金融資料分析

初學者的Python金融分析日記- QuantopianEP1 – Pipeline

內容:
1.Quantopian平台介紹
2.Quantopian演算法設計模式
3.Pipeline工具介紹

Quantopian平台介紹

Quantopian是一個美國著名雲端回測平台，它提供了一個好用的架構讓我們再上面回測交易策略，儘管現在Quantopian已經不允許我們使用它的平台直接進行線上交易，但我們仍可使用免費回測的功能理解很多金融概念。

要使用Quantopian的功能，我們必須先註冊一個免費帳號，可以選擇用google帳號註冊!

而Quantopian的功能主要可以分為Notebooks以及Algorithm兩大部分，Notebooks允許我們建立Jupyter notebook來研究適當的交易信號，而Algorithm則是允許我們寫下交易策略演算法來進行回測。

Algorithm環境
Notebook環境

一般來說，利用Notebook的高互動性，我們應該會在Notebook環境測試一些有用的交易信號，然後在Algorithm寫交易程式!

Quantopian演算法設計模式

Quantopian有提供一個樣板的程式碼(Getting Started)，告訴我們Quantopian希望的設計模式大概是怎模樣，一個典型的Quantopian的交易程式會長得有點像這樣
1.決定交易的標的(Universe)，這邊通常是美股
2.利用Pipeline計算因子與篩選標的
3.利用因子值來幫標的打分數，在一些限制( 槓桿 等等)與風險模型一起算出最佳資產配置

而實際上，Quantopian已經幫我們寫好1,3的部分了，所以如果使用Getting Started程式碼的話，我們只需要仔細思考如何做出有用的因子(第二步)，所以學習Quantopian最佳方式，可能事先學習Quantopian提供的資料處理工具-Pipeline，本文也會從Pipeline開始講起，然後在切回Getting Started的程式碼!

Pipeline工具介紹

我們會先在Research環境介紹如何使用Pipeline，然後在介紹Alogorithm時介紹如何移植到Algorithm環境中!

首先，先點進Notebooks，然後按旁邊的+符號(如下圖)，即可創建一個Jupyter notebook!

Pipeline是甚麼?

  • Pipeline物件為Quantopian 提供處理資料的工具​
  • ​
  • 在處理資料時，有一些常見的使用場景：​
  • 1. 在一組資產集合(大集合)中裡用移動窗口計算N個常數值(計算因子，像是ROE)​
  • 2. 根據計算出來的值選取一個交易宇宙(小的子集合)(用因子值來篩選，像是選ROE高過多少的資產)​
  • 對應Pipeline的術語，第一類計算為Factor，第二類計算為Filter​

如何在筆記本環境創建以及運行Pipeline

我們可以使用內建的Pipeline建構子(Pipeline)來製造，然後使用run_pipeline這個函數在筆記本環境下跑Pipeline，下面的程式碼可以建立一個空的Pipeline並回傳，我們會使用這個程式碼為基底來詳細解釋如何使用Pipeline!

from quantopian.pipeline import Pipeline

def make_pipeline():
    return Pipeline()

#創建pipeline實例
my_pipe = make_pipeline()
from quantopian.research import run_pipeline
result = run_pipeline(my_pipe, '2015-05-05', '2015-05-05')
result.head()

則會跑出

可以看到輸出為一個DataFrame，且具有兩層index的結構，第一層為時間，第二層為股票名!

Pipeline功能一:創建因子

因子是將在某一時間的某一股票映射到一個數值的函數，舉例來說，ROE因子便可以回傳任一時間任一股票的ROE的值!

在Quantopian裡，因子被包裝成一個物件，方便Pipeline在處理資料中調用它並且計算，一些常用的因子Quantopian已經幫我們內建好了，我們以下先介紹如何使用內建因子!

內建因子

我們先引入兩個Quantopian寫好的類別，一個是USEquityPricing，它將會是我們的資料集，裡面包含了美股的資料，另一個為SimpleMovingAverage，為Quantopian的內建因子，可用來算移動平均的值!

from quantopian.pipeline.data.builtin import USEquityPricing
from quantopian.pipeline.factors import SimpleMovingAverage

再引入這兩個套件後，我們將剛剛程式碼複製貼來這邊，並且在make_pipeline函數裡面添加

def make_pipeline():

    mean_close_10 = SimpleMovingAverage(
        inputs=[USEquityPricing.close],
        window_length=10
    )

    return Pipeline(
        columns={
            '10_day_mean_close': mean_close_10
        }
    )

這邊可以看到我們新增了一個變數叫做mean_close_10，這是利用SimpleMovingAverage建立的因子，裡面需要填入使用的資料與移動期數的選取，最後在回傳時，我們讓columns這個變數等於一個字典，其中key為行名，value為因子值!完整的程式碼如下

from quantopian.pipeline.data.builtin import USEquityPricing
from quantopian.pipeline.factors import SimpleMovingAverage

# 計算10天的收盤價的移動平均
def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    
    
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10
        }     
                   )

my_pipe = make_pipeline()
result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')

