Python forex trading

Biblioteca de Negociação Algorítmica Python.
O PyAlgoTrade é uma Biblioteca de Negociação Algorítmica Python, com foco em backtesting e suporte para negociação de papéis e negociação ao vivo. Digamos que você tenha uma ideia para uma estratégia de negociação e gostaria de avaliá-la com dados históricos e ver como ela se comporta. O PyAlgoTrade permite que você faça isso com o mínimo de esforço.
Principais características.
Totalmente documentado. Evento dirigido. Suporta ordens Market, Limit, Stop e StopLimit. Suporta o Yahoo! Arquivos Finanças, Google Finance e NinjaTrader CSV. Suporta qualquer tipo de dados de séries temporais no formato CSV, por exemplo, o Quandl. Suporte de negociação Bitcoin através do Bitstamp. Indicadores técnicos e filtros como SMA, WMA, EMA, RSI, Bandas de Bollinger, expoente de Hurst e outros. Métricas de desempenho como a taxa de Sharpe e a análise de rebaixamento. Manipulando eventos do Twitter em tempo real. Criador de perfil de eventos. Integração TA-Lib.
Muito fácil de dimensionar horizontalmente, isto é, usando um ou mais computadores para fazer backtest de uma estratégia.
O PyAlgoTrade é gratuito, de código aberto e está licenciado sob a Licença Apache, Versão 2.0.

Negociação cambial em Python
Se você é um comerciante ou um investidor e gostaria de adquirir um conjunto de habilidades de negociação quantitativa, você está no lugar certo.
O curso de Negociação com o Python fornecerá as melhores ferramentas e práticas para pesquisa de negociação quantitativa, incluindo funções e scripts escritos por especialistas em negociações quantitativas. O curso dá o máximo impacto ao seu tempo e dinheiro investidos. Centra-se na aplicação prática da programação à negociação, em vez da informática teórica. O curso se pagará rapidamente economizando seu tempo no processamento manual de dados. Você passará mais tempo pesquisando sua estratégia e implementando negociações lucrativas.
Visão geral do curso.
Parte 1: Noções básicas Você aprenderá por que o Python é uma ferramenta ideal para negociações quantitativas. Começaremos configurando um ambiente de desenvolvimento e, em seguida, apresentaremos as bibliotecas científicas.
Parte 2: Manipulando os dados Aprenda como obter dados de várias fontes gratuitas como Yahoo Finance, CBOE e outros sites. Leia e escreva vários formatos de dados, incluindo arquivos CSV e Excel.
Parte 3: Pesquisando estratégias Aprenda a calcular P & L e acompanhar as métricas de desempenho como Sharpe e Drawdown. Construa uma estratégia de negociação e otimize seu desempenho. Vários exemplos de estratégias são discutidos nesta parte.
Parte 4: Indo ao vivo! Esta parte é centralizada em torno da API Interactive Brokers. Você aprenderá como obter dados de estoque em tempo real e fazer pedidos ao vivo.
Muito código de exemplo.
O material do curso consiste em 'cadernos' que contêm texto juntamente com código interativo como este. Você poderá aprender interagindo com o código e modificando-o ao seu gosto. Será um ótimo ponto de partida para escrever suas próprias estratégias.
Embora alguns tópicos sejam explicados detalhadamente para ajudá-lo a entender os conceitos subjacentes, na maioria dos casos você não precisará escrever seu próprio código de baixo nível, devido ao suporte de bibliotecas de código aberto existentes:
A biblioteca TradingWithPython combina grande parte da funcionalidade discutida neste curso como uma função pronta para uso e será usada durante todo o curso. Os pandas fornecerão a você todo o poder de levantamento pesado necessário para a compactação de dados.
Todo o código é fornecido sob a licença BSD, permitindo seu uso em aplicações comerciais.
Classificação do curso.
Um piloto do curso foi realizado na primavera de 2013, isso é o que os alunos puderam dizer:
Matej curso bem planejado e bom treinador. Definitivamente vale seu preço e meu tempo Lave Jev obviamente sabia suas coisas. A profundidade da cobertura foi perfeita. Se Jev executar algo assim novamente, eu serei o primeiro a me inscrever. John Phillips Seu curso realmente me fez começar a considerar o python para análise de sistemas de estoque.

Negociação com Python.
Sábado, 20 de maio de 2017.
Yahoo está morto, viva o Yahoo!
Nota: os dados fornecidos parecem ser ajustados para divisões, mas não para dividendos.
