Indicadores de negociação em python


Python Algorithmic Trading Library.
PyAlgoTrade é uma Biblioteca de Negociação Algorítmica Python com foco em backtesting e suporte para negociação de papel e negociação ao vivo. Digamos que você tenha uma idéia de uma estratégia de negociação e que você gostaria de avaliá-la com dados históricos e ver como ela se comporta. PyAlgoTrade permite que você faça isso com um esforço mínimo.
Principais características.
Totalmente documentado. Evento conduzido. Suporta pedidos Market, Limit, Stop e StopLimit. Suporta Yahoo! Finanças, Google Finance e NinjaTrader CSV. Suporta qualquer tipo de dados da série temporal no formato CSV, por exemplo, Quandl. Suporte comercial Bitcoin através do Bitstamp. Indicadores técnicos e filtros como SMA, WMA, EMA, RSI, Bandas Bollinger, Expositores Hurst e outros. Métricas de desempenho como a taxa de Sharpe e análise de redução. Manipulação de eventos do Twitter em tempo real. Perfil de eventos. Integração TA-Lib.
Muito fácil de dimensionar horizontalmente, ou seja, usando um ou mais computadores para testar uma estratégia.
PyAlgoTrade é gratuito, de código aberto e está licenciado sob a Licença Apache, Versão 2.0.

Tutorial¶
O objetivo deste tutorial é dar uma rápida introdução ao PyAlgoTrade. Conforme descrito na introdução, o objetivo do PyAlgoTrade é ajudá-lo a testar estratégias de negociação de ações. Digamos que você tenha uma idéia para uma estratégia de negociação e você gostaria de avaliá-lo com dados históricos e ver como ele se comporta, então PyAlgoTrade deve permitir que você faça isso com um esforço mínimo.
Antes de seguir em frente, gostaria de agradecer a Pablo Jorge, que ajudou a rever o design inicial e a documentação.
Este tutorial foi desenvolvido em um ambiente UNIX, mas as etapas para adaptá-lo a um ambiente Windows devem ser diretas.
PyAlgoTrade possui 6 componentes principais:
Estratégias Feeds Brokers DataSeries Technical Optimizer.
Dito tudo isso, a primeira coisa que precisaremos para testar nossas estratégias é alguns dados. Vamos usar os preços das ações da Oracle em 2000, que iremos baixar com o seguinte comando:
O pacote pyalgotrade. tools. yahoofinancei fornece dados formatados CSV de Yahoo! Finança. O arquivo orcl-2000.csv deve ser assim:
Vamos começar com uma estratégia simples, ou seja, que apenas imprima os preços de fechamento à medida que são processados:
Se você executar o script, você deve ver os preços de fechamento em ordem:
Deixe-se avançar com uma estratégia que imprima o fechamento dos preços da SMA, para ilustrar como as técnicas são usadas:
Isso é muito semelhante ao exemplo anterior, exceto que:
Nós estamos iniciando um filtro SMA sobre a série de dados de preço de fechamento. Nós iremos imprimir o valor SMA atual junto com o preço de fechamento.
Se você executar o script, você deve ver os preços de fechamento e os valores SMA correspondentes, mas neste caso, os primeiros 14 valores SMA são Nenhum. Isso é porque precisamos de pelo menos 15 valores para obter algo do SMA:
Todas as técnicas retornarão None quando o valor pode ser calculado num determinado momento.
Uma coisa importante sobre técnicas é que eles podem ser combinados. Isso é porque eles também são modelados como DataSeries. Por exemplo, obter um SMA sobre o RSI em relação aos preços de fechamento é tão simples quanto isso:
Se você executar o script, você deve ver um monte de valores na tela em que:
Os primeiros 14 valores RSI são Nenhum. Isso é porque precisamos de pelo menos 15 valores para obter um valor RSI. Os primeiros 28 valores SMA são Nenhum. Isso ocorre porque os primeiros 14 valores RSI são Nenhum e o 15º é o primeiro valor não nenhum que o filtro SMA recebe. Podemos calcular o SMA (15) somente quando temos 15 valores de Nenhum Nenhum.
Vamos seguir em frente com uma estratégia simples, desta vez simulando negociações reais. A ideia é muito simples:
Se o preço de fechamento ajustado estiver acima do SMA (15), entramos em uma posição longa (colocamos um pedido de mercado de compra). Se uma posição longa estiver no lugar e o preço de fechamento ajustado cair abaixo da SMA (15), saímos da posição longa (colocamos um pedido de mercado de venda).