最後回傳的結果如下

結合因子

我們也可以用加減乘除把因子給結合出來，譬如說我們覺得10天線與30天線之間的比率差是一個有意義的因子，則我們可以直接把因子相減再除，程式碼如下

#結合因子
def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    mean_close_30 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=30
    )
    percent_difference = (mean_close_10 - mean_close_30)/ mean_close_30
    
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10,
            '30_day_mean_close':mean_close_30,
            'percent_difference':percent_difference
        }     
                   )

my_pipe = make_pipeline()

from quantopian.research import run_pipeline

result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')

自訂因子​
​

更多的時候，我們是用我們的智慧想到一些前人沒想到的因子，很有可能這些因子是沒有辦法使用加減乘除與內建因子做出來的，怎麼辦?我們可以自訂因子，自訂因子的辦法基本上是繼承Quantopian寫好的一個叫CustomFactor的物件，並改寫裡面的compute方法!


基本上可以把inputs想像成一個M乘N的矩陣，其中M為選取的期間，N為資產數量，我們會根據資料的值每個時間點計算出因子值，以下是一個具體的例子!

#自訂因子

from quantopian.pipeline import CustomFactor
import numpy as np

class StdDev(CustomFactor):
    def compute(self,today,asset_ids,out,values):
        out[:] = np.nanstd(values,axis=0)

    
def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    mean_close_30 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=30
    )
    percent_difference = (mean_close_10 - mean_close_30)/ mean_close_30
    
    std_dev = StdDev(
    inputs=[USEquityPricing.close],
    window_length=5
    )
    
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10,
            '30_day_mean_close':mean_close_30,
            'percent_difference':percent_difference,
            'std_dev':std_dev
        }     
                   )

my_pipe = make_pipeline()

result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')

可以看到我們自訂一個因子，來計算每一個股票的標準差!

Pipeline功能二:創建Filter

我們有時候想要用因子值來篩選股票，譬如說ROE要大於某個門檻值我們再考慮購買，在這邊，Quantopian叫這種操作為Filter，其形式的定義為

意思是把一個某一時間的股票映射為True/False，以下為一個創建Filter的例子，並將其值寫在一行上面

from quantopian.pipeline.factors import AverageDollarVolume
def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    mean_close_30 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=30
    )
    percent_difference = (mean_close_10 - mean_close_30)/ mean_close_30
    dollar_volume = AverageDollarVolume(window_length=30)
    high_dollar_volume = (dollar_volume > 10000000)
    std_dev = StdDev(
    inputs=[USEquityPricing.close],
    window_length=5
    )
    
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10,
            '30_day_mean_close':mean_close_30,
            'percent_difference':percent_difference,
            'std_dev':std_dev,
            'high_dollar_volume':high_dollar_volume
        }    
        
                   )

my_pipe = make_pipeline()

result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')
result.head()

但一般來說，我們並不會這樣使用Filter，我們會希望它直接幫我們篩選股票，也就是所有False的股票就不要回傳了，我們可以利用Pipeline裡面的變數screen來達到這個效果，下面為這個例子。

def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    mean_close_30 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=30
    )
    percent_difference = (mean_close_10 - mean_close_30)/ mean_close_30
    dollar_volume = AverageDollarVolume(window_length=30)
    high_dollar_volume = (dollar_volume > 10000000)
    std_dev = StdDev(
    inputs=[USEquityPricing.close],
    window_length=5
    )
    
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10,
            '30_day_mean_close':mean_close_30,
            'percent_difference':percent_difference,
            'std_dev':std_dev,
        } ,
        screen=high_dollar_volume
        
                   )

my_pipe = make_pipeline()

result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')
result.head()

可以看到，之前False的股票都沒有回傳進來了!最後我們也可以組合Filter，跟因子類似，我們可以使用邏輯運算，像是and或是or來組合Filter!，下面是一個例子!

#結合filters
def make_pipeline():
    mean_close_10 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=10
    
    )
    mean_close_30 = SimpleMovingAverage(
    inputs=[USEquityPricing.close],
    window_length=30
    )
    percent_difference = (mean_close_10 - mean_close_30)/ mean_close_30
    dollar_volume = AverageDollarVolume(window_length=30)
    high_dollar_volume = (dollar_volume > 10000000)
    latest_close = USEquityPricing.close.latest
    above_20 = latest_close > 20
    std_dev = StdDev(
    inputs=[USEquityPricing.close],
    window_length=5
    )
    is_tradeable = high_dollar_volume & above_20 #結合filters
    return Pipeline(
        columns=
        {
            
            '10_day_mean_close':mean_close_10,
            '30_day_mean_close':mean_close_30,
            'percent_difference':percent_difference,
            'std_dev':std_dev,
        } ,
        screen=is_tradeable
        
                   )

my_pipe = make_pipeline()

result = run_pipeline(my_pipe,'2015-05-05','2015-05-06')
Share

Related Posts

2 thoughts on “初學者的Python金融分析日記- QuantopianEP1 – Pipeline”

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *