surpriver

Sortivador: encuentre existencias de alto movimiento antes de que se muevan

Encuentre existencias en movimiento altas antes de que se muevan utilizando la detección de anomalías y el aprendizaje automático. Sorteo utiliza el aprendizaje automático para ver la acción del volumen + precio e inferir patrones inusuales que pueden dar como resultado grandes movimientos en las existencias.

Descripción de los archivos

Camino	Descripción
sorprender	Carpeta principal.
└ Diccionarios	Carpeta para guardar los diccionarios de datos para su uso posterior.
└ Figuras	Figuras para estos repositorios de GitHub.
└ acciones	Lista de todas las acciones que desea analizar.
data_loader.py	Módulo para cargar datos de Yahoo Finance.
detection_engine.py	Módulo principal para ejecutar la detección de anomalías en datos y encontrar acciones con la mayoría de los patrones de precios y volumen inusuales.
características_generator.py	Genera características de retorno de precio y volumen, así como muchos indicadores técnicos.

Uso

Paquetes

Deberá instalar el siguiente paquete para entrenar y probar los modelos.

• Lear
• Numpy
• TQDM
• Yfinance
• Pandas
• Bisagro
• Ejército de reserva

Puede instalar todos los paquetes usando el siguiente comando. Tenga en cuenta que el script fue escrito con Python3.

 pip install -r requirements.txt

Corriendo con Docker

También puede usar Docker si sabe qué es y tiene algún conocimiento sobre cómo usarlo. Estos son los pasos para ejecutar la herramienta con Docker.

• Primero debe construir el contenedor: docker build . -t surpriver
• Luego debe copiar el contenido de Docker-Compose.yml.template a un nuevo archivo llamado Docker-Compose.yml
• Reemplace <C:\path\to\this\dir> con el directorio en el que está trabajando.
• Ejecute el contenedor ejecutando docker-compose up -d
• Ejecute cualquiera de los comandos a continuación prependiendo docker exec -it surpriver en su línea de comando.

Predicciones para hoy

Si desea continuar y obtener directamente las acciones más anómalas para hoy, puede ejecutar el siguiente comando para obtener las acciones con los patrones más inusuales. Nos sumergiremos más profundamente en el comando en las siguientes secciones.

Obtenga la mayoría de las acciones anómalas para hoy

Cuando no tiene el diccionario de datos guardado y lo está ejecutando por primera vez.

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0

Este comando le dará las 25 acciones principales que tuvieron la puntuación de anomalía más alta en las últimas 14 bares de velas de 60 minutos . También almacenará todos los datos que utilizó para hacer predicciones en la carpeta Diccionarios/data_dict.npy . A continuación se muestra una explicación más detallada de cada parámetro.

• TOP_N : El número total de la mayoría de las existencias anómalas que desea ver.
• Min_volume : filtro para volumen. Se ignorará cualquier stock que tenga un promedio de volumen más bajo que este valor.
• data_granularity_minutes : granularidad de datos a usar para el análisis. Las opciones disponibles son de 1 mineridad, 5 minutos, 15 minutos, 30 minutos, 60 minutos .
• History_to_use : barras históricas para usar para analizar los patrones inusuales y anómalos.
• IS_SAVE_DICCIONARY : si se debe guardar los datos de stock que se utilizan para el análisis en un diccionario o no. Habilitar esto le ahorraría tiempo si desea hacer un análisis más detallado sobre los datos.
• data_dictionary_path : ruta del diccionario donde se almacenarían los datos.
• IS_LOAD_FROM_DICCIONARY : si se debe cargar los datos del diccionario o descargarlos de Yahoo Finance directamente. Puede usar el diccionario que guardó anteriormente aquí para múltiples ejecuciones.
• IS_TEST : puede probar las predicciones dejando algunos de los datos recientes como datos futuros y analizando si la mayor cantidad de acciones anómalas movió más después de sus predicciones. Si este valor es 1, el valor de Future_Bars debe ser mayor que 5.
• Future_BARS : estos números de barras se guardarán de la historia reciente para fines de prueba.
• output_format : el formato para los resultados. Si pasa CLI, los resultados se imprimirán en la consola. Si pasa JSON, se creará un archivo JSON con resultados para la fecha de hoy. El valor predeterminado es CLI.

