PutWrite vs. BuyWrite Index Unterschiede Freitag, 20. Januar 2017 Ein kurzes, aber interessantes akademisches Papier über Unterschiede in einem bekannten CBOE PutWrite und BuyWrite Indizes: Titel: PutWrite versus BuyWrite: Ja, Put-Call Parität hält hier auch den CBOE PutWrite Index Hat den BuyWrite Index zwischen 1986 und 2015 um rund 1,1 Prozent pro Jahr übertroffen. Das ist ziemlich beeindruckend. Aber beunruhigend Ja ndash beunruhigende ndash, weil die Theorie der Put-Call-Parität sagt uns, dass eine solche Outperformance fast unmöglich sein sollte über eine zwingende No-Arbitrage-Beschränkung. Dieses Papier erklärt das Geheimnis dieser Outperformance, die Auswirkungen auf Portfolio-Konstruktion hat. Bemerkenswerte Zitate aus dem akademischen Forschungspapier: quotWriting Equity Index abgedeckte Anrufe ist ein effektiver Ansatz zur gemeinsamen Erwerb der Aktien - und Volatilitätsrisikoprämie. So schreibt auch nackte Aktienindex-Put-Optionen. Welcher Ansatz ist besser Viele Investoren vergleichen die historische Performance der beiden Ansätze für die Antwort, was möglicherweise zu dem Schluss führt, dass Put-Write vorzuziehen ist, abgedeckte Anrufe zu machen. Auf der Oberfläche scheint es, dass das Schreiben von Put-Optionen der bevorzugte Ansatz wäre. Der CBOE PutWrite Index (PUT) hat den BuyWrite Index (BXM) zwischen 1986 und 2015 um rund 1,1 Prozent pro Jahr übertroffen. Das ist ziemlich beeindruckend. Aber beunruhigend Ja ndash beunruhigende ndash, weil die Theorie der Put-Call-Parität sagt uns, dass eine solche Outperformance fast unmöglich sein sollte über eine zwingende No-Arbitrage-Beschränkung. Der Hauptgrund für die Leistungsunterschiede in den PutWrite - und BuyWrite-Indizes liegt in einem Bauunterschied bei nur vier Stunden pro Monat. Ein schrulliger Unterschied in ihrem Portfolio-Bau führt dazu, dass der PutWrite-Index auf etwa vier Stunden pro Monat der SampP 500 Index-Rendite im Vergleich zum BuyWrite Index fehlt. Jeden Monat am Morgen des Optionsablaufs werden sowohl die Option "BuyWritersquos" als auch die PutWritersquos-Put-Option abgelaufen und gleichzeitig bei der Special Open Quotation (SOQ) abgewickelt. Zu diesem Zeitpunkt veräußert der Optionsablauf den PutWrite Index seines Aktienrisikos vollständig. Bis es eine Short-Put-Option Position wiederherstellt, ist es ein Null-Beta-Portfolio. Im Gegensatz dazu wird das BuyWrite-Portfolio zu einem Beta-One-Portfolio mit dem Ablauf seiner Call-Option, da es vollständig in den SampP 500 Index ohne entsprechende Short-Call-Option platziert ist. Es bleibt ein beta ein Portfolio, bis es seine Short Call Option Position wiederherstellt. Also, über dieses vierstündige Fenster, ist der BuyWrite Index dem SampP 500 gegenüber seiner langfristigen durchschnittlichen Exposition überbelichtet. Ähnlich ist der PutWrite-Index dem SampP 500 gegenüber seiner langfristigen durchschnittlichen Exposition unterbelichtet. Als Beispiel, im Durchschnitt zwischen 2004 und 2015, sank der SampP 500 Index um 23 Basispunkte auf Option Ablaufmorgen. Die Eigenkapitalrendite über diesen vierstündigen Zeitraum 12 mal pro Jahr schlägt 2,7 der jährlichen Underperformance für den BuyWrite Index gegenüber dem PutWrite Index vor. Hinzufügen in den Intercept (annualisiert) bietet eine kombinierte Wirkung von 2,0 der annualisierten Verfall-Datum Underperformance. Dies ist sehr nah an der 2.1 der BuyWrite Index hinter dem PutWrite Index über den gleichen 2004 bis 2015 