Простой бэктестинг Rate-of-Change (ROC) на Python

Данная статья продолжает цикл анализа простых стратегий со стандартными индикаторами. Тестируем стратегии в Quantopian, а пишем на Python🐍. В этот раз мы сравним индикатор Rate-of-Change (ROC) и популярное пересечение скользящих средних SMA(50) и SMA(200).

Дополнительно рассмотрим подход быстрого получения доходности📈 и просадки📉 простых стратегий в блокноте Jupyter.

Индикатор ROC показывает процент изменения текущей цены относительно прошлого значения. Параметр индикатора — кол-во дней, между которыми сравниваем цены. Формула:

$ROC(200)=(\frac{close}{close[-200]}-1)*100$

Значение индикатора находится вокруг нуля.

✊Купи и держи по ROC(200)

Проверять будем на NYSE:SPY, но помним, что все активы ведут себя по разному. Условия:

Период: 2004-2018.
Время сделки: за 1 час до закрытия рынка.
Капитал: $100K.
Покупка, когда ROC(200) >= 0.
Продажа, когда ROC(200) < 0.

Код условия на Quantopian:

# получаем цены и рассчитываем ROC(200)
price_hist = data.history(context.asset, 'close', 400, '1d')
roc = talib.ROC(price_hist, timeperiod=200)

# сигнал на значении выше нуля
allow = roc[-1] >= 0

# ...

if data.can_trade(context.asset):
    if allow:
        # покупаем актив на 100% портфеля, если разрешено
        order_target_percent(context.asset, 1.)
    else:
        # закрываем позицию при запрете
        order_target_percent(context.asset, 0.)

# получаем цены и рассчитываем ROC(200)

price_hist = data.history(context.asset, 'close', 400, '1d')

roc = talib.ROC(price_hist, timeperiod=200)

# сигнал на значении выше нуля

allow = roc[-1] >= 0

# ...

if data.can_trade(context.asset):

if allow:

# покупаем актив на 100% портфеля, если разрешено

order_target_percent(context.asset, 1.)

else:

# закрываем позицию при запрете

order_target_percent(context.asset, 0.)

Результаты ROC(200) и сравнение с пересечением SMA(50) и SMA(200):

С 2004 год SPY вырос на +230% имея просадку в 2008 году около -55%. Рядом с этим показателем только пересечение SMA(50) и SMA(200) с меньшей просадкой. ROC(200) оказался даже хуже пересечения цены и SMA(200), показав чуть меньшее количество сделок за весь период. Внизу показан результат сглаженного ROC по формуле из этой статьи, который показал наихудший результат.

🔬Как получить результаты без бэктеста?

Тесты дают более точную картину и это актуально при сложных стратегиях. Но для стратегий с редкими ребалансировками, где можно использовать цену закрытия, мы получим максимально приближенные результаты используя Jupyter, pandas и numpy.

Получение доходности

Получая итоговую доходность для серии pandas, мы проходим следующие шаги:

Получаем ежедневную доходность chg=prices/prices.shift(1).
Устанавливаем первое значение chg.iloc[0]=1.
При необходимости применяем фильтр и смещаем условия на один день (сделка проходит после получения сигнала) sma200=chg[(df.close>sma200).shift(1)]. Это важно запомнить, чтобы не заглядывать в будущее.
Считаем доходность перемножив все значения result=np.prod(sma200) .

Код есть в telegram: @quantiki.

Получение просадки

Получить максимальную просадку можно так:

Получаем ежедневную доходность chg=prices/prices.shift(1).
Получаем доходность на каждый день
series.rolling(total, min_periods=1).apply(np.prod).
Получаем абсолютный максимум на каждый день
series.rolling(total, min_periods=1).max().
Получаем просадку на каждый день относительно последнего максимума series/rolling_max - 1.0.
Получаем максимальную просадку на каждый день daily_drawdown.rolling(total, min_periods=1).min().

