Trading financier avec bt

Trading financier en Python

Chelsea Yang

Data Science Instructor

Le package bt

Un cadre souple pour définir et backtester des stratégies de trading

Stratégie : méthode d'achat et de vente d'actifs financiers selon des règles prédéfinies
Backtesting de stratégie : évaluer l'efficacité d'une stratégie sur des données historiques

import bt

Le processus bt

Étape 1 : Récupérer les prix historiques
Étape 2 : Définir la stratégie
Étape 3 : Backtester la stratégie avec les données
Étape 4 : Évaluer le résultat

Obtenir les données

# Download historical prices
bt_data = bt.get('goog, amzn, tsla', 
                 start='2020-6-1', end='2020-12-1')

print(bt_data.head())

                   goog         amzn        tsla
Date                                            
2020-06-01  1431.819946  2471.040039  179.619995
2020-06-02  1439.219971  2472.409912  176.311996
2020-06-03  1436.380005  2478.399902  176.591995
2020-06-04  1412.180054  2460.600098  172.876007
2020-06-05  1438.390015  2483.000000  177.132004

Définir la stratégie

# Define the strategy
bt_strategy = bt.Strategy('Trade_Weekly',

                          [bt.algos.RunWeekly(), # Run weekly

                           bt.algos.SelectAll(), # Use all data

                           bt.algos.WeighEqually(), # Maintain equal weights

                           bt.algos.Rebalance()]) # Rebalance

Backtest

# Create a backtest
bt_test = bt.Backtest(bt_strategy, bt_data)


# Run the backtest
bt_res = bt.run(bt_test)

Évaluer le résultat

# Plot the result
bt_res.plot(title="Backtest result")

Graphique du résultat du backtest

# Get trade details
bt_res.get_transactions()

Afficher la liste des transactions

Passons à la pratique !

Trading financier en Python