Modèle De Données Du Système Commercial

Construire un modèle rentable de négociation en 7 étapes faciles Un modèle commercial est une structure clairement définie, étape par étape basée sur des règles pour les activités de négociation de gouvernement. Dans cet article, nous présentons le concept de base des modèles de trading, expliquons leurs avantages et fournissons des instructions sur la façon de construire votre propre modèle de trading. Les avantages de la construction d'un modèle de négociation L'utilisation d'un modèle de négociation basé sur des règles offre de nombreux avantages: Les modèles sont basés sur un ensemble de règles éprouvées. Cela aide à éliminer les émotions humaines de la prise de décision. Les modèles peuvent être facilement backtested sur les données historiques pour vérifier leur valeur avant de prendre la plongée avec de l'argent réel. Le backtesting basé sur un modèle permet de vérifier les coûts associés de sorte que le trader puisse voir son potentiel de profit de façon plus réaliste. Un bénéfice 2 théorique peut sembler attrayant, mais une charge de courtage de 2,50 change l'équation. Les modèles peuvent être automatisés pour envoyer des alertes mobiles, des messages pop-up et des graphiques. Cela peut éliminer le besoin de surveillance et d'action manuelle. Avec un modèle, un commerçant peut facilement suivre 10 stocks pour la moyenne mobile de 50 jours (DMA) traversant plus de 15 jours de moyenne mobile. Sans une telle automatisation, le suivi manuel même d'un stock DMA peut être difficile. Comment construire votre propre modèle de négociation Pour construire un modèle commercial, vous n'avez pas besoin de connaissances de négociation de niveau avancé. Toutefois, vous avez besoin d'une compréhension de comment et pourquoi les prix se déplacent (par exemple, en raison des événements mondiaux), où les opportunités de profit existent, et comment capitaliser sur les opportunités. Les novices et les commerçants modérément expérimentés peuvent commencer par se familiariser avec quelques indicateurs techniques. Ceux-ci offrent des perspectives significatives aux modèles commerciaux. Comprendre les indicateurs techniques aidera également les commerçants à conceptualiser les tendances et à faire des stratégies personnalisées et des modifications à leurs modèles. Dans cet article, nous allons nous concentrer sur le commerce basé sur des indicateurs techniques. Exemple d'un modèle de trading simple Stratégie Basé sur le principe de l'inversion de tendance. Certains commerçants agissent sur l'hypothèse que ce qui va vers le bas va revenir en place (et vice versa). En utilisant l'hypothèse d'inversion de tendance comme une stratégie, nous allons construire un modèle commercial. Dans les étapes ci-dessous, nous allons parcourir une série d'étapes pour créer un modèle de négociation et de tester si elle est rentable. Organigramme pour la construction d'un modèle commercial 1. Concevoir le modèle commercial. Dans cette étape, le commerçant étudie les mouvements historiques des stocks afin d'identifier les tendances prédictives et de créer un concept. Le concept peut être le résultat d'une analyse de données approfondie ou il pourrait être une intuition basée sur des observations au hasard. Pour cet article, nous utilisons l'inversion de tendance pour construire la stratégie. Le concept initial est: si un stock diminue de x pour cent par rapport au cours de clôture des jours précédents, s'attendre à la tendance à inverser dans les prochains jours. À partir de là, regardez les données passées et posez des questions pour affiner le concept: Le concept est-il vrai? Ce concept s'appliquera-t-il seulement à quelques stocks de haute volatilité sélectionnés ou s'adaptera-t-il à tous les stocks Quelle est la durée de l'inversion de tendance attendue? Jour, 1 semaine ou 1 mois) Ce qui devrait être défini comme le niveau bas pour entrer dans un commerce Quel est le niveau de profit objectif Un concept initial contient généralement de nombreuses inconnues. Un commerçant a besoin de quelques points de décision ou des nombres pour commencer. Ceux-ci peuvent être basés sur certaines hypothèses. Par exemple: cette stratégie peut s'appliquer sur les stocks modérément volatils ayant une valeur bêta comprise entre 2 et 3. Acheter si le stock diminue de 3 pour cent et attendre 15 jours pour inversion de tendance et s'attendre à un retour de 4 pour cent. Ces chiffres sont fondés sur les hypothèses et l'expérience d'un opérateur. Encore une fois, une compréhension de base des indicateurs techniques est importante. 