt addBBands () Usando os dados para gerar sinais Modelos de construção serão principalmente deixados para uma série de exemplo posterior, mas para aqueles ansiosos para continuar desperdiçando uma tarde de sexta-feira no trabalho (quando a maioria dos meus visitantes parecem aparecer), vou continuar. Modelagem em R é o que R é sobre. Os fluxos de dados nesta discussão mais prevelently devido ao fato de que muitos dados financeiros não estão contidos em objetos de dados único. Muito, se não todos, tem que coletado e agregado por você, o modelador. É aqui que as fontes de dados pré-especificadas e os parâmetros de conexão são tão úteis. SetSymbolLookup permite ao modelador a oportunidade de instruir quantmod para dados de origem - dado um símbolo específico - de uma maneira particular. Ao construir modelos em R. Muitas vezes uma fórmula é passada para a função de ajuste junto com o objeto de dados apropriado para pesquisa. Para tratar muitas fontes diferentes, é necessário criar um objeto de dados com todas as colunas pré-especificadas, OU para usar objetos visíveis no ambiente de usuários. Ambos têm inconvenientes óbvios - não menos do que é uma confiança no modeller para ter carregado manualmente e alinhado a série em questão. No melhor, isso é demorado e certamente não muito esclarecedor. No pior dos casos, pode ser perigoso, pois o tratamento de dados é inerentemente propenso a erros. Erros de dados na investigação pode ser caro, erros de dados na negociação pode rapidamente levar a uma nova carreira. Dito isto, vou enfatizar os termos da LICENÇA declarando a FALTA DE GARANTIA COMPLETA em relação a este software e todos os R para essa matéria. User beware Para facilitar este problema de dados relativamente único, o quantmod cria dinamicamente objetos de dados para uso dentro do processo de modelagem, criando um frame de modelo internamente depois de passar por uma série de etapas para identificar as fontes de dados necessárias - carregando se necessário. SpecificModel é a função workhorse para lidar com todos os problemas de dados, e seu arquivo de ajuda deve ser lido para entender completamente o que está acontecendo internamente. Para nossos propósitos aqui, basta saber que um pode especificar QUALQUER dado dentro da chamada para especificarModelo, e quantmod irá lidar com pesquisa e agregação de dados para você. É claro que os dados têm de ser localizáveis ​​e únicos, mas que provavelmente foi suspeitado. Vamos dar uma olhada em um exemplo de especificarModelo. Gt Crie um objeto quantmod para uso em gt no modelo de montagem posterior. Observe que há gt não há necessidade de carregar os dados antes da mão. Gt gt setSymbolLookup (SPYyahoo, VXNlist (nomeVIX, srcyahoo)) gt gt mm lt - especificModel (Next (OpCl (SPY)) OpCl (SPY) Cl (VIX)) gt gt modelData (mm) mm é agora um objeto de quantmod segurando o A fórmula do modelo e a estrutura de dados que implicam os próximos períodos (Next) abertos ao fechamento do SampP 500 ETF (OpCl (SPY)) é modelado como uma fucnção do período atual aberto ao fechamento e o fechamento atual do VIX (Cl (VIX) ). A chamada para modelData extrai o conjunto de dados relevantes, com as transformações aplicadas magicamente. Você pode pegar os dados e fazer com ele como você gosta. Uma função mais direta para realizar o mesmo fim é buildData. Whats next Como sobre alguns exemplos de manipulação de dados de quantmods Este software é escrito e mantido por Jeffrey A. Ryan. Consulte a licença para obter detalhes sobre como copiar e usar. Copyright 2008.Estou tendo problemas para testar uma estratégia de Bollinger Band em R. A lógica é que eu quero tomar uma posição curta se o Close for maior do que o Upper Band e então fechar a posição quando ele cruza o Average. Eu também quero tomar uma posição Long se o Close for menor do que o Lower Band e Fechar a posição quando ele cruza o Average. Até agora isso é o que eu tenho: bbands lt - BBands (stockClose, n20, sd2) sig1 lt - Lag (ifelse ((stockClose gtbbandsup), - 1,0)) sig2 lt - Lag (ifelse ((stockClose ltbbandsdn), 1 , 0)) sig3 lt - Lag (ifelse ((stockClose gt bbandsmavg), 1, -1)) sig lt - sig1 sig2 Isto é onde eu estou preso, como faço para usar o sig3 para obter o resultsCategory desejado: Veio