Movendo Média Quantopian

PutWrite versus BuyWrite Index: Título: PutWrite versus BuyWrite: Sim, Put-Call Parity Holds Here Too O CBOE PutWrite Index Tem superado o índice BuyWrite em aproximadamente 1,1% ao ano entre 1986 e 2015. Isso é bastante impressionante. Mas preocupante. Sim ndash preocupante ndash porque a teoria da put-call paridade nos diz que tal outperformance deve ser quase impossível através de uma restrição irresistível de arbitragem. Este artigo explica o mistério deste desempenho superior, que tem implicações para a construção do portfólio. Citações notáveis ​​do trabalho de pesquisa acadêmica: "Escrever apólices de cobertura de índices de ações é uma abordagem eficaz para ganhar conjuntamente o prêmio de risco de capital e volatilidade. Assim também está escrevendo naked equity indexar opções de venda. Qual abordagem é melhor Muitos investidores comparar o desempenho histórico das duas abordagens para a resposta, potencialmente levando à conclusão de que a escrita é preferível a chamadas cobertas. Na superfície, parece que escrever opções de venda seria a abordagem preferida. O CBOE PutWrite Index (PUT) superou o BuyWrite Index (BXM) em aproximadamente 1,1 por cento ao ano entre 1986 e 2015. Isso é bastante impressionante. Mas preocupante. Sim ndash preocupante ndash porque a teoria da put-call paridade nos diz que tal outperformance deve ser quase impossível através de uma restrição irresistível de arbitragem. A principal razão por trás da diferença de desempenho nos índices PutWrite e BuyWrite é devido a uma diferença de construção durante apenas quatro horas por mês. Uma diferença peculiar na construção de sua carteira faz com que o índice PutWrite perca aproximadamente quatro horas por mês de retorno do Índice SampP 500 em relação ao Índice BuyWrite. Cada mês na manhã do vencimento da opção, tanto a opção de compra de BuyWritersquos quanto a opção de venda PutWritersquos expiram e liquidam ao mesmo tempo na Oferta Especial Aberta (SOQ). Neste momento, a expiração da opção desinvestirá totalmente o índice PutWrite de sua exposição a ações. Até que restabeleça uma posição de opção de venda curta, é uma carteira beta zero. Em contrapartida, ao mesmo tempo, a carteira BuyWrite torna-se uma carteira beta um com a expiração de sua opção de compra, porque está totalmente investida no Índice SampP 500 sem a correspondente posição de opção de compra de curto prazo. Continua sendo uma carteira beta até que restabeleça sua posição de opção de compra de curto prazo. Assim, ao longo desta janela de quatro horas, o índice BuyWrite é exposto ao SampP 500 em relação à sua exposição média a longo prazo. Da mesma forma, o índice PutWrite está subexposto ao SampP 500 em relação à sua exposição média a longo prazo. Como exemplo, em média, entre 2004 e 2015, o índice SampP 500 caiu 23 pontos base nas madrugadas de expiração de opções. Os retornos de equidade sobre este período de quatro horas 12 vezes por ano sugere 2,7 de underperformance anual para o índice de BuyWrite relativo ao índice de PutWrite. Adicionando de volta no intercepto (anualizado) fornece um efeito combinado de 2,0 de anualizado prazo de validade underperformance. Isto está muito perto do 2.1 o índice de BuyWrite underperformed o índice de PutWrite sobre o mesmo período de 2004 a 2015.quot Purifying Factor Prêmios em mercados de equidade Sábado, 14 janeiro, 2017 Um papel académico interessante relacionou-se a um monte de estratégias de sazonalidade, mas principalmente a Neste artigo consideramos a questão de como melhorar a eficácia das estratégias destinadas a captar os prémios dos factores nos mercados accionistas e, em particular, a partir de O valor, qualidade, baixo risco e fatores de impulso. Consideramos uma série de abordagens de construção de portfólio projetadas para capturar os prêmios de fatores com os níveis apropriados de controles de risco com o objetivo de aumentar os índices de informação. Mostramos que os índices de informação podem ser aumentados ao direcionar a volatilidade constante ao longo do tempo, protegendo o mercado beta e protegendo as exposições ao fator de tamanho, isto é, neutralizando os viéses na capitalização de mercado dos estoques utilizados nas estratégias fatoriais. No que diz respeito à neutralização das exposições