Pruebas retrospectivas de estrategias de renta variable fundamentales en Python

Question

Estoy intentando ejecutar una prueba local utilizando Python y Zipline parece ser el paquete más popular disponible. ¿Alguien tiene información sobre cómo incluir datos fundamentales para la prueba? La documentación es limitada en este tema.

Alternativamente, si alguien tiene otras sugerencias sobre cómo realizar pruebas con datos fundamentales, serían bienvenidas también.

Answer 1

A diferencia de los datos de precio que se ingieren como un paquete, los datos fundamentales en Zipline generalmente se utilizan a través de Pipeline y, por lo tanto, requieren escribir un PipelineLoader personalizado que sepa cómo cargar el conjunto de datos fundamentales particulares que estás utilizando. No tengo conocimiento de mucha documentación para escribir un PipelineLoader personalizado aparte de investigar en el código fuente.

Como alternativa, QuantRocket admite extraer una variedad de conjuntos de datos fundamentales y realizar backtesting con Zipline o Moonshot. La Biblioteca de Código de QuantRocket contiene algunas estrategias de ejemplo que utilizan datos fundamentales.

Answer 2

Creo que la mejor manera no es utilizar la librería de Python ya que puede ser difícil ver qué código hay detrás, incluso si tienes acceso al código fuente. La mejor manera es desarrollar tu propio BT, utilizando la siguiente estructura:

1. Un script para cargar datos (tienes dos soluciones, primero hay un montón de API de pago para cargar datos. En mi caso, uso el paquete BeautifulSoup para extraer datos de Yahoo, Google, etc. Puedes tener acceso a datos históricos y de ticks). Este script cargará datos y formateará tus datos (la mejor manera es como series ya que es más rápido). También puedes utilizar la API de MongoDB o Dropbox. En mi caso, uso la API gratuita de Dropbox para almacenar mi base de datos y mi script solicitará esta API
2. Un script principal para el BT. Por ejemplo, una clase abstracta "Backtester". Y, luego, crearás "EquityBasket(Backtester)", "MeanReversion(Backtester)" etc. para cada estrategia; Estos scripts serán scripts puramente matemáticos para calcular los pesos, cantidades, retornos, etc
3. La misma estructura de script que para Backtester pero para el algoritmo utilizado. De hecho, tendrás la posibilidad, en "MeanReversion(Backtester)", de crear un self._model(XX) y luego en el cálculo de la señal de reversión a la media por ejemplo: señal: self._model.get_signals() etc
4. Finalmente, una especie de consola para llamar a cada script. Los parámetros deben almacenarse como un JSON en un archivo de texto para hacer en la consola: params = get_params_from_json, bt = MeanReversion(params), y luego res = bt.run.

Espero que esté claro, he trabajado en muchos scripts de BT, no dudes en preguntar si tienes más preguntas

Answer 3

Una alternativa en línea que usé en el pasado es Quantopian - los autores de Zipline. Basado en Python, el registro es gratuito, acceso a Fundamentos de Morningstar, excelente entorno de investigación integrado utilizando Jupyter, excelentes hojas informativas para backtesting, muy buenos tutoriales + documentación, y una comunidad muy activa.

Puedes enviar tus algoritmos para competir en un concurso y recibir financiamiento directo.

Answer 4

Backtesting.py admite cualquier tipo de datos OHLC. Si desea alimentarlo con otros datos fundamentales, simplemente agregue columnas adicionales al marco de datos de entrada.