Zeitraum. quot Purifying Factor Prämien in Equity Markets Samstag, 14. Januar 2017 Eine interessante akademische Papier im Zusammenhang mit einer Menge von Saisonalität Strategien, aber vor allem auf : Autoren: de Carvalho, Xiao, Soupe, Dugnolle Titel: Diversifizieren und Reinigen von Faktorprämien in Aktienmärkten In dieser Arbeit betrachten wir die Frage, wie wir die Wirksamkeit von Strategien zur Erfassung von Faktorprämien an den Aktienmärkten und insbesondere aus der Der Wert, die Qualität, das geringe Risiko und die Impulsfaktoren. Wir betrachten eine Reihe von Portfolio-Konstruktionsansätzen, die dazu bestimmt sind, Faktorprämien mit den entsprechenden Risikokontrollen zu erfassen, die auf die Erhöhung der Informationsquoten abzielen. Wir zeigen, dass die Informationsquoten erhöht werden können, indem wir eine konstante Volatilität über die Zeit ansprechen, Hedging-Markt-Beta und Hedging-Expositionen gegenüber dem Größenfaktor, d. h. Neutralisierung von Bias in der Marktkapitalisierung von Aktien, die in Faktorstrategien verwendet werden. Im Hinblick auf die Neutralisierung von Sektorengagements finden wir dies insbesondere für den Wert und die geringen Risikofaktoren von Bedeutung. Schließlich betrachten wir den Mehrwert der Shorting-Aktien in Faktor-Strategien. Wir finden, dass mit wenigen Ausnahmen die Beiträge zur Leistung aus dem kurzen Bein unter denen der langen Bein sind. So können Langzeitstrategien effiziente Alternativen zur Erfassung dieser Faktorprämien sein. Schließlich finden wir, dass Faktor-Prämien dazu neigen, fetter Schwänze zu haben, als was von einer Gaußschen Verteilung der Renditen erwartet werden könnte, aber diese Schiefe ist in den meisten Fällen nicht signifikant negativ. Bemerkenswerte Zitate aus der akademischen Forschungsarbeit: In dieser Arbeit zeigen wir die Bedeutung des Portfoliobetriebs, wenn es darum geht, Faktor-Prämien effizient zu erfassen. Zunächst zeigen wir, dass die einfachsten und traditionellsten Ansätze, Faktoren zu investieren, dazu neigen, aufgrund des unkontrollierten Risikos und der unerwünschten Markt - oder Marktkapitalisierungsrisiken niedrigere risikoadjustierte Renditen zu erzielen. Wir zeigen, dass Strategien, die auf eine konstante Volatilität abzielen und den Markt beta und die Exposition gegenüber der Größe abdecken, höhere Informationsquoten liefern. Dies ist insbesondere auf eine Verringerung der Volatilität zurückzuführen. Wir zeigen auch die Bedeutung der Beseitigung der Sektor Exposition als zusätzliche Quelle des Risikos ohne Rückkehr in Faktor Investition. Und wir erklären, warum lange nur Faktorinvestitionen die Faktorprämien, insbesondere aus den geringen Risiko - und Impulsfaktoren, effizient erfassen können. Darüber hinaus zeigen wir die Bedeutung der Diversifizierung von Faktoren in jedem Stil dank der Dekorrelation der Faktor-Renditen auch innerhalb des gleichen Stils. Schließlich zeigen wir, dass Faktor-Prämien dazu neigen, fette Schwänze zu zeigen, aber auch eine relativ geringe Schiefe. Insgesamt verteidigen wir die Bedeutung der Reinigung und Diversifizierung von Faktorengichtungen bei Faktorinvestitionen als eine Möglichkeit, die risikoadjustierten Renditen von Faktorstrategien deutlich zu verbessern. Und obwohl dies dazu führt, dass der Umsatz aufgrund der Notwendigkeit für zusätzliche Trades steigt, heben wir die Tatsache hervor, dass die meisten Vorteile, die in diesem Papier gezeigt werden, in der Praxis