sectoriais, consideramos que esta é importante, em particular, para o valor e os factores de baixo risco. Finalmente, olhamos para o valor agregado de ações de curto prazo em estratégias de fator. Descobrimos que, com poucas exceções, as contribuições para o desempenho da perna curta são inferiores às da perna longa. Assim, as estratégias de longo prazo só podem ser alternativas eficientes para capturar esses prêmios de fatores. Finalmente, verificamos que os prêmios de fatores tendem a ter caudas mais gordas do que o que se poderia esperar de uma distribuição Gaussiana de retornos, mas que a aspereza não é significativamente negativa na maioria dos casos. Citações notáveis ​​do trabalho de pesquisa acadêmica: "Neste artigo mostramos a importância da construção do portfólio quando se trata de capturar os prêmios de fatores de forma eficiente. Mostramos primeiro que as abordagens mais simples e mais tradicionais para o investimento em fatores tendem a gerar retornos mais baixos ajustados ao risco devido ao risco incontrolado e à exposição não desejada ao índice de mercado ou aos viés de capitalização de mercado. Mostramos que as estratégias que visam volatilidade constante e hedge o beta do mercado ea exposição ao tamanho entregam índices de informação mais elevados. Isto é em particular devido a uma redução na volatilidade. Também mostramos a importância de remover a exposição do setor como uma fonte adicional de risco sem retorno no investimento de fatores. E explicamos por que razão apenas o factor de investimento pode capturar de forma eficiente os prémios dos factores, em particular a partir dos factores de baixo risco e momentum. Além disso, demonstramos a importância de diversificar os fatores em cada estilo graças à desregulação dos retornos de fatores mesmo dentro do mesmo estilo. Finalmente, nós mostramos que os prêmios de fatores tendem a exibir caudas gordas, mas também uma skewness relativamente pequena. Em geral, defendemos a importância de purificar e diversificar a exposição dos fatores no investimento de fatores como uma forma de melhorar significativamente os retornos ajustados ao risco das estratégias de fatores. E embora isso cause aumento de volume de negócios devido à necessidade de negócios adicionais, destacamos o fato de que a maioria dos benefícios mostrados neste artigo podem ser capturados na prática, usando abordagens inteligentes para conter turnover. quot Seasonalities in Stock Returns Sunday, 8 January , 2017 Autores: Hirschleifer, Jiang, Meng Título: Mood Beta e Seasonalities in Stock Returns A pesquisa existente documentou a sazonalidade transversal dos retornos de ações ndash o desempenho periódico de certas ações em relação a outros durante o mesmo mês, dia da semana ou pré - Períodos de férias. Um modelo baseado na sensibilidade diferencial dos estoques ao humor dos investidores explica esses efeitos e implica um novo conjunto de padrões sazonais. Descobrimos que o desempenho relativo entre os estoques durante os períodos de humor positivo (por exemplo, janeiro, sexta-feira, o melhor mês de retorno realizado no ano, o dia de melhor retorno realizado em uma semana, antes do feriado) tende a persistir em períodos futuros com humor congruente (Por exemplo, janeiro, sexta-feira, pré-feriado), e reverter em períodos com humor não-congruente (por exemplo, outubro, segunda-feira, pós-feriado). As ações com betas de humor mais alto estimadas durante janelas sazonais de humor forte (por exemplo, JaneiroOctober, Segunda-Feira, ou pré-feriados) ganham retornos mais altos esperados durante futuras estações de humor positivas, mas menores retornos esperados durante futuras temporadas de humor negativo. Citações notáveis ​​do trabalho de pesquisa acadêmica: "Propomos aqui uma teoria baseada no humor do investidor para oferecer uma explicação integrada para as sazonalidades conhecidas, tanto no nível agregado quanto no transversal, e oferecer novas implicações empíricas que também testaremos. Em nosso modelo, os inversores positivos (negativos) mudanças de humor causam otimismo periódico (pessimismo) na avaliação de sinais sobre assetsrsquo sistemática e idiossincrática payoff componentes. Isso resulta em variação sazonal na precificação errada e no retorno. De acordo com as previsões do modelo, descobrimos um