-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathdouble_carry_bkp.py
333 lines (242 loc) · 10.6 KB
/
double_carry_bkp.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
# -*- coding: utf-8 -*-
"""
Created on Fri May 19 14:29:19 2023
@author: ludmilla.tsurumaki
"""
###################################AAAAAAAAAAAAAAAAAAA
from pandas.tseries.offsets import BDay
from datetime import date, timedelta
import matplotlib.pyplot as plt
import talib
import pandas as pd
import numpy as np
import vectorbt as vbt
from o3package import *
#import pdblp as bbg
df_ativo_final = pd.DataFrame()
df_pais_final = pd.DataFrame()
df_total_final = pd.DataFrame()
df_resumo_final = pd.DataFrame()
df_final = pd.DataFrame()
PAISES = ['BRL', 'MEX', 'CNH', 'AUD', 'EUR', 'ZAR']
# Lista de janelas (meses) para cálculo do momentum.
JANELAS = [16]
# Janela (meses) para vol de ajuste de posições.
JANELA_VOL = 4
today = date.today()
start = today - BDay(252*20)
start = date(2010, 1, 1)
end = date.today()-BDay(1)
start = start.strftime('%Y%m%d')
end = end.strftime('%Y%m%d')
px = pd.read_excel('series_term_all_data.xlsx', parse_dates=['date'])
px['date'] = px['date'].dt.strftime('%Y-%m-%d')
px.set_index('date', inplace=True)
px.sort_index(inplace=True)
px.fillna(method='ffill', inplace=True)
# Dicionários para tickers e ativos.
dic_tickers = pd.read_excel('tickers_double_carry.xlsx')
dic_tickers['ticker_tipo'] = dic_tickers['ticker'] + '_' + dic_tickers['tipo']
dic_tickers = dic_tickers[dic_tickers['pais'].isin(PAISES)]
juros = dic_tickers[dic_tickers['tipo'] == 'juros']
juros = dict(zip(juros.pais, juros.ticker))
bolsas = dic_tickers[dic_tickers['tipo'] == 'bolsa']
bolsas = dict(zip(bolsas.pais, bolsas.ticker))
moedas = dic_tickers[dic_tickers['tipo'] == 'moeda']
moedas = dict(zip(moedas.pais, moedas.ticker))
# Dicionário para ajuste das notações das moedas.
inverter = dic_tickers[dic_tickers['inv'] == 's']
inverter = list(inverter['ticker'])
data_complete = px[list(dic_tickers['ticker'])]
data_complete.dropna(inplace=True)
# ----------------------------------- MOMENTUM --------------------------------
# Cálculo do momentum dos juros em cada país e en cada janela.
for i in juros:
for j in JANELAS:
data_complete['mom_' + i + '_' +
str(j)] = talib.MOM(data_complete[juros[i]], timeperiod=21 * j)
data_closes = pd.DataFrame()
for i in juros:
for j in JANELAS:
df = data_complete[[bolsas[i], moedas[i]]]
if moedas[i] in inverter:
# Ajuste das notações das moedas.
df[moedas[i]] = 1/df[moedas[i]]
else:
pass
df.rename(columns={bolsas[i]: bolsas[i]+str(j),
moedas[i]: moedas[i]+str(j)}, inplace=True)
data_closes = pd.concat([data_closes, df], axis=1)
# Ajuste do momentum para considerar a entrada no primeiro trade.
data_complete = data_complete.filter(regex='mom_')
data_ajuste = data_complete[data_complete.isnull().any(axis=1)]
data_ajuste = data_ajuste.index[-1]
data_complete = data_complete[data_ajuste:].fillna(0)
data_complete2 = data_complete.head(2)
data_complete2 = (data_complete2 - data_complete2.shift(-1)).dropna()
row_list = data_complete2.loc[data_ajuste, :].values.flatten().tolist()
data_complete.at[data_ajuste, data_complete.columns] = row_list
data_closes = data_closes[data_complete.dropna().index.values.min():]