erfasst werden können, indem wir clever Ansätze verwenden, um Umsatz zu enthalten. quot Saisonalitäten auf Lager Rückkehr Sonntag, 8. Januar , 2017 Autoren: Hirschleifer, Jiang, Meng Titel: Mood Beta und Saisonalitäten auf Lager Rückkehr Bestehende Forschung hat dokumentiert Querschnitt Saisonalität der Aktienrenditen ndash die periodische Outperformance von bestimmten Aktien relativ zu anderen während der gleichen Kalendermonat, Wochentag oder Pre - Urlaubszeiten. Ein Modell, das auf der differenziellen Empfindlichkeit der Bestände an der Investorenstimmung basiert, erklärt diese Effekte und impliziert einen neuen Satz von saisonalen Mustern. Wir finden, dass die relative Performance über die Bestände während der positiven Stimmungsperioden (z. B. Januar, Freitag, der im Laufe des Jahres realisierte Best-Return-Monat, der in einer Woche realisierte Best-Return-Tag, Pre-Holiday) in künftigen Perioden mit kongruenter Stimmung fortbesteht (Z. B. Januar, Freitag, Vor-Feiertag), und in Zeiten mit nicht-kongruenter Stimmung umzukehren (zB Oktober, Montag, Post-Urlaub). Aktien mit höherer Stimmung betas geschätzt während saisonalen Fenstern von starken Stimmungen (z. B. JanuarOktober, MondayFriday oder Vor-Feiertage) verdienen höhere erwartete Renditen während der zukünftigen positiven Stimmungsjahreszeiten aber niedrigere erwartete Renditen während zukünftiger negativer Stimmungsjahreszeiten. Bemerkenswerte Zitate aus der akademischen Forschungsarbeit: "Wir schlagen hier eine Theorie vor, die auf der Anlegerstimmung basiert, um eine integrierte Erklärung für bekannte Saisonalitäten sowohl im Aggregat - als auch im Querschnittsebene zu bieten und neue empirische Implikationen zu bieten, die wir auch testen. In unserem Modell, Investor positive (negative) Stimmungsschwankungen verursachen periodischen Optimismus (Pessimismus) bei der Bewertung von Signalen über Vermögenswerte systematische und idiosynkratische Auszahlung Komponenten. Dies führt zu einer saisonalen Variation der Missverständnisse und der Rückgaberechtbarkeit. Im Einklang mit den Modellvorhersagen entdecken wir eine Reihe von neuen Querschnittsrenditen, die auf der Idee basieren, dass Aktien, die in der Vergangenheit sehr sensibel auf saisonale Stimmungsschwankungen waren, auch in Zukunft sensibel sein werden. Mit anderen Worten, wir argumentieren, dass einige Bestände höhere Empfindlichkeiten gegenüber Stimmungsschwankungen haben (höhere Stimmungsbeta) als andere, die eine Verknüpfung zwischen stimmungsgetriebenen aggregierten Saisonalitäten und Saisonalitäten im Querschnitt der Renditen schaffen. Insbesondere argumentieren wir, dass die Stimmung der Investoren systematisch über Kalendermonate, Wochentage und Feiertage variiert. Infolgedessen, eine Stimmung beta geschätzt mit Sicherheitsrückkehr in den Jahreszeiten mit Stimmungsänderungen hilft, zukünftige saisonale Renditen in anderen Perioden vorherzusagen, in denen Stimmung erwartet wird, um zu ändern. Während unserer Stichprobenperiode 1963-2015. Die durchschnittliche Überschussrendite (gemessen an der CRSP-gewichteten Indexrendite abzüglich der risikofreien Rate) ist im Januar am höchsten und im Oktober am niedrigsten. So konzentrieren wir uns auf den Januar als Proxy für einen hochrangigen Anleger und Oktober für einen niedrigen Status. Mit Fama-MacBeth Regressionen, verifizieren wir die Feststellung von Heston und Sadka (2008) für Januar und Oktobermdashhistorical Januar (Oktober) relative