Improve the strategy

Neutralization

Мы можем исключить влияние рынка, если уравновесим длинные и короткие позиции для нашего алгоритма. Таким образом, суммарные инвестиции в рынок составят $0. Нейтрализация может быть сделана для всего рынка или для каждого сектора экономики отдельно (в целом для любой группы). Математическая формулировка нейтрализации крайне проста - для каждого дня нужно вычесть среднее значение весов инвестиционного портфеля; полученные веса будут нейтральными к рынку. Более подробную информацию можно найти здесь

Function

qnt.neutralization.neutralize(weights, assets, group = 'market')

Parameters

Parameter	Explanation
weights	xarray DataArray with weights of the algorithm.
assets	qnt.data.load_assets. It is the list of dicts with info for desired tickers.
group	str, default='market'. Neutralize positions by 'market', 'industry' or 'sector'.

Output

На выходе получается массив данных xarray с нейтрализованными позициями среди выбранной группы.

Example

Рассмотрим реализацию функции нейтрализации на примере инвестиционной стратегии. Каждый алгоритм начинается с загрузки библиотек и данных:

# Basic libraries.
import xarray as xr
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# Import quantnet libraries.
import qnt.data    as qndata
import qnt.stats   as qnstats
import datetime    as dt
import qnt.graph   as qngraph
from qnt.neutralization import neutralize
import qnt.data.secgov_indicators

# Load all available asset names since the given date.
assets = qndata.load_assets(min_date = '2015-01-01')
assets_names = [i["id"] for i in assets]


data = qndata.load_data(min_date = '2015-01-01',
                        dims=("time", "field", "asset"),
                        assets=assets_names,
                        forward_order=True)

# We trade only liquid stocks
is_liquid = data.loc[:,"is_liquid",:]

# replace zeros in liquid with NaN
index = np.array(abs(is_liquid - 1),dtype = bool)
is_liquid.to_pandas()[index] = np.nan

# desired fundamental data
data_lbls = ['ppent']

# One can load corresponding data
fun_data1 = qnt.data.secgov_load_indicators(assets,time_coord = data.time, standard_indicators = data_lbls)

# In order to estimate Sharpe for a number of algorithms
def estimate_sharpe(weights_final):
    stat = qnstats.calc_stat(data, weights_final, slippage_factor=0.05)
    days = len(stat.coords["time"])
    returns = stat.loc[:, "relative_return"]

    sharpe_ratio = qnstats.calc_sharpe_ratio_annualized(
        returns,
        max_periods=days,
        min_periods=days).to_pandas().values[-1]

    print(f'Sharpe ratio = {sharpe_ratio}')

Допустим, у вас есть идея - составить алгоритм, основанный на показателе «property, plant, and equipment» (PP&E).

weights = fun_data1.sel(field = 'ppent')*is_liquid
weights = weights/abs(weights).sum('asset')
estimate_sharpe(weights)

Sharpe ratio = 0.2009557067119658

PP&E может увеличиваться или уменьшаться в зависимости от рыночной ситуации и экономических условий. Таким образом, экономическая ситуация в мире повлияет на график PnL (включая глобальные экономические кризисы).

stat = qnstats.calc_stat(data, weights, slippage_factor=0.05)

# show plot with profit and losses:
performance = stat.to_pandas()["equity"].iloc[:]
qngraph.make_plot_filled(performance.index, performance, name="PnL (Equity)", type="log")

Снять влияние рынка можно, применив функцию нейтрализации:

output = neutralize(-weights,assets,group = 'market')
estimate_sharpe(output)

Sharpe ratio = 0.562002051169064

На диаграмме ниже показано, что глобальные кризисы не влияют на поведение PnL для исправленного (нейтрализованного) алгоритма.

stat = qnstats.calc_stat(data, output, slippage_factor=0.05)

# show plot with profit and losses:
performance = stat.to_pandas()["equity"].iloc[:]
qngraph.make_plot_filled(performance.index, performance, name="PnL (Equity)", type="log")