Z-Scoreバックテストで体制を設定する方法は？

Question

私は現在、単一の資産バックテストを実装しようとしています。ここでは、zscoreが特定のしきい値を下回ったときにbuy信号が生成され、しきい値を超えたときに販売されます。

df1 = pd.read_csv('XBT.csv', index_col = 0) 
df1 = df1.drop(['ADJUSTED','VOLUME'], axis = 1) 
df1.head() 

         OPEN  HIGH   LOW  CLOSE 
Date     
2016-09-25 22:00:00 600.1650 600.2850 599.3190 599.4575 
2016-09-25 22:01:00 599.4550 600.1605 599.2980 599.5125 
2016-09-25 22:02:00 599.5101 601.0850 599.2945 600.1450 
2016-09-25 22:03:00 600.2950 600.6150 599.3290 599.3350 
2016-09-25 22:04:00 599.3350 600.1400 599.3350 599.6972 

さらに、ローリングzスコア、スレッショルドおよび累積リターンを計算しました。私にとって

window = 300 #HYPERPARAMETER 5 hours lookback 
df1['zScore'] = (df1['CLOSE'] - df1['CLOSE'] .rolling(60).mean())/df1['CLOSE'] .rolling(60).std() 
df1 = df1.dropna() 
entryZscore = 4 #HYPERPARMETER arbitrary naumber based on visual observations 
exitZscore = 0 #HYPER PARAMETER 
df1['cumret'] = df1['CLOSE'].divide(df1['CLOSE'].ix[0]) 


         OPEN HIGH   LOW  CLOSE zScore cumret 
Date       
2016-09-25 22:59:00 599.8950 600.1239 599.5101 599.5376 -0.068662 1.000000 
2016-09-25 23:00:00 599.5626 600.0743 599.5500 599.5775 0.001960 1.000067 
2016-09-25 23:01:00 599.5750 600.0372 599.2800 599.9372 0.656922 1.000667 
2016-09-25 23:02:00 600.3245 600.3245 598.5426 599.8000 0.416065 1.000438 
2016-09-25 23:03:00 599.8000 599.9950 599.8000 599.9901 0.749235 1.000755 

問題は、我々は（0）以降の戦略の戻り値を作成するために、（1）ロングショート（-1）または中性であるかどうかを示します政権値を作成しています。私はエントリーポイントと出口ポイントを整理することによってそうしようとしましたが、ここから立ち往生しました。どんな助けでも大歓迎です！

df1['long entry'] = np.where((df1.zScore < - entryZscore) & (df1.zScore.shift(1) > - entryZscore), 1, 0) 
df1['long exit'] = np.where((df1.zScore > - exitZscore) & (df1.zScore.shift(1) < - exitZscore),1, 0) 
df1['short entry'] = np.where((df1.zScore > entryZscore) & (df1.zScore.shift(1) < entryZscore),1, 0) 
df1['short exit'] = np.where((df1.zScore < exitZscore) & (df1.zScore.shift(1) > exitZscore),1, 0) 
df1['close pct ch'] = df1['CLOSE'].pct_change() 
df1 = df1.dropna() 

Answer 1

ポジションをトラッキングするには、ポジション管理システム全体を実装する必要があります。すでにこれらのことをサポートしているプラ​​ットフォームを使用して、実際に取引アルゴリズムに焦点を当てるべきです。

私はQuantopianに関する会社の苦境調査を見てきました。 https://www.quantopian.com/posts/campbell-hilscher-szilagyi-chs-model-probability-of-corporate-failureノートブックは時代遅れであり、もはや走っていないかもしれませんが、全体のアイデアはそこにあります。