트레이딩 전략 파이썬

Python 알고리즘 트레이딩 라이브러리.
PyAlgoTrade는 백 트레이싱과 종이 트레이딩 및 라이브 트레이딩을 지원하는 Python Algorithmic Trading Library입니다. 거래 전략에 대한 아이디어가 있고이를 과거 데이터로 평가하고 그것이 어떻게 작동하는지보고 싶다고합시다. PyAlgoTrade는 최소한의 노력으로 그렇게 할 수 있습니다.
주요 특징.
완전히 문서화 됨. 이벤트 중심. Market, Limit, Stop 및 StopLimit 주문을 지원합니다. 야후! 지원 금융, Google Finance 및 NinjaTrader CSV 파일 CSV 형식으로 모든 유형의 시계열 데이터를 지원합니다 (예 : Quandl). Bitstamp를 통한 Bitcoin 거래 지원. 기술 지표 및 SMA, WMA, EMA, RSI, Bollinger Bands, Hurst 지수 및 기타 필터. 샤프 비율 및 인출 분석과 같은 성능 메트릭 실시간 트위터 이벤트 처리. 이벤트 프로파일 러. TA-Lib 통합.
수평 적으로 확장하기 쉽습니다. 즉, 전략을 백 테스트하기 위해 하나 이상의 컴퓨터를 사용합니다.
PyAlgoTrade는 무료 오픈 소스이며 Apache License, Version 2.0에 따라 라이센스가 부여됩니다.

QuantStart.
빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.
퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.
Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.
Frank Smietana, 2017 년 7 월 18 일
이 기사에서는 QuantStart의 전문 게스트 기고가 중 한 명인 Frank Smietana가 Python 오픈 소스 백 테스팅 소프트웨어 환경을 설명하고 자신의 프로젝트 요구에 적합한 백 테스팅 프레임 워크에 대한 조언을 제공합니다.
Backtesting은 STS (Systematic Trading Strategy) 프로덕션 프로세스에서 전략 개발과 배포 (라이브 거래) 사이에 가장 중요한 역할을합니다. 전략에 결함이있는 경우 철저한 백 테스팅을 통해이 사실을 알릴 수 있기 때문에 손실 전략이 배포되는 것을 방지 할 수 있습니다.
트레이딩 시뮬레이션 및 라이브 거래를 비롯한 여러 관련 기능이 백 테스트와 겹칩니다. 백 테스트는 기록 데이터를 사용하여 STS 성능을 계량합니다. 트레이딩 시뮬레이터는 거래의 트리거링과 가격대 성능을 가시화함으로써 한 걸음 더 나아가서 백 테스팅을 수행합니다. 시뮬레이트 / 라이브 거래는 테스트 된 STS를 실시간으로 배포합니다. 즉, 거래 신호, 주문 생성, 브로커에게 주문 라우팅, 주문 실행과 함께 위치 유지 등이 있습니다.
대부분의 프레임 워크는 일부 실시간 거래 기능을 포함하여 백 테스팅을 뛰어 넘습니다. 선호하는 브로커 및 데이터 소스와 함께 작동하는 백 테스팅 프레임 워크에서 배포하려는 경우 편리합니다. Quantopian / Zipline은 한 단계 더 나아가 완벽하게 통합 된 개발, 백 테스팅 및 배포 솔루션을 제공합니다.
파이썬 커뮤니티는 6 개 이상의 오픈 소스 백 테스팅 프레임 워크를 사용할 수있어 잘 지원됩니다. 그러나 그들은 개발 및 문서화의 다양한 단계에 있습니다. 오픈 소스 백 테스팅 프레임 워크를 구축하는 팀에서 일하는 것을 즐긴다면 Github repos를 확인하십시오.
백 테스팅 프레임 워크를 평가하기 전에 STS의 요구 사항을 정의하는 것이 좋습니다.
어떤 종류의 자산을 거래하고 있습니까? 대부분의 프레임 워크가 YahooFinance를 통해 미국 주식 데이터를 지원하지만 전략에 파생 상품, ETF 또는 EM 증권이 포함되어 있으면 프레임 워크에서 데이터를 가져 오거나 제공해야합니다. 자산 클래스 범위는 데이터를 뛰어 넘습니다. 프레임 워크가 유한 길이의 미래 및 옵션을 처리하고 롤오버 거래를 자동으로 생성 할 수 있습니까? 비 유동성 시장은 대량 주문을 할 때 얼마나 현실적인 가정을해야합니까?