2. Identifier les opportunités. Dans cette étape, identifier les bonnes opportunités ou stocks de commerce. Il s'agit de vérifier le concept par rapport aux données historiques. Dans le concept de l'exemple, nous achetons sur une baisse de 3 pour cent. Commencez par choisir les stocks de haute volatilité pour l'évaluation. Vous pouvez télécharger les données historiques des actions ordinaires échangées à partir de sites Web d'échange ou de portails financiers comme Yahoo Finance. À l'aide de formules de tableur, calculez le changement de pourcentage par rapport au cours de clôture des jours précédents, filtrez les résultats correspondant aux critères et observez le modèle pour les jours suivants. Vous trouverez ci-dessous un exemple de feuille de calcul. Dans cet exemple, le cours de clôture des actions est en baisse de moins de 3 pour cent sur 2 jours (4 février et 7 février). Une observation attentive des jours suivants révélera si l'inversion de tendance est visible ou non. Le prix du 5 février augmente jusqu'à 4,59%. Le 8 février, la variation est inférieure à 1,96%. Les résultats sont-ils concluants? Une observation correspond à l'attente du concept (4 pour cent et plus) alors qu'une observation ne le fait pas. Ensuite, nous devons vérifier notre concept à travers plus de points de données et plus de stocks. Exécutez le test sur plusieurs stocks avec des prix quotidiens sur au moins 5 ans. Observer quels stocks donnent des renversements de tendance positifs dans une durée définie. Si le nombre de résultats positifs est meilleur que négatif, puis continuer avec le concept. Si ce n'est pas le cas, ajuster le concept et retest ou jeter le concept complètement et revenir à l'étape 1. 3. Développer le modèle de négociation. À ce stade, nous affiner le modèle de négociation et d'introduire les variations nécessaires sur la base des résultats de l'évaluation du concept. Nous continuons à vérifier à travers de grands ensembles de données et d'observer pour plus de variations. Est-ce que le résultat de la stratégie s'améliore si nous considérons des jours de semaine spécifiques Par exemple, le prix des actions plonger de 3 pour cent sur un vendredi se traduire par une augmentation cumulative de 5 pour cent ou plus au cours de la semaine prochaine Est-ce que les résultats s'améliorent si nous prenons des stocks de volatilité avec des valeurs bêta Dessus 4 Nous pouvons vérifier ces personnalisations que le concept original ait ou non des résultats positifs. Vous pouvez continuer à explorer de multiples modèles. À ce stade, vous pouvez également utiliser la programmation informatique pour identifier les tendances rentables en laissant des algorithmes et des programmes informatiques analyser les données. Dans l'ensemble, l'objectif est d'améliorer les résultats positifs de notre stratégie conduisant à une plus grande rentabilité. Certains commerçants restent bloqués à ce stade, analysant de grands ensembles de données sans fin avec de légères variations dans les paramètres. Il n'existe pas de modèle commercial parfait. N'oubliez pas de tracer une ligne sur les tests et de prendre une décision. 4. Effectuer une étude pratique: Notre modèle est maintenant à la recherche grand. Il montre un bénéfice positif pour la majorité des métiers (par exemple, 70 pour cent victoires de 2 et 30 pour cent des pertes de 1). Nous concluons que pour 10 métiers, nous pouvons faire un beau bénéfice de 72 31 11. Cette étape nécessite une étude pratique qui peut être basée sur les points suivants: Est-ce que le coût par échange de courtage laissant une marge de profit suffisante pour Faire jusqu'à 20 métiers de 500 chacun pour réaliser un bénéfice, mais mon capital disponible est juste 8000. Est-ce que mon modèle de commerce compte pour les limites de capital Quelle est la fréquence que je peux le commerce est le modèle montrant trop fréquents métiers au-dessus de mon capital disponible, Maintenir les bénéfices très bas Le résultat théorique correspond-il aux réglementations nécessaires. Exige-t-il des opérations de vente à découvert ou des contrats d'options à long terme qui peuvent être interdits ou des positions d'achat et de vente simultanées qui peuvent également ne pas être autorisées? 