conjunto de novas estacionalidades de retorno transversais baseadas na idéia de que os estoques que foram altamente sensíveis às flutuações sazonais do humor no passado também serão sensíveis no futuro. Em outras palavras, argumentamos que alguns estoques têm maior sensibilidade a alterações de humor (betas de humor mais elevado) do que outros, o que cria uma ligação entre sazonalidade sazonal e sazonalidade influenciadas pelo humor na seção transversal de retornos. Em particular, argumentamos que o humor do investidor varia sistematicamente entre meses, dias de semana e feriados. Em conseqüência, um humor beta estimado usando retornos de segurança em épocas com mudanças de humor ajuda a prever retornos sazonais futuros em outros períodos em que se espera mudança de humor. Durante nosso período amostral 1963-2015. O retorno médio do excesso de estoque (medido pelo retorno do índice ponderado igual ao CRSP menos a taxa livre de risco) é maior em janeiro e menor em outubro. Assim, nós nos concentramos em janeiro como um proxy para um investidor estado de alto humor e outubro para um estado de baixo humor. Usando as regressões de Fama-MacBeth, verificamos o achado de Heston e Sadka (2008) para janeiro e outubro de janeiro. O desempenho relativo de janeiro (outubro) tende a persistir no futuro janeiro (outubro) para os dez ou mais anos seguintes. Em nossa interpretação, os estoques que fazem melhor do que outros durante um mês tenderão a fazer melhor outra vez no mesmo mês no futuro porque há um modo congruent nesse tempo. Além disso, encontramos um novo efeito de reversão que atravessa meses com estados de ânimo incongruentes. Os retornos históricos de janeiro (outubro) na seção transversal tendem a reverter significativamente em outubro subseqüentes (Januários). Uma ação que fez melhor do que outras ações em janeiro passado tende a fazer pior do que outras ações em outubro para os próximos cinco anos ou assim. Um aumento de um desvio padrão no congruente histórico (incongruente) - calendário-mês leva a uma média de 23 aumento (17 diminuição) nos próximos dez anos, em relação à média de janeiro de outubro retorna. Nossa explicação para esses efeitos não é específica para a freqüência mensal. Uma maneira útil de desafiar a nossa teoria é, portanto, testar estacionalidades transversais comparáveis ​​em outras freqüências. Movendo-se para o domínio de retornos diários, documentamos um conjunto semelhante de congruentincongruent-mood-weekday retorno persistência e reversão efeitos. Nós confirmamos esse efeito de persistência de retorno para os retornos de segunda-feira e sexta-feira e, em seguida, mostramos, de forma análoga aos resultados mensais, que um efeito de persistência de retorno congruente-humor-dia-semana se aplica: desempenho relativo entre as ações no melhor retorno Retorno) realizado em uma semana tende a persistir nas dez sextas-feiras subseqüentes (segundas-feiras) e além, quando se espera que o bom (mau) desempenho do mercado continue. Um aumento de um padrão-desvio no congruente histórico-dia da semana ou congruente-humor-dia da semana de retorno está associado uma média com um 4 ou 12 maior retorno nos dez subseqüentes MondaysFridays. No nível de estoques individuais, há sazonalidade seccional de pré-feriado, em que os estoques que historicamente ganharam retornos mais elevados antes do feriado, em média, ganham retornos mais elevados antes do feriado para o mesmo feriado durante os próximos dez anos. Os efeitos transversais de persistência e reversão do retorno entre meses, dias de semana e feriados são consistentes com nossas previsões teóricas de que as flutuações sazonais de humor dos investidores causam percepções equivocadas sazonais sobre o fator e as recompensas específicas da empresa e levam a sazonalidades de retorno transversais. Essas previsões são baseadas na idéia de que diferentes ações têm diferentes estados de humor e voltam a sensibilidade de retorno ao fator de mispricing induzido por choques de humor. Argumentamos que o conceito de humor beta integra vários efeitos sazonais. Portanto, realizamos testes mais diretos do modelo de previsão de que os betas de humor ajudará a prever o desempenho relativo dos estoques em diferentes estações. quot Quantopian amp Quantpedia Estratégia de Negociação Series: