Moving Gjennomsnittet Quantopian

PutWrite vs BuyWrite indeksforskjeller Fredag ​​20. januar, 2017 En kort, men interessant akademisk rapport om forskjeller i en velkjent CBOE PutWrite og BuyWrite-indekser: Tittel: PutWrite versus BuyWrite: Ja, Put-Call Parity holder her også til CBOE PutWrite Index har overgått KjøpWrite-indeksen med ca 1,1 prosent per år mellom 1986 og 2015. Det er ganske imponerende. Men urolig. Ja ndash bekymrende ndash fordi teorien om call-parity forteller oss at slik overprestasjon burde være nesten umulig via en overbevisende arbitrasjonsbegrensning. Dette papiret forklarer mysteriet om denne utmerkelsen, som har implikasjoner for porteføljekonstruksjon. Bemerkelsesverdige sitater fra det akademiske forskningsdokumentet: quotWriting egenkapitalindeks dekket samtaler er en effektiv tilnærming til felles å tjene egenkapital - og volatilitetsrisikopremien. Så også er det å skrive nakne aksjeindekser. Hvilken tilnærming er bedre Mange investorer sammenligner den historiske forestillingen til de to tilnærmingene til svaret, noe som potensielt fører til at konklusjonen at skrivskriving er å foretrekke for dekket samtaler. På overflaten ser det ut som at skrivesettalternativer ville være den foretrukne tilnærmingen. CBOE PutWrite Index (PUT) har overgått KjøpWrite Index (BXM) med omtrent 1,1 prosent per år mellom 1986 og 2015. Det er ganske imponerende. Men urolig. Ja ndash bekymrende ndash fordi teorien om call-parity forteller oss at slik overprestasjon burde være nesten umulig via en overbevisende arbitrasjonsbegrensning. Den primære årsaken til ytelsesforskjellen i PutWrite og BuyWrite Indices skyldes en konstruksjonsforskjell i løpet av bare fire timer per måned. En ujevn forskjell i porteføljekonstruksjonen resulterer i at PutWrite-indeksen mangler ca. fire timer per måned med SampP 500 Index-avkastning i forhold til BuyWrite-indeksen. Hver måned på morgenen av opsjonsutløpet utløper både BuyWritersquos-anropsalternativet og PutWritersquos-opsjonsalternativet og avgjøres samtidig på Special Open Quotation (SOQ). På denne tiden avhenger opsjonsutløpet fullt ut PutWrite-indeksen for egenkapitaleksponeringen. Inntil det gjenoppretter en kort puteringsposisjon, er det en null beta-portefølje. I motsetning til at BuyWrite-porteføljen samtidig blir en beta-en portefølje ved utløpet av anropsopsjonen, fordi den er fullt investert i SampP 500-indeksen uten tilsvarende kortsammenstilling. Det forblir en beta-portefølje til den gjenoppretter sin posisjon for kort anropsopsjon. Så over dette fire timers vinduet er BuyWrite-indekset overeksponert for SampP 500 i forhold til den langsiktige gjennomsnittlige eksponeringen. På samme måte er PutWrite-indekset under-eksponert for SampP 500 i forhold til sin langsiktige gjennomsnittseksponering. Som et eksempel, i gjennomsnitt, mellom 2004 og 2015, var SampP 500-indekset ned 23 basispunkter på opsjonsutløpsmorgen. Egenkapitalavkastningen over denne fire timers perioden 12 ganger per år tyder på 2,7 av årlig underprestasjon for BuyWrite-indeksen i forhold til PutWrite-indeksen. Å legge tilbake i intervallet (årsbasis) gir en kombinert effekt på 2,0 av årlig utløpsdato underprestasjon. Dette er svært nær 2,1 KjøpWrite-indeksen underpresterte PutWrite-indeksen i samme 2004 til 2015-periode. Quot Rensefaktorpremier i aksjemarkeder Lørdag 14. januar, 2017 Et interessant akademisk papir relatert til mange sesongbaserte strategier, men hovedsakelig til : Forfattere: de Carvalho, Xiao, Soupe, Dugnolle Tittel: Diversifisere og rense faktorpremier i aksjemarkeder I dette papiret vurderer vi spørsmålet om hvordan man skal forbedre effekten av strategier utformet for å fange faktorpremier i aksjemarkedene, og spesielt fra verdien, kvalitet, lav risiko og momentum faktorer. Vi vurderer en rekke porteføljebyggende tilnærminger utformet for å fange faktorpremier med de riktige nivåene av risikokontroll som tar sikte på å øke informasjonsforholdene. Vi viser at informasjonsforholdene kan økes ved å målrette konstant volatilitet over tid, sikring av markedsbeta - og sikringseksponeringer