راهنمای جامع نحوه انجام معاملات الگوریتمی با پایتون (قسمت اول)

در قرن 21، معامله‌گری در بازار‌های مالی به شکل چشم‌گیری پیشرفت کرده‌ است.

چند دهه قبل کار در بازار‌های مالی به شکل امروزی نبود چرا که سرعت آن‌ها بسیار کند و در قالب اشکال فیزیکی انجام می‌شد.

تکنولوژی‌های محاسباتی امروزی رشد و پیشرفت بسیاری را تجربه کرده‌اند به طوری که انجام محاسبات پیچیده در آن‌ها پایدار، سریع، بدون استرس و خودکار انجام می‌شود.

این موضوع دست ما را برای سیستم‌های معاملاتی خودکار با محوریت یادگیری ماشین (Machine Learning) و هوش مصنوعی باز می‌کند.

هر زمان که صحبت از یادگیری ماشین و هوش‌ مصنوعی (AI) می‌شود پای زبان‌های برنامه نویسی به میان می‌آید. در بین زبان‌های برنامه نویسی محبوب در این زمینه، قصد داریم به نحوه نوشتن معاملات الگوریتمی با پایتون بپردازیم.

علی‌رغم سرعت پایین این زبان نسبت به سایرین، اما ویژگی یادگیری آسان آن باعث شده تا به یکی از محبوب‌ترین زبان‌های برنامه نویسی در زمینه بات‌ها و یادگیری ماشین تبدیل شود.

با زبان برنامه نویسی پایتون و یادگیری ماشین شما می‌توانید سیستم‌های معاملاتی بنویسید که در کمترین زمان ممکن و بدون دخالت انسان از فرصت‌های معاملاتی بهره ببرند. در این مقاله ما در مورد کد‌ صحبت نمی‌کنیم چرا که با یک جستجوی ساده و یادگیری زبان پایتون می‌توان به کد‌های مورد نیاز دست پیدا کرد اما هدف ما بررسی الگوریتم معاملات در زبان پایتون است. 

نگران نباشید نیازی به داشتن پیش‌زمینه برنامه نویسی نیست، رویکرد اصلی این مقاله، طراحی یک الگوریتم معاملاتی روی کاغذ است تا بتوانیم نحوه عملکرد سیستم‌های خودکار معاملاتی را بهتر درک کنیم. 

نکته جالب این است که بات‌های تریدر امروز به یک استاندارد ابزار ترید روزانه تبدیل شده‌اند و عجیب نیست اگر بگوییم بخش بزرگی از بازار‌های مالی توسط بات‌های تریدر کنترل می‌شوند. یکی از بهترین نمونه آن پلتفرم‌های معاملاتی با فرکانس بالا است که توسط نهنگ‌ها و تریدر‌های حقوقی(سازمانی) مورد استفاده قرار می‌گیرد.

بیشتر بخوانید: همه چیز درباره سیستم معاملات متعدد (High Frequency Trading)

از طرف دیگر، بات‌هایی که از استراتژی‌های بهینه و تست شده استفاده می‌کنند، برای صاحبان خود در بازار‌های 24/7 مانند ارز‌های دیجیتال نوعی درآمد منفعل ایجاد می‌کنند که دیگر نیازی به تحمل استرس برای پوزیشن‌های باز در طول شب یا محاسبه و ارزیابی همه اندیکاتور‌های مورد نیاز در هنگام باز کردن پوزیشن نیست.

چرا باید از یادگیری ماشین در معاملات الگوریتمی استفاده کنیم؟

معاملات الگوریتمی در واقع نوعی سیستم ترید‌ هستند که توسط بات‌های خودکار و تحت کنترل الگوریتم‌های مشخص مدیریت و هدایت می‌شوند.

به همین دلیل، یادگیری ماشین نسبت به الگوریتم‌های سنتی سهولت بیشتری در معامله‌گری برای کاربران آن به همراه دارد.

