Python Para Trading - Modelos Quants y Trading Algoritmico

Ultima actualizacion de la liberia qastats de reporting avanzado de portfolios y estrategias de trading en python

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

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.

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

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.

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.

En este artículo, vamos a crear una solución para poder utilizar cualquier tipo de dato, dentro de un pipeline de zipline. Crearemos un algoritmo, que consulte el datalake, realice las transformaciones oportunas y posteriormente ingiera los datos hacia zipline dentro del denominado bundle.

En este artículo, exploraremos la creación de un algoritmo para gestionar datos financieros en nuestro datalake, utilizando ArcticDB como backend y el proveedor de datos End Of Day Historical (EODH).

En el artículo anterior, realizamos una introducción a las bases de datos NoSQL y sus ventajas, casos de uso y justificaciones pertinentes.