Простая стратегия с фундаменталом для Quantopian

Данный алгоритм появился из стороннего примера, найденного на Quantopian. Я его оптимизировал и сопроводил обильными комментариями на русском. Это не лучшее использование воронок (Pipeline). Но зато использует произвольные факторы (CustomFactor).

Всё это появилось по просьбе автора MindSpace.ru, Оксаны Гафаити. Поехали!

💡 Идея

Торгуем 2000-ми акций с наибольшей капитализацией. В основе три фундаментальных показателя:

P/B — цена к балансовой стоимости. Чем меньше, тем лучше. Ценностные акции.
P/E — цена к прибыли. Чем меньше, тем лучше. Недооценённые акции.
ROA — рентабельность активов. Чем больше, тем лучше.

Все акции упорядочиваем по значениям показателей в зависимости от наших потребностей и получаем три рейтинга. Для каждой акции рассчитываем конечный рейтинг по формуле:

$Rank=\frac{RankPB +RankPE +RankROA}{3}$

В портфель попадут ТОП 20 акций с положительным моментумом за последние 30 дней.

🛠 Произвольный фактор (CustomFactor)

Создать свой фактор легко. В списке inputs перечисляем источники данных. А в методе compute() сохраняем рассчитанное значение в аргумент out. Ниже пример расчёта моментума:

class Momentum(CustomFactor):
    """
    Получаем моментум за 30 дней.    
    """    
    # Получаем цены закрытия акций, торгующихся в США за последние 30 дней
    inputs = [USEquityPricing.close] 
    window_length = 30  # количество дней
    
    # Получаем изменение цены за 30 дней
    def compute(self, today, assets, out, close):
        # [:] чтобы записывать во входящий аргумент out и не создавать новую переменную
        out[:] = close[-1] / close[0] - 1

class Momentum(CustomFactor):

"""

Получаем моментум за 30 дней.

"""

# Получаем цены закрытия акций, торгующихся в США за последние 30 дней

inputs = [USEquityPricing.close]

window_length = 30 # количество дней

# Получаем изменение цены за 30 дней

def compute(self, today, assets, out, close):

# [:] чтобы записывать во входящий аргумент out и не создавать новую переменную

out[:] = close[-1] / close[0] - 1

📈 Алгоритм

Ребалансируем в первый торговый день месяца на открытии рынка. Стараемся приблизить к реальности, так чтобы ордера выставлялись перед открытием торговой сессии.

Код алгоритма:

"""
Source: https://www.quantopian.com/posts/alghoritm-dlia-kursa-investment-management
"""

from quantopian.algorithm import attach_pipeline, pipeline_output
from quantopian.pipeline import Pipeline
from quantopian.pipeline import CustomFactor
from quantopian.pipeline.data.builtin import USEquityPricing
from quantopian.pipeline.data import morningstar

import pandas as pd
import numpy as np


class Momentum(CustomFactor):
    """
    Получаем моментум за 30 дней.    
    """    
    # Получаем цены закрытия акций, торгующихся в США за последние 30 дней
    inputs = [USEquityPricing.close] 
    window_length = 30  # количество дней
    
    # Получаем изменение цены за 30 дней
    def compute(self, today, assets, out, close):
        # [:] чтобы записывать во входящий аргумент out и не создавать новую переменную
        out[:] = close[-1] / close[0] - 1
        
class Pricetobook(CustomFactor):   
    """
    Получаем P/B (цена к балансовой стоимости)    
    """    
    # Получаем P/B от Morningstar за последний день
    inputs = [morningstar.valuation_ratios.pb_ratio] 
    window_length = 1  # количество значений
      
    def compute(self, today, assets, out, pb):
        table = pd.DataFrame(index=assets)
        table["pb"] = pb[-1]        
        
        # Если значение P/B для акции отсутствует, тогда заполняем недостающие 
        # значения максимальным. Чтобы исключить эти акции, так как алгоритм 
        # будет выбирать акции с наименьшим значением P/B. Акции ценности.        
        out[:] = table.fillna(table.max()).mean(axis=1)
        
class Pricetoearnings(CustomFactor):   
    """
    Получаем P/E (цена к прибыли)
    """    
    # Получаем P/E от Morningstar за последний день
    inputs = [morningstar.valuation_ratios.pe_ratio] 
    window_length = 1    
 
    def compute(self, today, assets, out, pe):
        table = pd.DataFrame(index=assets)
        table["pe"] = pe[-1]        
        
        # Если значение P/E для акции отсутствует, тогда заполняем недостающие 
        # значения максимальным. Чтобы исключить эти акции, так как алгоритм 
        # будет выбирать акции с наименьшим значением P/E. Недооценённые акции.        
        out[:] = table.fillna(table.max()).mean(axis=1)     
   
class Roa(CustomFactor):   
    """
    Получаем RoA (рентабельность активов)
    