برای درک بهتر تفاوت آن‌ها فرض کنید الگوریتم‌های یادگیری ماشین یا ML می‌توانند الگو‌های متفاوتی را با ارزیابی حجم زیادی از داده‌ها مورد بررسی و جستجو قرار دهند.

در روش سنتی، الگوریتم‌ها گستره داده‌های کمتری را می‌توانند مورد پردازش و تحلیل قرار دهند. به همین دلیل، معامله‌گران می‌توانند با استفاده از یادگیری ماشین، ترند‌ها و مومنتوم بازار را تشخیص و نسبت به آن به الگوریتم دستور دهند تصمیمات مرتبط با آن را براساس داده‌های تاریخی به دست آمده اتخاذ کند.

علاوه‌بر هوش مصنوعی و تکنولوژی یادگیری ماشین، در حال حاضر سیستم‌های ابری وجود دارد که دوره جدیدی از محاسبات پیچیده کامپیوتری را آغاز کرده‌اند. پر واضح است که همه می‌توانند با استفاده از آخرین تکنولوژی‌های محاسبات ابری روز، الگوریتم‌های یادگیری ماشین خود را اجرا و آزمایش کنند.

گام‌های قبل از آغاز معاملات الگوریتمی با پایتون

تکنولوژی بر روی بازار‌های مالی نیز اثر گذاشته است. در این میان، سازمان‌ها و شرکت‌های سرمایه گذاری در استفاده از تکنولوژی‌های نو و بروز در بازار‌های مالی تمام تلاش خود را به کار می‌برند. بنابراین در بازار‌های مالی شما باید در برابر این معامله‌گران رقابت کنید.

البته این رقابت آسان و بدون استرس نخواهد بود اما شما می‌توانید با استفاده از تکنولوژی و به خصوص معاملات الگوریتمی با پایتون، کنترل کاملی روی معاملات خود اعمال کنید.

قبل از قدم گذاشتن به مبحث فنی و زبان برنامه نویسی پایتون، نکاتی وجود دارد که باید قبل از ادامه مقاله به آن‌ها توجه کنید:

اولین نکته این است که اگر در بازار‌های مالی مبتدی هستید بهتر است در مورد بازار‌ سهام، فارکس و ارز‌های دیجیتال به خوبی مطالعه کنید. درک استراتژی‌های معاملاتی، نحوه ایجاد و بهبود آن‌ها اهمیت زیادی دارد. شما باید بدانید به چه داده‌هایی در چه بازه زمانی نیاز خواهید داشت و میز کار خود را براساس آن تنظیم کنید.

بیشتر بخوانید: معرفی استراتژی‌های معاملاتی ارز دیجیتال

پس از درک بازار‌های مالی و نحوه کار در آن‌ها، باید نحوه تحلیل آن‌ها را نیز بیاموزید. بدون داشتن یک ذهن تحلیل‌گر، نوشتن الگوریتم تحلیل بازار غیرممکن است. شما باید با مفاهیمی مانند محاسبه نوسان، اندیکاتور‌های حجم و ترند، میانگین‌های متحرک و الگو‌های پرایس اکشن آشنایی کامل داشته باشید. 

البته واضح است که داشتن یک کامپیوتر مناسب جهت برنامه نویسی و آزمایش الگوریتم معاملاتی نیز ضروری است.

مفاهیم: بازارهای مالی و معامله‌گری

اگر با این مبحث آشنایی کافی دارید می‌توانید از آن عبور کنید، با این حال نکاتی در آن گفته خواهد شد که خالی از لطف نیست. 

زمانی که یک شرکت در جهت رشد خود قصد توسعه و یا ایجاد پروژه جدیدی را داشته باشد، برای کسب سرمایه‌ لازم می‌تواند سهام عرضه کند. همان طور که از نام آن پیداست، سهام در واقع سهم شما از مالکیت شرکت و درآمد حاصل از فعالیت‌های آن خواهد بود. 