STS가 구축 한 데이터 빈도 및 세부 정보는 무엇입니까? 모든 틱이나 입찰 / 요청을 요구하는 거래 시스템은 5 분 또는 매시간 간격과는 매우 다른 데이터 관리 문제를 가지고 있습니다. 헤지 펀드 및 HFT 매장은 데이터 양과 빈도를 처리하기 위해 견고하고 확장 가능한 백 테스팅 프레임 워크를 구축하는 데 상당한 투자를했습니다. 일부 플랫폼은 S & P 주식과 같은 다양한 자산 클래스에 대해 1 분의 해결책으로 풍부하고 깊은 데이터 세트를 제공합니다.
STS는 어떤 주문 유형을 요구합니까? 최소, 한계, 정지 및 OCO가 프레임 워크에 의해 지원되어야합니다.
지원 수준 & amp; 필요한 서류. 초기 단계의 프레임 워크는 설명서가 부족하고 커뮤니티 보드 이외의 지원은 거의 없습니다.
Backtesting Framework의 구성 요소.
데이터 및 STS 수집 : 수집 구성 요소는 STS 스크립트 / 정의 파일을 사용하고 테스트에 필요한 데이터를 제공합니다. 프레임 워크가 backtesting 전에 어떤 STS를 다시 코딩해야한다면, 프레임 워크는 STS 테스트 속도를 높이기 위해 가장 유명한 기술 지표에 대한 준비된 기능을 지원해야합니다. 사용자는 프레임 워크에서 제공하는 항목 또는 가져올 수있는 항목을 기준으로 기간을 백 테스트 할 기간을 결정합니다.
성능 테스트는 STS 논리를 요청 된 기록 데이터 창에 적용하고 광범위한 위험 & amp; 최대 삭감, Sharpe & Sortino 비율을 포함한 성능 메트릭. 대부분의 모든 프레임 워크는 주식 곡선 및 deciled 통계를 포함하여 상당한 수의 시각화 기능을 지원합니다.
최적화는 STS 프로세스에서 컴퓨팅 자원의 상당 부분을 필요로하는 경향이 있습니다. STS에서 최적화가 필요한 경우 확장 가능한 분산 / 병렬 처리를 지원하는 프레임 워크에 중점을 둡니다.
기술 지표를 사용하여 개발 된 전략의 맥락에서 시스템 개발자는 각 지표에 대한 최적의 매개 변수 집합을 찾으려고 시도합니다. 가장 간단하게, 최적화는 6 일과 10 일 이동 평균 크로스 오버 STS가 1에서 20 사이의 다른 기간 조합보다 역사적인 테스트 데이터에서 더 많은 이익을 축적했음을 알 수 있습니다. 이미이 간단한 예제를 사용하면 20 * 20 = 400 매개 변수 조합이 계산 & amp; 순위.
포트폴리오 컨텍스트에서 최적화는 포트폴리오의 모든 자산에 대한 최적의 가중치 (단락 및 레버리지 된 수단 포함)를 찾으려고합니다. 주기적으로 포트폴리오가 재조정되어 최적화 된 가중치와 일치하도록 필요한 포트폴리오 보유 물의 매매가 이루어집니다.
위치 조정은 최적화의 추가 사용으로 시스템 개발자가 STS 및 포트폴리오 성능에 대한 레버리지 및 동적 위치 결정의 영향을 시뮬레이션 및 분석 할 수 있습니다.
파이썬에 대한 6 가지 백 테스팅 프레임 워크.
오픈 소스 Python 백 테스팅 플랫폼의 표준 기능에는 다음이 포함됩니다.
이벤트 주도 매우 유연하고 제한없는 라이센스 사전 정의 된 기술 지표의 적절한 수집 표준 성능 메트릭 계산 / 시각화 /보고 기능.
PyAlgoTrade.
PyAlgoTrade는 종이 및 라이브 거래 기능과 함께 완전하게 문서화 된 백 테스팅 프레임 워크입니다. 데이터 지원에는 Yahoo! Finance, Google Finance, NinjaTrader 및 Quandl과 같은 모든 유형의 CSV 기반 시계열. 지원되는 주문 유형에는 Market, Limit, Stop 및 StopLimit가 포함됩니다.
