🔜 👨🏿‍🚀 🕴🏼 Python帮助测试结构产品 ♐️ 🛀🏼 👈🏿

受Habré上结构产品广告的启发，对python脚本进行了修改以进行独立测试。主要思想是这些产品提供100％的资本保护。鉴于牛市已有10年的历史，此类产品的历史表现令人震惊，充满了无风险的天堂。

对于有兴趣进行理财的初学者python程序员，本文将很有趣。好吧，对于某些人来说，此工具可以很方便地自行构建此类策略。但是要小心，经纪人写道，这并不适合所有人。

该代码作为Jupyter记事本发布在GitHub上。走吧

几句话介绍

我将对美国股票进行测试，结果收益率将低于卢布。从图表上的绝对数字来看，俄罗斯市场更有趣，但其中存在更多风险。测试的本质从此没有改变。

我们从免费的Alpha Advantages获取数据，您首先需要通过共享电子邮件地址来获取密钥。笔记本中的简要说明。您可以在Finam获取俄罗斯证券的报价。

结构产品魅力

简而言之，您的资金是安全的，且收益率高于银行存款（政府债券）。这里只是方程式中缺少的一些元素：

银行存款总是有收入，但是存在零风险。
您将获利，但经纪人要求赔偿很大一部分；
投入资金的使用受到限制；
经纪人实际上不承担任何风险，仅参与利润。

策略策略

考虑最简单的策略：

我们购买90％的资本短期国债；
其余的，我们购买高风险资产；
我们在期初以价格的10％止损。

该战略的核心是：国债的年利率为1-3％，实际上不包括亏损（如果有收益）。用10％的资本购买的资产的10％的缩水将是债券所能承担的风险。在牛市时期，一些股票可能会增长几倍，这将带给我们快乐。

要手动重复此策略，您必须执行以下步骤：

买债券。例如，以ETF的形式。
买股票。
发出停止订单。

测试方法

我将简要介绍一些具有代码摘录的解决方案，这些解决方案使测试变得非常灵活和方便。

日程安排

您可以在以下期间重新平衡：周，月，年。以及时段内的任何一天：第一个，第N个，最后一个。 Schedule（）类负责：

#         df = pd.DataFrame([], index=pd.date_range(start, end, freq='B')) # ... #      ,   df = df[df.index.isin(dates)].copy() # ... #    # ... elif freq == 'week': groupby = ['year', 'week'] elif freq == 'month': groupby = ['year', 'month'] elif freq == 'year': groupby = ['year'] #      grouped = df.groupby(groupby) for idx, grp in grouped: if len(grp) >= abs(day): df.loc[grp.iloc[day].name, 'allow'] = True

数据周期

 StructuredProductMill().run()

如其中一篇文章所述，我们可以仅绕过一个周期中的重新平衡日期，而跳过所有其他日期。但是随后我们失去了该期间内资产变化的统计信息，我们将看不到每天的获利能力和亏损。该脚本每天都会四处走动，这会损害速度，这使您可以查看未结头寸的市场价值并应用止损单检查。

再平衡

 StructuredProductMill().rebalance()

在这里，可以打开的资产分配给可用资本。在将计算结果与未平仓头寸进行比较之后，将针对所需数量执行交易：

 #  :       balance = self._cash + self.position_balance(day) #         df = day.merge(self._positions[['quantity']], how='left', left_index=True, right_index=True) # ... #              day.loc[is_allow, 'size_order'] = day[is_allow]['size'] / day[is_allow]['size'].sum() #        day['position_to'] = (balance * day['size_order']) // day['open'] #     day['order'] = day['position_to'] - day['position'] # ... #   for symbol, row in day[fltr].iterrows(): self.trade(row['dt'], symbol, row.order, row.open, 'O' if row.order > 0 else 'C')

特惠

 StructuredProductMill().trade()

在这里，为了提高速度，您可以牺牲细节并仅控制每个头寸的获利能力变化。但是该脚本会考虑佣金和资产价值，并保留交易历史记录，这使您可以在测试的任何一天计算交易并执行停止订单。此方法更新可用缓存的位置和大小。

发射

要运行，您必须指定一组具有份额和测试参数的资产。我们将测试日历年的结构产品：

 #   portfolio = {'MINT': 0.9, 'AAPL': 0.1,} #   SYMBOLS = list(portfolio.keys()) df = prices(SYMBOLS) params = { 'benchmark': 'SPY', #     'balance': 100_000, #   'portfolio': portfolio, 'rebalance_day': -1, #      'freq': 'year', #    'stop_loss': 0.1, # -  10% #          'reset_position_prices': True, 'allow_method': allow_default, 'start': pd.to_datetime('2011-01-01'), #   } #  ,      pm = StructuredProductMill(params, prices=prices(SYMBOLS + [params['benchmark']]), show_progress=True) pm.check_params().prepare() #   pm.run() #   pm.print_results(); #   pm.charts()

笔记本底部的图表显示了在重新平衡之日（年末）的获利能力和亏损额，这证实了在报告之时资本的亏损额极低并且盈利能力不断增长。尽管这种获利能力输给了美国公司S＆P 500的广泛指数。