سهام شرکت‌ها در بازار بورس خرید و فروش می‌شوند، خریداران و فروشندگان حقیقی و حقوقی، سهام‌هایی که قبلا ایجاد شده‌اند را معامله می‌کنند. اما قیمت سهام گاهی می‌تواند بدون توجه به موفقیت یک شرکت حرکت کند. در واقع کسی قیمت‌ها را تعیین نمی‌کند بلکه آن‌ها از رابطه عرضه و تقاضا تاثیر می‌پذیرند.

این موضوع بدان معناست زمانی که یک سهام به عنوان سهام مورد علاقه بخش عمده بازار تلقی شود، به دنبال محبوبیت آن، قیمت آن نیز افزایش پیدا خواهد کرد چرا که تقاضا برای آن بالا رفته است.

این نکته را به خاطر داشته باشید که سهام و اوراق قرضه کاملا جدا هستند، اوراق قرضه بدان معناست که شرکت مورد نظر، پول مورد نیاز خود را (برای توسعه یا پروژه جدید) از طریق قرض گرفتن، دریافت وام و یا اعلام بدهی به دست می‌آورد.

وقتی صحبت از بورس یا بازار ارز دیجیتال می‌شود، خرید و فروش یا به طور کلی معامله دارایی‌ها در آن امری ضروری است اما معنای معامله‌گری محدود به این بازار‌ها یا سهام نمی‌شود. معامله‌گری به عمل خرید یا فروش یک دارایی گفته می‌شود، این دارایی می‌تواند سهام، کوین، توکن دیجیتال، اوراق قرضه و یا کالا‌های فیزیکی مانند طلا یا نفت باشد.

معامله‌ در بازار بورس فرآیندی است که در آن پول نقد شما به سهام تبدیل می‌شود و شما به نسبت سهام خریداری شده به کل سهام، مالکیت شرکت را خواهید داشت. با فروش سهام در قیمت‌های بالاتر، شما امکان کسب سود را خواهید داشت، اما برای به دست آوردن سود بیشتر شما باید از هر دو جهت بازار کسب درآمد کنید. 

بیشتر بخوانید: آموزش گام به گام سرمایه گذاری در بورس به زبان ساده (شروع سریع در بورس)

برای کسب منفعت از حرکت بالا و پایین بازار، اگر پیش‌بینی می‌کنید قیمت‌ها به سمت بالا خواهند رفت شما می‌توانید وارد یک معامله Long شوید که در آن با خرید سهام در قیمت پایین و فروش آن در قیمت‌های بالاتر سود خواهید کرد، اما در طرف دیگر، اگر پیش‌بینی شما این است که بازار سقوط خواهد کرد، می‌توانید یک معامله Short باز کنید که در آن، با فروش سهام در قیمت فعلی، برای خرید دوباره آن‌ها در قیمت‌های پایین منتظر خواهید ماند.

توسعه یک استراتژی فرآیندی است که از فاز‌های مختلفی عبور می‌کند. زمانی که شما یک مدل یادگیری ماشین ایجاد می‌کنید، ابتدا باید استراتژی خود را به صورت معادله بر روی کاغذ آماده کنید، معامله شما باید در کامپیوتر و روی نمودار قابل تست باشد، پس از آن، آزمایش‌های اولیه آن را انجام می‌دهید.

بیشتر بخوانید: استراتژی لبه معاملاتی (Trading Edge) چیست؟ + 9 گام برای ایجاد آن

پس از بهینه سازی استراتژی، باید کیفیت و عملکرد آن را ارزیابی کنید. در حین ارزیابی باید از خودتان بپرسید نسبت برد و باخت این استراتژی چقدر است؟ میانگین نرخ پاداش نسبت به ضرر چگونه است؟ 

کیفیت و بازدهی استراتژی‌ها معمولا براساس آزمون‌های آن‌ها سنجیده می‌شود. در این چرخه، شما استراتژی‌ خود را براساس تغییرات مورد نیاز باز‌سازی می‌کنید و براساس داده‌های تاریخی گذشته که در آینده نیز تکرار خواهد شد، آن‌ را دوباره آزمایش خواهید کرد.