Se você executar o script, você deve ver algo como isto:
Mas e se usássemos 30 como período SMA em vez de 15? Isso produziria melhores resultados ou pior? Podemos certamente fazer algo como isto:
e descobriremos que podemos obter melhores resultados com um SMA (20):
Isso está certo se precisarmos apenas tentar um conjunto limitado de valores de parâmetros. Mas, se tivermos de testar uma estratégia com vários parâmetros, a abordagem serial não vai se dimensionar, pois as estratégias ficam mais complexas.
Otimizando¶
Conheça o componente otimizador. A ideia é muito simples:
Existe um servidor responsável por: Fornecer as barras para executar a estratégia. Fornecer os parâmetros para executar a estratégia. Gravando os resultados da estratégia de cada um dos trabalhadores. Há vários trabalhadores responsáveis ​​por: Executando a estratégia com as barras e os parâmetros fornecidos pelo servidor.
Um período SMA para identificação de tendências. Nós iremos chamar esta entradaSMA e variará entre 150 e 250. Um período SMA menor para o ponto de saída. Nós iremos chamar esta exitSMA e variará entre 5 e 15. Um período RSI para entrar em posições curtas / longas. Nós iremos chamar este rsiPeriod e variará entre 2 e 10. Um limite de sobrevoo RSI para entrada de posição longa. Nós iremos chamar este overSoldThreshold e variará entre 5 e 25. Um limite de sobrecompração RSI para entrada de posição curta. Nós iremos chamar este OverBoughtThreshold e variará entre 75 e 95.
Se a minha matemática estiver bem, são 4409559 combinações diferentes.
Testar esta estratégia para um conjunto de parâmetros levou-me cerca de 0,16 segundos. Se eu executar todas as combinações em série, levará cerca de 8,5 dias para avaliar todas elas e encontrar o melhor conjunto de parâmetros. Isso é um longo período de tempo, mas se eu conseguir dez computadores de 8 núcleos para fazer o trabalho, o tempo total passará para cerca de 2,5 horas.
Longa história curta, precisamos ir em paralelo.
Vamos começar baixando 3 anos de barras diárias para & # 8216; Dow Jones Industrial Average & # 8217 ;:
Salve este código como rsi2.py:
Este é o script do servidor:
O código do servidor está fazendo 3 coisas:
Declarando uma função de gerador que produz diferentes combinações de parâmetros para a estratégia. Carregando o feed com os arquivos CSV que baixamos. Executando o servidor que aguardará as conexões recebidas na porta 5000.
Este é o script do trabalhador que usa o módulo pyalgotrade. optimizer. worker para executar a estratégia em paralelo com os dados fornecidos pelo servidor:
Quando você executa o servidor e o cliente / s, você verá algo assim no console do servidor:
e algo assim no console do trabalhador / s:
Observe que você deve executar apenas um servidor e um ou mais trabalhadores.
Se você quiser apenas executar estratégias em paralelo em sua própria área de trabalho, você pode tirar proveito do módulo pyalgotrade. optimizer. local como este:
O código está fazendo 3 coisas:
Declarando uma função de gerador que produz diferentes combinações de parâmetros. Carregando o feed com os arquivos CSV que baixamos. Usando o modificador pyalgotrade. optimizer. local para executar a estratégia em paralelo e encontrar o melhor resultado.
Quando você executa este código, você deve ver algo como isto:
PyAlgoTrade torna muito fácil traçar uma execução de estratégia.
Salve isso como sma_crossover. py:
e salve este código em um arquivo diferente:
O código está fazendo 3 coisas:
Carregando o feed de um arquivo CSV. Execução da estratégia com as barras fornecidas pelo feed e um StrategyPlotter anexado. Traçando a estratégia.
É assim que o enredo se parece:
Espero que você tenha gostado desta introdução rápida. Eu recomendaria que você baixasse PyAlgoTrade aqui: gbeced. github. io/pyalgotrade/downloads/index. html e comece a escrever suas próprias estratégias.
Você também pode encontrar mais exemplos na seção Estratégias de amostra.
Índice.
Tópico anterior.
Próximo tópico.
Pesquisa rápida.
Digite termos de pesquisa ou um nome de módulo, classe ou função.

Indicadores de negociação Python
Puxe pedidos 0.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
Python-library para negociação algorítmica com base em indicadores técnicos com habilidade de backtesting. Os dados são extraídos da Yahoo Finance API.
