Recursos

Todos los articulos de Python para Trading organizados por categoria: teoria, backtesting, big data y herramientas practicas.

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.

Fundamentos Teoricos

Articulos teoricos sobre volatilidad, liquidez, procesos estocasticos y politica monetaria. El punto de partida para entender los mercados desde una perspectiva cuantitativa.

1
Estimadores de Volatilidad

Estimadores de Volatilidad

En este artículo, vamos a explorar los estimadores de volatilidad más ampliamente utilizados en el ámbito del trading. Explicaremos tanto sus ventajas como sus limitaciones y proporcionaremos cualquier otra información relevante.

Volatilidad Volatilidad
4
Procesos Estocásticos - Paseos Aleatorios

Procesos Estocásticos - Paseos Aleatorios

En la teoría de la probabilidad, un proceso estocástico es un concepto matemático que sirve para representar magnitudes aleatorias que varían con el tiempo o para caracterizar una sucesión de variables aleatorias (estocásticas) que evolucionan en función de otra variable, generalmente el tiempo.

Procesos Estocasticos Procesos Estocasticos Modelos Modelos

Backtesting con Zipline

Backtesting de estrategias con Zipline, el motor mas emblematico de Python para trading algoritmico, y la creacion de los primeros backtests.

Big Data con ArcticDB

Gestion de big data para trading con ArcticDB. Desde la introduccion hasta la creacion de un datalake sobre el Nasdaq y su integracion con Zipline.

Herramientas y Practica

Docker, OpenBB, estacionalidad, quant research, reporting y mas. Todo lo necesario para el dia a dia del trader cuantitativo.

0
El entorno de trabajo - 1

El entorno de trabajo - 1

En este nuevo artículo, vamos a tratar como crear un entorno profesional para trading quant algorítmicos. Para ello vamos a utilizar un stock de tecnologías, que nos van a facilitar el deployeo, focalizando nuestra actividad en el research puro, y no en la infraestructura.

Big Data Big Data
6
Introduccion al Quant Research

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.

Research Research Quant Quant
8
Estacionalidad en Python II - Backtesting

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

Algoritmos Algoritmos Modelos Modelos