Leistung neigt dazu, in Zukunft Januar (Oktober) für die folgenden zehn oder mehr Jahre zu bestehen. In unserer Interpretation werden Aktien, die sich in einem Monat besser als andere machen, im nächsten Monat in der Zukunft besser machen, denn es gibt damals eine kongruente Stimmung. Darüber hinaus finden wir eine neue Umkehr Wirkung, die Monate mit inkongruenten Stimmungen historischen Januar (Oktober) Rückkehr in den Querschnitt tendiert tendenziell umgekehrt in nachfolgenden Octobers (Januaries). Eine Aktie, die besser als andere Aktien im vergangenen Januar tendenziell schlimmer als andere Aktien im Oktober für die nächsten fünf Jahre oder so. Ein Ein-Standard-Abweichungsanstieg im historischen kongruenten (inkongruenten) - Kalendermonat führt in den nächsten zehn Jahren zu einem durchschnittlichen Anstieg von 23 (17 Abnahmen), bezogen auf die durchschnittliche JanuarOktober-Renditen. Unsere Erklärung für diese Effekte ist nicht spezifisch für die monatliche Frequenz. Ein nützlicher Weg, um unsere Theorie herauszufordern, ist daher, auf vergleichbare Querschnittssaisonalitäten bei anderen Frequenzen zu testen. Umzug in die Domäne der täglichen Renditen, dokumentieren wir eine ähnliche Menge von congruentincongruent-Stimmung-Wochentag Rückkehr Persistenz und Umkehr-Effekte. Wir bestätigen diese Rückkehr Persistenz Wirkung für Montag und Freitag Rückkehr, und dann zeigen, analog zu den monatlichen Ergebnissen, dass eine Kongruenz-Stimmung-Wochentag Rückkehr Persistenz Wirkung gilt: relative Leistung über Aktien auf der besten Markt-Rendite (schlechteste Markt - Rückkehr) Tag in einer Woche realisiert neigt dazu, an folgenden zehn freitags (montags) und darüber hinaus bestehen, wenn gute (schlechte) Marktleistung erwartet wird, um fortzufahren. Ein Ein-Standard-Abweichungsanstieg im historischen Kongruenz-Wochentag oder Kongruenz-Stimmung-Wochentag-Rückkehr ist im Durchschnitt mit einer 4 oder 12 höheren Rendite in den folgenden zehn MontagsFillings verbunden. Auf der Ebene der einzelnen Bestände gibt es vor-Urlaub Querschnitt Saisonalität, in denen Aktien, die historisch höhere Pre-Holiday-Renditen im Durchschnitt verdient haben höhere Pre-Holiday-Renditen für den gleichen Urlaub in den nächsten zehn Jahren verdient haben. Die Querschnittsrücken-Persistenz - und Umkehr-Effekte über Monate, Wochentage und Feiertage sind im Einklang mit unseren theoretischen Vorhersagen, dass Investoren saisonale Stimmungsschwankungen saisonale Fehleinschätzungen über Faktor und firmenspezifische Auszahlungen verursachen und zu Querschnittsrenditen führen. Diese Vorhersagen basieren auf der Idee, dass verschiedene Aktien haben unterschiedliche Stimmung betamdasha stockrsquos Rückkehr Empfindlichkeit zu Faktor Missbrauch durch Stimmungsstöße induziert. Wir argumentieren, dass das Konzept der Stimmung beta integriert verschiedene Saisonalität Effekte. Wir führen daher mehr direkte Tests der Modellvorhersage durch, dass Stimmungsbeta helfen wird, die relative Performance der Aktien in den Jahreszeiten mit verschiedenen Stimmungen zu prognostizieren. Quantopian amp Quantpedia Trading Strategy Serie: Cross-Sectional Equity Mittlere Reversion Donnerstag, 29. Dezember 2016 Quantopian amp Quantpedia Trading Strategy Serie geht weiter. Jetzt mit einem 4. Artikel, der wieder von Matthew Lee geschrieben wurde, konzentrierte sich auf die Querschnitts-Eigenkapital-Mittelwert-Reversion (Strategie 13): Querschnitts-mittlere