PyAlgoTrade는 Bitstamp를 통한 Bitcoin 거래 및 실시간 Twitter 이벤트 처리를 지원합니다.
bt - 파이썬 백 테스팅.
bt "는 복잡한 거래 전략의 신속한 개발을 촉진하기 위해 쉽게 테스트 할 수 있고, 재사용이 가능하며, 유연한 전략 논리 블록을 만드는 것을 목표로합니다."
이 프레임 워크는 특히 자산 가중치와 포트폴리오 재조정을위한 포트폴리오와 함께 포트폴리오 기반 STS를 테스트하는 데 적합합니다. 다른 시간 빈도 또는 대체 자산 가중치를 실행하는 전략을 수정하면 코드를 미세 조정할 수 있습니다. bt는 파이썬을위한 파이낸셜 함수 라이브러리 인 ffn 위에 구축되었습니다.
백 트레이더.
이 플랫폼은 블로그와 질문 및 기능 요청 게시를위한 활발한 온라인 커뮤니티와 함께 ​​매우 잘 문서화되어 있습니다. Backtrader는 CSV 파일, Pandas DataFrames, 블레이즈 반복기 및 세 브로커의 실시간 데이터 피드를 비롯한 다양한 데이터 형식을 지원합니다. 이러한 데이터 피드는 동시에 액세스 할 수 있으며 서로 다른 시간대를 나타낼 수도 있습니다. 지원되는 중개인은 FX 거래를위한 Oanda 및 대화 형 중개인 및 비주얼 차트를 통한 다중 자산 클래스 거래를 포함합니다.
pysystemtrade.
pysystemtrade 개발자 인 Rob Carver는 왜 또 다른 Python 백 테스팅 프레임 워크와 프레임 워크 개발에 대한 논쟁을 만들어 내기 시작했는지 토론하는 훌륭한 글을 가지고 있습니다. pysystemtrade에 대한 백 테스팅 프레임 워크는 Rob의 책 "Systematic Trading"에서 논의됩니다.
pysystemtrade는 최적화 및 조정 기술이 포함 된 완전한 기능을 갖춘 백 테스터와 인터랙티브 브로커 (Interactive Brokers)를 통한 완전 자동 선물 거래를 비롯한 다양한 로드맵 기능을 나열합니다. 오픈 소스 참여자를 환영합니다.
Zipline은 종이 및 라이브 거래 기능을 갖춘 알고리즘 트레이딩 시뮬레이터입니다. Zipline은 브라우저 기반의 IPython 노트북 인터페이스를 통해 액세스 할 수있어 명령 줄 도구 대신 사용할 수 있습니다. Quantopian이 지원하고 개발 한 Zipline은 독립형 백 테스팅 프레임 워크 또는 완전한 Quantopian / Zipline STS 개발, 테스트 및 배포 환경의 일부로 사용할 수 있습니다. Zipline은 10 년간의 역사적인 미국 주식 데이터 및 많은 데이터 가져 오기 옵션을 제공합니다.
QSTrader는 실시간 거래 기능이있는 백 테스팅 프레임 워크입니다. 퀀트 스타트의 설립자 인 마이클 홀즈 무어 (Michael Halls-Moore)는 소매점 퀀트 헤지 펀드와 기관 퀀트 헤지 펀드의 요구에 부응 할 수있는 강력하고 확장 가능한 플랫폼을 구축하려는 의도로 QSTrader를 출시했습니다. Qstrader는 현재 다양한 시간 범위에서 OHLCV "바"해상도 데이터를 지원하지만 진드기 데이터를 사용할 수 있습니다.
백 테스팅과 라이브 거래는 모두 이벤트 중심으로 이루어 지므로 연구에서 테스트 및 최종 거래에 이르는 전략의 전환을 간소화합니다. 핵심 전략 / 포트폴리오 코드는 두 배포 모두에서 종종 동일합니다.
Qstrader의 주요 이점은 모듈성이므로 특정 위험 또는 포트폴리오 관리 요구 사항을 가진 사람들을 위해 광범위한 사용자 정의 코드를 사용할 수 있습니다.
Backtest 채택.
