Langage R : langage de programmation et environnement statistique…

R est un outil essentiel en finance. Je ne connais pas de salle de marché à Wall st qui ne s’en serve pas, en tout cas en obligataire. La seule exception est Goldman, comme il faut utiliser un langage développé en interne ("slang") qui d’ailleurs ressemble beaucoup à R.

Je dirais que l’opposition entre R et Excel par exemple relève de l’opposition entre approche professionnelle et en tant qu’amateur.

A noter, R est réputé comme l’outil existant le plus puissant pour générer des graphiques à partir de données. Par ailleurs R s’articule bien avec Latex pour l’édition professionnelle de rapports.

Bonjour,

Je ne pratique pas R pour l’instant mais je m’y interesse un peu, "au cas où"…

Un lien que l’on m’a transmis récemment :

How to Transition from Excel to R
An Intro to R for Microsoft Excel Users

District Data Labs - How to Transition from Excel to R

Cordialement,

Eric

C’est possible, et je pense que parmi les centaines de packages existants sur R plusieurs doivent être spécialisés dans ce genre de calcul.

Bonjour,

Oui vous pouvez bien sûr faire cela avec R.
Avec de l’entrainement ce sera très facile, mais il y a quand même un coût d’apprentissage.

Il y a effectivement une librairie qui vous facilitera la vie : quantstrat
Attention, elle nécessite d’installer d’autres librairies.

J’ai rapidement regardé, il y a l’air d’y avoir pas mal d’exemples, mais pas super bien documentées. Cela étant, cela devrait répondre à vos besoins.

Bonjour,
Bon choix, je l’ai suivi il y a quelques mois, c’est une bonne entrée en matière même si ça reste assez léger, il faut mettre en pratique dès que possible pour bien assimiler ces notions de base.

Un gros avantage de ce logiciel est que la documentation est foisonnante: pour tous les points sur lesquels j’ai buté - c’est à dire quasiment à chaque ligne de code au début -  j’ai trouvé une réponse complète et précise en faisant une bête recherche Google  .

Un autre MOOC sur FUN qui permet d’apprendre les bases sur R:
Introduction à la statistique avec R

Gaspode a écrit :

La stratégie naïve sans stop loss ne marche pas vraiment, même si elle limite le drawdown, par contre, dès qu’on ajoute des stop loss pour vendre automatiquement en cas de baisse, ça marche plutôt pas mal.

Avec la stratégie s’appuyant uniquement sur la moyenne mobile, le stop loss existe, c’est la moyenne mobile elle même.
Il y a un point que je ne comprends pas, vous dites "on sort dès qu’on perd 4%" ok mais quand est-ce qu’on réinvestit ?
Je prends l’exemple du CAC40 qui est 17% au dessus de sa MM40 hebdo. Si je sors dès que perds 4%, dès la semaine suivante le modèle me dit de réinvestir car l’indice est toujours au dessus de la MM.

Je n’utilise pas la moyenne mobile mais la différence entre les ratios de changements à 1,2,4 semaines et plus (fonction ROC dans R -- rate of change).

Le but est d’identifier les plus bas sur la courbe, et l’inversion de tendance correspondante, donc un ROC(n) positif couplé à un ROC(n+xx) négatif, ce qui déclenche l’ordre d’achat. La difficulté est éliminer les faux positifs sans perdre trop du début d’upside. J’ai encore des chose à améliorer de ce côté là.

Dans l’article que vous aviez trouvé ils se contentaient de classer les différents instruments et d’investir dans le meilleur chaque mois.

Là, dans la version naïve, je garde l’action tant que le ROC(1) de la semaine est supérieur à -4%. Ca marche mieux si je rajoute un stop loss par rapport au plus haut de la série en cours pour éviter en fin de semaine d’avoir perdu beaucoup plus et annulé la plus grande partie du gain.

Tant que le signal de vente n’est pas atteint, une fois les actions achetées, on n’utilise plus le signal d’achat, on laisse courir.

Dans votre exemple du CAC 40  je vais attendre un ROC(x) négatif, avec x=2 ou 3, et un ROC(1) positif (en fait > 2%) pour réinvestir.

On voit très bien sur la courbe que tous les points verts sont 1 ou semaines après un plus bas.

COMPLEMENT :

Pour illustrer la différence entre la version naïve et avec les stop loss :



en rouge la vente avec le stop loss
en noir la vente normale en fin de semaine

On voit bien la conservation de plus value supplémentaire qu’apporte le stop loss.