5. Vivre ou abandonner et passer à un nouveau modèle. En tenant compte des résultats des tests, de l'analyse et de l'ajustement ci-dessus, prenez une décision. Allez vivre en investissant de l'argent réel en utilisant le modèle commercial ou abandonner le modèle et recommencer à partir de l'étape 1. Rappelez-vous, une fois que vous allez vivre avec de l'argent réel, il est important de continuer à suivre, analyser et évaluer le résultat, surtout au début. 6. Soyez prêt pour les échecs et redémarre. Trading nécessite une attention constante et des améliorations à la stratégie. Même si votre modèle de négociation a toujours gagné de l'argent pendant des années, l'évolution du marché peut changer à tout moment. Soyez prêt pour les échecs et les pertes. Soyez ouvert à d'autres personnalisations et améliorations. Soyez prêt à détrôler le modèle et passer à un nouveau si vous perdez de l'argent et ne peut trouver plus de personnalisations. 7. Assurer la gestion des risques en établissant des scénarios de simulation. Il peut ne pas être possible d'inclure la gestion des risques dans le modèle de négociation sélectionné en fonction des stratégies choisies, mais il est sage d'avoir un plan de sauvegarde si les choses ne semblent pas être comme prévu. Que faire si vous achetez le stock qui a baissé de 3 pour cent, mais il n'a pas montré d'inversion de tendance pour le mois prochain Si vous déverser ce stock à une perte limitée ou de garder à tenir sur ce poste Que devez-vous faire dans le cas d'une action de l'entreprise Comme une question de droits Des centaines de concepts commerciaux établis existent et augmentent chaque jour avec les personnalisations des nouveaux commerçants. Pour réussir à construire un modèle commercial, le commerçant doit avoir la discipline, la connaissance, la persévérance, et l'évaluation juste du risque. L'un des défis majeurs vient de l'attachement émotionnel des commerçants à une stratégie commerciale auto-développée. Une telle foi aveugle dans le modèle peut conduire à des pertes croissantes. Le commerce basé sur un modèle repose sur le détachement émotionnel. Dump le modèle si elle échoue et de concevoir un nouveau, même si elle vient à une perte limitée et un délai. Le trading est une question de rentabilité et l'aversion pour les pertes est intégrée dans les modèles de négociation basés sur des règles. Bases de données principales pour le négoce algorithmique Dans le trading algorithmique, les projecteurs brillent généralement sur la composante modèle alpha du système commercial complet. C'est la partie du système qui génère les signaux commerciaux, avant la filtration par un système de gestion des risques ou de construction de portefeuille. En tant que tels, les commerçants d'algo dépensent souvent une partie significative de leur temps de recherche affinant le modèle d'alpha afin de produire le plus grand rapport Sharpe backtesté avant de mettre leur système en production. Cependant, un modèle alpha est aussi bon que les données qui lui sont fournies. Ce concept est bien résumé par l'adage vieille science informatique des ordures dans, les ordures. Il est essentiel que des données exactes et opportunes soient utilisées pour alimenter le modèle alpha sinon les résultats seront au mieux médiocres ou au pire complètement incorrects, entraînant de grandes pertes si le système est mis en production. Dans cet article, je veux discuter des questions entourant l'acquisition et la fourniture de données opportunes et précises pour un système de backtesting stratégie algorithmique et, finalement, un moteur d'exécution de négociation. Nous étudierons notamment comment obtenir des données financières, comment les stocker, comment les nettoyer et comment les exporter. Dans le secteur financier, ce type de service de données est connu sous le nom de base de données des titres. Qu'est-ce qu'un titre de valeurs mobilières Un maître de valeurs mobilières est une base de données à l'échelle de l'organisation qui stocke les fondamentaux. Les prix et les données transactionnelles pour une variété d'instruments financiers entre les catégories d'actifs. Il donne accès à ces informations d'une manière cohérente et peut être utilisé par