Cross-Sectional Equity Mean Reversão quinta-feira, 29 de dezembro de 2016 Quantopian amp A Série de Estratégias de Negociação da Quantpedia continua. Agora, com um 4º artigo, novamente escrito por Matthew Lee, focado em Cross-Sectional Equity Mean Reversion (Estratégia 13): Reversão média transversal das ações (forte tendência de ações com fortes ganhos de reversão em um prazo curto prazo - Até um mês) é uma observação de mercado bem conhecida ea principal razão pela qual muitos pesquisadores acadêmicos geralmente usam uma medida de impulso 2-12 (retornos nos últimos 12 meses, excluindo o anterior) ao examinar a anomalia de momentum. Muitos trabalhos acadêmicos examinaram esse efeito, os mais notáveis ​​são os de Jagadesh. E Bruce Lehmann (veja a seção Outros artigos na subpágina do Quantpedia para esta estratégia de reversão para trabalhos de pesquisa acadêmica adicionais). A maioria dos acadêmicos especula que as razões fundamentais para a anomalia são fricções de mercado-microestrutura (bid-ask bounce) ou investidores39 preconceitos cognitivos - reação exagerada a informações passadas e uma correção dessa reação após um curto período de tempo. Mas é esta estratégia de equidade simples ainda rentável Matthew Lee de Quantopian realizada uma análise independentes durante um fora do período de amostra de 12-01-2011 a 12-01-2016. Em geral, o desempenho da estratégia de inversão de capital de curto prazo simples está abaixo do mercado. Mas, deve-se notar que esta estratégia é longshort em comparação com o benchmark justo apenas de longo prazo (que é o SPY). Então, se quisermos comparar o desempenho total dessa estratégia, devemos comparar apenas longa reversão das ações quotloser decilequot. Longshort estratégia de reversão de capital tem um Sharpe ratio 0,84 e Beta de 0,15. A relação de Sharpe da versão longshort é comparável à carteira do mercado e uma baixa correlação da estratégia da reversão da equidade faz-lhe um addon possível à carteira do investimento. Contudo. A estratégia de estorno é muito ativa (reajuste semanal, quinzenal), o que significa altos custos de transação e deslizamento. Portanto, um cuidado muito alto deve ser pago em uma implementação do mundo real e as etapas que tentam limitar o volume de negócios da estratégia devem ser tomadas. A curva de equidade OOS final: Obrigado pela análise Matthew Você também pode verificar primeiro. Segundo ou terceiro artigo nesta série se você gostou do atual. Fique atento para o próximo. Este artigo investiga a relação entre as condições monetárias e os retornos excedentes resultantes de uma estratégia de investimento que consiste em contrair empréstimos de moedas de taxas de juro baixas e investir em Moedas com altas taxas de juros, o chamado comércio de quotcarry. Os resultados indicam que carry trade retorno médio, taxa de Sharpe e 5 quantile diferem substancialmente em toda a política monetária expansiva e restritiva antes do início da recente crise financeira. Em contrapartida, os parâmetros considerados não são afectados pela política monetária não convencional durante a crise financeira. Citações notáveis ​​do trabalho de pesquisa acadêmica: "Meu principal resultado é que o retorno médio da carteira de carry trade, a taxa de Sharpe e 5 quantile di ffer substancialmente em toda a política monetária expansiva e restritiva convencional antes do início da recente crise financeira. Específicamente, acho que os períodos expansivos são caracterizados por retornos médios significativamente maiores e os rácios de Sharpe e menor risco de queda. Sobre isso, argumento que a política monetária expansiva convencional é capaz de melhorar as expectativas do mercado entre os países e, desta forma, o menor risco de volatilidade cambial. Isso gera uma apreciação cambial para as nações devedoras líquidas e um aumento nos lucros do carry trade. Em segundo lugar, apresento evidências que sugerem que os parâmetros considerados são semelhantes ao longo da agressiva e estabilizadora política monetária não convencional durante a recente crise financeira. Assim, o Federal Reserve não poderia um ffect mercado expectativas durante este tempo. Para os investidores, esta evidência sugere que as recompensas do carry trade variam com as mudanças nas condições monetárias somente durante períodos