در این روش شما به ایده‌های زیادی برای بهبود عملکرد و کارایی استراتژی پی خواهید برد که با اعمال اصلاحات در آن و آزمایش آن در بازار‌های واقعی می‌توانید خروجی آن را ارزیابی کنید.

البته چرخه‌ای که درباره آن صحبت می‌کنیم (اصلاح، آزمایش، ارزیابی) به شکل گسترده‌ای برپایه این فرضیه است که چیزی که در گذشته کار کرده است، در آینده نیز کار خواهد کرد. اگر استراتژی شما در آزمون داده‌های گذشته، ضعیف عمل کرده باشد، در آینده نیز به همین منوال خواهد بود.

داده‌های سری زمانی

سری زمانی یک دنبال از نقطه‌های داده‌های عددی است که با فاصله زمانی از یک دیگر فاصله گرفته‌اند.

در سرمایه‌گذاری، یک سری زمانی حرکت داد‌ه‌های انتخابی را رهگیری می‌کند. مثلا قیمت سهام یک شرکت را در نظر بگیرید. در طول یک دوره زمانی مشخص، داده‌های مرتبط با قیمت به تفکیک بازه زمانی انتخابی مشخص شده‌اند. تصویر زیر نمونه یک سری زمانی از قیمت یک سهام است.

بیشتر بخوانید: افق زمانی در سرمایه گذاری چیست و چرا اهمیت دارد؟

همان‌طور که مشاهده می‌کنید، تاریخ‌های هر قیمت در محور افقی قرار گرفته‌اند در حالی که قیمت و حرکت آن در محور عمودی رسم شده است. زمانی که با نمودار قیمت‌ها سر و کار داریم این گراف چیزی نیست که با آن مواجه هستیم.

در چارت قیمت سهام، ما 5 ستون داده داریم که به ترتیب قیمت شروع، بالاترین، پایین‌ترین، قیمت بسته شدن و بازه زمانی است. برای مثال اگر بازه زمانی چارت ما در حالت روزانه تنظیم شده باشد، هر گام زمانی نشان دهنده شروع قیمت، نوسان آن و قیمت پایانی آن روز است. 

اکنون شما در مفهوم اولیه نمودار و معامله‌گری، اطلاعات پایه‌ای در اختیار دارید، برای طراحی الگوریتم معاملاتی، درک نمودار‌های قیمت سهام ضروری است.

چرا معاملات الگوریتمی با پایتون؟

زبان‌های برنامه نویسی مانند #Python ،C++ ،Java ،C و R جزو 5 زبان محبوب و رایج برنامه نویسی برای معامله‌گران آینده‌نگر و کنجکاو به شمار می‌روند.

بیشتر بخوانید: 6 زبان برنامه‌نویسی برتر جهت ایجاد قراردادهای هوشمند در بلاک‌چین!

اما پایتون به دلیل برخی ویژگی‌های خود، بیشتر در حوزه معاملات الگوریتمی مورد توجه قرار گرفته است. مهم‌ترین دلایل آن عبارت‌اند از:

1. خواندن کد‌های زبان پایتون آسان و درک آن راحت است. این زبان نسبت به سایر زبان‌های برنامه نویسی کد نویسی کمتری دارد. کتابخانه‌‌های فراوان آن در این زمینه نیز یکی از دلایل سهولت کار با آن است که شما به جای کد نویسی بیشتر روی الگوریتم معاملاتی خود تمرکز خواهید کرد.
2. پایتون یک زبان تفسیری است که بلوک‌های کد را اجرا می‌کند، علیرغم عملیات دیباگ سخت آن، اما مدیریت تک خطا‌های رایج در آن باعث می‌شود سرعت ساخت برنامه افزایش پیدا کند.
3. با این که زبان پایتون نسبت به همتایان خود از سرعت کمتری برخوردار است اما دلیل بر ضعف آن در قدرت محاسبات آن نخواهد بود. شما می‌توانید از قدرت محاسباتی آن برای مدیریت سبد دارایی و مقیاس‌پذیری الگوریتم خود بهره ببرید. ساخت ماژول‌های جدید در این زبان آسان است و می‌توانید از آن در سایر بخش‌های برنامه نیز استفاده کنید.
4. استفاده از سایر زبان‌های برنامه نویسی و کتابخانه‌های آن‌ها در جهت تولید و مدیریت الگوریتم امکان‌پذر است و شما می‌توانید با یک تابع ساده، از این امکانات بهره ببرید.

