Python в помощь тестированию структурных продуктов

Воодушевлённый рекламой структурных продуктов на Хабре ^[1], адаптировал python-скрипт для их самостоятельного тестирования. Основная идея в том, что подобные продукты предлагают 100% защиту капитала.  А учитывая 10 лет бычьего рынка, исторические показатели подобных продуктов одурманивают безрисковым раем.

Данная статья будет интересна начинающим python-программистам, которые интересуются управлением своим капиталом. Ну а кому-то данный инструмент может пригодиться для самостоятельного построения подобных стратегий. Но будьте аккуратны, брокеры пишут, что это не каждому под силу.

Код выложен в GitHub в виде Jupyter-блокнота. Поехали!

Пара слов, для введения

Тестировать буду на американских акциях и там доходность будет ниже, чем в рублях. Российский рынок в абсолютных значениях на графиках поинтересней, но и рисков в нём побольше. Суть тестов от этого не меняется.

Данные берём из бесплатного Alpha Advantages, где предварительно нужно получить ключ, поделившись email-адресом. Краткая инструкция в блокноте. Котировки российских бумаг вы можете взять на Финаме.

Обаяние структурного продукта

Кратко, ваш капитал в сохранности, а доходность выше банковского депозита (гособлигаций). Вот только пропущено несколько элементов уравнения:

• По банковскому депозиту доход есть всегда, а здесь есть риск сыграть в ноль;
• Вы получите прибыль, но на весомый кусок пирога претендует брокер;
• Накладывается ограничение на использование вложенных денег;
• Брокер практически не несёт никаких рисков, а участвует только в прибыли.

Стратегия

Рассмотрим самую простую стратегию:

• Покупаем на 90% капитала краткосрочные казначейские облигации;
• На остаток покупаем высокорискованный актив;
• Ставим стоп на 10% от цены на старте периода.

В основе стратегии: казначейские облигации дают 1-3% годовых практически исключая просадку (если доходность есть). 10% от просадки актива, купленного на 10% капитала, как раз будут тем самым риском, который покроют облигации. В периоды бычьего рынка некоторые акции могут вырасти в несколько раз, что и подарит нам счастье.

Для ручного повторения данной стратегии необходимо выполнить следующие действия:

• Купить облигации. Например, в виде ETF.
• Купить акции.
• Поставить стоп-приказ.

Как тестируем

Кратко опишу некоторые решения с выдержками кода, которые позволили сделать тестирование достаточно гибким и удобным.

Расписание

Производить ребалансировку можно в следующие периоды: неделя, месяц, год. А также в любой день внутри периода: первый, N-ый, последний. За это отвечает класс `Schedule()`:

# датафрейм с индексом из рабочих дней за период
df = pd.DataFrame([], index=pd.date_range(start, end, freq='B'))

# ...
# фильтруем на даты наличия истории цен, при желании
df = df[df.index.isin(dates)].copy()   

# ...
# выбираем столбцы группировки
# ...
elif freq == 'week':
    groupby = ['year', 'week']
elif freq == 'month':
    groupby = ['year', 'month']
elif freq == 'year':
    groupby = ['year']

# группировка и пометка дней ребалансировки
grouped = df.groupby(groupby)
for idx, grp in grouped:
    if len(grp) >= abs(day):
        df.loc[grp.iloc[day].name, 'allow'] = True

Цикл по данным

StructuredProductMill().run()

Как описано в одной из статей ^[2], мы можем обходить в цикле только даты ребалансировки и пропустить все остальные дни. Но тогда мы теряем статистику по изменению активов внутри периода, не увидим доходность и просадки за каждый день. Данный скрипт, в ущерб скорости, обходит каждый день, что позволяет видеть рыночную стоимость открытых позиций и применить проверку стоп-приказа.