    FIXME Не используется
    """
    # Получаем RoA от Morningstar за последний день
    inputs = [morningstar.operation_ratios.roa] 
    window_length = 1
    
    def compute(self, today, assets, out, roa):
        table = pd.DataFrame(index=assets)
        table["roa"] = roa[-1]
        
        # Если значение RoA для акции отсутствует, тогда заполняем недостающие 
        # значения минимальным. Чтобы исключить эти акции, так как алгоритм 
        # будет выбирать акции с наибольшим значением RoA. 
        out[:] = table.fillna(table.min()).mean(axis=1)
 
class Roe(CustomFactor):   
    """
    Получаем RoE (рентабельность собственного капитала)
    """
    # Получаем RoE от Morningstar за последний день
    inputs = [morningstar.operation_ratios.roe] 
    window_length = 1
    
    def compute(self, today, assets, out, roe):
        table = pd.DataFrame(index=assets)
        table["roe"] = roe[-1]
        
        # Если значение RoE для акции отсутствует, тогда заполняем недостающие 
        # значения минимальным. Чтобы исключить эти акции, так как алгоритм 
        # будет выбирать акции с наибольшим значением RoE. 
        out[:] =  table.fillna(table.min()).mean(axis=1)

class MarketCap(CustomFactor):
    """
    Создание своего признака для расчета рыночной капитализации на основании
    последней цены закрытия и кол-ва акций
    """
    
    # Получаем цену закрытия и кол-во акций от Morningstar за последний день
    inputs = [USEquityPricing.close, morningstar.valuation.shares_outstanding] 
    window_length = 1
    
    def compute(self, today, assets, out, close, shares):
        # Умножим цену на кол-во акций
        out[:] = close[-1] * shares[-1]
        

def initialize(context):
    """
    Подготовка алгоритма
    
    Создадим воронку (pipeline) для отбора акций, в которые будем инвестировать.
    """
    
    # создадим пустую воронку и прикрепим к алгоритму
    pipe = Pipeline()  
    attach_pipeline(pipe, 'ranked_2000')
    
    # 1. ТОП 2000 АКЦИЙ по КАПИТАЛИЗАЦИИ
    # выберем 2000 акций с наибольшей капитализацией, которые будут обновляться каждый день   
    mkt_cap = MarketCap()
    top_2000 = mkt_cap.top(2000)
    
    # 2. ФОРМУЛА ОТБОРА АКЦИЙ
    # создадим рейтинг бумаг, упорядоченных от наименьшего к наибольшему (0 -> 9) по P/B
    pb = Pricetobook()
    pb_rank = pb.rank(mask=top_2000, ascending=True)
    
    # создадим рейтинг бумаг, упорядоченных от наименьшего к наибольшему (0 -> 9) по P/E    
    pe = Pricetoearnings()
    pe_rank = pe.rank(mask=top_2000, ascending=True)
    
    # создадим рейтинг бумаг, упорядоченных от наибольшего к наименьшему (9 -> 0) по RoE   
    roe = Roe()
    roe_rank = roe.rank(mask=top_2000, ascending=False)
       
    # создадим новые порядковые номера по среднему значению суммы рейтингов
    # P/B+P/E+RoE с равными весами
    combo_raw = (1*pb_rank + 1*pe_rank + 1*roe_rank) / 3
    
    # добавим в воронку рейтинг акций по нашей формуле от наименьшего к наибольшему (0 -> 9)
    pipe.add(combo_raw.rank(mask=top_2000), 'combo_rank')
    
    # 3. ФИЛЬТР ПО ПОЛОЖИТЕЛЬНОМУ МОМЕНТУМУ
    # среди акций оставим только те, которые показали рост в последние 30 дней
    momentum = Momentum()
    pipe.set_screen(top_2000 & (momentum > 0))  
     
    # ребалансируем в первый торговый день каждого месяца на открытии
    # (эмулируем установку ордеров перед открытием рынка)
    schedule_function(func=rebalance, 
                      date_rule=date_rules.month_start(days_offset=0), 
                      time_rule=time_rules.market_open(), 
                      half_days=True)
    
    # ежедневно на закрытии рынка собираем статистику
    schedule_function(func=record_vars,
                      date_rule=date_rules.every_day(),
                      time_rule=time_rules.market_close(),
                      half_days=True)
    
    # для исключения торговли с плечом ограничим использованием только доступного капитала
    context.long_leverage = 0.9    
    
            
def before_trading_start(context, data):
    """
    Выбор акций перед ребалансировкой
    """
    # перед ребалансировкой подготовим наши акции
    context.output = pipeline_output('ranked_2000')
      