از کجا شروع کنم؟

اگر قصد انجام معاملات الگوریتمی با پایتون را دارید، مسلما اولین گام تسلط به زبان انگلیسی است.

پس از آن داشتن دانش کلی از علم داده و الگوریتم‌ها ضروری خواهد بود. بسته به زبان برنامه نویسی که انتخاب خواهید کرد، موضوعات مشخصی وجود دارند که باید در آن‌ها به تسلط کافی دست پیدا کنید.

با تسلط به زبان انگلیسی شما می‌توانید به آسانی و با کمترین هزینه از منابع رایگان زبان انگلیسی برای یادگیری زبان برنامه نویسی پایتون و کتابخانه‌های مورد نیاز آن بهره ببرید.

مهم‌ترین مباحثی که در هر زبان برنامه نویسی باید در آن‌ها به خوبی مسلط شوید عبارت‌اند از:

• راه اندازی محیط: نصب و راه‌اندازی ابزار‌های مورد نیاز مانند محیط‌های مجازی، پکیج‌های مربوطه یا کار با سایر ابزار‌های کار تیمی اولین گام برای آغاز فعالیت در زمینه برنامه نویسی است. کار با ابزاری مانند محیط برنامه نویسی و تسلط بر ابزار‌های دیباگ و رفع عیب برنامه ضروری است.
• ساختار داده: در همه زبان‌های برنامه نویسی ساختار داده وجود دارند. شما باید برای ایجاد و توسعه یک برنامه به خصوص الگوریتم‌های معاملاتی به خوبی به این ساختار‌ها تسلط پیدا کنید. در زبان پایتون، مهم‌ترین ساختار‌های داده که با آن سر و کار خواهید داشت شامل List ،Dictionaries ،NumPy arrays ،Tuple و Set هستند. 
• برنامه نویسی شی‌گرا (OOP): شما باید به عنوان یک برنامه نویس بتوانید یک کد ساختار یافته با کلاس‌های مناسب تعریف کنید. در این مسیر شما باید یاد بگیرید چگونه از اشیا و متد‌های آن‌ها در جهت رفع نیاز‌های موجود و طراحی الگوریتم معاملاتی استفاده کنید. کار با اشیا و کلاس‌های سایر پکیج‌ها یکی از ملزومات این زمینه است. در زبان پایتون، شما باید بتوانید با متد‌های پکیج‌هایی مانند Pandas ،NumPy ،SciPy و غیره کار کنید.

معاملات الگوریتمی با پایتون و پکیج Pandas

زمانی که از زبان برنامه نویسی پایتون برای اهداف مالی استفاده می‌کنید، به کتابخانه‌های مخصوص این زمینه نیاز خواهید داشت.

این کتابخانه‌ها به شما کمک می‌کنند تا در مورد یک موضوع خاص مثل نمودار‌های قیمتی، توابع و عملکرد‌های ارزشمندی را برای توسعه پروژه مورد نظر به کار ببرید.

Pandas به شما امکان دریافت داده از منابع مختلفی مانند گوگل، بانک جهانی و سایر API‌های در دسترس را فراهم می‌کند. برای مشاهده لیست کامل منابع اطلاعاتی این کتابخانه می‌توانید به لینک مستندات آن مراجعه کنید.

همان‌طور که قبلا گفته شد، در اینجا ما به جای ارائه کد‌های پایتون، به شرح روش طراحی الگوریتم می‌پردازیم. پس از نصب کتابخانه Pandas توسط pip، نوبت به وارد کردن آن به داخل برنامه می‌رسد.