Cuando tenga el diccionario de datos guardado, puede ejecutar el siguiente comando.

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 0 --future_bars 0 --output_format 'CLI'

Observe el cambio en IS_SAVE_Dictionary y IS_LOAD_FROM_DICCIONARY .

Aquí hay una salida de cómo se ve una sola predicción. Tenga en cuenta que las puntuaciones negativas indican patrones anómalos e inusuales más altos, mientras que las puntuaciones positivas indican patrones normales. Cuanto más bajo, mejor .

 Last Bar Time: 2020-08-25 11:30:00-04:00
Symbol: SPI
Anomaly Score: -0.029
Today Volume (Today = Date Above): 313.94K
Average Volume 5d: 206.53K
Average Volume 20d: 334.14K
Volatility 5bars: 0.013
Volatility 20bars: 0.038
Future Absolute Sum Price Changes: 72.87

Prueba sobre datos históricos

Si sospecha del uso del aprendizaje automático y la inteligencia artificial en el comercio, puede probar las predicciones de esta herramienta en datos históricos. Los dos argumentos de línea de comandos más importantes para las pruebas son IS_TEST y Future_Bars . Si el primero se establece en 1 y el posterior se establece en cualquier cosa más de 5, la herramienta realmente dejará esa cantidad de datos para fines de análisis y usará los datos antes de las predicciones anómalas. A continuación, analizará los datos restantes para ver qué tan bien lo hicieron las predicciones. Aquí hay un ejemplo de una trama de dispersión del siguiente comando.

Encuentre existencias anómalas y pruebe con datos históricos

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 1 --future_bars 25

Si ya ha generado el diccionario de datos, puede usar el siguiente comando donde configuramos IS_LOAD_FROM_DICCIONARY en 1 e IS_SAVE_DICCIONARY a 0.

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 1 --future_bars 25

Como puede ver en la imagen de arriba, las acciones anómalas (puntaje <0) generalmente tienen un cambio absoluto más alto en el futuro en promedio. Eso demuestra que las predicciones son en realidad para aquellas acciones que se movieron más del promedio en las próximas horas/días. Una pregunta surge aquí, ¿qué pasa si la herramienta es solo elegir las acciones de volatilidad más alta porque eso produciría un alto cambio absoluto en el futuro? Para demostrar que no es el caso, aquí está la descripción más detallada de las estadísticas que obtiene del comando anterior.

 --> Future Performance
Correlation between future absolute change vs anomalous score (lower is better, range = (-1, 1)): **-0.23**
Total absolute change in future for Anomalous Stocks: **89.660**
Total absolute change in future for Normal Stocks: **43.000**
Average future volatility of Anomalous Stocks: **0.332**
Average future volatility of Normal Stocks: **0.585**
Historical volatility for Anomalous Stocks: **2.528**
Historical volatility for Normal Stocks: **2.076**

Puede ver que la volatilidad histórica para las existencias anómalas normales de VS no es tan diferente. Sin embargo, la diferencia en el cambio futuro absoluto total es el doble para las acciones anómalas en comparación con las acciones normales.

Soporte para criptomonedas

Ahora puede especificar qué fuente de datos le gustaría usar junto con qué lista de acciones desea usar.

 python detection_engine.py --top_n 25 --min_volume 500 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/feature_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0  --data_source binance --stock_list cryptos.txt

• data_source : especifica de dónde obtener datos, las opciones compatibles actuales son Binance y Yahoo_Finance (predeterminada)
• stocks_list : qué archivo en el directorio de existencias contiene la lista de tickers para analizar. El valor predeterminado es stocks.txt.

Resultados

Intentaremos publicar los 25 mejores resultados para un solo conjunto de parámetros cada semana.

31 de agosto de 2020 al 05 de septiembre de 2020: https://pastebin.com/l5t2byux

Limitaciones

La herramienta solo encuentra acciones que tienen algún comportamiento inusual en su precio y acción de volumen combinadas. No predice en qué dirección se moverá el stock. Esa podría ser una característica que implementaré en el futuro, pero por ahora, deberá mirar los gráficos y hacer su DD para resolverlo.

Licencia

Un producto de Tradytics

Copyright (c) 2020-presente, Tradytics.com