til størrelsesfaktoren, dvs. nøytraliserende biaser i markedsverdien av aksjer som brukes i faktorstrategier. Med hensyn til nøytralisering av sektorseksponeringer, finner vi dette til å være av betydning spesielt for verdiene og lavrisikofaktorene. Til slutt ser vi på verdiskapningen av kortsiktige aksjer i faktorstrategier. Vi finner at med få unntak er bidragene til ytelse fra det korte benet dårligere enn de fra det lange benet. Dermed kan langvarige strategier være effektive alternativer for å fange disse faktor premiene. Til slutt finner vi at faktorpræmier har en tendens til å ha kraftigere haler enn det som kan forventes fra en Gauss-avkastningsfordeling, men det er ikke signifikant negativ i de fleste tilfeller. Bemerkelsesverdige sitater fra det akademiske forskningsdokumentet: i dette papiret viser vi betydningen av porteføljeoppbygging når det gjelder å fange fakturapremier effektivt. Vi viser først at de enkleste og mest tradisjonelle tilnærmingene til faktorinvesteringer har en tendens til å generere lavere risikojustert avkastning på grunn av ukontrollert risiko og uønsket eksponering mot markedsindeks eller markedsverdier. Vi viser at strategier som retter seg mot konstant volatilitet og sikrer markedet beta og eksponering for størrelse, gir høyere informasjonsforhold. Dette skyldes særlig en reduksjon av volatiliteten. Vi viser også betydningen av å fjerne sektoreksponering som en ekstra kilde til risiko uten avkastning i faktorinvestering. Og vi forklarer hvorfor lenge kun faktorinvestering kan gjøre det enklere å fange faktorpremier, særlig fra lavrisiko - og momentumfaktorene. I tillegg demonstrerer vi betydningen av diversifiserende faktorer i hver stil takket være dekorasjonsforholdene til faktoravkastning, selv innenfor samme stil. Til slutt viser vi at premiefaktorer har en tendens til å vise fete haler, men også en relativt liten skumhet. Samlet verdier vi viktigheten av å rense og diversifisere faktoreksponeringer i faktorinvestering som en måte å forbedre risikojustert avkastning fra faktorstrategier betydelig. Og selv om dette fører til at omsetningen øker på grunn av behovet for flere bransjer, fremhever vi det faktum at de fleste fordelene som vises i dette papiret, kan fanges i praksis ved hjelp av klare tilnærminger for å inneholde turnover. quot Seasonalities på lager Returnerer søndag 8. januar , 2017 Forfattere: Hirschleifer, Jiang, Meng Tittel: Mood Beta og Seasonalities på lager Returnerer Eksisterende forskning har dokumentert tverrsnitt sesongmessighet av aksjene returnerer ndash den periodiske outperformance av visse aksjer i forhold til andre i samme kalendermåned, hverdag eller pre - ferieperioder. En modell basert på differensial følsomhet av aksjer til investor humør forklarer disse effektene og innebærer et nytt sett med sesongmessige mønstre. Vi finner at relativ ytelse over aksjer under positive humørperioder (f. eks. Januar, fredag, den beste avkastningsmåneden som ble realisert i året, den beste avkastningsdagen som ble realisert i en uke, pre-ferie) har en tendens til å fortsette i fremtidige perioder med kongruent humør (f. eks. januar, fredag, pre-ferie) og å reversere i perioder med ikke-kongruent stemning (f. eks. oktober, mandag, post-ferie). Aksjer med høyere stemningsbeta estimert under sesongmessige vinduer med sterke stemninger (for eksempel januarOctober, MondayFriday eller pre-holidays) tjener høyere forventet avkastning i fremtidige positive humørsesonger, men lavere forventet avkastning i fremtidige negative humørsesonger. Bemerkelsesverdige sitater fra det akademiske forskningsdokumentet: Vi foreslår her en teori basert på investorstemning for å gi en integrert forklaring på kjente sesongmessige forhold både på aggregat og tverrsnittsnivå, og å tilby nye empiriske implikasjoner som vi også tester. I vår modell gir investor positive (negative) humørsvingninger periodisk optimisme (pessimisme) ved evaluering av signaler om eiendeler og systematiske og idiosynkratiske utbetalinger. Dette resulterer i sesongmessig variasjon i misprising og returforutsigbarhet. I