Sábado, 20 de fevereiro de 2016.
Uma borda estatística simples no SPY.
Ocorreu-me que na maioria das vezes que há muita conversa na mídia sobre a queda do mercado (depois de grandes perdas ao longo de vários dias de intervalo), uma recuperação bastante significativa às vezes acontece.
No passado cometi alguns erros ao fechar minhas posições para reduzir as perdas, apenas para perder uma recuperação nos dias seguintes.
Após um período de perdas consecutivas, muitos comerciantes liquidarão suas posições com medo de perdas ainda maiores. Muito desse comportamento é governado pelo medo, e não pelo risco calculado. Comerciantes mais espertos entram então para as barganhas.
Depois de 3 ou mais perdas consectivas, vá muito. Saia no próximo feche.
Isso não parece nada mau! Observando as taxas de sharpe, a estratégia obtém uma descida de 2,2 versus 0,44 para os B & amp; Na verdade, isso é muito bom! (não fique muito empolgado, pois não contei com custos de comissão, escorregões, etc.).
Embora a estratégia acima não seja algo que eu gostaria de negociar simplesmente por causa do longo período de tempo, a própria teoria provoca pensamentos adicionais que poderiam produzir algo útil. Se o mesmo princípio se aplica aos dados intradiários, uma forma de estratégia de escalpelamento poderia ser construída. No exemplo acima, simplifiquei um pouco o mundo contando apenas o * número * de dias de inatividade, sem prestar atenção à profundidade do rebaixamento. Além disso, a saída de posição é apenas um 'próximo dia de fechamento' básico. Há muito a melhorar, mas a essência na minha opinião é esta:
Segunda-feira, 17 de novembro de 2014.
Negociando o VXX com a previsão de vizinhos mais próximos.
Minha definição desses dois é:
prêmio de volatilidade = VIX-realizadoVol delta (inclinação da estrutura de prazo) = VIX-VXV.
Combinar tanto o prêmio quanto o delta em um modelo foi um desafio para mim, mas eu sempre quis fazer uma aproximação estatística. Em essência, para uma combinação de (delta, premium), gostaria de encontrar todos os valores históricos que estão mais próximos dos valores atuais e fazer uma estimativa dos retornos futuros com base neles. Algumas vezes comecei a escrever meus próprios algoritmos de interpolação de vizinhos mais próximos, mas toda vez tive que desistir. até me deparar com a regressão dos vizinhos mais próximos. Isso me permitiu construir rapidamente um preditor baseado em duas entradas e os resultados são tão bons que estou um pouco preocupado por ter cometido um erro em algum lugar.
criar um conjunto de dados de [delta, premium] - & gt; [Retorno do próximo dia VXX] (na amostra) cria um preditor do vizinho mais próximo com base no conjunto de dados acima da estratégia de negociação (fora da amostra) com as regras: go long if predicted return & gt; 0 vai curto se o retorno previsto & lt; 0.
Nos dois últimos gráficos, a estratégia parece realizar o mesmo dentro e fora da amostra. Relação de Sharpe é em torno de 2,3.
Estou muito satisfeito com os resultados e tenho a sensação de que só estive a arranhar a superfície do que é possível com esta técnica.
Quarta-feira, 16 de julho de 2014.
Módulo de backtesting simples.
Minha busca por uma ferramenta de backtesting ideal (minha definição de 'ideal' é descrita nos posts anteriores de 'dilemas de backtesting') não resultou em algo que eu pudesse usar imediatamente. No entanto, rever as opções disponíveis me ajudou a entender melhor o que eu realmente quero. Das opções que eu olhei, o pybacktest foi o que eu mais gostei por causa de sua simplicidade e velocidade. Depois de passar pelo código-fonte, tenho algumas ideias para simplificar e tornar um pouco mais elegante. A partir daí, foi apenas um pequeno passo para escrever meu próprio backtester, que agora está disponível na biblioteca TradingWithPython.
encontrar entrada e saídas - & gt; calcular pnl e fazer gráficos com backtester - & gt; dados de estratégia pós-processo.
Sábado, 7 de junho de 2014.
Aumentando o desempenho com o Cython.
5k amostras como dados de teste. Aí vem a versão original da minha função drawdown (como agora está implementada na biblioteca TradingWithPython)
Hmm 1,2 segundos não é muito rápido para uma função tão simples. Há algumas coisas aqui que podem ser uma ótima alternativa para o desempenho, como uma lista * highwatermark * que está sendo anexada em cada iteração de loop. Acessar Series por seu índice também deve envolver algum processamento que não seja estritamente necessário. Vamos dar uma olhada no que acontece quando esta função é reescrita para trabalhar com dados numpy.
