adj close что это

Руководство: как использовать Python для алгоритмической торговли на бирже. Часть 1

Технологии стали активом — финансовые организации теперь не только занимаются своим основным бизнесом, но уделяют много внимания новым разработкам. Мы уже рассказывали о том, что в мире высокочастотной торговли лучших результатов добиваются обладатели не только самого эффективного, но и быстрого софта и железа.

Среди наиболее популярных в сфере финансов языков программирования можно отметить R и Python, также часто используются C++, C# и Java. В опубликованном на сайте DataCamp руководстве речь идет о том, как начать использовать Python для создания финансовых приложений — мы представляем вам серию статей-адаптаций глав этого материала.

Введение: простым языком об устройстве сферы финансов

Прежде чем окунуться в мир торговых стратегий, имеет смысл коснуться базовых понятий. Однако это не означает, что то, о чем пойдет речь ниже, рассчитано совсем на новичков. Будет здорово, если вы предварительно ознакомитесь с курсом по использованию Python для работы с данными, а также представляете себе, как работать со списками и пакетами Python, а также хотя бы на базовом уровне знакомы с NumPy и Pandas.

Акции и торговля на бирже

Когда компания хочет продолжить развитие бизнеса, запускать новые проекты или расширяться, то в качестве инструмента финансирования может использовать акции. Акция представляет долю во владении компании, акции обменивают на деньги. Акции можно покупать и продавать: участники таких сделок проводят операции с уже существующими, ранее выпущенными акциями.

Цена, по которой конкретная акция будет продана или куплена, может постоянно меняться, вне зависимости от бизнес-показателей выпустившей акции компании: все определяется спросом и предложением. Важно понимать различие между акциями и, например, облигациями (бондами), которые используются для привлечения именно заемных средств.

Когда речь идет о трейдинге, то рассматриваться может не только продажа и покупка акций — сделка может быть заключена по разным активам, в числе которых могут быть как финансовые инструменты, так и, например, драгоценные металлы или ресурсы вроде нефти.

При покупке акций инвестор получает определенную долю в компании, из чего может в будущем извлечь финансовую выгоду, продав эту долю. Стратегии могут различаться: существуют длинные сделки (long), заключаемые в надежде на дальнейший рост акций, и короткие, когда инвестор предполагает, что акции будут дешеветь, поэтому продает акции в надежде в будущем «откупить» их обратно по более низкой цене.

Разработка торговой стратегии включает в себя несколько стадий, что похоже, например, на построение моделей машинного обучения: сначала нужно сформулировть стратегию и описать ее в формате, позволяющем запустить ее на компьютере, затем нужно протестировать работоспособность получившейся программы, оптимизировать ее, а затем оценить результативность и надежность работы.

Торговые стратегии обычно проверяют с помощью бэктестинга: это подход, при которым стратегия «прогоняется» на исторических данных о торгах — на их основе программа генерирует сделки. Это позволяет понять, принесла бы такая стратегия доход при том развитии рыночной ситуации, что наблюдалось в прошлом. Таким образом, можно предварительно оценить перспективность стратегии в торгах в режиме реального времени. При этом, нет гарантий того, что хорошие показатели на исторических данных повторятся при работе на реальном рынке.

Данные временных рядов

Временной ряд — это последовательность цифровых данных, полученных на последовательных равных промежутках времени. В сфере финансов такие ряды используются для отслеживания движений цен за определенный период времени, записанных в равные интервалы. Вот, как это выглядит:

По оcи X расположены даты, а цена — на оси Y. «Последовательные равные промежутки времени» в данном случае означает, что по временной оси даты расположены с двухнедельным интервалом: можно сравнить 3/7/2005 и 3/31/2005, а также 4/5/2005 и 4/19/2005 (здесь даты записаны в принятом в США формате, когда сначала идет месяц, а затем день).

Однако финансовые данные обычно включают не два параметра (цена и дата), а пять — помимо величины торгового периода, это цена открытия торгового периода, наивысшая и низшая цена в его рамках, а также цена в момент закрытия периода. Это значит, что если мы рассматривает дневной период, то анализ данных даст нам информацию о том, на каком уровне находилась цена в момент старта и завершения торгов в выбранный день, а также какой была максимальная и минимальная цена в ходе торгов.