tråd med modellsprognosene, oppdager vi et sett med ny sesongmessige tverrsnittsavkastninger basert på ideen om at aksjer som har vært svært følsomme for sesongmessige humørsvingninger i det siste, vil også være følsomme i fremtiden. Med andre ord argumenterer vi for at enkelte aksjer har høyere følsomhet for humørsvingninger (høyere humørsatser) enn andre, noe som skaper en sammenheng mellom stemningsdrevne aggregerte sesongmessigheter og sesongmessige sesonger i returavsnittet. Spesielt argumenterer vi for at investorstemningen varierer systematisk over kalendermåneder, hverdager og helligdager. Som følge av dette bidrar en humør beta beregnet ved hjelp av sikkerhetsavkastning i sesonger med humørsvingninger til å forutsi fremtidige sesongavkastninger i andre perioder der stemningen forventes å endres. I vår prøveperiode 1963-2015. Den gjennomsnittlige aksjeavkastningen (målt ved CRSP likevektsindeksavkastning minus risikofri rente) er høyest i januar og laveste i oktober. Dermed fokuserer vi på januar som en proxy for en investor med høy stemning og oktober for en lavmoodstat. Ved hjelp av Fama-MacBeth regresjoner, bekrefter vi resultatene av Heston og Sadka (2008) for januar og oktobermidashhistorical januar (oktober). Relativ ytelse har en tendens til å fortsette i fremtiden januar (oktober) i de neste ti eller flere årene. I vår tolkning vil aksjer som gjør det bedre enn andre i løpet av en måned, ha en tendens til å gjøre det bedre igjen samme måned i fremtiden fordi det er kongruent stemning på den tiden. Videre finner vi en ny reverseringseffekt som krysser måneder med inkongruente stemninger historisk januar (oktober) avkastning i tverrsnittet har en tendens til å vende betydelig i etterfølgende oktobere (januar). En lager som gjorde det bedre enn andre aksjer i januar, har en tendens til å gjøre verre enn andre aksjer i oktober de neste fem årene eller så. En standardavviksøkning i den historiske kongruente (inkongruente) kalenderen-måneden fører til en gjennomsnittlig 23 økning (17 nedgang) de neste ti årene, i forhold til gjennomsnittlig januarOctober returnerer. Vår forklaring på disse effektene er ikke spesifikk for den månedlige frekvensen. En nyttig måte å utfordre vår teori på er derfor å teste for sammenlignbare tverrsnitt sesongmessigheter ved andre frekvenser. Flytter til domenet med daglige avkastninger, dokumenterer vi et lignende sett med kongruentincongruent-humør-ukedagens tilbakevendende utholdenhet og reverseringseffekter. Vi bekrefter denne tilbakeholdenhetseffekten for måndag og fredag, og viser deretter, analogt med månedlige resultater, at en kongruent-humør-ukedagens tilbakeholdenhetseffekt gjelder: Relativ ytelse over aksjer på best-market-return (worst-market - retur) dag realisert i en uke har en tendens til å fortsette på etterfølgende ti fredager (mandager) og utover, når god (dårlig) markedsresultat forventes å fortsette. En standardavviksøkning i historisk kongruent-ukedag eller kongruent-humør-ukedagens retur er tilknyttet et gjennomsnitt med en 4 eller 12 høyere avkastning i de påfølgende ti mandager fredager. På nivået på individuelle aksjer er det sesongmessig pre-feriested, hvor lagre som historisk har oppnådd høyere ferie før avgang, tjener høyere ferie før retur for samme ferie de neste ti årene. Tverrsnittsavkastningen og reverseringseffekter over måneder, hverdager og helligdager er generelt i tråd med våre teoretiske forutsetninger om at investorsrsquo sesongmessige humørsvingninger forårsaker sesongmessige misforståelser om faktor og fastspesifikke utbetalinger og fører til tverrsnittsavkastning. Disse prognosene er basert på ideen om at ulike aksjer har forskjellige stemninger betamdasha stockrsquos returfølsomhet for faktor feilprising indusert av humørsjokk. Vi hevder at begrepet humør beta integrerer ulike sesongmessige effekter. Vi utfører derfor flere direkte tester av modellens prediksjon at humørsatsene vil bidra til å prognostisere den relative ytelsen til aksjene i årstider med forskjellige humør. Quant Quantum Amp amp Quantpedia Trading Strategy Series: Tverrsnitt