Inicio Data Science Trabajando con opciones 1

Trabajando con opciones 1

Por

Jesús C

abril 25, 2019

Trabajamos mediante pandas, y datos estaditicos de las opciones del SPX y del RUT un poco de analisis sobre los mismos, no importan los resultados, no es el objetivo de este lab, sino dar a conocer metodologia para llegar a las conclusiones.

Todos los notebooks estan disponibles en el GitHub, en la seccion de recursos.

Contenidos ocultar

1 Trabajando con las estadisticas de las opciones del RUT y del SPX

2 LAB1 - Trabajando con estadisticas sobre las opciones del SPX¶

2.1 Cargamos todas las librerias necesarias¶

2.2 Vamos a crear el dataframe¶

2.2.1 Cargamos el pickle, y comparamos la velocidad de carga en comparacion del read csv¶

Trabajando con las estadisticas de las opciones del RUT y del SPX

Si deseas mas informacion sobre el significado de las griegas en opciones, haz click aqui

LAB1 - Trabajando con estadisticas sobre las opciones del SPX¶

En este articulo vamos a tratar un uso basico de pandas. Crearemos un dataframe de una serie de archivos separados por comas , y lo guardaremos en pickle para su posterior uso.
Ademas realizaremos un analisis exploratorio de los datos que nos puede dar una vision preliminar de lo que estamos tratanto.

Cargamos todas las librerias necesarias¶

In [1]:

import pandas as pd 
import os
import numpy as np 
import seaborn as sns
import scipy 
import datetime 
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.pylab as pylab
pylab.rcParams['figure.figsize'] = 30, 12 
plt.style.use('ggplot')

Vamos a crear el dataframe¶

Vamos a declarar una carpeta, donde tendremos nuestros archivos csv que queramos anyadir a nuestro dataframe para su posterior tratamiento

In [2]:

mainpath = '../../datasets/lab1/'
files = os.listdir(mainpath)
Symbol = 'SPX'
symboldataname = 'spx_stats.pickle'
Symbol2 ='RUT'
symboldataname2 = 'rut_stats.pickle'

Vamos a cargar todos los archivos que hay dentro del mainpath, y indexarlos por quotedate

In [3]:

datos={}
contador = 1
df = pd.DataFrame()
data = pd.DataFrame()


for file in range(len(files)):
    usefile = files[file]
    print("Archivo numero :" + str(contador) + " de un total de " + str((len(files))) + " archivos")
    contador = contador +1
    ruta = mainpath + "/" + str(usefile) 
    df = pd.read_csv(ruta,parse_dates=True,index_col=['quotedate'])
    datos[usefile] = df
        
data = pd.concat(datos.values(), keys=datos.keys() , sort='True')