d'autres ministères, comme la gestion des risques, le clearingettlement et le trading exclusif. Dans les grandes organisations, une gamme d'instruments et de données sera stockée. Voici quelques-uns des instruments qui pourraient intéresser une entreprise: Actions Actions Indices Actions Indices Devises Taux d'intérêt Futures Commodities Obligations - Gouvernement et Corporate Derivatives - Caps, Floors, Swaps Les bases de données de valeurs mobilières ont souvent des équipes de développeurs et de spécialistes des données assurant une haute Disponibilité au sein d'une institution financière. Bien que cela soit nécessaire dans les grandes entreprises, au niveau du commerce de détail ou dans un petit fonds, un maître des valeurs mobilières peut être beaucoup plus simple. En fait, alors que les grands maîtres de valeurs mobilières utilisent des systèmes coûteux de bases de données et d'analyse d'entreprise, il est possible d'utiliser des logiciels open source pour fournir le même niveau de fonctionnalité, en supposant un système bien optimisé. Quels ensembles de données sont utilisés Pour les commerçants algorithmiques de détail ou les petits fonds quantitatifs, les ensembles de données les plus courants sont les prix historiques intraday pour les actions, les indices, les futures (principalement les matières premières ou les titres à revenu fixe) et les devises (forex). Afin de simplifier cette discussion, nous nous concentrerons uniquement sur les données de fin de journée (EOD) pour les actions, les FNB et les indices boursiers. Des articles ultérieurs traiteront de l'ajout de données plus fréquentes, de classes d'actifs supplémentaires et de données sur les dérivés, qui ont des exigences plus avancées. Les données EOD pour les actions sont faciles à obtenir. Il existe un certain nombre de services fournissant un accès gratuit via les API disponibles sur le Web: Il est facile de télécharger manuellement les données historiques pour les titres individuels, mais cela prend beaucoup de temps si de nombreux stocks doivent être téléchargés quotidiennement. Ainsi, un composant important de notre maître des valeurs mobilières mettra automatiquement à jour l'ensemble de données. Un autre problème est la période de réflexion. Jusqu'à quel point dans le passé devons-nous aller avec nos données Cela sera spécifique aux exigences de votre stratégie de négociation, mais il ya certains problèmes qui couvrent toutes les stratégies. Le plus commun est le changement de régime. Qui se caractérise souvent par un nouvel environnement réglementaire, par des périodes de volatilité plus faible ou par des marchés tendanciels à plus long terme. Par exemple, une stratégie de tendance à court terme à court terme suivie d'une stratégie à long terme devrait très bien fonctionner entre 2000-2003 ou 2007-2009. Cependant, il aurait eu un moment difficile de 2003-2007 ou 2009 à nos jours. Ma règle est d'obtenir autant de données que possible, en particulier pour les données EOD où le stockage est bon marché. Juste parce que les données existent dans votre maître de sécurité, ne signifie pas qu'il doit être utilisé. Il y a des mises en garde quant à la performance, car les tables de base de données plus importantes signifient des temps de requêtes plus longs (voir ci-dessous), mais les avantages d'avoir plus de points d'échantillonnage l'emportent généralement sur les problèmes de performances. Comme pour toutes les données financières, il est impératif d'être conscient des erreurs, telles que des prix trop élevés ou des biais de survie. Dont j'ai discuté longuement sur QuantStart (voir ici). Qu'est-ce qui est utilisé pour stocker les données Il existe trois façons principales de stocker les données financières. Ils possèdent tous des degrés divers d'accès, de performance et de capacités structurelles. Nous examinerons chacun à tour de rôle. Stockage de fichiers plats Le magasin de données le plus simple pour les données financières, et la façon dont vous êtes susceptible de recevoir les données de tous les fournisseurs de données, est le format de fichier plat. Les fichiers plats utilisent souvent le format de variable séparée par des virgules (CSV), qui stocke une matrice bidimensionnelle de données sous la forme d'une série de lignes, avec des données de colonne séparées par un délimiteur (souvent une