(잘하면 수익성있는) STS 개발에 대한 보상에 집중하고 전략을 철저히 테스트하는 데 충분한 시간과 자원을 투자하지 않고 자금이 투입된 계좌를 배포하는 것은 인류의 본성입니다. 그러나 백 테스팅은 결함있는 전략을 배치하고 거래 자본을 잃지 않도록하는 게이트 키퍼 일뿐만 아니라 STS 개발 프로세스에 알릴 수있는 여러 가지 진단 기능을 제공합니다. 예를 들어, 두 개의 서로 다른 시간 프레임에 걸쳐 동일한 STS를 테스트하고, 자산 상관 관계의 맥락에서 전략의 최대 축소를 이해하며, 여러 지역에 걸쳐 자산 할당을 백 테스팅하여 더 똑똑한 포트폴리오를 만들 수 있습니다.
향후 게시물에서는 Python이 아닌 환경의 백 테스팅 프레임 워크와 예측 거래 모델 백 테스팅을위한 부트 스트래핑 및 잭 나이프와 같은 다양한 샘플링 기술의 사용에 대해 다룰 예정입니다.
양적 거래 시작하기?
QuantStart 목록을 구독해야하는 3 가지 이유 :
1. 퀀트 트레이딩 레슨.
계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!
2. 모든 최신 내용.
매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.
현실감 넘치는 퀀 트레이딩 팁.

거래 전략 파이썬
당신이 상인이나 투자자이고 양적 거래 기술을 습득하고 싶다면, 당신은 적당한 장소에 있습니다.
The Trading With Python 과정은 전문가 양적 거래자가 작성한 함수 및 스크립트를 포함하여 양적 거래 연구를위한 최상의 도구와 사례를 제공합니다. 이 과정은 투자 한 시간과 돈을 최대로 제공합니다. 그것은 이론적 인 컴퓨터 과학보다는 무역에 대한 프로그래밍의 실용적인 응용에 중점을 둡니다. 이 과정은 데이터를 수동으로 처리하는 데 드는 시간을 절약하여 신속하게 비용을 지불합니다. 귀하의 전략을 연구하고 수익성있는 거래를 구현하는 데 더 많은 시간을 할애 할 것입니다.
강의 개요.
1 부 : 기초 파이썬이 양적 거래를위한 이상적인 도구 인 이유를 배우게됩니다. 우리는 개발 환경을 조성하여 시작하여 과학 도서관에 소개 할 것입니다.
2 부 : 데이터 처리 Yahoo Finance, CBOE 및 기타 사이트와 같은 다양한 무료 소스에서 데이터를 가져 오는 방법을 학습하십시오. CSV 및 Excel 파일을 포함한 여러 데이터 형식을 읽고 쓸 수 있습니다.
파트 3 : 전략 연구 Sharpe 및 Drawdown과 같은 성능 및 성능 통계를 계산하는 방법을 학습합니다. 거래 전략을 수립하고 성과를 최적화하십시오. 이 부분에서는 전략의 여러 가지 예가 논의됩니다.
4 부 : 라이브 가기! 이 부분은 Interactive Brokers API를 중심으로합니다. 실시간 재고 데이터를 얻고 실제 주문을하는 방법을 배우게됩니다.
많은 예제 코드.
과정 자료는이 책과 같이 대화식 코드와 함께 텍스트가 포함 된 '노트북'으로 구성됩니다. 코드와 상호 작용하고 원하는대로 수정하여 학습 할 수 있습니다. 그것은 당신 자신의 전략을 작성하는 좋은 출발점이 될 것입니다.
기본 개념을 이해하는 데 도움이되는 몇 가지 주제에 대해 자세히 설명하지만, 기존 오픈 소스 라이브러리의 지원으로 인해 대부분의 경우 저수준 코드를 작성할 필요조차 없습니다.
TradingWithPython 라이브러리는이 과정에서 다룬 기능 대부분을 즉시 사용할 수있는 기능으로 결합하여 과정 전반에 걸쳐 사용됩니다. 팬더는 데이터 처리에 필요한 모든 무거운 힘을 제공합니다.
모든 코드는 BSD 라이센스하에 제공되며 상업적 용도로 사용할 수 있습니다.
코스 등급.
코스의 조종사는 2013 년 봄에 열렸습니다. 학생들이 다음과 같이 말합니다.
