Ich habe in Python ein Programm erstellt, das FX-CSV-Daten liest und eine große Anzahl von Diagrammbildern erstellt

Über diesen Artikel

FX-Vorhersagen in Deep Learning (CNN) treffen Aus CSV-Daten (Datum und Uhrzeit, Eröffnungspreis, Hochpreis, Niedrigpreis, Schlusskurs werden beschrieben) Ich möchte eine große Anzahl von Diagrammbildern erzeugen.

Ergebnisse

Erstellen Sie das folgende Diagrammbild aus CSV.

Informationen zur CSV-Datei

Die CSV-Datei ist ein stündlicher Balken von USDJPY. (Von Januar 2007 bis September 2020) Wenn Sie keine stündlichen CSV-Daten haben, lesen Sie bitte diesen Artikel . Der Inhalt von CSV ist wie folgt. Es gibt mehr als 80.000 Zeilen.

Code

Der Code ist unten.

import matplotlib.pylab as plt
import pandas as pd
import numpy as np

def make_sma(parab, arr=None):
    """
Funktionsbeschreibung: Fügt dem als Argument empfangenen Array eine durchschnittliche Bewegungslinie hinzu.
    parab:Zeitraum
    arr:Array bestehend aus Datum und Uhrzeit, Öffnungspreis, Hochpreis, Niedrigpreis, Schlusskurs
    """
    row = arr.shape[1] #Ermitteln Sie die Anzahl der Spalten in einem Array
    arr = np.c_[arr, np.zeros((len(arr),1))] #Spalte hinzufügen
    for i in range(parab, len(arr)):
        tmp = arr[i-parab+1:i+1,4].astype(np.float) #Geben Sie die Nummer innerhalb des Zeitraums ein
        arr[i,row] = np.mean(tmp) #Geben Sie den Wert des gleitenden Durchschnitts ein

    return arr

def dataframe_to_img(chart_range, img_name, df=None):
    """
Funktionsbeschreibung: DataFrame in Image konvertieren und speichern.
    chart_range:DataFrame-Bereich
    img_name:Bildspeicherziel
    df:Zu zeichnender DataFrame
    """
    df = df[0:chart_range]

    plt.figure()
    df.plot(legend=None) #Legende löschen
    plt.axis('off') #Randentfernung
    plt.tick_params(labelbottom=False,
                    labelleft=False,
                    bottom=False,
                    left=False) #Randentfernung
    plt.box(False) #Randentfernung
    plt.savefig(img_name,bbox_inches="tight") #Ränder entfernen und speichern
    plt.close('all')


#Laden Sie csv in ein Array
arr = np.loadtxt(r'CSV-Datei', delimiter=",", skiprows=1, dtype='object') 

#Technische Indikatoren hinzugefügt
arr = make_sma(parab=25, arr=arr)

#In DataFrame konvertieren
col_name = ['Date',"Open","High","Low","Close","SMA"]
df = pd.DataFrame(arr,columns=col_name)

#In DataFrame konvertieren und Bild speichern
df = df[df!=0].dropna() #Zeile 0 löschen
df = df[['Close','SMA']] #Nur die Spalten, die im Diagramm gezeichnet werden sollen
df = df.astype('float') #In Float umwandeln

chart_range = 360

for i in range(20):
    try:
        img_name = str(i) + '.png' #Bildspeicherziel
        dataframe_to_img(chart_range, img_name, df=df[i:chart_range+i])
    except IndexError:
        pass

#DataFrame wird ebenfalls gespeichert, da es später als korrektes Antwortetikett verwendet wird.
df.to_csv(r'tarintest_labels.csv',encoding='utf_8_sig')

Eine Beschreibung des Codes. Laden Sie zuerst die CSV mit numpy.

Dann mit arr = make_sma (parab = 25, arr = arr), Fügen Sie arr eine gleitende Durchschnittslinie hinzu. Die Periode der gleitenden Durchschnittslinie wird durch parab angegeben. Wenn Sie Langzeitzeilen wie 75 und 200 anstelle von 25 hinzufügen möchten, Sie können es hinzufügen, indem Sie den Wert von parab ändern und hinzufügen.

Nach dem Hinzufügen der technischen Indikatoren Mit df = pd.DataFrame (arr, column = col_name) Konvertieren Sie arr in DataFrame.

chart_range = 360 ist der Bereich der anzuzeigenden Diagramme. Diesmal handelt es sich um eine 1-stündige CSV. Wenn es sich also um 360 handelt, wird sie 360 Stunden lang angezeigt.

Übergeben Sie schließlich in der for-Anweisung den DataFrame an die Funktion dataframe_to_img und speichern Sie ihn nacheinander. dataframe_to_img verwendet matplotlib. Grenzen usw. werden gelöscht, weil sie das Lernen beim tiefen Lernen beeinträchtigen.

Speichern Sie nach der Ausgabe des Bildes den DataFrame als CSV. Dies dient dazu, es als korrektes Antwortetikett für tiefes Lernen umzuleiten.

Bestätigung

Stellen Sie sicher, dass das Bild gespeichert ist.

Diesmal nur eine einfache gleitende Durchschnittslinie, Es ist auch möglich, das Bollinger-Band und die Ichimoku-Balance-Tabelle anzuzeigen.

Wenn Sie es hilfreich finden, verwenden Sie bitte LGTM. Es wird das Update fördern.