پس از آن، اولین گام، دریافت داده‌های یک سهام در بازه زمانی انتخابی است. مثلا سهام AAPL از بازه زمانی 2006 تا 2012. از آن‌جایی که در حال طراحی الگوریتم هستیم، داده‌های قیمتی سهام مورد نظر باید دستکاری شوند چرا که باید رفتار الگوریتم در شرایط مختلف سنجیده شود از این رو، استفاده از اکسل یکی از بهترین راه‌های مدیریت و دستکاری داده‌های قیمت است.

شما می‌توانید با استفاده از پکیج‌های موجود، فایل اکسل را به درون برنامه بارگیری و از آن برای تغذیه الگوریتم استفاده کنید.

پس از بارگیری داده‌ها، گام بعدی جستجو و پردازش داده‌های سری زمانی سهام مورد نظر است. در این مرحله ما داده‌های به دست آمده را بررسی و از کامل بودن آن اطمینان حاصل می‌کنیم. معمولا ساختار داده‌های بازگشتی از سمت منبع مورد نظر یک آرایه دو بعدی (مانند یک جدول اکسل) است که هر ستون نوع داده‌ای متفاوتی دارد.

در بخش مفاهیم گفتیم که داده‌های سری زمانی در چارت‌های مالی حداقل دارای 5 ستون هستند، این آرایه نیز شامل قیمت‌های باز و بسته، کمینه، بیشنه، حجم و زمان بسته شدن است.

به خاطر داشته باشید در داده‌هایی که از بازار‌هایی مانند بورس دریافت می‌کنید، برای روز‌های تعطیل هیچ داده‌‌ای در اختیار شما قرار نمی‌گیرد، از این رو، در بین تاریخ‌های داده‌ها ممکن است پرش‌هایی را مشاهده کنید. اما در هنگام محاسبه و پشت سر هم قرار دادن روز‌های کاری و حذف روز‌های تعطیل هیچ مشکلی در محاسبات به وجود نخواهد آمد و جای نگرانی برای به دست آمدن آمار‌های غیر واقعی نیست.

با داشتن این داده‌ها شما می‌توانید میزان پاداش خود را از سبد سرمایه‌گذاری در سهام مورد نظر محاسبه کنید. مثلا می‌توانید ارزش فعلی سهامی که در دست دارید و میزان تغییر آن را محاسبه و تحلیل کنید.

برای این کار، شما باید پس از دریافت داده‌های قیمت سهام مورد نظر، درصد تغییر روزانه آن را در بازه‌های زمانی کوتاه‌تر ارزیابی کنید.

تحلیل‌های مالی رایج

در حال حاضر شما می‌دانید چگونه می‌توان در زبان برنامه نویسی پایتون، داده‌های مالی را دریافت و پردازش کرد.

حالا وقت آن رسیده تا به صورت عمیق‌تر برخی از تحلیل‌های رایجی که می‌توانید استراتژی معاملاتی خود را نسبت به آن‌ها توسعه دهید، مورد بررسی قرار دهیم.

مهم‌ترین شاخصه‌هایی که در یک استراتژی معاملات الگوریتمی با پایتون مورد توجه هستند شامل بازدهی، پنجره‌های متحرک، محاسبه نوسان و OLS است.

در ادامه این بخش، ما به بررسی هر یک از این شاخص‌ها و شرح نقش آن‌ها در تعیین استراتژی معاملاتی می‌پردازیم:

بازدهی

محاسبه درصد تغییر روزانه قیمت یک سهام به معنای تغییر ارزش آن در یک روز کاری بازار معاملات است. محاسبه این شاخص در کتابخانه Pandas بسیار آسان است و شما می‌توانید با یک تابع ساده آن را محاسبه کنید.

این شاخص دیدگاه بهتری در مورد رشد بازدهی سهام شما با گذشت زمان ارائه خواهد داد. اما علاوه‌بر اندازه‌گیری تغییر روزانه قیمت، محاسبه تغییرات ماهانه و سه ماهه نیز مفید خواهد بود. 

پنجره‌های متحرک

پنجره‌های متحرک زمانی استفاده می‌شوند که شما در حال محاسبه آمار یک پنجره داده خاص از بازه زمانی مشخص هستید.