virgule, mais peuvent être des espaces, par exemple Comme un espace ou un onglet). Pour les données de prix EOD, chaque ligne représente un jour de négociation via le paradigme OHLC (c'est-à-dire les prix à l'ouverture, haute, basse et clôture de la période de négociation). L'avantage des fichiers plats est leur simplicité et leur capacité à être fortement compressés pour l'archivage ou le téléchargement. Les principaux inconvénients résident dans leur manque de capacité d'interrogation et de mauvaises performances pour l'itération à travers de grands ensembles de données. SQLite et Excel atténuent certains de ces problèmes en fournissant certaines fonctionnalités d'interrogation. Magasins de documentsNoSQL Magasins de documentsLes bases de données NOSQL, bien que certainement pas un nouveau concept, ont gagné une importance significative ces dernières années en raison de leur utilisation dans des entreprises à l'échelle du Web telles que Google, Facebook et Twitter. Ils diffèrent considérablement des systèmes RDBMS en ce sens qu'il n'y a pas de concept de schémas de tables. Au lieu de cela, il ya des collections et des documents. Qui sont les analogies les plus proches des tableaux et des enregistrements, respectivement. Il existe une vaste taxonomie de magasins de documents, dont la discussion est bien en dehors de cet article. Cependant, certains des magasins les plus populaires incluent MongoDB. Cassandra et CouchDB. Les magasins de documents, dans les applications financières, sont surtout adaptés aux données fondamentales ou méta-données. Les données fondamentales pour les actifs financiers se présentent sous plusieurs formes, telles que les actions de l'entreprise, les relevés de résultats, les dépôts de la SEC, etc. Ainsi, la nature sans schéma des DB de NoSQL convient bien. Toutefois, les DB NoSQL ne sont pas bien conçus pour les séries chronologiques telles que les données de haute résolution des prix et donc nous ne les examinerons plus dans cet article. Systèmes de gestion de bases de données relationnelles Un système de gestion de bases de données relationnelles (RDBMS) utilise le modèle relationnel pour stocker des données. Ces bases de données sont particulièrement bien adaptées aux données financières parce que différents objets (tels que les échanges, les sources de données, les prix) peuvent être séparés en tables avec des relations définies entre eux. Les SGBDR utilisent le langage de requête structurée (SQL) pour effectuer des requêtes de données complexes sur des données financières. Les exemples de RDBMS incluent Oracle. MySQL. SQLServer et PostgreSQL. Les principaux avantages de RDBMS sont la simplicité d'installation, l'indépendance de la plate-forme, la facilité d'interrogation, la facilité d'intégration avec les principaux logiciels de backtest et les capacités de haute performance à grande échelle (bien que certains prétendent que ce n'est pas le cas). Leurs inconvénients sont souvent dus à la complexité de la personnalisation et aux difficultés de réalisation de ladite performance sans connaissance sous-jacente de la façon dont les données RDBMS sont stockées. En outre, ils possèdent des schémas semi-rigides et donc les données doivent souvent être modifiées pour s'adapter à ces conceptions. Ceci est différent des magasins de données NoSQL, où il n'y a pas de schéma. Pour tous les futurs articles sur QuantStart, nous utiliserons le RDBMS de MySQL. Il est libre, open-source, multi-plateforme, très robuste et son comportement à l'échelle est bien documenté, ce qui en fait un choix judicieux pour le travail quantique. Comment les données historiques sont-elles structurées? Il existe un important corpus de recherches théoriques et universitaires menées dans le domaine de l'informatique pour une conception optimale des magasins de données. Cependant, nous n'entrerons pas trop dans les détails, car il est facile de se perdre en minutie. Au lieu de cela, je présenterai un modèle commun pour la construction d'un maître de sécurité d'actions, que vous pouvez modifier comme bon vous semble. La première tâche consiste à définir nos entités. Qui sont des éléments des données financières qui seront éventuellement mappées à des tables dans la base de données. Pour une base de données maître d'actions, je prévois les entités suivantes: Échanges - Quelle est la