В итоге имеем следующий код для расчёта простых стратегий и их просадки:

def get_drawdown(series, is_prod=False):
    # расчёт просадки
    total = len(series.index)
    if is_prod:
        series = series.rolling(total, min_periods=1).apply(np.prod)
    rolling_max = series.rolling(total, min_periods=1).max()
    daily_drawdown = series/rolling_max - 1.0
    daily_drawdown_max = daily_drawdown.rolling(total, min_periods=1).min()
    return daily_drawdown_max.min()

def get_strategy_returns(df, symbol='-'):
    # фильтр периода
    fltr = df['dt'] >= '2004-01-01'
    # функция накопления доходности
    calc_returns = lambda x: (np.prod(x) - 1) * 100
    
    # получаем дневное изменение цены и оставляем необходимый период
    chg = (df.close / df.close.shift(1))[fltr]
    chg.iloc[0] = 1  # начинаем всегда с единицы

    benchmark = chg
    sma200_chg = chg[(df.close.rolling(1).mean() - df.close.rolling(200).mean()).shift(1) >= 0]
    sma50x200_chg = chg[(df.close.rolling(50).mean() - df.close.rolling(200).mean()).shift(1) >= 0]
    
    # ...
    
    returns = {
        'symbol': symbol, 
        'bench': calc_returns(benchmark),
        'bench dd': get_drawdown(benchmark, is_prod=True) * 100,
        's200': calc_returns(sma200_chg[fltr]),
        's200 dd': get_drawdown(sma200_chg[fltr], is_prod=True) * 100,
        # ...
    }
    return returns

def get_drawdown(series, is_prod=False):

# расчёт просадки

total = len(series.index)

if is_prod:

series = series.rolling(total, min_periods=1).apply(np.prod)

rolling_max = series.rolling(total, min_periods=1).max()

daily_drawdown = series/rolling_max - 1.0

daily_drawdown_max = daily_drawdown.rolling(total, min_periods=1).min()

return daily_drawdown_max.min()

def get_strategy_returns(df, symbol='-'):

# фильтр периода

fltr = df['dt'] >= '2004-01-01'

# функция накопления доходности

calc_returns = lambda x: (np.prod(x) - 1) * 100

# получаем дневное изменение цены и оставляем необходимый период

chg = (df.close / df.close.shift(1))[fltr]

chg.iloc[0] = 1 # начинаем всегда с единицы

benchmark = chg

sma200_chg = chg[(df.close.rolling(1).mean() - df.close.rolling(200).mean()).shift(1) >= 0]

sma50x200_chg = chg[(df.close.rolling(50).mean() - df.close.rolling(200).mean()).shift(1) >= 0]

# ...

returns = {

'symbol': symbol,

'bench': calc_returns(benchmark),

'bench dd': get_drawdown(benchmark, is_prod=True) * 100,

's200': calc_returns(sma200_chg[fltr]),

's200 dd': get_drawdown(sma200_chg[fltr], is_prod=True) * 100,

# ...

}

return returns

Результаты выглядят следующим образом:

bench — бенчмарк, результат удержания актива в течение всего времени.
* dd — максимальная просадка при каждом условии.
roc200 — удержание при ROC(200) больше нуля.
roc200s — использование сглаженного ROC(200).
s200 — пересечение цены и SMA(200).
s50x200 — пересечение SMA(50) и SMA(200).

Сравнив результаты с тестами на Quantopian видна разница, которой можно принебречь для принятия первичных решений. В некоторых случаях разница в доли процентов. Высока вероятность, что расхождение связано со временем ребалансировки стратегий (за 1 час до закрытия рынка). Мы же делаем расчёт по цене закрытия.

🏁Вывод

Мы увидели, что использование ROC(200), как фильтра трендов, является невыгодным. Также научились быстро получать доходность и просадку для простых стратегий, достаточные для принятия решений, а работающие на порядок быстрее.

В следующий раз мы ещё немного помучаем ROC. Проверим доходность, используя силу тренда, пересечение разных периодов ROC и создадим индикатор Know Sure Thing (KST), созданный Мартином Прингом на основе ROC.

💬В комментариях пишите, ваши вопросы по тесту и коду. Запрашивайте полный код стратегии и блокнота.

Александр Румянцев
Автор на Quantrum.me
Подписывайтесь на telegram-канал📣: @quantiki

Интересуетесь алготрейдингом на Python? Присоединяйтесь к команде.

📈 Участвуйте в IPO американских компаний c United Traders👍.

✊Купи и держи по ROC(200)

🔬Как получить результаты без бэктеста?

Получение доходности

Получение просадки

🏁Вывод

Исходные коды