através desta série de vídeo durante o fim de semana, um comerciante de opção discute como ele comercializa spreads de crédito (principalmente olha para reversão média). A maioria de vocês estarão familiarizados com bandas de bollinger como uma estratégia de reversão de média comum, essencialmente você tomar a média móvel e mover o desvio padrão do estoque. Em seguida, traça no gráfico a média móvel e uma banda superior e inferior (média móvel - desvios padrão). Supõe-se que o preço reverterá para a média móvel, portanto, qualquer movimento de preço para as bandas é um bom ponto de entrada. Um problema comum com esta estratégia é que a média móvel é um indicador LAGGING e é muitas vezes muito lento para acompanhar os movimentos de preços, se um período longo lookback é usado. O vídeo 1 apresenta uma técnica chamada curvas de regressão linear 82208221 cerca de 10min. As curvas de regressão linear objetivam resolver o problema de a média móvel ser lenta para rastrear o preço. Curva de Regressão Linear vs Média Movente Simples Veja quão fortemente a curva de regressão linear azul segue o preço de fechamento, it8217s significativamente mais rápido para identificar voltas no mercado onde, como a média móvel simples tem erro de rastreamento considerável. O MSE poderia ser tomado para quantificar o aperto. Como calcular a curva de regressão linear: Neste exemplo você tem 100 preços de fechamento para seu estoque dado. Bar 1 é o mais antigo preço, bar 100 é o preço mais recente. Usaremos uma regressão de 20 dias. 1. Pegue os preços 1-20 e desenhar a linha de melhor ajuste através deles 2. No final de sua melhor linha de ajuste (então barra 20), desenhe um pequeno círculo 3. Pegue os preços 2-21 e desenhar a linha de melhor ajuste Através deles 4. No final da sua melhor linha de ajuste (então barra 21) desenhar um pequeno círculo 5. Repita até a barra 100 6. Junte-se a todos os seus pequenos círculos, esta é a sua 8216 curva de regressão linear8217 Então, em poucas palavras, Extremidades de uma regressão linear de rolamento. Este post olha para examinar se a frase bem conhecida 8220 quanto maior o risco maior a recompensa8221 se aplica aos constituintes FTSE 100. Numerosos modelos têm tentado capturar métricas de recompensa de risco, o mais conhecido é o Capital Allocation Pricing Model (CAPM). O CAPM tenta quantificar o retorno de um investimento que um investidor deve receber para ser adequadamente compensado pelo risco que assumiu. O código abaixo calcula o desvio padrão de rolamento dos retornos, para o risco 8217, para os constituintes do FTSE 100. Em seguida, agrupa os estoques em quartis por essa métrica de risco, os grupos são atualizados diariamente. Quartil 1 é o menor estoque de volatilidade, quartil 2 o mais alto. Um índice igualmente ponderado (amt) é criado para cada quartil. De acordo com a teoria acima Q4 (alto vol) deve produzir os maiores retornos acumulados. Ao usar um lookback de 1 mês para o cálculo stdev há um índice vencedor claro, o índice vol mais baixo (preto). Curiosamente, o segundo melhor índice é o maior índice de vol (azul). O gráfico acima é calculado usando retornos aritméticos. Ao usar um lookback mais longo de 250 dias, um ano comercial, o maior índice de vol é o melhor desempenho eo menor índice de vol o pior desempenho. Para o lookback curto (30 dias) o índice baixo do vol foi o melhor performer Para o lookback longo (250days) o índice elevado do vol era o mais melhor performer Uma explicação possível (untested) é que para um lookback curto a métrica de risco da volatilidade é mais sensível aos movimentos no estoque E, portanto, em um anúncio de notícias ganhos do estoque tem uma maior probabilidade de passar de it8217s índice atual em um maior índice de vol. Talvez não seja razoável supor que o índice de alto vol contém apenas as ações que tiveram uma volatilidade temporária de anúncio recente e estão em um período de consolidação ou reversão média. Ou para colocá-lo de outra forma para lookbacks curto o índice de alto vol doesn8217t conter os estoques que são permanentemente altamente vol, enquanto que para lookbacks longos todos os desvios temporários vol são suavizados. Abaixo estão os mesmos gráficos acima, mas para retornos geométricos.