Bem, isso é muito mais rápido que a função original, aproximadamente 40x de aumento de velocidade. Ainda há muito espaço para melhoria, movendo-se para código compilado com cython Agora eu reescrever a função dd de cima, mas usando dicas de otimização que eu encontrei no tutorial de cython. Observe que esta é minha primeira tentativa de otimização de funções com o Cython.
Uau, esta versão corre em 122 micro segundos, tornando-a dez mil vezes mais rápida que a minha versão original! Devo dizer que estou muito impressionado com o que as equipes Cython e IPython conseguiram! A velocidade em comparação com a facilidade de uso é simplesmente incrível!
P. S. Eu costumava fazer otimizações de código no Matlab usando encapsulamento C e. mex puro, era tudo apenas uma dor na bunda em comparação com isso.
Terça-feira, 27 de maio de 2014.
Dilemas de backtesting: revisão de pyalgotrade.
Primeira impressão: ativamente desenvolvida, documentação muito boa, mais do que feautures suficiente (indicadores de TA, otimizadores etc). Parece bom, então eu continuei com a instalação que também correu bem.
O tutorial parece estar um pouco desatualizado, já que o primeiro comando yahoofinance. get_daily_csv () lança um erro sobre a função desconhecida. Não se preocupe, a documentação está atualizada e acho que a função ausente agora é renomeada para yahoofinance. download_daily_bars (símbolo, ano, csvFile). O problema é que essa função só faz o download de dados por um ano, em vez de tudo, desde aquele ano até a data atual. Tão bem inútil.
Depois que eu mesmo baixei os dados e os salvei no csv, eu precisei ajustar os nomes das colunas, porque aparentemente o pyalgotrade espera que Date, Adj Close, Close, High, Low, Open e Volume estejam no cabeçalho. Isso é tudo um pequeno problema.
Seguindo para o teste de desempenho em uma estratégia de SMA que é fornecida no tutorial. Meu conjunto de dados consiste em 5370 dias de SPY:
Isso é realmente muito bom para um framework baseado em eventos.
Mas tentei pesquisar a documentação para obter a funcionalidade necessária para fazer o backtest de spreads e vários portfólios de ativos e simplesmente não consegui encontrar nenhum. Então eu tentei encontrar uma maneira de alimentar pandas DataFrame como uma entrada para uma estratégia e acontece de não ser possível, o que é novamente uma grande decepção. Eu não o afirmei como um requisito no post anterior, mas agora chego à conclusão de que o suporte a pandas é obrigatório para qualquer framework que trabalhe com dados de séries temporais. Pandas foi uma razão para eu mudar de Matlab para Python e eu nunca mais quero voltar.
Conclusão A pyalgotrade não atende ao meu requisito de flexibilidade. Parece que foi projetado com o TA clássico em mente e negociação de instrumento único. Eu não vejo isso como uma boa ferramenta para estratégias de backtesting que envolvem vários ativos, hedge etc.
Segunda-feira, 26 de maio de 2014.
Dilemas de backtesting.
Seja boa aproximação do mundo real. Este é obviamente o requisito mais importante. Permitir flexibilidade ilimitada: o ferramental não deve ficar no caminho de testar ideias prontas para uso. Tudo o que pode ser quantificado deve ser utilizável. Seja fácil de implementar & amp; manter. É tudo sobre produtividade e poder testar muitas ideias para encontrar uma que funcione. Permitir varreduras de parâmetros, testes de avanço e otimizações. Isso é necessário para investigar o desempenho e a estabilidade da estratégia, dependendo dos parâmetros da estratégia. O problema em satisfazer todos os requisitos acima é que os números 2 e 3 são conflitantes. Não há ferramenta que possa fazer tudo sem o custo de alta complexidade (= baixa manutenção). Normalmente, uma ferramenta point-and-click de terceiros limitará severamente a liberdade de teste com sinais personalizados e portfólios ímpares, enquanto no outro extremo do espectro uma solução diy personalizada precisará de dezenas ou mais horas para ser implementada, com grandes chances de terminando com código desordenado e ilegível. Então, na tentativa de combinar o melhor dos dois mundos, vamos começar de alguma forma no meio: use uma estrutura de backtesting existente e adapte-a ao nosso gosto.