[1] "SWK"
[1] "retour buy&hold    : 204.29% "
[1] "retour strat 2s. naïve : 88.75% "
[1] "retour strat 2s. avec stop loss 4% : 260.36% "
[1] "nombre de commissions 42"

Idamante, R est malheureusement relativement complexe et ésotérique si bien qu’une approche  paresseuse est difficile. Sinon dans la dizaine de milliers de package R existants, les fonctions que vous cherchez doivent bien exister sous une multitude de versions.

Quelques exemples :
Le package FinancialInstrument que j’utilise récupère automatiquement les cours sur Yahoo.
PerformanceAnalytics a environ 200 fonctions d’économétrie et d’analyse de risque (dont Sharpe et CAPM).

Dernière modification par Gaspode (12/04/2015 00h50)

La clé est de partir du principe qu’on ne regarde la situation qu’en fin de semaine. Les stops sont une assurance

*cas 1 : départ 100, cours < 96 dans la semaine, fin de semaine à 102

- version naïve, on garde car le ROC(1) est positif. Gain
- version avec stop, on a vendu dès que le cours est descendu à 96. On a donc eu une perte faible sur un cours qui a en fait monté. On attend le prochain signal buy pour réinvestir. Si le titre ne rebaisse pas, celui-ci aura lieu la semaine prochaine (2 semaines de hausse).

*cas 2 : départ 100, cours < 96 dans la semaine, fin de semaine à 90

- version naïve, on vends en fin de semaine. Grosse perte.
- version avec stop, on a vendu dès que le cours est descendu à 96. on attends le prochain signal buy pour réinvestir. on a donc eu une perte faible

*cas 3 : départ 100, cours > 105 dans la semaine, fin de semaine à 95

- version naïve, on vends en fin de semaine à 95. Perte.
- version avec stop, on a vendu dès que le cours est descendu à 96. on attends le prochain signal buy pour réinvestir. On a donc eu une perte + faible

Le stop était positionné à 96 parce que le dernier plus haut fin de semaine était 100. Changer le stop en cours de semaine permettrait en effet d’avoir une plus-value supplémentaire mais n’est pas prévu dans la stratégie.

voyons un autre cas :

* cas 4 : Sn-1 : 102, Sn : 100 le stop est positionné à 96% de 102 soit 97,9.

Plus on positionne le stop près du + haut, meilleure est la capture du potentiel de hausse mais il faut tenir compte de la volatilité intrinsèque du titre. 4% semble être un bon compromis. On perd dans tous les cas au moins la première semaine de hausse de chaque run. De plus les semaines de perte, celle ci est limitée.  Un titre cyclique mais à pas trop forte volatilité est idéal.

les faux départs (couple achat/perte à -4% en une semaine) ne coutent pas trop cher et sont largement compensés par la réduction du drawdown des semaines en forte baisse.

Après tout ça est encore théorique, je compte l’essayer mais il faudra voir ci cela marche dans les faits. Une grande rigueur dans les ordres et la pose des stops semble nécéssaire. La version naïve capture bien les hausses, mais le délai de réponse à 1 semaine est catastrophique pour les baisses.

Gaspode a écrit :

La clé est de partir du principe qu’on ne regarde la situation qu’en fin de semaine. […] version avec stop, on a vendu dès que le cours est descendu à 96.

On ne regarde que les cours fin de semaine pour former un signal d’achat (activé si la perf de la semaine est positive) et le cas échéant mettre en place le stop loss.
En revanche le signal de vente se déclenche dès que le stop est touché en séance.
Si j’ai bien compris, pour backtester cette stratégie on a donc besoin des cours de clôture hebdo et des plus hauts et plus bas de chaque journée de la semaine.
A quel moment utilisez-vous les ROC d’ordre supérieur (j’avais compris qu’un signal d’achat était ROC(1)>0 ET ROC(3)<0 or ce n’est pas le cas apparemment ?)

Oui mais il y a des limites à R, en particulier si vous avez beaucoup de données !
D’ailleurs, je n’ai pas encore trouvé la solution miracle. Il y a des package spécialisés, et certains passent en Python (en faisant appel à des objets R)!

Bonjour Marcopolo,

Je vais vous donner un exemple :
Je calcule les retours (backtest) de portefeuilles qui sont la combinaison de 8 classes d’actions (par "pas" de 5%), ça fait plus de 800 000 portefeuilles. (Vous me direz je suis pas obligé de calculer tous ces portefeuilles pour arriver à peu prêt à ce que je veux faire, mais c’est une sorte d’entrainement).
Comme tout est loadé en mémoire vive, avec 32 gigas je sature et ça bugue. En tout cas de façon native. Il y a bien sûr des façons de s’en tirer mais pas de manière native.
De la même manière R n’utilise qu’un Core et il faut adapter le code pour faire de la parrallelisation.

R c’est un outil de statistiques mais pas vraiment de Big Data.