Reversion in Aktien (starke Tendenz von Aktien mit starken Gewinne, um in einem kurzfristigen Zeitrahmen umzukehren - Bis zu einem Monat) ist eine bekannte Marktbeobachtung und der Hauptgrund, warum so viele akademische Forscher im Allgemeinen eine 2-12 Impulsmessung (Rückkehr in den letzten 12 Monaten, ohne die vorherige) bei der Untersuchung der Impulsanomalie verwenden. Viele akademische Papiere untersuchten diesen Effekt, die bemerkenswertesten sind Papiere von Jagadesh. Und Bruce Lehmann (vgl. ZitatAndere Papersquot-Sektion auf Quantpedia-Unterseite für diese Umkehrstrategie für zusätzliche akademische Forschungsarbeiten). Die meisten Akademiker spekulieren, dass die grundlegenden Gründe für die Anomalie Markt-Mikrostruktur-Reibungen (Bid-Ask Bounce) oder Investoren39 kognitiven Bias - Überreaktion auf vergangene Informationen und eine Korrektur dieser Reaktion nach kurzer Zeit Horizont. Aber ist diese einfache Eigenkapitalstrategie noch profitabel Matthew Lee von Quantopian führte eine unabhängige Analyse während einer außerhalb der Probe Zeitraum von 12-01-2011 bis 12-01-2016. Insgesamt liegt die Performance der einfachen kurzfristigen Eigenkapital-Umkehrstrategie unter dem Markt. Aber es ist anzumerken, dass diese Strategie im Vergleich zu nur einem Long-Only-Equity-Benchmark (das ist der SPY) ist. Also, wenn wir die Gesamtleistung dieser Strategie vergleichen wollen, sollten wir die langsame Umkehrung der Quarter - Longshort Equity Reversal Strategie hat eine Sharpe Ratio 0,84 und Beta von 0,15. Das Sharpe-Verhältnis der Longshort-Version ist vergleichbar mit dem Marktportfolio und eine geringe Korrelation der Equity-Umkehrstrategie macht es zu einem möglichen Addon zum Investment-Portfolio. Aber. Die Umkehrstrategie ist sehr aktiv (wöchentlich, zweiwöchentliche Neugewichtung), was hohe Transaktionskosten und Schlupf bedeutet. So sehr hohe Vorsicht sollte in einer real-world Umsetzung bezahlt werden und Schritte, die versucht zu begrenzen Strategie39s Umsatz sollte getroffen werden. Die endgültige OOS-Aktienkurve: Danke für die Analyse Matthew Sie können auch zuerst überprüfen. Zweiter oder dritter Artikel in dieser Serie, wenn Sie die aktuelle mochten. Bleiben Sie dran für den nächsten. Eine Auswirkung der monetären Bedingungen auf Trading Trades Donnerstag, 22. Dezember 2016 Titel: Trading Trades und Monetäre Bedingungen Dieses Papier untersucht die Beziehung zwischen den monetären Bedingungen und den Überschussrenditen, die sich aus einer Anlagestrategie ergeben, die aus der Anleihe von niedrigzinslichen Währungen und der Investition besteht Währungen mit hohen Zinssätzen, so genannter Quotenhandel. Die Ergebnisse deuten darauf hin, dass die Handelsüberschussüberschreitung, die Sharpe-Ratio und das 5-Quantil vor dem Beginn der jüngsten Finanzkrise erheblich über die expansive und restriktive konventionelle Geldpolitik hinweg abweichen. Im Gegensatz dazu sind die betrachteten Parameter von der unkonventionellen Geldpolitik während der Finanzkrise nicht betroffen. Bemerkenswerte Zitate aus der akademischen Forschung Papier: quotMy Hauptergebnis ist, dass Carry Trading Portfolio durchschnittliche Rendite, Sharpe Ratio und 5 Quantile di ffer im Wesentlichen über expansive und restriktive konventionelle Geldpolitik vor dem Beginn der jüngsten Finanzkrise. Speziell stelle ich fest, dass expansive Perioden durch signifikant höhere durchschnittliche Renditen und Sharpe-Ratios und ein