Biblioteca python forex

Python Algorithmic Trading Library PyAlgoTrade é uma Python Algorithmic Trading Library com foco em backtesting e suporte para papel-trading e live-trading. Digamos que você tenha uma idéia de uma estratégia comercial e que gostaria de avaliá-la com dados históricos e ver como ela se comporta. PyAlgoTrade permite que você faça isso com um esforço mínimo. Principais características Totalmente documentado. Evento conduzido. Suporta pedidos de Mercado, Limite, Parada e StopLimit. Suporta os arquivos do Yahoo Finance, Google Finance e NinjaTrader CSV. Suporta qualquer tipo de dados de séries temporais no formato CSV, por exemplo, Quandl. Suporte comercial Bitcoin através do Bitstamp. Indicadores técnicos e filtros como SMA, WMA, EMA, RSI, Bandas Bollinger, Expositores Hurst e outros. Métricas de desempenho como a taxa de Sharpe e análise de redução. Manipulação de eventos no Twitter em tempo real. Perfil de eventos. Integração TA-Lib. Muito fácil de dimensionar horizontalmente, ou seja, usando um ou mais computadores para testar uma estratégia. PyAlgoTrade é gratuito, de código aberto, e está licenciado sob a Licença Apache, Versão 2.0. A partir da Zipline. Existem várias bibliotecas de negociação algorítmicas em vários estágios de desenvolvimento para Python. Do lado comercial, RapidQuant parece muito interessante, embora eu ainda não tentei. É de alguns dos mesmos desenvolvedores que nos trouxeram a excelente biblioteca de análise de dados da Pandas. Eu acho que Wes McKinney (principal autor da Pandass) está envolvido. Do lado de código aberto, você pode verificar ultra-finanças. Ele pretende ser um sistema de backtesting baseado em eventos totalmente caracterizado. Também confira PyaAlgoTrade. É codificado para permitir o teste distribuído de estratégias na infra-estrutura da nuvem Googles. Incorpora a biblioteca de análise técnica de fonte aberta TA-Lib. Finalmente, dê uma olhada no TradeProgrammer. Ele também usa a biblioteca TA-Lib. O pacote é de uso gratuito para backtesting, mas sua versão comercial é comercial. Além disso, penso que muitos comerciantes proprietários criam seus próprios sistemas. Definitivamente, há algo a ser dito para usar uma ferramenta que você entenda nesse nível. Editar (2017-06-21). Agora, com integração de datatrading ao vivo com Interactive Brokers. Demorou um tempo, mas finalmente chegou. A (agora) muito maduro (imho) O framework Python Backtesting é backtrader: githubmementumbacktrader Publicações de blog com amostras e novos desenvolvimentos: backtrader A documentação em readthedocs pode ser alcançada a partir de qualquer um dos links acima. Pode ser executado em (pseudo) modo de evento (chamado próximo ) Ou (pseudo) modo vectorizado (chamado runonce) No próximo modo, também pode ser configurado para funcionar no modo de barra exata, o que manterá o consumo de memória no mínimo (desativando o planejamento ao longo do caminho). Notificação de OrderTrade para estratégias (obviamente, é sempre um evento ) Suporta fontes CSV (algumas fontes específicas e um carregador CSV genérico) fontes binárias (VisualChart, Pandas, Blaze) e dados em linha (Yahoo Finance Data) Recuperação de Dados e Replay de Dados Misturar datas de diferentes cronogramas (incluindo um dado e sua contrapartida reaprendida) Uma multa (Imho) implementação do corretor suportando instrumentos de ações e futuros (com margem) com esquemas de comissão implementáveis ​​pelo usuário, se necessário. A parte mais legal é o ajuste de caixa para instrumentos futuros em cada barra. Tem uma lista abrangente de indicadores implementados. Alguns analisadores (AnnualReturn, Sharpe, TradeAnalyzer) podem otimizar estratégias e usar múltiplos núcleos para a tarefa. Ploting support via Matplotlib (1.4.1) Com um alto grau de configuração e flexibilidade (as parcelas parecem agradáveis) Um escritor de texto para saída de console de pontos de dados (csv) e datasstrategiesindicatorsanalyzers resumos Uso pesado de metaclasses e sobrecarga de operador para implementar facilidade de uso e uma abordagem de expressão declarativa para o indicador de estratégia Lógica e implementação Funciona com Python 2.7 3.2 3.3 3.4 3.5 Divulgação. Eu sou o autor que trabalhou durante 2017 sobre isso como um projeto de hobby, mas com o objetivo de torná-lo como recurso completo e profissional possível. É, naturalmente, deixado ao leitor para decidir se as declarações e objetivos acima mencionados foram alcançados. Como mencionado por Edouard cada A estrutura tem suas próprias peculiaridades e, na verdade, comecei isso depois de tocar com pyAlgoTrade e não gostar muito da API, o que é, naturalmente, uma questão de gosto pessoal. Existe um módulo chamado visualize-wealth que fornece: Capacidade de geração de auto-geração de documentação com metodologias de construção de portfólio da Sphinx de 3 maneiras (blotter comercial, quadro de alocação de peso e séries de alocação estática). Todas as medidas estatísticas básicas, incluindo muitos sofisticados, como CVaR, Erro de rastreamento absoluto médio, Aproximação