Equity Mean Reversion torsdag 29. desember, 2016 Quantopian amp Quantpedia Trading Strategy Series fortsetter. Nå med en fjerde artikkel, igjen skrevet av Matthew Lee, fokusert på Tverrsnittet Equity Mean Reversion (Strategy 13): Tverrsnittet gjennomsnittlig reversering i aksjer (sterk tendens til aksjer med sterke gainslosses å reversere i en kortsiktig tidsramme - opptil en måned) er en velkjent markedsobservasjon, og hovedårsaken til at så mange akademiske forskere generelt bruker en 2-12 momentmåling (returnerer de siste 12 månedene, unntatt den forrige) ved undersøkelse av momentanomali. Mange akademiske papirer undersøkte denne effekten, den mest bemerkelsesverdige er papirer av Jagadesh. og Bruce Lehmann (se annen papersquot-seksjon på Quantpedia-undersiden for denne reverseringsstrategien for flere faglige forskningsblanketter). De fleste akademikere spekulerer på at de grunnleggende årsakene til anomali er markedsmikrostrukturfriksjoner (bud-ask-studs) eller investorer39 kognitive forstyrrelser - overreaktjon til tidligere informasjon og en korreksjon av denne reaksjonen etter kort tidshorisont. Men er denne enkle egenkapitalstrategien fortsatt lønnsom Matthew Lee fra Quantopian utførte en uendret analyse i løpet av en prøveperiode fra 12-01-2011 til 12-01-2016. Samlet sett er ytelsen til enkel kortsiktig egenkapital reversering strategi under markedet. Men det skal bemerkes at denne strategien er longshort sammenlignet med bare langvarig egenkapital benchmark (som er SPY). Så hvis vi ønsker å sammenligne total ytelse av denne strategien, bør vi sammenligne lang eneste reversering av quotloser-aksjene decilequot. Longshort egenkapital reverseringsstrategi har et Sharpe-forhold på 0,84 og Beta på 0,15. Sharpe-forholdet til longshort-versjonen er sammenlignbart med markedsporteføljen, og en lav korrelasjon av egenkapitalomkastningsstrategi gjør det til en mulig tillegg til investeringsporteføljen. Derimot. Reversal strategi er veldig aktiv (ukentlig, to ukentlig rebalancing) som betyr høye transaksjonskostnader og slippe. Så virkelig stor forsiktighet bør betales i en real-world-implementering, og skritt som forsøker å begrense strategi39s omsetning bør tas. Den endelige OOS-egenkapitalkurven: Takk for analysen Matthew Du kan også sjekke først. andre eller tredje artikkel i denne serien hvis du likte den nåværende. Hold deg innstilt for det neste. En effekt av monetære forhold på bærehandler Torsdag 22. desember 2016 Tittel: Bærehandler og monetære forhold Dette papiret undersøker sammenhengen mellom monetære forhold og meravkastningen som følge av en investeringsstrategi som består i å låne lavrente valutaer og investere i valutaer med høy rente, såkalt quotcarry tradequot. Resultatene indikerer at bærehandelens gjennomsnittlige meravkastning, Sharpe-forhold og 5-kvantile avviger vesentlig over ekspansiv og restriktiv konvensjonell pengepolitikk før utbruddet av den siste finanskrisen. De omtalte parametrene er derimot ikke påvirket av ukonvensjonell pengepolitikk i finanskrisen. Bemerkelsesverdige sitater fra det akademiske forskningspapiret: Mitt hovedresultat er at bære porteføljens gjennomsnittlige avkastning, Sharpe-forhold og 5 kvantile di ffer vesentlig på tvers av ekspansiv og restriktiv konvensjonell pengepolitikk før utbruddet av den siste finanskrisen. Spesifikt finner jeg at ekspansive perioder er preget av signifikant høyere gjennomsnittlig avkastning og Sharpe-forhold og lavere nedsatt risiko. Når det gjelder dette, hevder jeg at ekspansiv konvensjonell pengepolitikk er i stand til å forbedre markedets forventninger over land og på den måten lavere valutakursrisiko. Dette genererer en valutaøkning for nett debitor-nasjoner og en økning i bærehandelsprofitene. For det andre presenterer jeg bevis som tyder på at de vurderte parametrene er lik over aggressiv og stabiliserende ukonvensjonell pengepolitikk i den siste finanskrisen. Så, Federal Reserve kunne ikke ffect markedet forventninger i løpet av denne tiden. For investorer, tyder dette beviset på at belønningene fra carry trade varierer kun med endringer