geringeres Abwärtsrisiko gekennzeichnet sind. In diesem Zusammenhang behaupte ich, dass eine expansive konventionelle Geldpolitik die Markterwartungen in den einzelnen Ländern verbessern kann und auf diese Weise das Volatilitätsrisiko der FX verringern kann. Dies führt zu einer Währungsaufwertung für Netto-Schuldner-Nationen und einer Zunahme der Carry-Trade-Projekte. Zweitens stelle ich Hinweise darauf vor, dass die betrachteten Parameter in der aggressiven und stabilisierenden unkonventionellen Geldpolitik während der jüngsten Finanzkrise ähnlich sind. So konnte die Federal Reserve während dieser Zeit keine fehlerhaften Markterwartungen haben. Für Anleger deuten diese Aussagen darauf hin, dass die Belohnungen aus dem Carry-Handel mit Änderungen der monetären Bedingungen nur während der quotnormalquotischen Zeiten variieren. Für die Forscher, diese Beweise deuten darauf hin, dass die Anerkennung der Relevanz der Geldpolitik ist entscheidend für das Verständnis der Preisgestaltung Auswirkungen der FX Volatilität Risiko für Carry Trade. quotZipline ist eine Pythonic algorithmischen Handelsbibliothek. Es handelt sich um ein ereignisgesteuertes System, das sowohl Backtesting als auch Live-Trading unterstützt. Zipline wird derzeit in der Produktion als Backtesting und Live-Trading-Engine Poweret Quantopian 8211 eine kostenlose, Community-zentrierte, gehostete Plattform für den Aufbau und die Durchführung von Handelsstrategien verwendet. Benutzerfreundlichkeit: Zipline versucht, sich aus dem Weg zu befreien, damit Sie sich auf die Entwicklung von Algorithmen konzentrieren können. Siehe unten für ein Codebeispiel. Zipline kommt 8220Batterien enthalten8221 so viele gemeinsame Statistiken wie gleitende durchschnittliche und lineare Regression kann leicht aus einem benutzerdefinierten Algorithmus zugegriffen werden. Die Eingabe von historischen Daten und die Ausgabe von Leistungsstatistiken basiert auf Pandas DataFrames, um sich gut in das bestehende PyData-Ökosystem zu integrieren. Statistische und maschinelle Lernbibliotheken wie matplotlib, scipy, statsmodels und sklearn unterstützen die entwicklung, analyse und visualisierung von hochmodernen handelsystemen. Installation Installation mit Pip Angenommen, Sie haben alle erforderlichen (siehe Hinweis unten) Nicht-Python-Abhängigkeiten, können Sie Zipline mit Pip über installieren: Hinweis: Die Installation von Zipline über Pip ist etwas stärker als das durchschnittliche Python-Paket. Einfach laufen Pip installieren Zipline wird wahrscheinlich fehlschlagen, wenn you8217ve nie installiert irgendwelche wissenschaftlichen Python-Pakete vor. Es gibt zwei Gründe für die zusätzliche Komplexität: Zipline versendet mehrere C-Erweiterungen, die Zugriff auf die CPython C API erfordern. Um die C-Erweiterungen zu erstellen, benötigt Pip den Zugriff auf die CPython-Header-Dateien für Ihre Python-Installation. Zipline hängt von numpy Die Kernbibliothek für numerisches Array-Computing in Python. Numpy hängt davon ab, dass die LAPACK linearen Algebra-Routinen verfügbar sind. Da LAPACK und die CPython-Header binäre Abhängigkeiten sind, variiert der richtige Weg, sie zu installieren, von Plattform zu Plattform. Unter Linux erwerben die Benutzer diese Abhängigkeiten generell über einen Paketmanager wie apt. Yum Oder pacman Auf OSX ist Homebrew eine beliebte Wahl, die ähnliche Funktionalität bietet. Weitere Informationen zum Erwerb binärer Abhängigkeiten für Ihre spezifische