Repositório de clones, configuração de ambiente virtual e dependências de instalação:
Para criar uma estratégia PyTrading, você só precisa subclasse a classe AbstractStrategy do módulo pytrading. entities. É necessário implementar dois métodos: inicialize e handle_data. O método de inicialização requer que você defina algumas variáveis ​​de configuração que especificam como a estratégia é executada. Abaixo, criamos uma estratégia cujo universo de ativos inclui Pepsi (PEP) e Coca-Cola (KO).
O handle_data será chamado para cada dia de negociação com um dicionário de dados que use os tickers de segurança como chaves e objetos pandas. DataFrame como valores. Esses objetos pandas. DataFrame contêm Low, High, Open, Close e Adj Close como colunas. PyTrading depende fortemente das estruturas de dados fornecidas pelos pandas.
Como nenhum comportamento é definido para o método handle_data, a estratégia acima não fará nada. Os indicadores podem ser usados ​​para gerar sinais comerciais. Eles podem ser utilizados passando um dicionário da forma para o construtor de contexto. INDICATOR_NAME é o nome pelo qual os dados do indicador podem ser acessados ​​mais tarde. indicator_method é um método que leva o objeto DataFrame de uma segurança como uma entrada e retorna o indicador calculado. Os dados do indicador são fornecidos também no método handle_data de uma estratégia.
Simplesmente passar o método momentum como um método indicador não funcionará, pois leva uma série ao invés de um quadro de dados como argumento. O decorador with_series pode ser usado para criar um método que chamará o método do indicador com apenas os dados da etiqueta da coluna especificada (neste caso, Close Adj).
Os indicadores podem ser usados ​​para definir uma estratégia simples:
Nós compramos os estoques que tiveram um bom desempenho e vendemos aqueles que apresentaram bom desempenho durante o último dia. Adicionalmente, definimos a variável skip_days, uma vez que não podemos calcular dados de momentum para o primeiro dia, pois isso exigiria o preço de fechamento do dia anterior ao primeiro dia.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

Indicadores de negociação Python
Pegue os pedidos 7.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
Com a versão 1.9.50.117 amostras de dados e feeds de dados do YahooFinance foram atualizados para a última informação disponível. Mas sendo o formato não documentado, ainda pode haver mudanças e cantos inesperados.
Aqui, um trecho de um CrossOver médio simples simples. Isso pode ser feito de várias maneiras diferentes. Use os documentos (e exemplos) Luke!
Incluindo um gráfico completo. De uma chance! Isso está incluído nas amostras como sigsmacross / sigsmacross2.py. Ao longo é sigsmacross. py, que pode ser parametrizado a partir da linha de comando.
Live Trading e backtesting plataforma escrita em Python.
Feed de dados ao vivo e negociação com corretores interativos (precisa de IbPy e beneficia muito de uma pira instalada) Gráfico visual (precisa de um garfo de comtypes até que uma solicitação de tração seja integrada na versão e benefícios de pira) Oanda (precisa de oatoterapia) (apenas API REST - v20 não suportou a transmissão em sequência quando implementado) Os feeds de dados de csv / arquivos, fontes on-line ou de pandas e chama Filtros para dados (como quebrar uma barra diária em pedaços para simular intradía) Múltiplos fluxos de dados e estratégias múltiplas suportadas Múltiplos cronogramas ao mesmo tempo Integrados Resampling e Repetição Step-Step backtesting ou de uma só vez (exceto na avaliação da Estratégia) Bateria de indicadores integrada Suporte do indicador TA-Lib (precisa de python ta-lib / verificar os documentos) Desenvolvimento fácil de indicadores personalizados Analisadores (por exemplo: TimeReturn , Ratio de Sharpe, SQN) e integração do pacto. Definição flexível dos esquemas de comissão. Simulação de corretores integrada com Mercado, Close, Limit, Stop, StopLimit, StopTrail, StopTrailLimit * e * OCO, ordens, deslizamento e ajuste contínuo de caixa para instrumentos futuros. Plotting (requer matplotlib)
Leia a documentação completa em:
Lista de indicadores embutidos (116)
Python 2.7 Python 3.2 / 3.3 / 3.4 / 3.5 / 3.6 Também funciona com pypy e pypy3 (sem traçado - matplotlib não é suportado em pypy)
A compatibilidade é testada durante o desenvolvimento com 2.7 e 3.5.
As outras versões são testadas automaticamente com Travis.