# ---------------------------------- SINAIS -----------------------------------
# Criação dos sinais de entrada/saída.
# Sinais baseados na mudança de sinais do momentum.
l_entries_df = pd.DataFrame()
l_exits_df = pd.DataFrame()
s_entries_df = pd.DataFrame()
s_exits_df = pd.DataFrame()
for j in juros:
for i in JANELAS:
# Short:
# Se o mom cross above 0: short_entry bolsa, short_entry moeda.
s_entries = data_complete['mom_' + j +
'_' + str(i)].vbt.crossed_above(0)
# Se o mom cross below 0: short_exit bolsa, short_exit moeda.
s_exits = data_complete['mom_' + j + '_' + str(i)].vbt.crossed_below(0)
# Long:
# Se o mom cross above 0: long_entry bolsa, long_entry moeda.
l_entries = data_complete['mom_' + j +
'_' + str(i)].vbt.crossed_below(0)
# Se o mom cross below 0: long_exit bolsa, long_exit moeda
# Note que tem que inverter a ordem das arrays.
l_exits = data_complete['mom_' + j + '_' + str(i)].vbt.crossed_above(0)
# Alinhando todos os DFs para os mesmos indices.
entries_long_df = pd.DataFrame().reindex_like(
data_closes[[bolsas[j] + str(i), moedas[j] + str(i)]])
exits_long_df = pd.DataFrame().reindex_like(
data_closes[[bolsas[j] + str(i), moedas[j] + str(i)]])
entries_short_df = pd.DataFrame().reindex_like(
data_closes[[bolsas[j] + str(i), moedas[j] + str(i)]])
exits_short_df = pd.DataFrame().reindex_like(
data_closes[[bolsas[j] + str(i), moedas[j] + str(i)]])
# Longs
entries_long_df[moedas[j] + str(i)] = l_entries
entries_long_df[bolsas[j] + str(i)] = l_entries
exits_long_df[moedas[j] + str(i)] = l_exits
exits_long_df[bolsas[j] + str(i)] = l_exits
# Shorts
entries_short_df[moedas[j] + str(i)] = s_entries
entries_short_df[bolsas[j] + str(i)] = s_entries
exits_short_df[moedas[j] + str(i)] = s_exits
exits_short_df[bolsas[j] + str(i)] = s_exits
l_entries_df = pd.concat([l_entries_df, entries_long_df], axis=1)
l_exits_df = pd.concat([l_exits_df, exits_long_df], axis=1)
s_entries_df = pd.concat([s_entries_df, entries_short_df], axis=1)
s_exits_df = pd.concat([s_exits_df, exits_short_df], axis=1)
data_closes = data_closes[l_entries_df.columns]
# --------------------------------- PORTFOLIO ---------------------------------
# Lista para facilitar identificação dos ativos.
lista_group = []
# Lista para ajustar colunas dos DFs de entradas/saídas.
lista_pos = []
for j in juros:
for i in JANELAS:
lista_pos.append(bolsas[j] + str(i))
lista_group.append('bolsa_' + j)
for i in JANELAS:
lista_pos.append(moedas[j] + str(i))
lista_group.append('moeda_' + j)
# Colocando DFs com colunas nas mesmas ordens.
data_closes = data_closes[lista_pos]
l_entries_df = l_entries_df[lista_pos]
l_exits_df = l_exits_df[lista_pos]
s_entries_df = s_entries_df[lista_pos]
s_exits_df = s_exits_df[lista_pos]
pf3 = vbt.Portfolio.from_signals(data_closes,
entries=l_entries_df,
exits=l_exits_df,
short_entries=s_entries_df,
short_exits=s_exits_df,
init_cash=1000,
cash_sharing=False,
group_by=lista_group,
freq='d',
log=True)
# ----------------------------------- PESOS -----------------------------------
serie_ret = pf3.returns()
serie_ret = serie_ret[~(serie_ret == 0).all(axis=1)]
# Ajustes dos nomes _bolsa e _moeda.
dic_tickers['value'] = dic_tickers['tipo'] + '_' + dic_tickers['pais']
dic_tickers2 = dic_tickers[dic_tickers['tipo'].isin(['bolsa', 'moeda'])]
dic_tickers2 = dict(zip(dic_tickers2.ticker, dic_tickers2.value))
px2 = px[dic_tickers2]
px2 = px2.rename(columns=dic_tickers2)
# Pesos = inverse vol.
vol = px2.pct_change().dropna().rolling(
21 * JANELA_VOL).std() * np.sqrt(252) * 100
inv_vol = 1/vol
w_bolsa_moeda = inv_vol.shift(1).dropna()
w_bolsa_moeda = w_bolsa_moeda.reindex_like(serie_ret).dropna()
# Retornos ponderados e acumulados (bolsa e moeda de cada país).
port = w_bolsa_moeda * serie_ret
port_ativo_pais = port.add(1).cumprod() - 1
# Retornos ponderados e acumulados (agregado de cada país).
port_pais = port.copy()
for i in PAISES:
port_pais[i] = port_pais[[
col for col in port_pais.columns if col.endswith('_' + i)]].sum(axis=1)
port_pais = port_pais[PAISES]