    # используем только 20 верхних акций по нашему рейтингу
    context.long_list = context.output.sort_values(['combo_rank'], ascending=True).iloc[:20]
       

def record_vars(context, data):  
    """
    Собираем статистику использования капитала
    """
    record(leverage=context.account.leverage,
           positions=len(context.portfolio.positions))
    

def rebalance(context,data):
    """
    Ребалансировка
    """
    try:        
        # покупать доступные акции будем равными частями
        long_weight = context.long_leverage / float(len(context.long_list))        
    except ZeroDivisionError:        
        # если акций нет, 
        long_weight = 0
        
    # ограничиваем максимальный вес до 5%, в случае доступности малого кол-ва бумаг
    if long_weight > 0.054:
        long_weight = 0.05
    
    # закрываем позиции, которых нет на открытие  
    for stock in context.portfolio.positions.iterkeys():
        if stock not in context.long_list.index:
            order_target(stock, 0)
    
    # открываем новые позиции или ребалансируем
    for long_stock in context.long_list.index:
        order_target_percent(long_stock, long_weight)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

"""

Source: https://www.quantopian.com/posts/alghoritm-dlia-kursa-investment-management

"""

from quantopian.algorithm import attach_pipeline, pipeline_output

from quantopian.pipeline import Pipeline

from quantopian.pipeline import CustomFactor

from quantopian.pipeline.data.builtin import USEquityPricing

from quantopian.pipeline.data import morningstar

import pandas as pd

import numpy as np

class Momentum(CustomFactor):

"""

Получаем моментум за 30 дней.

"""

# Получаем цены закрытия акций, торгующихся в США за последние 30 дней

inputs = [USEquityPricing.close]

window_length = 30 # количество дней

# Получаем изменение цены за 30 дней

def compute(self, today, assets, out, close):

# [:] чтобы записывать во входящий аргумент out и не создавать новую переменную

out[:] = close[-1] / close[0] - 1

class Pricetobook(CustomFactor):

"""

Получаем P/B (цена к балансовой стоимости)

"""

# Получаем P/B от Morningstar за последний день

inputs = [morningstar.valuation_ratios.pb_ratio]

window_length = 1 # количество значений

def compute(self, today, assets, out, pb):

table = pd.DataFrame(index=assets)

table["pb"] = pb[-1]

# Если значение P/B для акции отсутствует, тогда заполняем недостающие

# значения максимальным. Чтобы исключить эти акции, так как алгоритм

# будет выбирать акции с наименьшим значением P/B. Акции ценности.

out[:] = table.fillna(table.max()).mean(axis=1)

class Pricetoearnings(CustomFactor):

"""

Получаем P/E (цена к прибыли)

"""

# Получаем P/E от Morningstar за последний день

inputs = [morningstar.valuation_ratios.pe_ratio]

window_length = 1

def compute(self, today, assets, out, pe):

table = pd.DataFrame(index=assets)

table["pe"] = pe[-1]

# Если значение P/E для акции отсутствует, тогда заполняем недостающие

# значения максимальным. Чтобы исключить эти акции, так как алгоритм

# будет выбирать акции с наименьшим значением P/E. Недооценённые акции.

out[:] = table.fillna(table.max()).mean(axis=1)

class Roa(CustomFactor):

"""

Получаем RoA (рентабельность активов)

FIXME Не используется

"""

# Получаем RoA от Morningstar за последний день

inputs = [morningstar.operation_ratios.roa]

window_length = 1

def compute(self, today, assets, out, roa):

table = pd.DataFrame(index=assets)

table["roa"] = roa[-1]

# Если значение RoA для акции отсутствует, тогда заполняем недостающие

# значения минимальным. Чтобы исключить эти акции, так как алгоритм

# будет выбирать акции с наибольшим значением RoA.

out[:] = table.fillna(table.min()).mean(axis=1)

class Roe(CustomFactor):

"""

Получаем RoE (рентабельность собственного капитала)

"""

# Получаем RoE от Morningstar за последний день

inputs = [morningstar.operation_ratios.roe]

window_length = 1

def compute(self, today, assets, out, roe):

table = pd.DataFrame(index=assets)

table["roe"] = roe[-1]

# Если значение RoE для акции отсутствует, тогда заполняем недостающие

# значения минимальным. Чтобы исключить эти акции, так как алгоритм

# будет выбирать акции с наибольшим значением RoE.

out[:] = table.fillna(table.min()).mean(axis=1)

class MarketCap(CustomFactor):

"""

Создание своего признака для расчета рыночной капитализации на основании

последней цены закрытия и кол-ва акций

"""

# Получаем цену закрытия и кол-во акций от Morningstar за последний день

inputs = [USEquityPricing.close, morningstar.valuation.shares_outstanding]

window_length = 1

def compute(self, today, assets, out, close, shares):

# Умножим цену на кол-во акций

out[:] = close[-1] * shares[-1]

def initialize(context):

"""

Подготовка алгоритма

Создадим воронку (pipeline) для отбора акций, в которые будем инвестировать.

