Essayez de modéliser le rendement cumulatif du roulement dans le trading à terme

Modélisation du futur trading

Il s'agit essentiellement d'une continuation de précédent et précédent.

Aujourd'hui, la norme "[] Ven "génère en fait des retours continus à partir des rollovers, aidant à prévoir et à modéliser C'est une histoire à utiliser.

Rollover est simplement une transition d'un contrat avec une échéance proche pour le trading à terme à un contrat qui est bientôt ou loin devant. C'est. Afin de modéliser la transition continue du solde de la transaction, diverses conditions du marché et de la transaction doivent être prises en considération, mais nous considérerons ici un modèle simple qui transite linéairement.

Sélection de marque

Reportez-vous à Gold Futures Rollover Dates 2013 et sélectionnez l'action appropriée. Au moment de la rédaction de cet article, il est 3/13, donc visons GCJ14 et GCM14, qui sont sur le point d'atteindre la dernière date de transaction.

Marche aléatoire

[Random Walk](http://ja.wikipedia.org/wiki/%E3%83%A9%E3%83%B3%E3%83%80%E3%83%A0%E3%83%BB%E3% Simulez de futurs contrats de trading avec 82% A6% E3% 82% A9% E3% 83% BC% E3% 82% AF% E7% 90% 86% E8% AB% 96).

def random_walk(px, n, f):
    np.random.seed(34567)
    N = 200
    _walk = (np.random.randint(0, 200, size=N) - 100) * 0.25
    perturb = (np.random.randint(0, 20, size=N) - 10) * 0.25
    walk = _walk.cumsum()
    rng = pd.date_range(px.index[0], periods=len(px) + N, freq='B')
    near = np.concatenate([px.values, px.values[-1] + walk])
    far = np.concatenate([px.values, px.values[-1] + walk + perturb])
    prices = pd.DataFrame({n: near, f: far}, index=rng)
    return prices

Vous avez maintenant une fonction de marche aléatoire. Passons les données Yahoo! Finance à cela.

#Prix de base de la fiducie d'investissement SPY S&Utilisé comme prix approximatif pour l'indice P 500
px = web.get_data_yahoo('SPY')['Adj Close'] * 10
#Spécifiez la marque et la date d'expiration du contrat
expiries = {
    'GCJ14': datetime(2014,4,28),
    'GCM14': datetime(2014,6,26)
}
expiry = pd.Series(expiries).order()

print( px.tail(5) )
# => 
# Date
# 2014-03-06    1881.8
# 2014-03-07    1882.6
# 2014-03-10    1881.6
# 2014-03-11    1872.3
# 2014-03-12    1872.8

print( expiry )
# =>
# GCJ14   2014-04-28
# GCM14   2014-06-26

prices = random_walk(px, 'GCJ14', 'GCM14')
print( prices.tail(5) )
# =>
#               GCJ14    GCM14
# 2014-10-17  1618.80  1621.05
# 2014-10-20  1634.80  1632.55
# 2014-10-21  1622.55  1623.80
# 2014-10-22  1638.55  1639.30
# 2014-10-23  1637.55  1638.30

Pondéré

Ensuite, créez un modèle qui calcule les poids. Le code est le même que celui du livre O'Reilly.

def get_roll_weights(start, expiry, items, roll_periods=5):
    dates = pd.date_range(start, expiry[-1], freq='B')
    weights = pd.DataFrame(np.zeros((len(dates), len(items))),
                        index=dates, columns=items)
    prev_date = weights.index[0]
    for i, (item, ex_date) in enumerate( expiry.iteritems() ):
        if i < len(expiry) - 1:
            weights.ix[prev_date:ex_date - pd.offsets.BDay(), item] = 1
            roll_rng = pd.date_range(end=ex_date - pd.offsets.BDay(),
                                     periods=roll_periods + 1, freq='B')
            decay_weights = np.linspace(0, 1, roll_periods + 1)
            weights.ix[roll_rng, item] = 1 - decay_weights
            weights.ix[roll_rng, expiry.index[i + 1]] = decay_weights
        else:
            weights.ix[prev_date:, item] = 1
        prev_date = ex_date
    return weights

Calcul des rendements continus

Enfin, utilisez ces fonctions pour trouver l'index de retour continu.

weights = get_roll_weights('3/11/2014', expiry, prices.columns)

sample_prices  = prices.ix['2014-04-17' : '2014-04-28']
sample_weights = weights.ix['2014-04-17' : '2014-04-28']
sample = sample_prices * sample_weights

#Créer un nouveau bloc de données
result = pd.DataFrame({'GCJ14': sample['GCJ14'], 'GCM14': sample['GCM14'], 'GOLD': sample['GCJ14'] + sample['GCM14'] })

#Obtenez un retour sur les contrats à terme reconduits
print( result )
# =>
#               GCJ14    GCM14     GOLD
# 2014-04-17  1663.30     0.00  1663.30
# 2014-04-18  1687.55     0.00  1687.55
# 2014-04-21  1348.24   337.16  1685.40
# 2014-04-22  1017.78   678.42  1696.20
# 2014-04-23   676.62  1015.53  1692.15
# 2014-04-24   338.01  1351.84  1689.85
# 2014-04-25     0.00  1705.55  1705.55
# 2014-04-28     0.00  1723.05  1723.05

C'est la fin de l'analyse du portefeuille d'actions, et nous l'appliquerons à d'autres domaines à partir de la prochaine fois.

référence

Introduction à l'analyse de données avec le traitement des données Python avec NumPy et pandas http://www.oreilly.co.jp/books/9784873116556/