quotnormalquot. Para os pesquisadores, essa evidência sugere que reconhecer a relevância da política monetária é crucial para entender as implicações de preços do risco de volatilidade FX para carry trade. Zipline é uma biblioteca de negociação algorítmica Pythonic. É um sistema baseado em eventos que suporta backtesting e live-trading. Zipline é atualmente usado na produção como o backtesting e motor de troca ao vivo potenciando Quantopian 8211 uma plataforma livre, comunidade-centrada, hospedada para construir e executar estratégias de troca. Facilidade de uso: Zipline tenta sair de seu caminho para que você possa se concentrar no desenvolvimento de algoritmos. Veja abaixo um exemplo de código. Zipline vem 8220batteries included8221 como muitas estatísticas comuns, como média móvel e regressão linear pode ser facilmente acessado a partir de um algoritmo escrito pelo usuário. A entrada de dados históricos ea produção de estatísticas de desempenho baseiam-se em Pandas DataFrames para integrar-se bem no ecossistema PyData existente. Estatística e aprendizagem de máquinas bibliotecas como matplotlib, scipy, statsmodels, sklearn e apoiar o desenvolvimento, análise e visualização de state-of-the-art trading systems. Instalação Instalando com o pip Assumindo que você tenha todas as dependências não necessárias do Python (veja nota abaixo), você pode instalar o Zipline com pip via: Nota: Instalar o Zipline via pip é ligeiramente mais envolvido do que o pacote Python médio. Simplesmente executando pip instalar zipline provavelmente irá falhar se you8217ve nunca instalou qualquer pacote científico Python antes. Há duas razões para a complexidade adicional: Zipline envia várias extensões C que exigem acesso à API CPython C. Para construir as extensões C, o pip precisa de acesso aos arquivos de cabeçalho CPython para a instalação do Python. Zipline depende de numpy. A biblioteca central para computação em matriz numérica em Python. Numpy depende de ter as rotinas de álgebra linear LAPACK disponíveis. Como LAPACK e os cabeçalhos CPython são dependências binárias, a maneira correta de instalá-los varia de plataforma para plataforma. No Linux, os usuários geralmente adquirem essas dependências através de um gerenciador de pacotes como o apt. Yum Ou pacman. Em OSX, Homebrew é uma escolha popular que fornece a funcionalidade similar. Consulte a documentação de instalação completa do Zipline para obter mais informações sobre a aquisição de dependências binárias para a sua plataforma específica. Outra maneira de instalar o Zipline é através do gerenciador de pacotes conda, que vem como parte do Anaconda ou pode ser instalado via pip install conda. Uma vez configurado, você pode instalar o Zipline do nosso canal Quantopian: Plataformas atualmente suportadas incluem: Quickstart ContributionsData Bundles Escrevendo um novo Bundle Existem pacotes de dados para facilitar o uso de diferentes fontes de dados com zipline. Para adicionar um novo pacote, é necessário implementar uma função de ingestão. A função ingest é responsável por carregar os dados na memória e passá-los para um conjunto de objetos escritores fornecidos pela zipline para converter os dados no formato interno do zipline8217s. A função de ingestão pode funcionar baixando dados de um local remoto, como o bundle ou pacotes de yahoo, ou pode simplesmente carregar arquivos que já estão na máquina. A função é fornecida com os escritores que escreverão os dados para o local correto transacionalmente. Se uma ingestão falhar em parte através do bundle não será escrito em um estado incompleto. A assinatura da função ingest deve ser: environ é um mapeamento representando as variáveis ​​de ambiente a serem usadas. Isto é onde os argumentos personalizados necessários para a ingestão devem ser passados, por exemplo: o bundle quandl usa o ambiente para passar a chave da API e a contagem de tentativas de repetição de download. Assetdbwriter assetdbwriter é uma instância do AssetDBWriter. Este é o escritor para os metadados de ativos que fornece o tempo de vida do recurso e o símbolo para mapeamento de id de recurso (sid). Isso também pode conter o nome do recurso, troca e algumas outras colunas. Para gravar dados, invoque write () com dataframes para os vários pedaços de metadados. Existem mais informações