Diskussion zum Artikel "Quantitative Strategien mit niedriger Handelsfrequenz in MetaTrader 5: (Teil 1) Einrichtung eines OLAP-geeigneten Datenspeichers"

Neuer Kommentar
 

Neuer Artikel Quantitative Strategien mit niedriger Handelsfrequenz in MetaTrader 5: (Teil 1) Einrichtung eines OLAP-geeigneten Datenspeichers :

Der Artikel skizziert eine praktische Datenpipeline für die quantitative Analyse auf der Grundlage von Parquet-Speicherung, Hive-artigen Partitionen und DuckDB. Er beschreibt die Migration ausgewählter SQLite-Tabellen nach Parquet, die Strukturierung von Marktdaten nach Quelle, Symbol, Zeitrahmen und Datum sowie deren Abfrage mit SQL-Fensterfunktionen. Das Beispiel eines Goldenen Kreuzes veranschaulicht die symbolübergreifende Auswertung von künftigen Renditen. Begleitende Python-Skripte übernehmen den Datendownload, die Konvertierung und die Ausführung.

Wir haben gerade eine Artikelserie abgeschlossen, in der die grundlegenden Konzepte der statistischen Arbitrage für den durchschnittlichen Trader vorgestellt wurden, der nur mit einem gewöhnlichen Laptop, einer regulären Internetverbindung und begrenztem Kapital ausgestattet ist. Damit dies möglich ist, konzentrieren wir uns auf Mean-Reversion-Strategien mit niedriger Frequenz und gehen davon aus, dass der Hochfrequenzhandel (HFT) ein kapitalintensiver Bereich bleibt, der normalerweise institutionellen Akteuren vorbehalten ist. Wir gehen davon aus, dass es uns gelungen ist zu zeigen, dass Trader im quantitativen Handel mit niedriger Frequenz erfolgreich sein können, vorausgesetzt, sie verfügen über genügend Daten, da die erforderliche Rechenleistung bereits breit verfügbar ist. Genügend Daten bedeutet die erforderlichen Daten, um Nischenmöglichkeiten zu finden. Genügend Rechenleistung bedeutet Hardware und Software, die in der Lage sind, die Daten in der erforderlichen Zeit zu verarbeiten.

Im letzten Artikel dieser Serie haben wir die Verwendung einer spezialisierten Datenbank für die Datenanalyse vorgeschlagen, eine freie Open-Source-Datenbank, die zusammen mit SQLite in unserer Pipeline verwendet werden soll. Die Hauptidee hinter diesem Vorschlag ist, dass bei der Entwicklung und dem Wachstum unseres Datensatzes ein Online-Transaktionsverarbeitungssystem (OLTP) wie SQLite nicht das beste Werkzeug für Datenanalysezwecke ist, wie es vielleicht der Fall war, als es nur die Anwendung der einführenden Konzepte demonstrierte. Mit anderen Worten: Während wir uns auf ein echtes Handelssystem zubewegen, benötigen wir ein dediziertes Datenanalyse-Tool, wobei das erste und wohl relevanteste eine spezialisierte OLAP-Datenbank ist.

Nun, in dieser neuen Serie, die Sie als ein neues Kapitel derselben Geschichte betrachten können, ist es an der Zeit, mit der Implementierung dieses OLAP-freundlichen Datenanalysesystems zu beginnen. Wenn Sie jedoch dieser Serie gefolgt sind, die Tools ausgeführt und mit den bereitgestellten Skripten und statistischen Methoden experimentiert haben, haben Sie möglicherweise bereits viele Daten in Ihrer SQLite-Datenbank gespeichert, und einige dieser Daten könnten die Ergebnisse früherer Datenanalysen sein, wie die Ausgaben von Kointegrationstests und Bewertungssystemen. Möglicherweise möchten Sie den Teil dieser Daten bewahren, der migriert oder in das neue System konvertiert werden muss. Aber selbst wenn Sie diese Daten für irrelevant halten, könnten Sie zu einem späteren Zeitpunkt mit der Notwendigkeit konfrontiert werden, Daten aus anderen Datenbanksystemen (Postgres, MySQL usw.) einschließlich SQLite zu importieren. Unsere erste Aufgabe in diesem neuen Kapitel ist es also, zu zeigen, wie schnell und unkompliziert diese Migration sein kann.


Autor: Jocimar Lopes

Neuer Kommentar