port_pais_acum = port_pais.add(1).cumprod() - 1
# Retornos ponderados e acumulados (agregado total).
# Equal weighted por país (1/#paises).
vol_pais = port_pais.rolling(21*JANELA_VOL).std().dropna()
w_pais = pd.DataFrame().reindex_like(vol_pais)
w_pais[w_pais.columns] = 1/len(w_pais.columns)
port_total = port_pais.copy()
port_total = port_total * w_pais
port_total = pd.DataFrame(port_total.sum(axis=1), columns=['port_total'])
port_total_acum = port_total.add(1).cumprod() - 1
# Métricas de risco.
vol1 = port.std() * np.sqrt(252)
ret1 = port.apply(lambda x: np.prod(1 + x) - 1).add(1).pow(252/len(port)) - 1
sharpe1 = ret1/vol1
vol2 = port_pais.std() * np.sqrt(252)
ret2 = port_pais.apply(lambda x: np.prod(
1 + x) - 1).add(1).pow(252/len(port_pais)) - 1
sharpe2 = ret2/vol2
vol3 = port_total.std() * np.sqrt(252)
ret3 = port_total.apply(lambda x: np.prod(
1 + x) - 1).add(1).pow(252/len(port_total)) - 1
sharpe3 = ret3/vol3
vol_final = vol1.append([vol2, vol3])
# Ajuste DF
vol_final = vol1.append([vol2, vol3])
ret_final = ret1.append([ret2, ret3])
sharpe_final = sharpe1.append([sharpe2, sharpe3])
resumo = [vol_final, ret_final, sharpe_final]
resumo = pd.DataFrame(resumo).T
resumo.rename(columns={0: 'vol', 1: 'ret', 2: 'sharpe'}, inplace=True)
resumo.reset_index(inplace=True)
resumo['janela'] = JANELAS[0]
port_ativo_pais['tipo'] = 'ret_acum'
w_bolsa_moeda['tipo'] = 'weight'
port_ativo_pais = pd.concat([port_ativo_pais, w_bolsa_moeda])
vol_pais['tipo'] = 'vol'
port_pais_acum['tipo'] = 'ret_acum'
port_pais_acum = pd.concat([vol_pais, port_pais_acum])
# Criação do DF com as posicões na ponta.
ajuste_tickers = dict(zip(dic_tickers.value, dic_tickers.ticker))
positions = w_bolsa_moeda.drop(columns='tipo').tail(1).T
positions.reset_index(inplace=True)
positions['vol'] = vol3[0]
positions['sharpe'] = sharpe3[0]
positions.columns = ['prod', 'weight', 'vol', 'sharpe']
positions['ticker'] = positions['prod'].map(ajuste_tickers)
positions = positions[['prod', 'ticker', 'weight', 'vol', 'sharpe']]
positions['weight'] = positions['weight']/len(w_pais.columns)
pos_vbt = pf3.positions
pos_vbt = pos_vbt.records_readable
pos_vbt = pos_vbt[pos_vbt['Status'] == 'Open']
pos_vbt = pos_vbt[['Column', 'Direction']]
pos_vbt['Column'] = pos_vbt['Column'].str.replace(str(JANELAS[0]), '')
pos_vbt.columns = ['ticker', 'direction']
positions_final = positions.merge(pos_vbt)
positions_final['weight'] = np.where(
positions_final['direction'] == 'Short', -positions_final['weight'], positions_final['weight'])
positions_final.drop(columns='direction', inplace=True)
resumo['date'] = today
positions_final['date'] = today
resumo = resumo[['date', 'index', 'vol', 'ret', 'sharpe', 'janela']]
positions_final = positions_final[[
'date', 'prod', 'ticker', 'weight', 'vol', 'sharpe']]
positions_final.to_excel('pos_teste.xlsx')
resumo.to_excel('res_teste.xlsx')