source originale ultime des données Fournisseur - Où se trouve un point de données particulier obtenu à partir de InstrumentTicker - Le symbole ticker pour l'équité ou l'indice, Ou fonds. Prix ​​- Le prix réel d'un titre donné pour un jour donné. Actions de la société - La liste de toutes les divisions d'actions ou ajustements de dividendes (cela peut conduire à un ou plusieurs tableaux), nécessaire pour ajuster les données de tarification. Jours fériés nationaux - Pour éviter de classer les jours fériés comme des erreurs de données manquantes, il peut être utile de stocker les jours fériés nationaux et les renvois. Il ya des problèmes importants en ce qui concerne le stockage de téléscripteurs canoniques. Je peux témoigner de cette expérience de première main à un fonds de couverture de traiter ce problème exact Différents fournisseurs utilisent différentes méthodes pour résoudre les tickers et donc de combiner de multiples sources de précision. En outre, les entreprises font faillite, sont exposées à l'activité MA (c'est-à-dire devenir acquises et changer namessymbols) et peuvent avoir plusieurs actions cotées en bourse. Beaucoup d'entre vous n'auront pas à s'inquiéter à ce sujet parce que votre univers de tickers sera limité aux constituants d'indice plus grand (comme le SP500 ou FTSE350). Comment les données sont-elles évaluées en vue de leur exactitude? Les données historiques sur les prix des fournisseurs sont sujettes à de nombreuses erreurs: Actions de l'entreprise - Gestion incorrecte des répartitions des actions et des ajustements des dividendes. Il faut être absolument sûr que les formules ont été correctement mises en œuvre. Spikes - Points de prix qui dépassent largement certains niveaux historiques de volatilité. Il faut être prudent ici car ces pics se produisent - voir le crash de mai Flash pour un exemple effrayant. Les pointes peuvent également être causées par la non prise en compte des divisions d'actions quand elles se produisent. Les scripts de filtre Spike sont utilisés pour avertir les commerçants de telles situations. OHLC agrégation - données OHLC libre, comme YahooGoogle est particulièrement enclins à mauvaise tick agrégation situations où les petits échanges de traiter les petits métiers bien au-dessus des principaux cours de change pour la journée, ce qui conduit à trop gonflé maximaminima une fois agrégée. C'est moins une erreur en tant que telle, mais plus d'une question à se méfier de. Données manquantes - Les données manquantes peuvent être causées par le manque de métiers dans une période donnée (commun dans les données de résolution de deuxième minute de petites capitalisations illiquides), par les jours fériés commerciaux ou simplement une erreur dans le système d'échange. Les données manquantes peuvent être remplies (c'est-à-dire remplies de la valeur précédente), interpolées (linéairement ou non) ou ignorées, selon le système de négociation. Beaucoup de ces erreurs reposent sur un jugement manuel pour décider de la marche à suivre. Il est possible d'automatiser la notification de telles erreurs, mais il est beaucoup plus difficile d'automatiser leur solution. Par exemple, il faut choisir le seuil pour être informé sur les pointes - combien d'écarts types à utiliser et sur quelle période de réflexion trop élevé un stdev manquera quelques pics, mais trop faible et de nombreuses annonces de nouvelles inhabituelles mènera à des faux positifs. Toutes ces questions nécessitent un jugement avancé de l'opérateur quanti. Il est également nécessaire de décider comment réparer les erreurs. Les erreurs doivent-elles être corrigées dès qu'elles sont connues et, dans l'affirmative, une piste de vérification doit-elle être effectuée? Cela nécessitera une table supplémentaire dans la base de données. Cela nous amène au sujet du back-filling, qui est une question particulièrement insidieuse pour le backtesting. Il s'agit de la correction automatique de mauvaises données en amont. Si votre fournisseur de données corrige une erreur historique, mais une stratégie de trading backtestée est en production basée sur la recherche de leurs mauvaises données précédentes, alors des décisions doivent être prises concernant l'efficacité de la stratégie. Cela peut être quelque peu atténué en étant pleinement conscient de vos indicateurs de performance de stratégie (en