Выше были описаны базовые понятия, которые необходимо знать, чтобы продолжить изучение данного руководства.

Основы Python для сферы финансов: Pandas

Одним из самых востребованных инструментов при использовании Python для разработки финансовых приложений является пакет Pandas. Он нужен уже в самом начале, но по мере углубления в процесс разработки понадобятся и такие пакеты как NumPy, SciPy, Matplotlib.

Для начала сфокусируемся на Pandas и применении этого инструмента к анализу временных рядов. Ниже речь пойдет о том, как с помощью данного пакета импортировать данные, анализировать и манипулировать ими.

Импорт финансовых данных

Пакет pandas-datareader позволяет получать данные из таких источников, как Google, Yahoo! Finance или Всемирный банк — подробнее о доступных источниках данных написано в документации. В этом руководстве будет рассматриваться получение данных с сервиса Yahoo! Finance. Для начала работы необходимо установить последнюю версию пакета с помощью pip:

Инструкции по установке версии в разработке представлены здесь.

Не так давно в Yahoo API произошли изменения, так что для начала самостоятельной работы с библиотекой нужно установить исправления, который позволит дождаться официального патча. Подробнее проблема описана здесь. Однако для этого руководства данные были скачаны заранее, так что проблем с его изучением не возникнет.

Важно также понимать, что несмотря на то, что pandas-datareader — это удобный инструмент для загрузки данных, он далеко не единственный для Python. Также можно использовать библиотеки вроде Quandl, которая позволяет получать данные с сервиса Google Finance:

Также многим известно, что в сфере финансов для анализа данных очень популярен Excel. Для удобства будущей работы можно интегрировать этот инструмент с Python (подробнее по ссылке).

Работа с данными временных рядов

Для импортирования данных мы использовали pandas_datareader. В результате возник объект aapl — это DataFrame, то есть двумерная именованная структура данных со столбцами потенциально разных типов. Первое, что следует сделать при работе с таким фреймом — запустить функции head() и tail() для того, чтобы взглянуть на первый и последний столбцы датафрейма. Для получения полезной статистической сводки по скачанным данным можно воспользоваться функцией describe().

Пример этого кода можно найти на странице исходного материала.

Данные содержат четыре столбца с ценой открытия и закрытия торгового периода, а также максимальной и минимальной ценой — мы рассматриваем дневные интервалы и акции Apple. Также мы получаем два дополнительных столбца: Volume и Adj Close. Первый из них используется для того, чтобы зафиксировать количество акций, с которыми совершались сделки в торговый день. Второй столбец — это «отрегулированная» цена закрытия (adjusted closing price), это значит, что в цену закрытия периода были добавлены все действия с акциями, которые могли быть совершены до момента открытия следующего торгового дня.

Если нужно сохранить данные в CSV-файл, это можно сделать с помощью функции to_csv(), а прочитать файл можно с помощью read_csv() — это полезно для ситуаций, когда источник данных меняется и доступ к ним временно теряется.

После базового анализа скачанных данных, пора двигаться дальше. Для этого можно, к примеру, изучить индексы и столбцы, выбрав, например, десять последних строк конкретного столбца. Это называется разбиением (subsetting), поскольку берется лишь небольшой набор имеющихся данных. Получившееся подмножество — это ряд, то есть одноразмерный именованный массив.

Для того, чтобы посмотреть на индекс и столбцы данных следует использовать атрибуты index и columns. Затем можно выделить подмножество из десяти последних наблюдений в столбце column. Для изолирования этих значений следует использовать квадратные скобки. Последнее значение помещается в переменную ts, а проверка ее типа осуществляется с помощью функции type().

Использование квадратных скобок удобно, но это не самый характерный способ при работе с Pandas. Поэтому также стоит рассмотреть функции loc() и iloc(): первая из них используется для label-based индексирования, а последняя для позиционального индексирования.

На практике, это значит, что можно передать ярлык ряда вроде 2007 или 2006-11-01 в функцию loc(), а целые числа вроде 22 или 43 передаются функции iloc().