Matej 잘 설계된 코스와 훌륭한 트레이너. 확실히 그 가격과 나의 시간 Lave Jev의 가치가있는 것은 명확히 그의 재료를 알고 있었다. 적용 범위가 완벽했습니다. 제프가이 같은 것을 다시 실행하면 내가 처음으로 가입하게됩니다. John Phillips 귀하의 코스는 실제로 주식 시스템 분석을 위해 파이썬을 고려하기 시작했습니다.

거래 전략 파이썬
우리는 Python 튜토리얼을 통해이 금융에서 Simple Moving Average 크로스 오버 전략을 만들 것입니다. 이를 통해 우리 고유의 알고리즘을 생성하고 Quantopian의 기능을 활용하는 데 익숙해집니다. 시작하려면 알고리즘 탭으로 가서 "새 알고리즘"버튼을 선택하십시오. 여기에서 알고리즘의 이름을 원하는대로 지정할 수 있으며 다음과 같은 시작 코드가 있어야합니다.
보시다시피, 초기 코드가 준비되었습니다.
이동 평균에 익숙하지 않은 경우 특정 수의 "창"데이터를 사용합니다. 일일 가격에 대비하여 운영하는 경우 하나의 창이 하루가됩니다. 20 이동 평균을 취하면 20 일 이동 평균을 의미합니다. 여기에서 아이디어는 이동 평균이 20이고 이동 평균이 50이라고 가정합시다. 이것을 그래프로 그리면 다음과 같이 보일 수 있습니다 :
여기에서 파란 선은 주식 가격이고 빨간색 선은 20 이동 평균이며 노란색 선은 50 이동 평균입니다. 그 생각은 빠른 반응을 보이는 20의 이동 평균이 50의 이동 평균 이상으로 이동하면 가격이 상승하는 경향이 있으며 투자를 원할 수 있다는 것입니다. 반대로, 이동 평균이 50 이동 평균 이하로 떨어지면 가격이 추세를 나타내고 있으며, 판매 또는 투자를 원하거나 심지어는 회사를 팔고 싶어 할지도 모른다.
짧은 판매.
공매도는 자신이 소유하지 않은 보안을 판매하는 행위입니다. 일반적으로 이것은 다른 사람의 주식을 빌려서 다시 팔 것을 약속하면서 팔립니다. 여기서 목표는 다른 사람의 주식을 100 달러에 판매하는 것입니다. 왜냐하면 그것이 떨어질 것이라고 생각하기 때문입니다. 그러면 90 달러로 떨어지고 다시 구입 한 다음 원래 소유자에게 돌려줍니다. $ 10 격차는 계속 유지할 수 있습니다.
공매도는 크게 두 가지 이유로 위험합니다. 첫번째는 다른 사람이 당신에게 회사의 주식을 빌려주는 경우가 가장 많기 때문에 이것이 대출이고, 결코 돈을 잃지 않을 수도 있다는 것입니다.
이것이 위험하다는 다음 이유는 짧은 것이 무한히 나빠질 수 있기 때문입니다. 예를 들어, 한 회사를 100 달러에 구입하면 공유가 0이 될 수 있기 때문에 잃을 수있는 최대 금액은 100 달러입니다. 당신이 100 달러짜리 회사를 짧게 만들면, 무한한 금액을 잃을 수 있습니다. 왜냐하면 그 회사는 주당 200 달러, 주당 2,000 달러가되어야하기 때문입니다. 또는 $ 200,000 주. 물론 그렇게 나쁘지는 않을지 모르지만 요점은 다음과 같습니다. 원래 투자보다 훨씬 더 많은 것을 잃을 수 있습니다. 이는 원래 투자가 돈조차 없었다는 사실과 종종 융합되었습니다.
일반적으로 브로커 또는 은행의 지분을 빌려주고 주식을 회수 할 수있는 권리가 있습니다. 즉, 100 달러짜리 주식이 $ 110까지 상승하여 90 달러로 내려갈 수는 있지만, 은행은 110 달러 선에서 주식을 회수 할 수 있으며 그 지폐를 근거로 삼을 수 있습니다.
위의 그래프를 보면, 우리가 꽤 잘하는 것처럼 보입니다. 우리는 가격의 절대적인 봉우리와 골짜기를 놓치지 만 전반적으로 우리는이 전략에 문제가 없다고 생각합니다.
