QAStats
Librería de reporting de carteras y estrategias sobre pandas: métricas de rendimiento y riesgo, drawdowns y factsheets. Base empyrical y pyfolio.
v3.0.1 · 2 estrellas
Python para trading — research cuantitativo: Hipótesis, código, evidencia.
Research cuantitativo en Python para traders sistemáticos: cada idea, probada con código que puedes ejecutar.
[ 01 ]Sistemas
Laboratorio
Código público de QUANTARMY en GitHub: lo que usan los informes, empaquetado para reutilizarlo.
Datalake
Datalake NoSQL sobre S3 con ArcticDB: ingesta desde varias fuentes de datos de mercado, Alpha Vantage incluida, y CLI de gestión.
v5.1 · 1 estrella
Quantstack
Entorno de research y backtesting en un contenedor: Docker, Debian, conda, JupyterLab, zipline-reloaded y ArcticDB.
7 estrellas
QAStats V2
Versión anterior de QAStats con un notebook de ejemplo que genera factsheets al estilo pandas a partir de los cálculos de empyrical.
v2.0.1 · 2 estrellas
[ 02 ]Research
Últimos estudios
Máquinas de Estado Finito para Ejecución de Trading Cuantitativo en Python: de Knight Capital a LangGraph
El desastre de Knight Capital fue un fallo de estado. Cómo modelar la ejecución de estrategias y el ciclo de vida de las órdenes con máquinas de estado finito en Python: guards, kill switch, cooldown, testing y el puente hacia LangGraph.
QAStats V3 Released
Ultima actualizacion de la liberia qastats de reporting avanzado de portfolios y estrategias de trading en python
Estacionalidad Intradiaria IV - Busqueda de campo
En esta entrega,ampliamos el backtester para utilizarlo como un buscador de amplio espectro y encontrar ventajas estacionales. Realizamos un backtest a todos los parametros necesarios para analizar la estacionalidad intradia del activo
Estacionalidad en Python III - Estadisticas sobre la operativa
En este articulo, analizamos el ratio de sharpe, el value at risk (VaR) el Conditional Value At Risk (CVaR), el System Quality Number (SQN) y otros ratios relevantes para analizar el backtest.
Estacionalidad en Python II - Backtesting
Descubre cómo identificar patrones estacionales intradía en futuros y validar estrategias de trading mediante backtesting. Aprende a utilizar Python para analizar datos históricos, optimizar parámetros y evaluar el rendimiento de tus algoritmos antes de aplicarlos en el mercado real
Estacionalidad en Python. Buscando Patrones Intradia
Tras una larga temporada desconectados, volvemos con notas para vosotros. En esta ocasion programaremos desde cero un proceso de research completo, reutilizable en el futuro.
Introduccion al Quant Research
Una estrategia quant es una estrategia sistemática, condicionada por los datos y el modelo, el cual está programado para generar decisiones de inversión. El principal pilar dentro del quant research, es el método científico.
[ 03 ]Cursos
Series
Big Data Management
Datalake de mercado con ArcticDB en Python, desde cero hasta un backtest con Zipline sobre los datos almacenados.
04/04 partesEstacionalidad en Python
Patrones intradía en futuros. Preprocesado, backtesting, estadísticas de la operativa y optimización.
04/04 partes
[ 04 ]Archivo
Temas
9 informes
Research
8 informes
Quant
6 informes
Algoritmos
6 informes
Big Data
5 informes
Liquidez
4 informes
ArticDB
4 informes
microestructura
4 informes
Modelos
[ 05 ]Archivo
Archivo
29 informes
- Big Data Management 4 - Utilizando el datalake en Zipline
- Big Data Management 3 - Creando un Datalake sobre el Nasdaq con ArcticDB.
- Big Data Management. 2 - Primeras lineas de código.
- Big Data Management. 1 - Introduccion al Big Data para trading con ArticDB
- Curso Python Trading: Aprende Trading Algorítmico desde Cero
- Impacto del factor estacional sobre los bonos americanos.
- Advanced Financial Report Library in Python
- Calcular la liquidez del USD de forma aproximada
- Curso de Python Para Trading - Parte 1 : Datos de Mercado con OpenBB
- El entorno de trabajo - 1