i monetære forhold bare under kvotormalotider. For forskere tyder dette beviset på at anerkjennelse av pengepolitikkens relevans er avgjørende for å forstå prisimplikasjonene for valutakursrisiko for bærehandel. QuotZipline er et pythonisk algoritmisk handelsbibliotek. Det er et hendelsesdrevet system som støtter både backtesting og live-trading. Zipline brukes for tiden i produksjon som backtesting og live-trading motor som driver Quantopian 8211 en gratis, fellesskapssentrert plattform for bygging og utførelse av handelsstrategier. Enkel bruk: Zipline prøver å komme seg ut av veien slik at du kan fokusere på algoritmutvikling. Se nedenfor for et kodeeksempel. Zipline kommer 8220batterier inkludert8221 så mange vanlige statistikker som glidende gjennomsnitt og lineær regresjon kan lett nås fra en brukerskrevet algoritme. Inngang av historiske data og resultater fra resultatstatistikk er basert på Pandas DataFrames for å integrere pent i det eksisterende PyData-økosystemet. Statistiske og maskinlæringsbiblioteker som matplotlib, scipy, statsmodeller og sklearn støtter utvikling, analyse og visualisering av toppmoderne handelssystemer. Installasjon Installere med pip Hvis du antar at du har alle nødvendige (se notat nedenfor) ikke-Python-avhengigheter, kan du installere Zipline med pip via: Merk: Installering av Zipline via pip er litt mer involvert enn den gjennomsnittlige Python-pakken. Bare å kjøre pip installere zipline vil trolig mislykkes hvis you8217ve aldri installert noen vitenskapelige Python-pakker før. Det er to grunner til den ekstra kompleksiteten: Zipline sender flere C-utvidelser som krever tilgang til CPython C API. For å bygge C-utvidelsene trenger pip tilgang til CPython header-filene for Python-installasjonen. Zipline er avhengig av numpy. kjernebiblioteket for numerisk array-beregning i Python. Numpy er avhengig av å ha LAPACK lineære algebra rutiner tilgjengelig. Fordi LAPACK og CPython-toppene er binære avhengigheter, varierer den riktige måten å installere dem fra plattform til plattform. På Linux bruker brukerne vanligvis disse avhengighetene via en pakkebehandling som apt. yum. eller pacman. På OSX er Homebrew et populært valg som gir lignende funksjonalitet. Se fullstendig Zipline Installer dokumentasjon for mer informasjon om å skaffe binære avhengigheter for din spesifikke plattform. En annen måte å installere Zipline på er via conda pakkebehandling, som kommer som en del av Anaconda eller kan installeres via pip install conda. Når du er konfigurert, kan du installere Zipline fra vår Quantopian-kanal: For øyeblikket støttede plattformer inkluderer: Quickstart ContributionsData Bundles Skrive en ny pakke Databassenger eksisterer for å gjøre det enkelt å bruke forskjellige datakilder med zipline. For å legge til et nytt bunt, må man implementere en inntaksfunksjon. Inntaksfunksjonen er ansvarlig for å laste dataene inn i minnet og sende det til et sett med skribentobjekter levert av zipline for å konvertere dataene til zipline8217s interne format. Inntaksfunksjonen kan fungere ved å laste ned data fra en ekstern plassering som quandlbunt eller yahoo-bunter, eller det kan bare laste filer som allerede er på maskinen. Funksjonen er utstyrt med forfattere som vil skrive dataene til riktig sted transaksjonelt. Hvis en inntak mislykkes delvis, vil bunken ikke skrives i en ufullstendig tilstand. Signaturen til ingest-funksjonen skal være: environ er en kartlegging som representerer miljøvariablene som skal brukes. Dette er hvor noen tilpassede argumenter som trengs for inntaket, skal overføres, for eksempel: quandl-pakken bruker miljøet til å passere API-nøkkelen og nedlastingstestforsøkstellingen. assetdbwriter assetdbwriter er en forekomst av AssetDBWriter. Dette er forfatteren av eiendomsmetadataene som gir eiendelens levetid og symbolet for aktiv ID (sid) kartlegging. Dette kan også inneholde eiendomsnavnet, utvekslingen og noen andre kolonner. For å skrive data, skriv skriv () med dataframmer for de ulike delene av metadata. Mer informasjon om formatet på data finnes i dokumentene for skrive. minutebarwriter