CL futures

Leemos los datos que no envía @rupertacho, en formato csv, del activo CL.

podemos ver las caracterisiticas del futuro en:

CL en CME

Lo primero que hacemos es obtener la diferencia, que es open – close, y lo echamos un periodo hacia atrás. Todo esto lo hacemos en pandas y python.

df['diferencia'] = df.close – df.open

df.diferencia= df.diferencia.shift(-1)

total aciertos 40506
total fallos   39675
total          80181
% aciertos     50
suma aciertos 7010.23
suma fallos   -7097.31
ratio 0.987730562706
total fallos   39675
sharpe         -0.0584302549394

<matplotlib.figure.Figure at 0x7f0469ae9f50>

95% de no perder mas de
-2.09
Mediana de la distribucion, trata que sea positiva
2.84217094304e-14
media de la distribucion
-0.0208845645646
maxima ganancia mensual
10.46
maxima perdida mensual
-10.37
desviacion tipica
1.27697778657
dos veces la desviacion tipica
-2.57484013771
tres veces la desviacion tipica
-3.85181792428

Podemos ver un ratio shape cercano a cero y un ratio tambien por de bajo de 1,

Realizamos la búsqueda de nuestra ventaja horaria.

Podemos ver que hay una ventaja estadistica desde las 1300 hasta las 1900 horas

También podemos ver que es una gran ventaja estadística

sobre todo si lo aplicamos apartir de 2007

df=df[df.index>'20070101']




por tanto ya tenemos nuestra ventaja horaria establecida.



así queda nustra serie una vez le aplicamos el filtro que le vamos a llamar decision1

df['decision1']=np.where((df.Hour>=12)&(df.Hour<=18)&(df.Year>=2007),1,0)

total aciertos 8112
total fallos   7472
total          15584
% aciertos     52
suma aciertos 1783.93
suma fallos   -1628.31
ratio 1.09557148209
total fallos   7472
sharpe         0.198934875013

<matplotlib.figure.Figure at 0x7f0470268b50>

95% de no perder mas de
-0.95
Mediana de la distribucion, trata que sea positiva
0.0
media de la distribucion
0.037402042042
maxima ganancia mensual
6.16
maxima perdida mensual
-5.0
desviacion tipica
0.654873370733
dos veces la desviacion tipica
-1.27234469942
tres veces la desviacion tipica
-1.92721807016

Vemos que ya tenemos sharpe positivo y ratio positivo mayor de 1

quiero reflejar la diferencia entre estos dos últimos gráficos, creo que lo correcto es hacerlo como este último, pues nos daría lugar a una ilusión, tanto gráfica como estadísitica, pues al quitar los datos que no operamos nos produce una curva mas favorable y un ratio sharpe mucho mayor.

Hour	2000	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010	2011	2012	2013	2014	2015	2016	2017	All
0
1
2
3
4
5
6
7
8
9
10
11
12								4,38	16,91	1,53	-5,49	-6,57	11,84	6,37	5	2,44	-1,52	-2,67	32,22
13								7,93	5,88	16,79	3,63	14,11	-2,76	3,61	-7,85	-7,6	0,97	1,01	35,72
14								12,16	18,37	13,27	7,11	-11,18	4,32	2,1	0,36	4,39	0,1	-4,75	46,25
15								-1,71	6,96	-5,3	-2,2	3,84	1,53	-4,05	3,51	1,48	1,51	0,95	6,52
16								8,62	-2,04	0,43	1,2	7,88	0,68	5,47	0,22	-1,54	3,66	-0,2	24,38
17								-0,19	1,92	2,93	-1,19	-6,46	1,7	-1,58	1,26	1,58	6,59	3,97	10,53
19
20
21
22
23
All								31,19	48	29,65	3,06	1,62	17,31	11,92	2,5	0,75	11,31	-1,69	155,62

Aquí podeis ver el resumen por horas y años.

Podeis observar que para no ver el futuro, la hora de comienzo son las doce y acaba a las 1700h pues no hay 1800h.

aqui podemos comprar las dos series

<matplotlib.figure.Figure at 0x7f0468b86a10>






95% de no perder mas de
-1.73
95% de no perder mas de
-2.13
95% de no perder mas de
-1.73 -2.13
Mediana de la distribucion, trata que sea positiva
0.26 2.84217094304e-14
media de la distribucion
0.0285908708709 -0.0216898280981
maxima ganancia mensual
10.11 11.1
maxima perdida mensual
-7.62 -10.37
desviacion tipica
1.4375554481 1.30216751216
dos veces la desviacion tipica
-2.5453746818 -2.62602485242
tres veces la desviacion tipica
-3.98293012989 -3.92819236459
ratio sharpe anualizado
0.234233217406 -0.0584302549394