در این حالت، آمار محاسبه شده تا آن‌جایی که به انتهای تاریخ بازه زمانی مورد نظر برسد، دائما ادامه پیدا می‌کند. برای محاسبه این آمار، توابع قدرتمندی در پکیج Pandas وجود دارد که به آن Rolling_mean گفته می‌شود.

سوال اصلی این است که پنجره متحرک برای چه کاری استفاده می‌شود؟ هدف اصلی این پنجره به نوع آماری که بر روی آن اعمال می‌کنید بستگی دارد.

برای مثال تابع Rolling، نوسانات کوتاه مدت بازار را به شکل نرم نمایش می‌دهد یا در حالتی دیگر برای تشخیص ترند‌های بلند مدت کاربرد دارد. می‌توان گفت تشخیص ترند‌های بازارهای مالی یکی از کاربرد‌های اصلی این شاخص است.

بیشتر بخوانید: راهنمای کامل نوسان گیری در بورس؛ هر آنچه باید درباره نوسانگیری بدانید

محاسبه نوسان

شدت نوسان، یک واحد اندازه گیری است که میزان اختلاف سود یک سهام را در یک بازه زمانی خاص مشخص می‌کند.

استفاده از این شاخص برای مقایسه میزان نوسان دو سهام مختلف برای ارزیابی میزان ریسک آن‌ها امری رایج است. این شاخص همچنین برای ارزیابی شاخص بازار و میزان نوسان آن کاربرد دارد. 

به طور کلی، هر چه مقدار شدت نوسان بالاتر باشد، میزان ریسک سرمایه‌گذاری نیز بیشتر خواهد بود. به همین دلیل استفاده از سیستم‌های مدیریت ریسک در معاملات الگوریتمی با پایتون ضروری است

شاخص OLS

پس از انجام همه محاسبات، نوبت به انجام تحلیل آماری داده‌های مالی به دست آمده است. هدف ما در اینجا انجام ارزیابی‌های سنتی‌تر بر روی داده‌ها است که از روش OLS یا حداقل مربعات معمولی استفاده می‌کنیم. 

برای انجام این تحلیل، شما ابتدا نیاز به استفاده از توابع‌ و کلاس‌های مرتبط با مدل‌های برآورد آماری خواهید داشت. این توابع به شما کمک می‌کنند تا بتوانید بر روی داده‌های به دست آمده، آزمایش‌های آماری انجام دهید.

تا اینجای مقاله، درباره معاملات الگوریتمی با پایتون و ابزارهای موردنیاز آن صحبت کردیم، در قسمت دوم این مقاله به نحوه ایجاد یک استراتژی معاملاتی و بهینه‌سازی آن در پایتون می‌پردازیم.

شما در بورس، علاوه بر خرید و فروش سهام:

• می‌توانید در دارایی‌هایی مانند طلا و مسکن سرمایه‌گذاری کنید
• در صندوق‌های سرمایه گذاری بدون ریسک، سود ثابت بگیرید

برای شروع سرمایه‌گذاری، افتتاح حساب رایگان را در یکی از کارگزاری‌ها انجام دهید:

نام شرکت	ویژگی‌ها	امتیاز	لینک ثبت‌نام
کارگزاری آگاه	باشگاه مشتریان با جایزه نرم‌افزار معاملاتی پیشرفته دریافت اعتبار معاملاتی خرید آنلاین صندوق‌ سرمایه‌گذاری ثبت‌نام آنلاین برای کد بورسی

برای سرمایه‌گذاری و معامله موفق، نیاز به آموزش دارید. خدمات آموزشی زیر از طریق کارگزاری آگاه ارائه می‌شود:

نام خدمات	ویژگی‌ها	لینک ثبت‌نام
دوره‌های آموزش تحلیل تکنیکال	دوره‌های حضوری + غیرحضوری شناخته‌شده‌ترین اساتید در سطح مقدماتی، متوسط و پیشرفته ارائه مدرک معتبر گذراندن دوره