O backtrader é autônomo sem dependências externas (exceto se desejar traçar)
pip instalar backtrader.
pip instalar backtrader [plotting]
Se matplotlib não estiver instalado e você deseja fazer algum planejamento.
A versão mínima matplotlib é 1.4.1.
Um exemplo para IB Data Feeds / Trading:
IbPy não parece estar no PyPi. Ou:
ou (se git não estiver disponível no seu sistema):
Para outras funcionalidades como: Visual Chart, Oanda, TA-Lib, verifique as dependências na documentação.
Coloque o diretório backtrader encontrado nas fontes dentro do seu projeto.
X: Número de versão principal. Deve ficar estável, a menos que algo grande seja alterado como uma revisão para usar numpy Y: Número de versão menor. Para ser alterado após a adição de um novo recurso completo ou (Deus proibe), uma mudança de API incompatível. Z: número de versão de revisão. Para ser alterado para atualizações de documentação, pequenas mudanças, pequenas correções de bugs I: Número de Indicadores já incorporados na plataforma.
Se depois de ver os documentos e algumas amostras (veja o blog também) você sente que essa não é sua xícara de chá, você sempre pode dar uma olhada em plataformas semelhantes de Python:
bt ligeiramente pré-data backtrader e tem uma abordagem completamente diferente, mas é divertido, bt também foi escolhido como abreviatura para backtrader durante as importações e que alguns dos métodos têm a mesma denominação (nomeação óbvia de qualquer forma): executar, traçar.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

Chaikin Oscillator.
Chaikin = pd. Series (pd. ewma (ad, span = 3, min_periods = 2) - pd. ewma (ad, span = 10, min_periods = 9), name = & # 39; Chaikin & # 39;)
re-balanceamento (contexto, dados):
adosc = Chaikan? haha.
Muito obrigado pela resposta rápida! Eu tentei manter a mesma formatação que eu tenho para o resto do algoritmo, então eu não escrevi exatamente assim, mas você definitivamente me ajudou a resolvê-lo. Usei o código abaixo. Devo dizer, porém, que é decepcionante a quantidade de variação entre o que está aqui e o do estoque. Presumo que o stockcharts seja o mais preciso. = / (btw, eu sei que posso fazer o & # 39; [- 1] no final da coisa, mas eu gosto de fazê-lo separadamente para manter a lógica separada =)
price_history_hlcv_20 = data. history (context. security, [& # 39; high; & # 39 ;, low & # 39 ;, & # 39; close & # 39 ;, & # 39; volume & # 39;], 20, & # 39; 1d & # 39;)
adosc = ta. ADOSC (price_history_hlcv_20 [& # 39; high & # 39;], price_history_hlcv_20 [& # 39; low & # 39;], price_history_hlcv_20 [& # 39; fechar & # 39;], price_history_hlcv_20 [& # 39; volume & # 39;], período rápido = 3, período lento = 10)
Você sabe qual é a entrada para o ADX? Solicita 3 argumentos. Eu dei alto, baixo, fechado e muito parecido com o que parece em ações, mas alguns dos números são muito mais altos / baixos, mais do que o adosc acima.
price_history_hlc_20 = data. history (context. security, [& # 39; high; & # 39 ;, low & # 39 ;, & # 39; close & # 39;], 20, & # 39; 1d & # 39;)
adx = ta. ADX (price_history_hlc_20 [& # 39; high & # 39;], price_history_hlc_20 [& # 39; low & # 39;], price_history_hlc_20 [& # 39; close & # 39;], timeperiod = 14)
A mesma coisa para Aroon Oscillator. É semelhante, mas não toma a mesma forma. Alguma idéia sobre esse?
aroonosc = ta. AROONOSC (price_history_hlc_20 [& # 39; high & # 39;], price_history_hlc_20 [& # 39; low & # 39;], timeperiod = 14)
Sim, eu configurou-os dessa maneira, mas eles estão fora em comparação com o estoque de cartas. Lame. Obrigado pela resposta!
Última Vlad. xD O que você insere para o indicador STOCHRSI ta lib?
Trabalhou ótimo! Obrigado, irmão! O que significa [1] [- 1] no final ?! Eu sei que [-1] obtém você o último valor.
Obrigado por isso.
A fórmula do oscilador estocástico está errada. Aqui está o código correto.
Desculpe, algo deu errado. Tente novamente ou contate-nos enviando comentários.
Você enviou um ticket de suporte com sucesso.
Nossa equipe de suporte estará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Комментарии