minutebarwriter er en forekomst av BcolzMinuteBarWriter. Denne forfatteren brukes til å konvertere data til zipline8217s interne bcolz format for senere å bli lest av en BcolzMinuteBarReader. Hvis minuttdata er oppgitt, skal brukerne ringe skrive () med en iterbar av (sid, dataframe) tuples. Fremdriftsargumentet bør også videresendes til denne metoden. Hvis datakilden ikke gir data på minuttnivå, er det ikke nødvendig å ringe skrivemetoden. Det er også akseptabelt å sende en tom iterator til å skrive () for å signalisere at det ikke finnes noen nøyaktige data. Dataene som ble sendt for å skrive () kan være en latere iterator eller generator for å unngå å laste alle minuttdataene til minne på en gang. Et gitt sid kan også vises flere ganger i dataene så lenge datoene øker strengt. dailybarwriter dailybarwriter er en forekomst av BcolzDailyBarWriter. Denne forfatteren brukes til å konvertere data til zipline8217s interne bcolz format for senere å bli lest av en BcolzDailyBarReader. Hvis det foreligger daglige data, bør brukerne ringe skrive () med en iterbar av (sid dataframe) tuples. Fremdriftsargumentet bør også videresendes til denne metoden. Hvis datakilden ikke gir daglige data, er det ikke nødvendig å ringe skrivemetoden. Det er også akseptabelt å sende en tom iterbar til å skrive () for å signalisere at det ikke finnes noen daglige data. Hvis det ikke oppgis noen daglige data, men det blir gitt øyeblikkelige data, skjer det daglig daglig oppretting. Som minutebarwriter. dataene som ble sendt for å skrive () kan være en lat gjennomførbar eller generator for å unngå å laste alle dataene til minne samtidig. I motsetning til minutebarwriter. et sid kan bare vises en gang i dataene iterable. Adjustwriter Adjustwriter er en forekomst av SQLiteAdjustmentWriter. Denne forfatteren er vant til å lagre splitter, fusjoner, utbytte og aksjeutbytte. Dataene skal leveres som dataframmer og bestått for å skrive (). Hvert av disse feltene er valgfritt, men forfatteren kan godta så mye av dataene som du har. kalenderkalenderen er en forekomst av zipline. utils. calendars. TradingCalendar. Kalenderen er gitt for å hjelpe noen bunter til å generere spørringer for de dagene som trengs. Start-start-start er en pandas. Timestamp-objekt som indikerer den første dagen at bunten skal laste inn data for. endessens sluttid er en pandas. Timestamp objekt som indikerer den siste dagen at bunten skal laste data for. cache er en forekomst av dataframecache. Dette objektet er en kartlegging fra strenge til dataframmer. Dette objektet er gitt i tilfelle en inntak krasjer delvis gjennom. Tanken er at inntastingsfunksjonen bør sjekke hurtigbufferen for rå data, hvis den ikke eksisterer i hurtigbufferen, bør den anskaffe den og deretter lagre den i hurtigbufferen. Så kan det analysere og skrive dataene. Cachen blir slettet bare etter en vellykket belastning, dette forhindrer at inntaksfunksjonen behøver å laste ned alle dataene hvis det er noen feil i parsingen. Hvis det er veldig raskt å få dataene, for eksempel hvis det kommer fra en annen lokal fil, er det ikke nødvendig å bruke denne hurtigbufferen. showprogress showprogress er en boolean som indikerer at brukeren ønsker å motta tilbakemelding om inntastingsfunksjonen8217s fremdrift å hente og skrive dataene. Noen eksempler på hvor du skal vise hvor mange filer du har lastet ned av alt som trengs, eller hvor langt inn i noen datakonvertering er inntaksfunksjonen. Et verktøy som kan hjelpe til med å implementere showprogress for en loop er kanskje en fremgang. Dette argumentet skal alltid videresendes til minutebarwriter. write og dailybarwriter. write. outputdir outputdir er en streng som representerer filbanen der alle dataene skal skrives. outputdir vil være noen underkatalog av ZIPLINEROOT og vil inneholde tidspunktet for starten av gjeldende inntak. Dette kan brukes til å flytte ressurser direkte her hvis en eller annen grunn din inntaksfunksjon kan produsere it8217s egne utganger uten forfatterne. For eksempel bruker quantopian: quandl-bunten dette til å direkte untar bunten i outputdir.