particulier la variance dans vos caractéristiques winloss pour chaque métier). Les stratégies devraient être choisies ou conçues de façon à ce qu'un seul point de données ne puisse pas fausser considérablement la performance de la stratégie. Comment ces processus sont-ils automatisés? L'avantage d'écrire des scripts logiciels pour effectuer le téléchargement, le stockage et le nettoyage des données est que les scripts peuvent être automatisés via les outils fournis par le système d'exploitation. Dans les systèmes UNIX (tels que Mac OSX ou Linux), on peut utiliser le crontab. Qui est un processus en cours d'exécution qui permet d'exécuter des scripts spécifiques à des périodes personnalisées ou des périodes régulières. Il existe un processus équivalent sur MS Windows connu sous le nom de planificateur de tâches. Un processus de production, par exemple, pourrait automatiser le téléchargement de tous les prix de fin de journée SP500 dès qu'ils sont publiés via un fournisseur de données. Il exécutera automatiquement les données manquantes mentionnées ci-dessus et les scripts de filtrage de pointe, alertant le trader par courrier électronique, SMS ou toute autre forme de notification. À ce stade, tous les outils de backtesting auront automatiquement accès à des données récentes, sans que le commerçant devoir lever un doigt Selon si votre système de négociation se trouve sur un bureau ou sur un serveur distant, vous pouvez choisir cependant d'avoir un semi-automatisé ou entièrement - automatique processus pour ces tâches. Comment les données sont-elles fournies à un logiciel externe Une fois que les données sont automatiquement mises à jour et résident dans le SGBDR, il est nécessaire de l'intégrer dans le logiciel de test. Ce processus dépendra fortement de la façon dont votre base de données est installée et si votre système de trading est local (c'est-à-dire sur un ordinateur de bureau) ou distant (comme avec un serveur d'échange co-situé). Une des considérations les plus importantes est de minimiser les entrées / sorties (IO) excessives car cela peut être extrêmement coûteux en termes de temps et d'argent, en supposant des connexions distantes où la bande passante est coûteuse. La meilleure façon d'aborder ce problème est de déplacer uniquement les données sur une connexion réseau dont vous avez besoin (via une interrogation sélective) ou d'exporter et de compresser les données. De nombreux RDBMS supportent la technologie de réplication, qui permet de cloner une base de données sur un autre système distant, habituellement avec un degré de latence. Selon votre configuration et la quantité de données, cela ne peut être que de l'ordre des minutes ou des secondes. Une approche simple consiste à répliquer une base de données distante sur un bureau local. Cependant, soyez avertis que les problèmes de synchronisation sont courants et prennent beaucoup de temps pour résoudre Ill essayer et discuter des exemples de situations ci-dessous, mais il ya plusieurs façons d'aborder ce problème et ils seront très spécifiques à votre installation individuelle: Si vous utilisez MySQL, Peut utiliser un langage de script open source tel que Python (via la bibliothèque MySQLdb ou l'ORM SQLAlchemy) pour se connecter à la base de données et exécuter des requêtes contre elle. Des bibliothèques d'analyse de données plus récentes telles que pandas permettent un accès direct à MySQL (voir ce fil pour un exemple). Vous pouvez également utiliser votre environnement linguistique préféré (C, C, Matlab) et un lien ODBC pour vous connecter à une instance MySQL. MS SQLServer SQLServer est conçu pour être facilement connecté à des langages Microsoft. NET, tels que C et Visual Basic via LINQ ORM. Vous pouvez également vous connecter à SQLServer avec Python, via pyODBC. Il existe clairement de nombreuses autres combinaisons de stockage de données et de backtesting environnement. Toutefois, je vais laisser la discussion de ces montages à des articles ultérieurs. Prochaines étapes Dans les prochains articles, nous allons discuter des détails techniques de la mise en œuvre pour les valeurs mobilières. En particulier, nous allons installer MySQL, le configurer pour les données de tarification et d'obtenir des données EOD de YahooGoogle finances et de l'explorer via la bibliothèque d'analyse de données pandas. Ce cours