Hoe Python je helpt geld te verdienen op de beurs zonder magie of insider tips

Veel ontwikkelaars hebben minstens één keer nagedacht over het inzetten van hun programmeervaardigheden voor algoritmisch handelen. Het lijkt alsof je alleen maar een script hoeft te schrijven dat laag koopt en hoog verkoopt, en het leven is geregeld. In werkelijkheid kom je overal een enorme toegangsdrempel tegen: je moet financiën begrijpen, kunnen werken met tijdreeksen, en weten hoe je je storting niet verliest door de eerste de beste logische fout. Het whale-quant project van de Datawhale-gemeenschap probeert precies dit verspreide puzzelstukje samen te brengen in één duidelijke roadmap.

Het team slaagde erin om niet alleen een bibliotheek te creëren, maar een volwaardig interactief leerboek over Kwantitatieve Financiën (Quant Finance). De basis wordt gevormd door Jupyter notebooks, waar theorie direct naast Python-code staat.

Wat zit er in deze repository

Dit is een open-source cursus die je meeneemt van de basisprincipes van beleggen naar het bouwen van op machine learning gebaseerde strategieën. De auteurs verdeelden de inhoud in logische blokken die de belangrijkste pijnpunten van een beginner in algoritmisch handelen aanpakken.

Het project bevindt zich momenteel in alphatesting, maar de basis is nu al indrukwekkend. De volledige reis is opgedeeld in acht hoofdstukken. Eerst krijg je de basis van financiële markten, dan leer je hoe je gegevens ophaalt (zonder dit kom je nergens in kwantitatief werk), en daarna ga je naar het meest interessante deel: aandelenselectiestrategieën en timing van handelsinstappunten.

Hoe het project een praktiserende ontwikkelaar ten goede komt

De hoofdwaarde zit hier niet zozeer in de code zelf, maar in de methodologie. In plaats van te googelen "hoe aandelenkoersen downloaden", open je hoofdstuk drie en bekijk je een kant-en-klare pipeline.

Hier zijn een paar dingen die ik leuk vond:

Aandelenselectiestrategieën. Hoofdstuk vier behandelt de algoritmes waarmee een robot beslist welke specifieke effecten de moeite waard zijn om in een portfolio te houden.
Timing van trades. Het één is het vinden van een goed bedrijf, iets anders is begrijpen wanneer het tijd is om te kopen. Hoofdstuk vijf beschrijft wiskundige benaderingen voor het bepalen van instappunten.
Backtesting. Dit is een kritieke fase. Hoofdstuk zeven legt uit hoe je je ideeën kunt testen op historische gegevens voordat je echt geld riskeert.

Interessant is dat het project docsify gebruikt voor documentatiegeneratie. Dit stelt je in staat om het leerboek als een gewone website te lezen, maar als je wilt, kun je alles routeren naar een lokale Jupyter en direct met parameters in de code experimenteren.

Technische stack en nuances

Onder de motorkap is het vrij standaard voor Python Data Science:

Python 3.9 (de auteurs benadrukken dat afhankelijkheden mogelijk breken op andere versies, een typisch verhaal voor wetenschappelijke software).
Jupyter Notebook als de belangrijkste ontwikkelomgeving.
Standaardset van bibliotheken voor data-analyse (Pandas, Numpy en specifieke financiële packages).

Om de documentatie lokaal uit te voeren, heb je docsify-cli nodig, maar je kunt gewoon de notebook folder in VS Code of PyCharm openen en in de broncode duiken. Het hele content schrijfproces in het project is geautomatiseerd: auteurs schrijven in notebooks, converteren naar Markdown en pushen naar docs. Dit is een goed voorbeeld van hoe je educatief materiaal actueel houdt.

Hoe dit toegepast kan worden

Stel dat je een hypothese hebt dat tech-aandelen zich op een bepaalde manier gedragen na AI-nieuwsberichten. Met whale-quant kun je:

Dataverzameling uit open bronnen opzetten.
Bedrijfsselectielogica schrijven.
De strategie door een backtest halen en naar de rendementcurve kijken.

Trouwens, hoofdstuk acht raakt ook het onderwerp machine learning in trading. Het behandelt hoe je ML-modellen voor prijsvoorspelling kunt toepassen, wat momenteel vrijwel standaard is bij grote hedgefondsen.

Wie zou de repository moeten bekijken

Het project is zeker niet voor degenen die op zoek zijn naar een "geldknop". Het is eerder een academische, maar zeer praktische benadering van financiën. Als je sterk bent in Python maar onzeker over termen zoals "portefeuillerebalancing" of "factormodellen", zal whale-quant helpen deze hiaten te dichten.

Anderzijds is het project in het Chinees (hoewel de code en comments erin vrij leesbaar zijn voor een programmeur). Als je niet wordt afgeschrikt door hiërogliefen in de README en weet hoe je een browservertaler moet gebruiken, is de inhoud binnenin meer dan de moeite waard. Voor degenen die kwantitatief handelen willen begrijpen en niet weten waar te beginnen, is dit één van de meest gestructureerde verzamelingen materiaal op GitHub.

Het enige nadeel is dat het project nog in "alpha" zit, dus sommige voorbeelden kunnen wat aanpassing vereisen voor specifieke data-provider-API's. Maar voor het leren is dit eerder een voordeel: je maakt sneller fouten.

Waar te beginnen? Clone de repository, installeer afhankelijkheden van requirements.txt, en duik direct in de notebook folder. Daar zit de essentie.