Zipline 또는 Quantopian으로 알고리즘을 생성 할 때마다 initialize 및 handle_data 메소드가 필요합니다. 새 알고리즘을 시작하는 모든 알고리즘에 포함되어야합니다.
initialize 메서드는 알고리즘을 시작할 때 (또는 알고리즘을 실시간으로 실행중인 경우 하루에 한 번) 실행됩니다. Handle_data는 마침표 당 한 번 실행됩니다. 우리의 경우, 우리는 매일 데이터를 실행하고 있으므로 하루에 한 번 실행됩니다.
initialize 메소드 내에서 우리는 일반적으로이 컨텍스트 매개 변수를 전달합니다. Context는 전역 변수를 사용할 수있는 것을 추적하기 위해 사용할 파이썬 사전입니다. 컨텍스트는 시간이 지남에 따라 거래 알고리즘의 다양한 측면을 추적하므로 스크립트 내에서 이러한 내용을 참조 할 수 있습니다.
우리의 initialize 메소드 내에서 :
이것이 무엇인지, 스파이 거래를위한 보안을 설정하고 있습니까? 이것은 S & P 500 지수를 거래하는 데 사용할 수있는 방법 인 Spyder S & P 500 ETF (Exchange Traded Fund)입니다.
이제는 initialize 메소드에서 수행 할 작업을 모두 수행 한 다음 handle_data 메소드를 시작합니다.
컨텍스트와 data라는 새로운 매개 변수를 전달합니다. 데이터는 "거래 세계"내의 회사의 현재 데이터를 추적합니다. 우주는 아마도 우리가 아마 투자에 관심이있는 회사들의 모임입니다. 우리의 경우, initialize 메서드의 처음 부분에이 우주를 설정하여 전체 우주를 SPY로 설정합니다.
간단히 말해서 컨텍스트 var는 현재의 투자 상황을 추적하는 데 사용되며 포트폴리오 및 현금과 같은 것을 포함합니다. 데이터 변수는 회사 및 해당 정보의 범위를 추적하는 데 사용됩니다.
.mavg ()는 Quantopian에 내장 된 메서드이며 "data [context. security]"는 컨텍스트 사전에서이 이름으로 키를 참조합니다.
이러한 컨텍스트를 호출 할 수 있습니다. MA1 및 컨텍스트. MA2를 컨텍스트 사전에 저장하고 handle_data 메서드 외부에서 사용하려는 경우이 데이터를 여기에서 액세스 할 필요가 없으므로 지역 변수.
이동 평균을 계산 했으므로 더 많은 논리를 사용할 준비가되었습니다. 무역을하기 위해서는 MA가 교차 한 것처럼 논리를 가질 필요가 있습니다. 또한 무역을하기 전에 충분한 돈을 가지고 구매할 수 있는지 알아야합니다. 보안이 필요하며 우리는 이미이 직위를 가지고 있는지 확인해야합니다. 이렇게하기 위해 handle_data 메소드에 다음을 추가합니다.
우리는 기업의 우주를 추적하는 우리의 방법 인 데이터를 참조하여 현재 가격을 수집합니다 (현재 S & P 500 ETF $ SPY 만). 다음으로 context. portfolio를 참조하여 현재 위치를 확인합니다. 여기서 우리는 포트폴리오와 관련하여 모든 종류의 것들을 참조 할 수 있지만, 지금 당장은 우리의 입장을 점검하기를 원합니다. 이것은 모든 직책의 사전, 금액, 채워진 금액 등을 반환합니다. 그래서 우리는 회사의 특정 직위에 관심이 있습니다. 그래서 우리는 context. portfolio. positions [symbol ( 'SPY')]를 수행합니다. 여기에서 유일한 관심은 현재 투자가 있는지 여부를 확인하는 것입니다. 따라서 우리가 가장 중요하게 생각하는 속성은 보유하고있는 포지션의 양입니다. 결국 우리는. amount를 사용합니다.
지금까지 우리는 거래를 수행하기 위해 실제로 어떤 논리를 사용하기 전에 우리가 알아야하는 정보를 만들었지 만 실제로 거래를하기 위해 어떤 것도 작성하지 않았습니다. 이것이 바로 다음 튜토리얼에서 다룰 내용입니다.