Plattform finden Sie in der vollständigen Zipline-Installationsdokumentation. Eine weitere Möglichkeit zur Installation von Zipline ist über den Conda-Paket-Manager, der als Teil von Anaconda kommt oder über Pip-Install-Conda installiert werden kann. Einmal eingerichtet, kannst du Zipline von unserem Quantopian-Kanal installieren: Zurzeit unterstützte Plattformen beinhalten: Quickstart-BeiträgeDaten-Bundles Schreiben eines neuen Bundles Datenbündel existieren, um es einfach zu machen, unterschiedliche Datenquellen mit Zipline zu verwenden. Um ein neues Bündel hinzuzufügen, muss man eine Ingest-Funktion implementieren. Die Ingest-Funktion ist verantwortlich für das Laden der Daten in den Speicher und übergibt sie an einen Satz von Schreiberobjekten, die von zipline bereitgestellt werden, um die Daten in das interne Format von zipline8217 zu konvertieren. Die Ingest-Funktion kann durch das Herunterladen von Daten von einem entfernten Ort wie dem Quandl-Bundle oder Yahoo-Bundles oder es kann nur laden Dateien, die bereits auf dem Computer. Die Funktion wird mit Schriftstellern versehen, die die Daten transaktionsmäßig an den richtigen Ort schreiben. Wenn eine Verschlucken fehlschlägt, wird der Weg durch das Bündel nicht in einem unvollständigen Zustand geschrieben. Die Signatur der Ingest-Funktion sollte sein: environ ist ein Mapping, das die Umgebungsvariablen darstellt, die verwendet werden sollen. Hierbei sollten alle benutzerdefinierten Argumente, die für die Einnahme benötigt werden, übergeben werden, zum Beispiel: das quandl-Bündel verwendet die enviornment, um den API-Schlüssel zu übergeben und die Download-Wiederholungsversuchzählung. Assetdbwriter assetdbwriter ist eine Instanz von AssetDBWriter. Dies ist der Schreiber für die Asset-Metadaten, die die Vermögenslebensdauer und das Symbol zur Asset-ID (sid) Mapping zur Verfügung stellt. Dies kann auch den Namen des Assets, den Austausch und einige andere Spalten enthalten. Um Daten zu schreiben, rufen Sie write () mit Dataframes für die verschiedenen Metadaten auf. Weitere Informationen über das Format der Daten existieren in den Dokumenten für das Schreiben. Minutebarwriter minutebarwriter ist eine Instanz von BcolzMinuteBarWriter. Dieser Schriftsteller wird verwendet, um Daten in zipline8217s internes Bcolz-Format zu konvertieren, um später von einem BcolzMinuteBarReader gelesen zu werden. Wenn Minuten-Daten zur Verfügung gestellt werden, sollten die Benutzer schreiben () mit einem iterable von (sid, dataframe) Tupel. Das Showprogress-Argument sollte auch auf diese Methode weitergeleitet werden. Wenn die Datenquelle keine Daten mit geringem Pegel liefert, besteht keine Notwendigkeit, die Schreibmethode aufzurufen. Es ist auch akzeptabel, einen leeren Iterator zu schreiben () zu signalisieren, dass es keine minutiösen Daten gibt. Die Daten, die an schreiben () übergeben werden, können ein fauler Iterator oder Generator sein, um zu vermeiden, dass alle Minuten-Daten zu einem einzigen Zeitpunkt in den Speicher geladen werden. Eine gegebene Sid kann auch mehrmals in den Daten erscheinen, solange die Daten strikt zunehmen. Dailybarwriter dailybarwriter ist ein Beispiel von BcolzDailyBarWriter. Dieser Schriftsteller wird verwendet, um Daten in zipline8217s internes Bcolz-Format umzuwandeln, um später von einem BcolzDailyBarReader gelesen zu werden. Wenn tägliche Daten bereitgestellt werden, sollten die Benutzer schreiben () mit einem iterable