de Cornish Fisher (para incorporar skew e kurtosis), algoritmos de preservação de estrutura de correlação, Razões de informação de amplificador de avaliação e M2 (para citar alguns). NOTA: A documentação de esfinge torna as equações de MathJax com links e papéis clicáveis ​​em torno de mais Conceitos acadêmicos Arquivo Excel com cálculo manual para a maioria dos cálculos analíticos, permitindo ao usuário cavar nos cálculos manuais se eles gostariam (os resultados deste arquivo são realmente utilizados como dados para testar o módulo calcs) Utilitários para trabalhar com Yahoos API, bem como HDFStores, para construir portfólios de algoritmos de Classificação para determinar a classe de ativos provável De uma série temporal, para permitir a seleção de ativos e a funcionalidade de atribuição de alocação tática. DIVULGAÇÃO COMPLETA: Eu sou o desenvolvedor do módulo visualize-wealth e construí-lo inteiramente sozinho nos últimos 14 meses. Respondeu 27 de fevereiro às 22:16 Também busquei algo comercial em Python. De acordo com as minhas descobertas: existem muitas dessas librarias disponíveis, de código aberto ou de propriedade, elas são todas construídas de forma bastante específica. Como resultado, quando você sabe como usar um, é o único que você pode usar. Seu estágio de desenvolvimento é bastante heterogêneo e o futuro incerto, por exemplo, o que aconteceu com o rapidquant citar acima, nenhuma dessas bibliotecas está bem e supera todas as outras librairias concorrentes. Com todo o acima, eu prefiro construir minhas próprias ferramentas como sugerido acima por outra pessoa. Sim - trabalho em andamento. Primeiro, fazendo análises históricas de negócios, então nenhuma opinião sobre como a simulação é implementada. (Até o usuário) Tentando modularizar componentes para uso simples em outros frameworks. Ainda em alfa, mas dentro de 2 meses deve ser endurecido e na produção. Apenas a API da Bloomberg vale a pena procurar se você usar esses dados. Também procura por contribuidores ou parceiros de código aberto para criar uma estrutura utilizável no ipython por novatos. Ndash Brian Smith 14 de março 15 às 3: 05Learn Quant skills Se você é um comerciante ou um investidor e gostaria de adquirir um conjunto de habilidades de negociação quantitativa, você está no lugar certo. O curso Trading With Python proporcionará as melhores ferramentas e práticas para pesquisa de negociação quantitativa, incluindo funções e scripts escritos por comerciantes quantitativos especializados. O curso dá-lhe o máximo impacto para o seu tempo investido e dinheiro. Ele se concentra na aplicação prática da programação ao comércio e não à informática teórica. O curso irá pagar por si mesmo rapidamente, economizando tempo no processamento manual de dados. Você passará mais tempo pesquisando sua estratégia e implementando negócios lucrativos. Visão geral do curso Parte 1: princípios Você aprenderá por que o Python é uma ferramenta ideal para negociação quantitativa. Começaremos pela criação de um ambiente de desenvolvimento e, em seguida, apresentaremos as bibliotecas científicas. Parte 2: Manipulação dos dados Saiba como obter dados de várias fontes gratuitas, como Yahoo Finance, CBOE e outros sites. Leia e escreva vários formatos de dados, incluindo arquivos CSV e Excel. Parte 3: estratégias de pesquisa Aprenda a calcular PL e as métricas de desempenho acompanhantes, como Sharpe e Drawdown. Desenvolva uma estratégia de negociação e otimize seu desempenho. Múltiplos exemplos de estratégias são discutidos nesta parte. Parte 4: Iniciando esta parte é centrada em torno da Interactive Brokers API. Você aprenderá como obter dados em estoque em tempo real e colocar ordens ao vivo. Muitos códigos de exemplo O material do curso consiste de cadernos que contêm texto juntamente com um código interativo como este. Você poderá aprender interagindo com o código e modificando-o para seu próprio gosto. Será um ótimo ponto de partida para escrever suas próprias estratégias. Enquanto alguns tópicos são explicados com grande detalhe para ajudá-lo a entender os conceitos subjacentes, na maioria dos casos, você nem precisa escrever seu próprio código de baixo nível, devido ao suporte de abertura existente Bibliotecas de fontes. A biblioteca TradingWithPython combina grande parte das funcionalidades discutidas neste curso como funções prontas a usar e serão usadas ao longo do curso. Pandas irá fornecer-lhe todo o poder de levantamento pesado necessário no trituração de dados. Todo o código é fornecido sob a licença BSD, permitindo seu uso em aplicações comerciais Classificação do curso Um piloto do curso foi realizado na primavera de 2017, é o que os alunos conseguiram dizer: Matej curso bem projetado e bom treinador. Definitivamente valeu o preço e meu tempo, Lave Jev, obviamente, conhecia suas coisas. A profundidade de cobertura foi perfeita. Se Jev executar algo assim novamente, eu vou ser o primeiro a se inscrever. John Phillips Seu curso realmente me fez começar a pensar em python para a análise do sistema de estoque.