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
Lab
Laboratorio
Ruta de lectura, sistemas y herramientas. Lo que hay detrás de los informes.
[ 01 ]Ruta de lectura
Orden de lectura recomendado
Bienvenido a la pagina de recursos de Python para Trading. Aqui encontraras todos los articulos publicados, organizados por categorias y en el orden recomendado de lectura. Cada categoria cubre un area fundamental del trading cuantitativo con Python.
Empezamos con los fundamentos teoricos: volatilidad, liquidez, procesos estocasticos y politica monetaria. Luego pasamos al backtesting con Zipline, seguido de la gestion de big data con ArcticDB, y cerramos con las herramientas y practicas del dia a dia.
Todos los articulos incluyen codigo Python, diagramas SVG, formulas matematicas y ejemplos practicos. Esta lista se actualiza constantemente a medida que se publican nuevos articulos.
CAT-019 informes
Fundamentos teóricos
Volatilidad, liquidez, procesos estocásticos y política monetaria. El punto de partida para entender los mercados desde una perspectiva cuantitativa.
- Introducción a la Volatilidad - Liquidez
- Estimadores de Volatilidad
- Usos de la Volatilidad y Volatilidad Actual - VIX1D
- Volatility Targeting en Python
- Procesos Estocásticos - Paseos Aleatorios
- Price Discovery & Arbitrage Price Theory
- Liquidez Order Book - Trading Liquidez Agregada
- Modelos Cuantitativos y Ejecución Algorítmica
- Bancos Centrales y Política Monetaria en Python
CAT-023 informes
Backtesting con Zipline
Backtesting de estrategias con Zipline, el motor más emblemático de Python para trading algorítmico, y los primeros análisis sobre un data bundle.
CAT-034 informes
Big data con ArcticDB
Gestión de big data para trading con ArcticDB: de la introducción a un datalake sobre el Nasdaq integrado con Zipline.
CAT-0412 informes
Herramientas y práctica
Docker, OpenBB, estacionalidad, quant research y reporting. Lo necesario para el día a día del trader cuantitativo.
- El entorno de trabajo - 1
- Curso de Python Para Trading - Parte 1 : Datos de Mercado con OpenBB
- Calcular la liquidez del USD de forma aproximada
- Advanced Financial Report Library in Python
- Impacto del factor estacional sobre los bonos americanos.
- Curso Python Trading: Aprende Trading Algorítmico desde Cero
- Introduccion al Quant Research
- Estacionalidad en Python. Buscando Patrones Intradia
- Estacionalidad en Python II - Backtesting
- Estacionalidad en Python III - Estadisticas sobre la operativa
- Estacionalidad Intradiaria IV - Busqueda de campo
- QAStats V3 Released
[ 02 ]Sistemas
Librerías y repositorios
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
[ 03 ]Recursos
Estilo de gráficos
ppt-dark.mplstyle aplica los tokens del sitio a matplotlib: fondo negro, ejes y rejilla en gris, texto en gris claro y series en hueso, azul, naranja y ámbar. Es el estilo de las figuras de los informes.
ppt-dark.mplstyle · Matplotlib · Texto plano
Descargar ppt-dark.mplstyleimport matplotlib.pyplot as plt
import numpy as np
# Estilo del sitio: desde la URL publicada o desde una copia local del archivo
plt.style.use("https://pythonparatrading.com/ppt-dark.mplstyle")
rets = np.random.default_rng(7).normal(0.0004, 0.01, size=(252, 4))
equity = (1 + rets).cumprod(axis=0)
fig, ax = plt.subplots()
ax.plot(equity)
ax.set_title("Curvas de capital")
fig.savefig("equity.png")