Nos posts a seguir, eu vou ver três candidatos possíveis que encontrei:
Zipline é amplamente conhecida e é o motor por trás do PyPlotTub Quantopian parece ser ativamente desenvolvido e o pybacktest bem documentado é um framework baseado em vetores leve, que pode ser interessante por causa de sua simplicidade e desempenho. Eu vou estar olhando para a adequação dessas ferramentas comparando-as com uma estratégia de negociação hipotética. Se nenhuma dessas opções se encaixa nos meus requisitos, terei que decidir se quero investir na criação do meu próprio framework (pelo menos, olhando as opções disponíveis, eu sei o que não funciona) ou manter o código personalizado para cada uma delas. estratégia.
O primeiro para a avaliação é Zipline.
Minha primeira impressão de Zipline e Quantopian é positiva. O Zipline é apoiado por uma equipe de desenvolvedores e é testado em produção, então a qualidade (bugs) deve ser ótima. Existe uma boa documentação no site e um exemplo de caderno no github.
Para pegar um jeito, baixei o caderno do exame e comecei a brincar com ele. Para minha decepção, rapidamente me deparei com o primeiro exemplo do Algoritmo de Zipline Mais Simples: Compre a Apple. O conjunto de dados tem apenas 3028 dias, mas a execução deste exemplo demorou uma eternidade. Aqui está o que eu medi:
Eu não esperava um desempenho estelar, já que o zipline é um backtester baseado em eventos, mas quase um minuto para 3000 samples é muito ruim. Esse tipo de desempenho seria proibitivo para qualquer tipo de varredura ou otimização. Outro problema surgiria quando se trabalha com conjuntos de dados maiores, como dados intradiários ou vários títulos, que podem conter facilmente centenas de milhares de amostras.
Infelizmente, eu terei que eliminar o Zipline da lista de backtesters utilizáveis, já que ele não atende ao meu requisito # 4 por uma margem de gordura.
No post seguinte, eu vou estar olhando para PyAlgotrade.
Nota: Meu sistema atual é um par de anos, rodando um AMD Athlon II X2 @ 2800MHZ com 3GB de RAM. Com backtesting baseado em vetor, eu estou acostumado a calcular tempos de menos de um segundo para um único backtest e um ou dois minutos para uma varredura de parâmetro. Um teste básico de caminhada com 10 passos e uma varredura de parâmetros para 20x20 resultaria em uma convulsiva 66 horas com tirolesa. Eu não sou tão paciente assim.

Forex Trading Diary # 1 - Negociação Forex Automatizada com a API OANDA.
Forex Trading Diary # 1 - Negociação Forex Automatizada com a API OANDA.
Eu mencionei anteriormente no artigo QuantStart: 2014 In Review que eu estaria gastando parte de 2015 escrevendo sobre negociação forex automatizada.
Como eu geralmente faço pesquisas em bolsas de valores e mercados futuros, achei que seria divertido (e educativo!) Escrever sobre minhas experiências de entrar no mercado forex no estilo de um diário. Cada "entrada de diário" tentará construir sobre todos aqueles antes, mas também deve ser relativamente independente.
Nesta primeira entrada do diário estarei descrevendo como configurar uma nova conta de corretagem prática com a OANDA, além de como criar um mecanismo de negociação básico orientado a eventos multithreaded que pode executar negociações automaticamente em uma configuração prática e ao vivo.
No ano passado, passamos muito tempo examinando o backtester orientado a eventos, principalmente para ações e ETFs. O que eu apresento abaixo é voltado para o forex e pode ser usado para negociação de papel ou negociação ao vivo.
Eu escrevi todas as instruções a seguir para o Ubuntu 14.04, mas elas devem ser facilmente traduzidas para o Windows ou Mac OS X, usando uma distribuição Python como o Anaconda. A única biblioteca adicional usada para o mecanismo de negociação do Python é a biblioteca de solicitações, necessária para a comunicação HTTP com a API do OANDA.
Uma vez que este é o primeiro post diretamente sobre a troca de moeda estrangeira, e o código apresentado abaixo pode ser diretamente adaptado para um ambiente de negociação ao vivo, eu gostaria de apresentar as seguintes declarações de exoneração de responsabilidade:
Isenção de responsabilidade: Negociar divisas na margem implica um elevado nível de risco e pode não ser adequado para todos os investidores. O desempenho passado não é indicativo de resultados futuros. O alto grau de alavancagem pode funcionar contra você e também para você. Antes de decidir investir em moeda estrangeira, você deve considerar cuidadosamente seus objetivos de investimento, nível de experiência e apetite de risco. Existe a possibilidade de você sustentar uma perda de parte ou de todo o seu investimento inicial e, portanto, não deve investir dinheiro que não pode perder. Você deve estar ciente de todos os riscos associados à negociação em moeda estrangeira e procurar orientação de um consultor financeiro independente, caso tenha alguma dúvida.
