[PYTHON] Generieren technischer Indikatoren für den Systemhandel in der Anaconda-Umgebung Versuchen Sie, technische Indikatoren für Bitcoin mit TA-LIB zu erstellen

Inhaltsverzeichnis

1. Übersicht
2. Erstellen Sie eine Conda-Umgebung für den Systemhandel
3. Installieren Sie TA-LIB
4. Versuchen Sie es mit TA-LIB
5. Zusammenfassung

1. Übersicht

Ich wollte meinen eigenen Systemhandel machen, [[Wikipedia] Moving Average](https://ja.wikipedia.org/wiki/%E7%A7%BB%E5%8B%95%E5%B9%B3%E5%9D Wenn Sie% 87) oder [Wikipedia] MACD selbst geschrieben haben, Ich wusste, dass es ein Paket zum Erstellen eines netten technischen Index namens TA-LIB gab, ohne ihn von Hand drücken zu müssen. Beschreiben der Einführungsmethode, der Umgebungskonstruktionsmethode und des Ausführungsbeispiels

⬇️ Mit einer solchen Zeile können Sie problemlos unzählige Indikatoren erstellen

Erstellen Sie eine Bollinger-Band: [[Wikipedia] Bollinger-Band](https://ja.wikipedia.org/wiki/%E3%83%86%E3%82%AF%E3%83%8B%E3%82%AB% E3% 83% AB% E6% 8C% 87% E6% A8% 99% E4% B8% 80% E8% A6% A7 #% E3% 83% 9C% E3% 83% AA% E3% 83% B3% E3 % 82% B8% E3% 83% A3% E3% 83% BC% E3% 83% 90% E3% 83% B3% E3% 83% 89)

python

import ta-lib as ta
pperband, middleband, lowerband = ta.BBANDS(close, timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)

Es gibt viele technische Indikatoren. Viele Dinge, die ich nicht weiß ...

2. Erstellen Sie eine Conda-Umgebung für den Systemhandel

[Qiita] Virtuelle Umgebung mit Anaconda speichern / rekonstruieren / duplizieren Der obige Artikel war sehr einfach über die virtuelle Umgebung mit conda zu verstehen. Wenn Sie also nicht mit der Umgebung vertraut sind, schauen Sie sie sich bitte an.

Überprüfung der Conda-Umgebung

Terminal

conda info -e

Ausführungsbeispiel: Basis nur in Standardumgebung

Klonen Sie die Conda-Umgebung

Dieses Mal werden wir die Basisumgebung klonen und eine neue Umgebung erstellen

Terminal

conda create -n <Neuer Umgebungsname> --clone <Umgebungsname, den Sie duplizieren möchten>

Ausführungsbeispiel

Aktivieren Sie die neue Conda-Umgebung

Terminal

conda activate <Neuer Umgebungsname>

Ausführungsbeispiel

3. Installieren Sie TA-LIB

Suche TA-LIB nach conda

Terminal

anaconda search -t conda ta-lib

Ausführungsbeispiel: Diesmal Plattform: Linux-64, Builds: py37_0 Ich wollte eine Umgebung, notieren Sie sich also den entsprechenden Umgebungsnamen "quantnet / ta-lib".

Hinweis: Für Mac OS- und Windows-Benutzer wählen Sie bitte "Quantopian / ta-lib". Da "Quantopian / ta-lib" nur bis zu Python 3.6 unterstützt, Es kann mit dem Klon der Basisumgebung (Python3.7) nach dem obigen Verfahren nicht verwendet werden. Erstellen Sie eine Python 3.6-Umgebung mit conda create -n <Name der neuen Umgebung> python = 3.6

Suchen Sie nach dem Installationsbefehl des Zielpakets

Terminal

anaconda show <Name des Zielpakets>

Ausführungsbeispiel

Conda installiert TA-LIB

Terminal

conda install --channel https://conda.anaconda.org/quantnet ta-lib

Überprüfen Sie, ob TA-LIB installiert ist

Terminal

conda list | grep ta-lib

Ausführungsbeispiel

4. Versuchen Sie es mit TA-LIB

Holen Sie sich tägliche Daten von BTC und machen Sie es DataFrame

Dieses Mal erhalten wir die täglichen Daten von Bitcoin in bitFlyer von Cryptwatch. [Cryptowatch] bifFlyer BITCFXJPY tägliche Daten

python

import requests
import pandas as pd

#1 Tag von Cryptowatch bis OHTC von BTC(14400 Minuten)Erstellen Sie eine Funktion, die in einem DataFrame abgerufen und zurückgegeben wird
def get_btc_ohlc(period=14400):

