Jak Python pomaga zarabiać na giełdzie bez magii ani informacji poufnych

Wielu programistów przynajmniej raz pomyślało o wykorzystaniu swoich umiejętności programistycznych w handlu algorytmicznym. Wydaje się, że wystarczy napisać skrypt kupujący nisko i sprzedający wysoko, a życie jest ustawione. W rzeczywistości wszystko napotyka ogromną barierę wejścia: trzeba rozumieć finanse, umieć pracować z szeregami czasowymi i wiedzieć, jak nie stracić depozytu przy pierwszym błędzie logicznym. Projekt whale-quant społeczności Datawhale właśnie próbuje złożyć ten rozproszony puzzle w jedną jasną mapę drogową.

Zespół zdołał stworzyć nie tylko bibliotekę, ale pełnowartościowy interaktywny podręcznik do Finansów Ilościowych (Quant Finance). Fundamentem są notatniki Jupyter, gdzie teoria znajduje się tuż obok kodu Python.

Co zawiera to repozytorium

To jest open-source'owy kurs, który prowadzi cię za rękę od podstaw inwestowania do budowania strategii opartych na uczeniu maszynowym. Autorzy podzielili treść na logiczne bloki, które adresują główne bolączki początkującego w handlu algorytmicznym.

Projekt jest obecnie w fazie alfa, ale fundament jest już imponujący. Cała podróż podzielona jest na osiem rozdziałów. Najpierw przedstawiają podstawy rynków finansowych, następnie uczą jak pobierać dane (bez tego nie da się ruszyć w pracy kwantowej), a potem przechodzą do najciekawszej części: strategii doboru akcji i timing wchodzenia w transakcje.

Jak projekt jest przydatny dla praktykującego programisty

Główna wartość nie tkwi tu w samym kodzie, ale w metodologii. Zamiast googlować "jak pobrać notowania akcji", otwierasz rozdział trzeci i patrzysz na gotowy pipeline.

Oto kilka rzeczy, które mi się spodobały:

Strategie doboru akcji. Rozdział czwarty obejmuje algorytmy, według których robot decyduje, które konkretne papiery wartościowe warto trzymać w portfelu.
Timing transakcji. Jedno to znaleźć dobrą firmę, a co innego wiedzieć, kiedy nadszedł czas na zakup. Rozdział piąty przedstawia matematyczne podejścia do wyznaczania punktów wejścia.
Backtesting. To krytyczny etap. Rozdział siódmy wyjaśnia, jak testować swoje pomysły na danych historycznych, zanim zaryzykujesz prawdziwe pieniądze.

Ciekawe jest to, że projekt wykorzystuje docsify do generowania dokumentacji. Pozwala to czytać podręcznik jak zwykłą stronę internetową, ale jeśli chcesz, możesz przekierować wszystko do lokalnego Jupytera i eksperymentować z parametrami bezpośrednio w kodzie.

Stos technologiczny i niuanse

Pod maską jest dość standardowo dla Pythona w Data Science:

Python 3.9 (autorzy podkreślają, że zależności mogą się popsuć na innych wersjach, typowa historia dla oprogramowania naukowego).
Jupyter Notebook jako główne środowisko programistyczne.
Standardowy zestaw bibliotek do analizy danych (Pandas, Numpy i specyficzne pakiety finansowe).

Aby uruchomić dokumentację lokalnie, potrzebujesz docsify-cli, ale możesz po prostu otworzyć folder notebook w VS Code lub PyCharm i zacząć grzebać w kodzie źródłowym. Cały proces tworzenia treści w projekcie jest zautomatyzowany: autorzy piszą w notatnikach, konwertują do Markdown i pushują do docs. To dobry przykład, jak utrzymywać materiały edukacyjne aktualne.

Jak to można zastosować

Powiedzmy, że masz hipotezę, że akcje firm technologicznych zachowują się w określony sposób po publikacji wiadomości o AI. Z whale-quant możesz:

Skonfigurować zbieranie danych z otwartych źródeł.
Napisać logikę doboru firm.
Uruchomić strategię przez backtest i sprawdzić krzywą zwrotu.

Przy okazji, rozdział ósmy porusza temat uczenia maszynowego w tradingu. Obejmuje to stosowanie modeli ML do prognozowania cen, co obecnie jest niemal standardem w dużych funduszach hedgingowych.

Kto powinien zajrzeć do repozytorium

Projekt zdecydowanie nie jest dla szukających przycisku "duże pieniądze". To bardziej akademickie, ale bardzo praktyczne podejście do finansów. Jeśli dobrze znasz Pythona, ale słabo orientujesz się w takich pojęciach jak "rebalansing portfela" czy "modele czynnikowe", whale-quant pomoże uzupełnić te braki.

Z drugiej strony, projekt jest w języku chińskim (choć kod i komentarze w nim są dość czytelne dla programisty). Jeśli nie przeszkadzają ci hieroglify w README i wiesz, jak używać translatora w przeglądarce, treść w środku jest więcej niż warta. Dla tych, którzy chcą zrozumieć handel ilościowy i nie wiedzą, od czego zacząć, to jedna z najbardziej ustrukturyzowanych kolekcji materiałów na GitHubie.

Jedyną wadą jest to, że projekt jest wciąż w "alfie", więc niektóre przykłady mogą wymagać dopasowania, aby pasowały do konkretnych API dostawców danych. Ale do nauki to bardziej plus: szybciej popełniasz błędy.

Od czego zacząć? Sklonuj repozytorium, zainstaluj zależności z requirements.txt i wskocz prosto do folderu notebook. Tam jest esencja.