"""

# создадим пустую воронку и прикрепим к алгоритму

pipe = Pipeline()

attach_pipeline(pipe, 'ranked_2000')

# 1. ТОП 2000 АКЦИЙ по КАПИТАЛИЗАЦИИ

# выберем 2000 акций с наибольшей капитализацией, которые будут обновляться каждый день

mkt_cap = MarketCap()

top_2000 = mkt_cap.top(2000)

# 2. ФОРМУЛА ОТБОРА АКЦИЙ

# создадим рейтинг бумаг, упорядоченных от наименьшего к наибольшему (0 -> 9) по P/B

pb = Pricetobook()

pb_rank = pb.rank(mask=top_2000, ascending=True)

# создадим рейтинг бумаг, упорядоченных от наименьшего к наибольшему (0 -> 9) по P/E

pe = Pricetoearnings()

pe_rank = pe.rank(mask=top_2000, ascending=True)

# создадим рейтинг бумаг, упорядоченных от наибольшего к наименьшему (9 -> 0) по RoE

roe = Roe()

roe_rank = roe.rank(mask=top_2000, ascending=False)

# создадим новые порядковые номера по среднему значению суммы рейтингов

# P/B+P/E+RoE с равными весами

combo_raw = (1*pb_rank + 1*pe_rank + 1*roe_rank) / 3

# добавим в воронку рейтинг акций по нашей формуле от наименьшего к наибольшему (0 -> 9)

pipe.add(combo_raw.rank(mask=top_2000), 'combo_rank')

# 3. ФИЛЬТР ПО ПОЛОЖИТЕЛЬНОМУ МОМЕНТУМУ

# среди акций оставим только те, которые показали рост в последние 30 дней

momentum = Momentum()

pipe.set_screen(top_2000 & (momentum > 0))

# ребалансируем в первый торговый день каждого месяца на открытии

# (эмулируем установку ордеров перед открытием рынка)

schedule_function(func=rebalance,

date_rule=date_rules.month_start(days_offset=0),

time_rule=time_rules.market_open(),

half_days=True)

# ежедневно на закрытии рынка собираем статистику

schedule_function(func=record_vars,

date_rule=date_rules.every_day(),

time_rule=time_rules.market_close(),

half_days=True)

# для исключения торговли с плечом ограничим использованием только доступного капитала

context.long_leverage = 0.9

def before_trading_start(context, data):

"""

Выбор акций перед ребалансировкой

"""

# перед ребалансировкой подготовим наши акции

context.output = pipeline_output('ranked_2000')

# используем только 20 верхних акций по нашему рейтингу

context.long_list = context.output.sort_values(['combo_rank'], ascending=True).iloc[:20]

def record_vars(context, data):

"""

Собираем статистику использования капитала

"""

record(leverage=context.account.leverage,

positions=len(context.portfolio.positions))

def rebalance(context,data):

"""

Ребалансировка

"""

try:

# покупать доступные акции будем равными частями

long_weight = context.long_leverage / float(len(context.long_list))

except ZeroDivisionError:

# если акций нет,

long_weight = 0

# ограничиваем максимальный вес до 5%, в случае доступности малого кол-ва бумаг

if long_weight > 0.054:

long_weight = 0.05

# закрываем позиции, которых нет на открытие

for stock in context.portfolio.positions.iterkeys():

if stock not in context.long_list.index:

order_target(stock, 0)

# открываем новые позиции или ребалансируем

for long_stock in context.long_list.index:

order_target_percent(long_stock, long_weight)

🏁 Заключение

Алгоритм показывает хорошие результаты по доходности и опережает рынок в период с 2002 до 2018 гг. Но присутствует очень высокая просадка в -63%. Она не позволяет использовать его для торговли. Идеи улучшения:

Добавить анализ роста волатильности.
Добавить фильтр SMA 50 и SMA 200.
Добавить фильтр по росту просадок за последний месяц.

🛠 Вы можете заказать улучшение данной стратегии и подключение её к Interactive Brokers, написав мне на почту.

💬В комментариях задавайте вопросы и напишите, как можно уменьшить просадку.

☝Хотите инвестировать в акции 🇺🇸США? А может, в IPO? Начните от $100 в United Traders👍.

Александр Румянцев
Автор Quantrum.me
Telegram-канал📣: @quantiki

Подбор и тестирование портфелей. Подключение стратегий к IB.