    #Anfrage an Cryptowatch
    response_data = requests.get("https://api.cryptowat.ch/markets/bitflyer/btcfxjpy/ohlc",params = { "periods" : period , "after" : 1})
    response_data = response_data.json()
    
    #In einen DataFrame umgewandelt
    df_tmp = pd.DataFrame(pd.DataFrame(response_data)[:1]['result'][0],
                        columns=['date', 'open', 'high', 'low', 'close', 'tmp1', 'tmp2']).drop(columns=['tmp1', 'tmp2'])

    #Da date int ist, konvertieren Sie in datetime
    df_tmp['date'] = pd.to_datetime(df_tmp['date'].astype(int), unit='s')
    return df_tmp

#Erhalten Sie tatsächlich BTC OHLC-Informationen
df_btc = get_btc_ohlc()

#Schauen Sie sich die erfassten Daten an
df_btc.head()

Ausführungsbeispiel: Sie sollten das folgende Ergebnis erhalten

Zur Verwendung in TA-LIB in Array konvertieren

** [Achtung] Informationen wie Öffnen und Schließen beim Erstellen technischer Indikatoren mit TA-LIB können von DataFrame nicht verarbeitet werden und müssen ein Array sein **

python

import numpy as np

btc_open = np.array(df_btc['open'])
btc_close = np.array(df_btc['close'])
btc_high = np.array(df_btc['high'])
btc_low = np.array(df_btc['low'])

Erstellen Sie mit TA-LIB verschiedene technische Indikatoren

Ich habe nur die repräsentativen Indikatoren geschrieben, die oft verwendet werden, aber es gibt wirklich unzählige. Weitere Informationen finden Sie unter TA-LIB.

python

# TA-LIB-Paket importieren
import talib as ta

#Berechnen Sie das Bollinger-Band
upperband, middleband, lowerband = ta.BBANDS(btc_close, timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)

#Impuls berechnen
momentum=ta.MOM(btc_close,timeperiod=10)

#RSI berechnen
rsi = ta.RSI(btc_close, timeperiod=14)

# MACD
macd, macdsignal, macdhist = ta.MACD(btc_close, fastperiod=12, slowperiod=26, signalperiod=9)

# Stochastic
slowk, slowd = ta.STOCH(btc_high, btc_low, btc_close, fastk_period=5, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)

# ATR
real = ta.ATR(btc_high, btc_low, btc_close, timeperiod=14)

# EMA
ema25 = ta.EMA(btc_close, timeperiod=25)
ema75 = ta.EMA(btc_close, timeperiod=75)


#Kombinieren Sie die erstellten technischen Index-Arrays zu einem DataFrame, um sie mit dem ursprünglichen DataFrame zu kombinieren
array_tmp = np.c_[upperband, middleband, lowerband, momentum, rsi, macd, macdsignal, macdhist, slowk, slowd, real, ema25, ema75]
df_tmp = pd.DataFrame(data=array_tmp, columns=['upperband', 'middleband', 'lowerband', 'momentum', 'rsi', 'macd', 'macdsignal', 'macdhist', 'slowk', 'slowd', 'real', 'ema25', 'ema75'])


#Join by Dataframe,Indexbasierter Typ
df_btc = df_btc.merge(df_tmp, left_index=True, right_index=True)

#Schauen Sie sich die Ergebnisse an
df_btc.tail(10)

Ausführungsbeispiel: Aufgrund der Größe des Bildes werden nur die Ergebnisse mit bis zu 3 Zeilen eingefügt, die Ergebnisse können jedoch bis zu 10 Zeilen ordnungsgemäß erhalten werden.

5. Zusammenfassung

Bisher steht die Vorbereitung auf den automatischen Handel kurz bevor. Macht es also so viel Spaß? Es kann niemanden geben. Das nächste Mal möchte ich einen Artikel über das Zeichnen dieses Ergebnisses und das Backtesting für den Systemhandel verfassen (ein Test wie Zug- und Testdaten getrennt und Kreuzvalidierung des Modells beim maschinellen Lernen).