Ребалансировка

StructuredProductMill().rebalance()

Здесь активы, которые можно открывать, распределяются на доступный капитал. После сравнения расчёта с открытыми позициями производится исполнение сделок на нужное количество:

# получаем капитал: свободный кэш и рыночную стоимость позиций
balance = self._cash + self.position_balance(day)

# объединяем позиции с текущим днём из истории цен
df = day.merge(self._positions[['quantity']], how='left', left_index=True, right_index=True)

# ...        
# объём в процентах от исходной доли в портфеле относительно всего объема доступных активов
day.loc[is_allow, 'size_order'] = day[is_allow]['size'] / day[is_allow]['size'].sum()
# распределяем капитал по активам по цене открытия
day['position_to'] = (balance * day['size_order']) // day['open']
# формируем приказы изменения позиций
day['order'] = day['position_to'] - day['position']

# ...        
# исполняем сделки
for symbol, row in day[fltr].iterrows():
    self.trade(row['dt'], symbol, row.order, row.open, 'O' if row.order > 0 else 'C')

Сделки

StructuredProductMill().trade()

И здесь для скорости можно пожертвовать деталями и контролировать только изменение доходности каждой позиции. Но скрипт учитывает комиссии и стоимость активов, а также ведет историю сделок, что позволяет рассчитать транзакции и исполнить стоп-приказ в любой день теста. В этом методе обновляются позиции и размер свободного кэша.

Запуск

Для запуска необходимо указать набор активов с долями и параметры теста. Мы же будем тестировать структурные продукты за календарный год:

# состав портфеля
portfolio = {'MINT': 0.9, 'AAPL': 0.1,}

# получение цен
SYMBOLS = list(portfolio.keys())
df = prices(SYMBOLS)

params = {
    'benchmark': 'SPY',  # актив для сравнения доходности
    'balance': 100_000,  # начальный кэш
    'portfolio': portfolio,  
    'rebalance_day': -1,  # ребаланс в последний день периода
    'freq': 'year',  # ребаланс каждый год
    'stop_loss': 0.1,  # стоп-приказ в 10%
    # обнулять цены открытия позиций при ребалансе для корректных стопов
    'reset_position_prices': True,  
    'allow_method': allow_default,
    'start': pd.to_datetime('2011-01-01'),  # дата начала
}

# создаем объект, проверяем настройки и готовим данные
pm = StructuredProductMill(params, prices=prices(SYMBOLS + [params['benchmark']]), show_progress=True)
pm.check_params().prepare()

# запускаем тестирование
pm.run()
# показываем результаты
pm.print_results();
# показываем графики
pm.charts()

Внизу блокнота есть графики с доходностью и просадками в даты ребаланса (в конце года), что подтверждает крайне низкие просадки капитала в моменты отчёта и постоянно растущую доходность. Хоть эта доходность и проигрывает широкому индексу американских компаний S&P 500.

Результаты

В тестах участвовали свободно торгующихся американские инструменты с 2011 года:

• BIL — ETF на краткосрочные казначейские облигации с доходностью 2% годовых на момент написания статьи. Помним, что в период с 2009 до 2017 ставки были рядом с нулём. Альтернативой можно использовать MINT (фонд на краткосрочные инструменты с фиксированной доходностью).
• AAPL — акции компании Apple.
• MSFT — акции компании Microsoft.
• TSLA — акции компании Tesla.

AAPL

Данная конструкция принесла за 8 лет доход в 24% (среднегодовая 2.6%) с просадкой между ребалансировками -6%. Но на стыке лет просадка около нуля. Стопа не коснулись, рынку со 180% дохода порядком проиграли.

Доходность и просадка за каждый день (слева доходность, справа просадка).

Доходность и просадка на стыке лет (слева доходность, справа просадка).

MSFT

Данная конструкция принесла за 8 лет доход в 26% (среднегодовая 2.75%) с просадкой между ребалансировками -2%. На стыке лет просадка отсутствует.

TSLA

Данная конструкция принесла за 8 лет доход в 45% (среднегодовая 4.6%) с просадкой между ребалансировками аж -15%. Но всё это в 2013 году, когда Тесла выросла почти в 5 раз. На стыке лет просадка до -2%. Самый беспокойный, но и прибыльный пассажир.

Заключение

Блокнот позволяет тестировать любые составы портфелей. Это могут быть плечевые фонды или несколько компаний. Хоть вообще без защитного актива.

Репозиторий на GitHub ^[3].

Автор: Александр Румянцев

Источник ^[4]