en ligne vous montre étape par étape comment construire un modèle automatisé sophistiqué de négociation boursière À l'aide de Microsoft Excel. Le langage Visual Basic (VBA) de Microsofts est utilisé conjointement avec l'interface utilisateur, les formules et les capacités de calcul Excels pour fournir un outil de trading puissant et flexible. Regardez la vidéo de démonstration Le modèle comprend cinq indicateurs techniques éprouvés (ADX, crossovers moyens mobiles, stochastiques, bandes de Bollinger et DMI). Vous êtes guidé de manière détaillée en créant des feuilles de travail, des fichiers, des plages, des formules d'indicateur, des boutons de contrôle, des liens DDEActive-X et des modules de code. Le modèle intègre à la fois la tendance de négociation et swing-trading caractéristiques. La fonction swing-trading peut être activée ou désactivée, selon votre style d'investissement. Après avoir construit le modèle, vous importez simplement les données dont vous avez besoin, exécutez le modèle automatiquement en cliquant sur un bouton et prenez vos décisions commerciales. Le système fonctionne avec votre choix de fichiers ASCII gratuits. TXT disponibles sur Internet (de YahooFinance ou autre fournisseur), ou votre service de données d'abonnement (avec notre sans lien DDE). Le modèle peut être utilisé seul ou en conjonction avec votre analyse fondamentale et de marché existante afin d'améliorer le calendrier d'investissement et d'éviter des situations non rentables. Un modèle de rétro-test séparé pré-construit est également inclus pour l'analyse historique et les tests de stocks différents et des périodes de temps. Visionnez la vidéo du logiciel Back Testing Excel (BONUS GRATUIT) Ce que vous obtenez avec chaque cours: une valeur incroyable en 3-en-1 Cours complet sur le code PLUS VBA Code et FAQs Instructions détaillées sur l'importation de données de prix dans Excel avec DownloaderXL ou YahooFinance Csv Un modèle complet de Backtesting pré-construit dans Excel avec des graphiques et des statistiques commerciales pour votre analyse historique Apprenez à intégrer Excel, VBA, formules et sources de données dans un outil commercial rentable Acquérir des connaissances uniques applicables à tout projet de modélisation ou d'analyse Excel Économisez de l'argent En éliminant les coûts récurrents des logiciels Calculer les signaux de négociation sur un grand nombre d'actions, de fonds ou de spreads en quelques secondes (limité uniquement par la capacité de données Excels) Accès rapide au matériel de cours fourni au moment de l'achat Microsoft Excel 2 mégaoctets d'espace disque Stocker des données stockées) Intraday, journalier ou hebdomadaire Données de prix Open-High-Low-Close-Volume Accès Internet (DSL ou modem câble à haute vitesse suggéré, mais pas nécessaire) OPTIONNEL: Lien d'importation de données DDE pour Excel via votre fournisseur de données Pour plus de 5-10 titres, sinon les données de prix gratuites de YahooFinance ou d'autres sources fonctionnent bien) Table des matières Introduction Les exigences techniques de base Les 5 indicateurs techniques Étape 1: Indice de mouvement directionnel moyen (ADX) Étape 2: Tendance ou oscillation Étape 2A: Etape 2: Oscillateur stochastique oscillant Etape 2: Oscillateur stochastique oscillant Étape 3: Étalonnage des signaux BuySell avec bandes Bollinger Étape 4: Amélioration de la réussite commerciale en pourcentage avec l'architecture du système DMI Configuration Création du répertoire et de la structure du fichier Création de la structure de feuille de calcul Indicateur ADX Moyennes mobiles Bandes de Bollinger stochastiques DMI Création du code de macro Étape 1: Ouverture de la fenêtre Éditeur de Visual Basic Étape 2: Écriture du code de macro Étape 3: Vérification du code pour les erreurs Création de la feuille de signaux Étape 1: Étape 3: Ajout d'un bouton de contrôle et affectation d'une macro Étape 4: Formatage de la feuille de calcul Création du fichier source de données Chargement des données à partir d'autres sources Chargement des fichiers. CSV ou. TXT Obtenir des données historiques GRATUITES de Yahoo Finance Running Le modèle sur une base quotidienne Quand exécuter le modèle Combiner les signaux avec d'autres informations sur le marché Gestion de l'argent et des risques Erreurs de macros courantes FAQs Backtesting du modèle