Quantconnect: невозможно ранжировать варианты по их исторической волатильности - PullRequest
Новая
       64

Quantconnect: невозможно ранжировать варианты по их исторической волатильности

0 голосов
/ 26 мая 2020

Я использую платформу QuantConnect, Lean Engine, в python.

Я пытаюсь реализовать оценку подразумеваемой волатильности, которую я могу использовать для принятия решения об обмене опционами на корзину акций. фильтруются на основе их основного объема. Мне не удалось реализовать рейтинг IV по нескольким причинам, наиболее распространенной из которых является часто возникающая ошибка для индекса списка, выходящего за пределы допустимого диапазона, а второй - невозможность создать индикаторы для всех базовых акций.

Я пытаюсь выбрать 5 наиболее ликвидных акций, а затем создать для них словарь, содержащий их индикаторы и другие значения, к которым я могу обратиться позже. Первый индикатор, который я хочу сохранить, - это индикатор исторической волатильности, который будет использоваться для нормализации подразумеваемой волатильности. Затем я хочу сохранить нормализованный IV обратно в словарь, чтобы я мог ранжировать словарь по акциям с наивысшим IV и совершать сделки по ним. 

import pandas as pd
from functools import partial
from QuantConnect.Securities.Option import OptionPriceModels

class ParticleCalibratedCoil(QCAlgorithm):

    def Initialize(self):

        '''
            Parameters for adjusting
        '''
        self.numberOfLiquidStocks = 5 # Controls the number of stocks in play


        '''
            Backtesting variables
        '''
        self.SetWarmUp(43800)
        self.SetStartDate(2019, 10, 18)
        self.SetEndDate(2019, 12, 18)
        self.SetCash(1000000)

        '''
            Algorithm variables
        '''
        self.UniverseSettings.Resolution = Resolution.Minute
        self.AddUniverse(self.CoarseSelectionFilter)
        self.SetSecurityInitializer(lambda x: x.SetDataNormalizationMode(DataNormalizationMode.Raw))

        self.indicators = {}


    def CoarseSelectionFilter(self, coarse):
        '''
            1. Sorts each element of the coarse object by dollar volume
            2. Returns a list of coarse object, limited to top 100 highest volume
            3. Returns a list of symbols we want to initialise into the algorithm
        '''

        self.sortedByDollarVolume = sorted(coarse, key=lambda c: c.DollarVolume, reverse=True)
        self.topHundredMostLiquid = self.sortedByDollarVolume[:self.numberOfLiquidStocks]

        return [stock.Symbol for stock in self.topHundredMostLiquid]

    def OnSecuritiesChanged (self,changes):

        '''
            For any new securities added into the universe
            If the security is an underlying
            Subscribe to the option chains

            For any securities we want removed from the universe
            Remove the underlying and then remove the options

            For each new secury added into the universe
            If there is not yet one
            Create a standard deviation indicator
        '''
        for underlying in changes.AddedSecurities:
            if underlying.Symbol.SecurityType != SecurityType.Equity: continue
            option = self.AddOption(underlying.Symbol.Value, Resolution.Minute)
            option.SetFilter(-5, +2, timedelta(30), timedelta(60))
            option.PriceModel = OptionPriceModels.CrankNicolsonFD()


            if not underlying.Symbol.Value in self.indicators:
                self.indicators[underlying.Symbol.Value] = \
                  {"Volatility": self.STD(underlying.Symbol.Value, 30, Resolution.Daily)}
                self.indicators[underlying.Symbol.Value]["AverageHV"] = \
                  SimpleMovingAverage(365)

                symbol = underlying.Symbol.Value
                self.indicators[underlying.Symbol.Value]["Volatility"].Updated += partial(self.OnVolatility, symbol=symbol)

        for underlying in changes.RemovedSecurities:
            self.RemoveSecurity(underlying.Symbol)
            for symbol in self.Securities.Keys:
                if symbol.SecurityType == SecurityType.Option and symbol.Underlying == underlying.Symbol:
                    self.RemoveSecurity(symbol)


    def OnData(self, slice):

        '''
            For each OptionChain, the key is the underlying symbol object, while the
            value is the option chain.
            For each chain in OptionChains, each chain represents the entire chain of option contracts
            for the underlying security.
        '''

        # This is where the index out of range happens
        for chain in slice.OptionChains.Values:

            # Filter for the first ATM contract
            if chain != None:
                atmContract = sorted(chain, key = lambda x: abs(x.UnderlyingLastPrice - x.Strike))[0]

            impliedVolatility = atmContract.ImpliedVolatility
            underlyingSymbol = atmContract.UnderlyingSymbol.Value
            if self.indicators[underlyingSymbol]["AverageHV"].IsReady:
                historicalVolatility = self.indicators[underlyingSymbol]["AverageHV"].Current.Value
                self.Debug(f"underlyingSymbol has a implied volatility of {impliedVolatility}")
                self.Debug(f"underlyingSymbol has a historical volatility of {historicalVolatility}")



    # I'm unable to pipe an indicator into another (Trying to get the AverageHV into the dict)
    def OnVolatility(self, sender, updated, symbol):
        if self.indicators[symbol]["Volatility"].IsReady:
            self.indicators[symbol]["AverageHV"].Update(self.Time, updated.Value)
...