von (sid dataframe) Tupel. Das Showprogress-Argument sollte auch auf diese Methode weitergeleitet werden. Wenn die Daten-Shource keine täglichen Daten liefert, besteht keine Notwendigkeit, die Schreibmethode aufzurufen. Es ist auch akzeptabel, eine leere iterable zu schreiben () zu signalisieren, dass es keine täglichen Daten gibt. Wenn keine täglichen Daten zur Verfügung gestellt werden, aber Minute Daten zur Verfügung gestellt wird, wird ein tägliches Rollup passieren, um tägliche Geschichte Anfragen zu bedienen. Wie der Minutenschreiber. Die Daten, die an schreiben () übergeben werden, können ein fauler iterable oder Generator sein, um zu vermeiden, dass alle Daten sofort in den Speicher geladen werden. Anders als der minutebarwriter Ein sid kann nur einmal in der Daten iterable erscheinen. Adjustmentwriter adjustmentwriter ist eine Instanz von SQLiteAdjustmentWriter. Dieser Schriftsteller wird verwendet, um Splits, Fusionen, Dividenden und Aktiendividenden zu speichern. Die Daten sollten als dataframes bereitgestellt und an write () übergeben werden. Jedes dieser Felder ist optional, aber der Schriftsteller kann so viel von den Daten akzeptieren, wie Sie haben. Kalender Kalender ist eine Instanz von zipline. utils. calendars. TradingCalendar. Der Kalender wird bereitgestellt, um einigen Bündeln zu helfen, Abfragen für die benötigten Tage zu erzeugen. Startession start ist ein pandas. Timestamp-Objekt, das den ersten Tag anzeigt, an dem das Bündel Daten laden soll. Endession endung ist ein pandas. Timestamp-Objekt, das den letzten Tag anzeigt, dass das Bündel Daten laden sollte. Cache ist eine Instanz von Dataframecache. Dieses Objekt ist eine Zuordnung von Strings zu Dataframes. Dieses Objekt ist vorgesehen, falls eine Verschlucke teilweise durcheinander stürzt. Die Idee ist, dass die Ingest-Funktion den Cache für Rohdaten überprüfen sollte, wenn es im Cache nicht vorhanden ist, sollte er es erwerben und dann im Cache speichern. Dann kann man die Daten analysieren und schreiben. Der Cache wird erst nach einer erfolgreichen Last gelöscht, dies verhindert, dass die Ingest-Funktion alle Daten herunterlädt, wenn es einen Fehler in der Parsing gibt. Wenn es sehr schnell ist, die Daten zu erhalten, zum Beispiel wenn es aus einer anderen lokalen Datei kommt, dann gibt es keine Notwendigkeit, diesen Cache zu verwenden. Showprogress showprogress ist ein Boolescher, der anzeigt, dass der Benutzer gerne Feedback über die Ingest-Funktion erhalten würde8217s Fortschritte beim Abrufen und Schreiben der Daten. Einige Beispiele dafür, wo Sie zeigen, wie viele Dateien Sie aus der Gesamtmenge heruntergeladen haben oder wie weit in einige Datenkonvertierung die Ingest-Funktion ist. Ein Werkzeug, das bei der Implementierung von Showprogress für eine Schleife helfen kann, ist möglicherweise ein Fortschritt. Dieses Argument sollte immer an minutebarwriter. write und dailybarwriter. write weitergeleitet werden. Outputdir outputdir ist ein String, der den Dateipfad darstellt, in dem alle Daten geschrieben werden. Outputdir wird ein Unterverzeichnis von ZIPLINEROOT sein und enthält die Zeit des Beginns der aktuellen Einnahme. Dies kann verwendet werden, um direkt Ressourcen hier zu bewegen, wenn aus irgendeinem Grund Ihre Ingest-Funktion it8217s eigene Ausgänge ohne die Schriftsteller produzieren kann. Zum Beispiel verwendet das quantopian: quandl bundle das Bündel direkt in das outputdir.
No comments:
Post a Comment