Если внимательно взглянуть на результаты процедуры разбиения, то станет видно, что в данных пропущены определенные дни. Дальнейший анализ паттерна покажет, что обычно не хватает двух или трех дней. Это выходные дни и государственные праздники, во время которых нет биржевых торгов.

Помимо индексирования есть несколько способов узнать о данных больше. Можно, к примеру, попробовать создать семпл из 20 строк данных, а затем переформатировать их таким образом, чтобы appl стал не дневным значением и месячным. Сделать это можно с помощью функций sample() и resample():

Прежде чем перейти к визуализации данных и проведению финансового анализа, можно начать вычислять разницу между ценами открытия и закрытия торгового периода. Эту арифметическую операцию можно с помощью Pandas — нужно вычесть значения столбца Open данных appl из столбца Close. Или, другими словами, вычесть aapl.Close из aapl.Open. Получившийся результат будет храниться в новом столбце датафрейма aapl под названием diff, который можно удалить с помощью функции del:

Получившиеся абсолютные значения уже могут быть полезны при разработке финансовой стратегии, однако обычно требуется и более глубокий анализ, например, процентных величин роста или падения цены определенной акции.

Визуализация данных временных рядов

Помимо анализа данных с помощью функций head(), tail() и индексирования, также возможна их визуализация. Благодаря интеграции Pandas с инструментом для создания графиков Matplotlib это можно сделать довольно легко. Нужно лишь использовать функцию plot() и передать ей релевантные параметры. Кроме того, если добавить параметр grid, то получившийся график будет наложен на сетку.

Этот код дает вот такой график:

В следующей части руководства речь пойдет о финансовом анализе данных временных рядов с помощью Python.

Источник

Эмуляция плечевого (leveraged) ETF

Плечевые (leveraged) ETF — это торгующиеся на фондовой бирже ценные бумаги, которые позволяют повторить движение другой ценной бумаги внутри торгового дня с множителем 2 или 3, увеличивая таким образом и потенциальные убытки и прибыль.

Разберемся, как конкретно они работают, создав свою собственную эмуляцию.

Плечевые (leveraged) ETF отслеживаются с 2006-го года. Одним из первопроходцев стал ProShares ULTRA S&P500. Чтобы тщательно изучить поведение плечевых (leveraged) ETF во время прошлых кризисов, включая Великую Депрессию, понадобится история цен на промежутке времени начиная минимум с 1920-го года. Такая история цен доступна только для индексов, например DJIA и S&P. Поэтому для начала придётся научиться самостоятельно вычислять цены Leveraged ETF по данным базовых активов, чтобы потом использовать эти цены для индексов.

В открытых источниках есть похожие исследования, например: Simulating Returns of Leveraged ETFs. Однако, ни одно из них не делится достаточными деталями для полного воспроизведения формулы.

Биржевой фонд (ETF) с плечом (leverage) — это ценная бумага, которая использует производные финансовые инструменты и долговые обязательства для усиления доходности базового актива. В то время как традиционный биржевой фонд обычно отслеживает ценные бумаги в своем базовом индексе в отношении 1 к 1, ETF с плечом может стремиться к соотношению 2:1 или 3:1. Таким образом, и прибыль и убытки увеличиваются в 2 или 3 раза. Плечо действует только внутри торгового дня, поэтому в долгосрочной перспективе результат может быть любым. Подробности можно изучить тут: Investopedia, Leveraged ETF.

Основной риск плечевых (leveraged) ETF, также известный как volatility decay — это обесценивание при разнонаправленных колебаниях рыночных цен на базовый актив:

Плавно погрузиться в изучение Leveraged ETF можно с помощью последовательного чтения следующих материалов.

Мы будем делать нашу эмуляцию образца TQQQ на основе цен базового актива QQQ и назовем ее TQQQ-1. Выбор образца основан на подробности и понятности проспектов, а также на популярности в социальных сетях в момент написания этих строк.

Для сверки будущих результатов нашего TQQQ-1 возьмем исторические данные образца TQQQ и его базового актива QQQ.