Archivo numero :1 de un total de 96 archivos
Archivo numero :2 de un total de 96 archivos
Archivo numero :3 de un total de 96 archivos
Archivo numero :4 de un total de 96 archivos
Archivo numero :5 de un total de 96 archivos
Archivo numero :6 de un total de 96 archivos
Archivo numero :7 de un total de 96 archivos
Archivo numero :8 de un total de 96 archivos
Archivo numero :9 de un total de 96 archivos
Archivo numero :10 de un total de 96 archivos
Archivo numero :11 de un total de 96 archivos
Archivo numero :12 de un total de 96 archivos
Archivo numero :13 de un total de 96 archivos
Archivo numero :14 de un total de 96 archivos
Archivo numero :15 de un total de 96 archivos
Archivo numero :16 de un total de 96 archivos
Archivo numero :17 de un total de 96 archivos
Archivo numero :18 de un total de 96 archivos
Archivo numero :19 de un total de 96 archivos
Archivo numero :20 de un total de 96 archivos
Archivo numero :21 de un total de 96 archivos
Archivo numero :22 de un total de 96 archivos
Archivo numero :23 de un total de 96 archivos
Archivo numero :24 de un total de 96 archivos
Archivo numero :25 de un total de 96 archivos
Archivo numero :26 de un total de 96 archivos
Archivo numero :27 de un total de 96 archivos
Archivo numero :28 de un total de 96 archivos
Archivo numero :29 de un total de 96 archivos
Archivo numero :30 de un total de 96 archivos
Archivo numero :31 de un total de 96 archivos
Archivo numero :32 de un total de 96 archivos
Archivo numero :33 de un total de 96 archivos
Archivo numero :34 de un total de 96 archivos
Archivo numero :35 de un total de 96 archivos
Archivo numero :36 de un total de 96 archivos
Archivo numero :37 de un total de 96 archivos
Archivo numero :38 de un total de 96 archivos
Archivo numero :39 de un total de 96 archivos
Archivo numero :40 de un total de 96 archivos
Archivo numero :41 de un total de 96 archivos
Archivo numero :42 de un total de 96 archivos
Archivo numero :43 de un total de 96 archivos
Archivo numero :44 de un total de 96 archivos
Archivo numero :45 de un total de 96 archivos
Archivo numero :46 de un total de 96 archivos
Archivo numero :47 de un total de 96 archivos
Archivo numero :48 de un total de 96 archivos
Archivo numero :49 de un total de 96 archivos
Archivo numero :50 de un total de 96 archivos
Archivo numero :51 de un total de 96 archivos
Archivo numero :52 de un total de 96 archivos
Archivo numero :53 de un total de 96 archivos
Archivo numero :54 de un total de 96 archivos
Archivo numero :55 de un total de 96 archivos
Archivo numero :56 de un total de 96 archivos
Archivo numero :57 de un total de 96 archivos
Archivo numero :58 de un total de 96 archivos
Archivo numero :59 de un total de 96 archivos
Archivo numero :60 de un total de 96 archivos
Archivo numero :61 de un total de 96 archivos
Archivo numero :62 de un total de 96 archivos
Archivo numero :63 de un total de 96 archivos
Archivo numero :64 de un total de 96 archivos
Archivo numero :65 de un total de 96 archivos
Archivo numero :66 de un total de 96 archivos
Archivo numero :67 de un total de 96 archivos
Archivo numero :68 de un total de 96 archivos
Archivo numero :69 de un total de 96 archivos
Archivo numero :70 de un total de 96 archivos
Archivo numero :71 de un total de 96 archivos
Archivo numero :72 de un total de 96 archivos
Archivo numero :73 de un total de 96 archivos
Archivo numero :74 de un total de 96 archivos
Archivo numero :75 de un total de 96 archivos
Archivo numero :76 de un total de 96 archivos
Archivo numero :77 de un total de 96 archivos
Archivo numero :78 de un total de 96 archivos
Archivo numero :79 de un total de 96 archivos
Archivo numero :80 de un total de 96 archivos
Archivo numero :81 de un total de 96 archivos
Archivo numero :82 de un total de 96 archivos
Archivo numero :83 de un total de 96 archivos
Archivo numero :84 de un total de 96 archivos
Archivo numero :85 de un total de 96 archivos
Archivo numero :86 de un total de 96 archivos
Archivo numero :87 de un total de 96 archivos
Archivo numero :88 de un total de 96 archivos
Archivo numero :89 de un total de 96 archivos
Archivo numero :90 de un total de 96 archivos
Archivo numero :91 de un total de 96 archivos
Archivo numero :92 de un total de 96 archivos
Archivo numero :93 de un total de 96 archivos
Archivo numero :94 de un total de 96 archivos
Archivo numero :95 de un total de 96 archivos
Archivo numero :96 de un total de 96 archivos

In [4]:

data.head(5)

Out[4]:

		calloi	callvol	comment	iv30call	iv30mean	iv30put	putoi	putvol	symbol	totalvol
	quotedate
L2_optionstats_20020226.csv	2002-02-26	37977	1370	NaN	0.4000	0.4072	0.4143	24638	73	A	1443
	2002-02-26	48794	570	NaN	0.2912	0.2871	0.2829	33643	488	AA	1058
	2002-02-26	5802	0	NaN	0.6245	0.6245	0.6245	446	0	AAI	0
	2002-02-26	124561	1304	NaN	0.5788	0.5552	0.5317	67165	1160	AAPL	2464
	2002-02-26	2180	40	NaN	0.4048	0.4048	0.4048	1265	2	ABF	42

Como podemos observar, necesitamos manipular el dataframe para adaptarlo a nuestras necesidades, le quitaremos el multinidice, y seleccionaremos sol las columnas que nos interesen.
ademas tambien lo ordenaremos

In [5]:

data = data[['symbol','iv30call','calloi','callvol','iv30put','putoi','putvol','iv30mean','totalvol']]
data = data.droplevel(level=0)
data = data.sort_index(axis=0)

In [6]:

data.head(5)

Out[6]:

	symbol	iv30call	calloi	callvol	iv30put	putoi	putvol	iv30mean	totalvol
quotedate
2002-02-01	RUT	0.2198	5938	107	0.1924	6350	5	0.2061	112
2002-02-01	SPX	0.1864	759979	42733	0.1785	961768	52404	0.1824	95137
2002-02-01	OEX	0.1965	89936	10661	0.2025	103760	13937	0.1995	24598
2002-02-01	NDX	0.3723	12828	800	0.3483	23365	1091	0.3603	1891
2002-02-04	SPX	0.2140	760140	22205	0.2138	969114	44813	0.2139	67018

Ahora, vamos a crear dos dataframes cada uno con un ticker distinto, y los guardaremos en formato pickle para su posterior uso

In [7]:

symboldata = data[data['symbol'] == Symbol]
symboldata2 = data[data['symbol'] == Symbol2]
symboldata = symboldata[['iv30call','calloi','callvol','iv30put','putoi','putvol','iv30mean','totalvol']]
symboldata2 = symboldata2[['iv30call','calloi','callvol','iv30put','putoi','putvol','iv30mean','totalvol']]
symboldata = symboldata.sort_index(axis=0)
symboldata2 = symboldata2.sort_index(axis=0)
symboldata.to_pickle('/home/py/datasets/pickle'+ '/' + symboldataname)
symboldata2.to_pickle('/home/py/datasets/pickle' + '/' + symboldataname2 )

