import quantopian.optimize as opt
import quantopian.algorithm as algo
from quantopian.pipeline.domain import US_EQUITIES
#from quantopian.pipeline.domain import US_Futures
from quantopian.pipeline import Pipeline
import numpy as np
import pandas as pd
MAX_GROSS_LEVERAGE = 1.0
def initialize(context):
"""
Appelé une fois au début de l'algorithme.
"""
# Enregistrez les contrats à terme que nous négocierons et les procurations correspondantes pour le prix au comptant du sous-jacent.
# calendar = calendar.US_EQUITIES
context.contrat = continuous_future("NG", offset=0, roll="calendar", adjustment=None)
context.proxy = sid(33697)
# Créez des clés vides qui contiendront plus tard notre fenêtre de données de coût de portage.
context.donnees = []
context.quantiles = []
# Rééquilibrer tous les jours, 1 heure après l'ouverture du marché.
algo.schedule_function(train_algorithm, date_rules.every_day(), time_rules.market_open(hours=1))
algo.schedule_function(daily_rebalance, date_rules.every_day(), time_rules.market_open(hours=1))
algo.schedule_function(enregistrer_variable, date_rules.every_day(), time_rules.market_open())
def train_algorithm(context, data):
"""
Avant d'exécuter des transactions, nous devons collecter au moins 30 jours de données. Après cela, continuez à faire glisser la fenêtre de 30 jours
pour supprimer le point de données le plus ancien tout en ajoutant le point le plus récent.
"""
contrat = data.current(context.contrat, "contract")
etf = data.current(context.proxy, "price")
if len(context.donnees) < 30:
calccule_cout(context, data, contrat, etf)
else:
calccule_cout(context, data, contrat, etf)
# Après avoir collecté 30 jours de données, regroupez les points de données en 5 quantiles.
context.quantiles = pd.qcut(context.donnees, 5, labels=False) + 1
context.donnees.pop(0)
def daily_rebalance(context, data):
"""
Exécutez les commandes en fonction de notre calendrier schedule_function ().
"""
weights = {}
# Après avoir collecté 30 jours de données, exécutez notre logique de commande en achetant des contrats de transport à faible coût.
contract = data.current(context.contrat, "contract")
if len(context.donnees) >= 30:
if len(context.quantiles) >= 30:
if context.quantiles[-1] == 5 and (contract.expiration_date - get_datetime()).days > 19:
weights[contract] = -1
elif context.quantiles[-1] == 1 and (contract.expiration_date - get_datetime()).days > 19:
weights[contract] = 1
for security in context.portfolio.positions:
if (security.expiration_date - get_datetime()).days <= 19:
weights[security] = 0
if weights:
leverage_constraint = opt.MaxGrossLeverage(MAX_GROSS_LEVERAGE)
order_optimal_portfolio(
objective=opt.TargetPortfolioWeights(weights),
constraints=[
leverage_constraint
],
universe=list(weights.keys())
)
def enregistrer_variable(context, data):
"""
Cette fonction est appelée à la fin de chaque journée et les graphiques
le nombre de positions longues et courtes que nous détenons.
"""
# Vérifiez combien de positions longues et courtes nous avons.
ordres_achats = ordres_ventes = 0
for position in context.portfolio.positions.values():
if position.amount > 0:
ordres_achats += 1
elif position.amount < 0:
ordres_ventes += 1
# enregistrer nos variables.
record(long_count=ordres_achats, short_count=ordres_ventes)
def calccule_cout(context, data, contract, prixspot):
dateencours = get_datetime()
prixencours = data.current(contract, "price")
datedematurite = contract.expiration_date
prixspot = prixspot
coutcarry = np.log(prixencours / prixspot) / (datedematurite - dateencours).days
context.donnees.append(coutcarry)