sobre o formato dos dados nos documentos para gravação. Minutebarwriter minutebarwriter é uma instância de BcolzMinuteBarWriter. Este gravador é usado para converter dados para zipline8217s interno bcolz formato para mais tarde ser lido por um BcolzMinuteBarReader. Se dados minuciosos forem fornecidos, os usuários devem chamar write () com um iterável de (tups, dataframe). O argumento showprogress também deve ser encaminhado para este método. Se a fonte de dados não fornecer dados de nível de minuto, então não há necessidade de chamar o método de gravação. Também é aceitável passar um iterador vazio para escrever () para sinalizar que não há dados minuciosos. Os dados passados ​​para write () podem ser um iterador preguiçoso ou gerador para evitar o carregamento de todos os dados de minutos na memória em uma única vez. Um dado sid também pode aparecer várias vezes nos dados, desde que as datas são estritamente crescente. Dailybarwriter dailybarwriter é uma instância de BcolzDailyBarWriter. Este escritor é usado para converter dados em zipline8217s formato bcolz interno para mais tarde ser lido por um BcolzDailyBarReader. Se dados diários são fornecidos, os usuários devem chamar write () com um iterable de (sid dataframe) tuplas. O argumento showprogress também deve ser encaminhado para este método. Se o shource de dados não fornecer dados diários, então não há necessidade de chamar o método write. Também é aceitável passar um iterable vazio para escrever () para sinalizar que não há dados diários. Se não forem fornecidos dados diários, mas forem fornecidos dados minuciosos, ocorrerá uma coleta diária para atender solicitações diárias de histórico. Como o boletim de notícias. Os dados passados ​​para write () podem ser um iterável preguiçoso ou gerador para evitar o carregamento de todos os dados na memória de uma só vez. Ao contrário do editor de minutos. Um sid só pode aparecer uma vez nos dados iterável. Adjustmentwriter adjustmentwriter é uma instância de SQLiteAdjustmentWriter. Este escritor é usado para armazenar divisões, fusões, dividendos e dividendos em ações. Os dados devem ser fornecidos como dataframes e passados ​​para write (). Cada um destes campos são opcionais, mas o escritor pode aceitar tanto dos dados como você tem. Calendário é uma instância de zipline. utils. calendars. TradingCalendar. O calendário é fornecido para ajudar alguns bundles a gerar consultas para os dias necessários. Startsession startsession é um objeto pandas. Timestamp que indica o primeiro dia em que o bundle deve carregar dados. Endsession é um objeto pandas. Timestamp que indica o último dia em que o bundle deve carregar dados. Cache é uma instância de dataframecache. Este objeto é um mapeamento de strings para dataframes. Este objeto é fornecido no caso de uma ingestão travar parcialmente. A idéia é que a função ingest deve verificar o cache para dados brutos, se ele doesn8217t existem no cache, ele deve adquiri-lo e, em seguida, armazená-lo no cache. Em seguida, ele pode analisar e escrever os dados. O cache será desmarcado somente após uma carga bem-sucedida, isso impede que a função ingest precise redownload todos os dados se houver algum bug na análise. Se é muito rápido para obter os dados, por exemplo, se ele está vindo de outro arquivo local, então não há necessidade de usar esse cache. Showprogress showprogress é um booleano indicando que o usuário gostaria de receber feedback sobre o progresso de ingest function8217s buscar e escrever os dados. Alguns exemplos de onde mostrar quantos arquivos você baixou do total necessário, ou até que ponto em alguma conversão de dados é a função de ingestão. Uma ferramenta que pode ajudar na implementação de showprogress para um loop é maybeshowprogress. Esse argumento deve ser sempre encaminhado para minutebarwriter. write e dailybarwriter. write. Outputdir outputdir é uma string que representa o caminho do arquivo onde todos os dados serão gravados. Outputdir será algum subdiretório de ZIPLINEROOT e conterá a hora do início do ingestion atual. Isso pode ser usado para mover diretamente os recursos aqui se por algum motivo sua função de ingestão pode produzir saídas próprias sem os escritores. Por exemplo, o quantpian: quandl bundle usa isto para untar diretamente o bundle no outputdir.