Можно было бы взять и более точные данные из стакана, но хотелось бы сделать такую эмуляцию, которую можно было бы легко использовать для других индексов. Поэтому в данном случае мы изначально жертвуем точностью данных.

Для наглядности, сравним графики базового актива QQQ, QQQ с реинвестированием дивидендов (с учетом налога в 13%) и образца TQQQ:

Источник

Adjusted Closing Price

What Is the Adjusted Closing Price?

The adjusted closing price amends a stock’s closing price to reflect that stock’s value after accounting for any corporate actions. It is often used when examining historical returns or doing a detailed analysis of past performance.

Key Takeaways

Understanding the Adjusted Closing Price

Stock values are stated in terms of the closing price and the adjusted closing price. The closing price is the raw price, which is just the cash value of the last transacted price before the market closes. The adjusted closing price factors in anything that might affect the stock price after the market closes.

A stock’s price is typically affected by supply and demand of market participants. However, some corporate actions, such as stock splits, dividends, and rights offerings, affect a stock’s price. Adjustments allow investors to obtain an accurate record of the stock’s performance. Investors should understand how corporate actions are accounted for in a stock’s adjusted closing price. It is especially useful when examining historical returns because it gives analysts an accurate representation of the firm’s equity value.

Types of Adjustments

Adjusting Prices for Stock Splits

A stock split is a corporate action intended to make the firm’s shares more affordable for average investors. A stock split does not change a company’s total market capitalization, but it does affect the company’s stock price.

Adjusting for Dividends

Common distributions that affect a stock’s price include cash dividends and stock dividends. The difference between cash dividends and stock dividends is that shareholders are entitled to a predetermined price per share and additional shares, respectively.

Adjusting for Rights Offerings

A stock’s adjusted closing price also reflects rights offerings that may occur. A rights offering is an issue of rights given to existing shareholders, which entitles the shareholders to subscribe to the rights issue in proportion to their shares. That will lower the value of existing shares because supply increases have a dilutive effect on the existing shares.

Benefits of the Adjusted Closing Price

The main advantage of adjusted closing prices is that they make it easier to evaluate stock performance. Firstly, the adjusted closing price helps investors understand how much they would have made by investing in a given asset. Most obviously, a 2-for-1 stock split does not cause investors to lose half their money. Since successful stocks often split repeatedly, graphs of their performance would be hard to interpret without adjusted closing prices.

Secondly, the adjusted closing price allows investors to compare the performance of two or more assets. Aside from the clear issues with stock splits, failing to account for dividends tends to understate the profitability of value stocks and dividend growth stocks. Using the adjusted closing price is also essential when comparing the returns of different asset classes over the long term. For example, the prices of high-yield bonds tend to fall in the long run. That does not mean these bonds are necessarily poor investments. Their high yields offset the losses and more, which can be seen by looking at the adjusted closing prices of high-yield bond funds.

The adjusted closing price provides the most accurate record of returns for long-term investors looking to design asset allocations.

Criticism of the Adjusted Closing Price

By looking at the actual closing price at the time, investors can get a better idea of what was going on and understand contemporary accounts. If investors look at historical records, they will find many examples of tremendous public interest in nominal levels. Perhaps the most famous is the role that Dow 1,000 played in the 1966 to 1982 secular bear market. During that period, the Dow Jones Industrial Average (DJIA) repeatedly hit 1,000, only to fall back shortly after that. The breakout finally took place in 1982, and the Dow never dropped below 1,000 again.   This phenomenon is covered up somewhat by adding dividends to obtain the adjusted closing prices.

Источник

Adjusted Close and Close. What’s The Difference?

End-of-day data for stocks has, among others, two values that shouldn’t be confused with each other: close and adjusted close. This article will explain the difference between the two and the need to have both of these.

The close (of the OHLC, open-high-low-close) is more or less straightforward: the closing price of a stock that was registered at the end of the period. And for end of day data, it’s the trading day. It’s a raw value, and it shows just how much raw cash a stock cost at the end of the day. It does just that: tells how much a stock cost at a given date.