In [8]:

symboldata.head(5)

Out[8]:

	iv30call	calloi	callvol	iv30put	putoi	putvol	iv30mean	totalvol
quotedate
2002-02-01	0.1864	759979	42733	0.1785	961768	52404	0.1824	95137
2002-02-04	0.2140	760140	22205	0.2138	969114	44813	0.2139	67018
2002-02-05	0.2056	752064	39131	0.2282	987312	56760	0.2169	95891
2002-02-06	0.2237	769705	42954	0.2278	1006851	45715	0.2258	88669
2002-02-07	0.2004	767797	32972	0.2333	1022354	57889	0.2168	90861

In [9]:

symboldata2.head(5)

Out[9]:

	iv30call	calloi	callvol	iv30put	putoi	putvol	iv30mean	totalvol
quotedate
2002-02-01	0.2198	5938	107	0.1924	6350	5	0.2061	112
2002-02-04	0.2336	6000	86	0.2412	6352	85	0.2374	171
2002-02-05	0.2549	6076	1089	0.2461	6368	2411	0.2505	3500
2002-02-06	0.2575	6649	5	0.2635	8486	1854	0.2605	1859
2002-02-07	0.2518	6147	28	0.2945	9572	153	0.2732	181

Cargamos el pickle, y comparamos la velocidad de carga en comparacion del read csv¶

In [10]:

df1 = pd.read_pickle('/home/py/datasets/pickle'+ '/' + symboldataname)
df2 = pd.read_pickle('/home/py/datasets/pickle'+ '/' + symboldataname2)

Calculamos la correlacion de una ventana de 5 periodos entre dataframes

In [11]:

df1.iv30put.rolling(5).corr(df1.iv30call.rolling(5)).plot(color='r',alpha=0.3)
plt.legend(['IV CORR'])
df1.putoi.rolling(5).corr(df1.calloi.rolling(5)).plot(color='b',alpha=0.4)
plt.legend(['IO CORR'])
df1.putvol.rolling(5).corr(df1.callvol.rolling(5)).plot(color='g',alpha=0.5)
plt.legend(['VOL CORR'])

Out[11]:

<matplotlib.legend.Legend at 0x7f81d72b30b8>

In [12]:

correlacion = df1.corr(method = 'kendall')
correlacion_mean = correlacion.mean()

Vamos a visualizar las correlaciones entre las variables

In [13]:

correlacion.plot.bar()

Out[13]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f81d7284748>

Con esta forma de visualizar la informacion, queda clara, pero aun podriamos visualizarla mucho mejor mediante un mapa de calor

In [14]:

mask = np.zeros_like(correlacion, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True


plt.figure(figsize=(12,10),dpi=80)
sns.heatmap(correlacion,mask=mask,
            cmap='RdYlGn',center=0, annot=True)

Out[14]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f81d7173f60>

In [15]:

correlacionintermarket = pd.DataFrame(index=df1.index)
correlacionintermarket['iv30callRUT'] = df2.iv30call
correlacionintermarket['calloiRUT'] = df2.calloi
correlacionintermarket['callvolRUT'] = df2.callvol
correlacionintermarket['iv30putRUT'] = df2.iv30put
correlacionintermarket['putoiRUT'] = df2.putoi
correlacionintermarket['putvolRUT'] = df2.putvol
correlacionintermarket['ivmean30RUT'] = df2.iv30mean
correlacionintermarket['totalvolRUT'] = df2.totalvol
correlacionintermarket = correlacionintermarket.corr(method = 'kendall')
correlacionintermarketmean = correlacionintermarket.mean()

In [16]:

mask = np.zeros_like(correlacionintermarket, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True


plt.figure(figsize=(12,10),dpi=80)
sns.heatmap(correlacionintermarket,mask=mask,
            cmap='RdYlGn',center=0, annot=True)

Out[16]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f81d7091b70>

In [ ]:

Como conclusion, hemos visto como cargar muchos archivos en un mismo dataframe, luego hemos manipulado las columnas para adaptarlas a nuestras necesidades y mas tarde, hemos realizado un analisis exploratorio de los datos.

Recuerda pasarte por el canal de Telegram, Python Para Trading

Trabajando con las estadisticas de las opciones del RUT y del SPX

LAB1 - Trabajando con estadisticas sobre las opciones del SPX¶

Cargamos todas las librerias necesarias¶

Vamos a crear el dataframe¶

Cargamos el pickle, y comparamos la velocidad de carga en comparacion del read csv¶

Artículo relacionadosMás del autor

Buy And Hold – Benchmarks – Online Portfolio Selection

Analisis de componentes principales en Python – PCA 1

Introduccion al arbitraje estadistico 1

Categorias

Artículo relacionados Más del autor