This value, though, cannot be used to compare all the prices of a stock to during its entire lifetime directly to each other – because, during the lifetime, there most certainly have been corporate actions that affected the price of the stock. Two primaries of those are splits and dividends. To compare stock prices during the stock’s lifetime, prices need to be adjusted to get the value of adjusted close – retroactively. This means prices get adjusted back in time from the date when an affecting event occurred.

Split Adjustments Explained

In the following example for AAPL (Apple Inc) we see that there was a split 1:7 in June 2014. The difference between OHLC data is around 7 while adjusted closes are smooth:

AAPL (Apple Inc) Stock Split 1:7 in June 2014.

Dividend Adjustments Explained

Usually closes and adjusted closes are equal to each other before the first ex-dividend date. At this point we should take the dividend payment into the account:

Eodhistoricaldata.com adjusts its data for both splits and dividends, and we use the Chicago Booth algorithm to do that as the most proven algorithm in the industry.

Important note. When we do adjustments, we keep 4 decimal places. Some other data providers only keep 2, and it leads to discrepancies in data. Those will be small in the short history, but in the long run, the difference will be larger when comparing the company’s older data that we have to older data of other providers. Basically, keeping 4 decimal places means our data is more precise.

Источник

Машинное обучение: прогнозируем цены акций на фондовом рынке

Как с помощью нейронных сетей предсказывать цены акций на фондовой бирже ― рассказываем в а даптированной статье инженера Кембриджского университета Вивека Паланиаппана.

Коммерческий автор и переводчик

Машинное и глубокое обучение стали новой эффективной стратегией, которую для увеличения доходов используют многие инвестиционные фонды. В статье я объясню, как нейронные сети помогают спрогнозировать ситуацию на фондовом рынке — например, цену на акции (или индекс). В основе текста мой проект, написанный на языке Python. Полный код и гайд по программе можно найти на GitHub. Другие статьи по теме читайте в блоге на Medium.

От редакции. Статья не для новичков. Чтобы применить модель, нужно знать основы Python, теорию вероятности, статистику и моделирование данных. Необходимые знания можно получить на онлайн-курсе «Data Scientist» в Нетологии.

Нейронные сети в экономике

Изменения в сфере финансов происходят нелинейно, и иногда может показаться, что цены на акции формируются совершенно случайным образом. Традиционные методы временных рядов, такие как модели ARIMA и GARCH, эффективны, когда ряд является стационарным — его основные свойства со временем не изменяются. А для этого требуется, чтобы ряд был предварительно обработан с помощью log returns или приведён к стационарности по-другому. Однако главная проблема возникает при реализации этих моделей в реальной торговой системе, так как при добавлении новых данных стационарность не гарантируется.

Решением такой проблемы могут быть нейронные сети, которые не требуют стационарности. Нейронные сети изначально очень эффективны в поиске связей между данными и способны на их основе прогнозировать (или классифицировать) новые данные.

Обычно проект Data Science состоит из следующих операций:

Сбор данных — обеспечивает набор необходимых свойств.

Предварительная обработка данных — часто пугающий, но необходимый шаг перед использованием данных.

Разработка и реализация модели — выбор типа нейронной сети и её параметров.

Модели бэктестинга (тестирование на исторических данных) — ключевой шаг любой торговой стратегии.

Оптимизация — поиск подходящих параметров.

Входные данные для нашей нейронной сети — данные о ценах на акции за последние 10 дней. С их помощью мы спрогнозируем цены на следующий день.

Сбор данных

К счастью, необходимые для этого проекта данные можно найти на Yahoo Finance. Данные можно собрать, используя их Python API pdr.get_yahoo_data(ticker, start_date, end_date или напрямую с сайта.

Предварительная обработка данных

В нашем случае данные нужно разбить на обучающие наборы, состоящие из десяти прошлых цен и цены следующего дня. Для этого я определил класс Preprocessing, который будет работать с обучающими и тестовыми данными.

Внутри класса я определил метод get_train(self, seq_len), который преобразовывает обучающие входные и выходные данные в NumPy массивы, задавая определённую длину окна (в нашем случае 10). Весь код выглядит так:

Аналогично я определил метод, который преобразовывает тестовые данные X_test и Y_test.

Источник