Este software é fornecido "como está" e quaisquer garantias expressas ou implícitas, incluindo, mas não se limitando a, garantias implícitas de comercialização e adequação a uma finalidade específica são renunciadas. Em nenhum caso os regentes ou contribuintes serão responsáveis ​​por quaisquer danos diretos, indiretos, incidentais, especiais, exemplares ou consequentes (incluindo, mas não se limitando a, aquisição de bens ou serviços substitutos, perda de uso, dados ou lucros; ou interrupção de negócios), no entanto causada e em qualquer teoria de responsabilidade, seja em contrato, responsabilidade estrita, ou delito (incluindo negligência ou de outra forma) decorrentes de qualquer uso do software, mesmo se avisado da possibilidade de tal dano.
Configurando uma conta com o OANDA.
A primeira pergunta que vem à mente é "Por que escolher o OANDA?". Simplificando, depois de pesquisar um pouco sobre forex brokers que tinham APIs, vi que a OANDA havia lançado recentemente uma API REST adequada que poderia ser facilmente comunicada de praticamente qualquer idioma de uma maneira extremamente simples. Depois de ler a documentação da API do desenvolvedor, decidi tentar, pelo menos com uma conta prática.
Para ser claro - não tenho nenhum relacionamento anterior ou existente com a OANDA e estou apenas fornecendo esta recomendação com base na minha experiência limitada de brincar com sua API de prática e algum uso breve (para download de dados de mercado) enquanto empregado em um fundo anteriormente. Se alguém se deparar com quaisquer outros corretores de forex que também tenham uma API similarmente moderna, então eu ficaria feliz em dar-lhes uma aparência também.
Antes de utilizar a API, é necessário se inscrever para uma conta prática. Para fazer isso, vá para o link de inscrição. Você verá a seguinte tela:
Você poderá então entrar com suas credenciais de login. Certifique-se de selecionar a guia "fxTradePractice" na tela de login:
Quando chegar, você precisará anotar seu ID da conta. Ele está listado abaixo do cabeçalho "Meus Fundos", ao lado de "Primário". O meu é um número de 7 dígitos. Além disso, você também precisará gerar um token de API pessoal. Para fazer isso, clique em "Gerenciar acesso à API" abaixo da guia "Outras ações" na parte inferior esquerda:
Nesse estágio, você poderá gerar um token de API. Você precisará da chave para usá-la mais tarde, portanto, certifique-se de anotá-la também.
Agora você vai querer lançar o aplicativo FXTrade Practice, que nos permitirá ver as ordens executadas e nosso (papel!) Lucro & amp; perda.
Se você estiver executando um sistema Ubuntu, precisará instalar uma versão ligeiramente diferente do Java. Em particular, a versão Oracle do Java 8. Se você não fizer isso, o simulador de prática não será carregado a partir do navegador. Eu corri estes comandos no meu sistema:
Agora você poderá iniciar o ambiente comercial de prática. Volte para o painel OANDA e clique no link verde destacado "Ativar FXTrade Practice". Ele abrirá uma caixa de diálogo Java perguntando se você deseja executá-lo. Clique em "Executar" e a ferramenta fxTrade Practice será carregada. O meu padrão foi um gráfico de velas de 15 min de EUR / USD com o painel de cotações à esquerda:
Tela OANDA fxTrade Practice.
Neste ponto, estamos prontos para começar a projetar e codificar nosso sistema automatizado de negociação forex contra a API OANDA.
Visão geral da arquitetura de negociação.
Se você tem acompanhado a série de backtester orientada a eventos para ações e ETFs que eu criei no ano passado, você estará ciente de como um sistema de negociação orientado a eventos funciona. Para aqueles de vocês que são novos no software orientado a eventos, sugiro fortemente ler o artigo para obter algumas dicas sobre como eles funcionam.
Em essência, todo o programa é executado em um infinte, enquanto o loop só termina quando o sistema de negociação é desligado. O mecanismo central de comunicação do programa é dado por meio de uma fila que contém eventos.
A fila é constantemente consultada para verificar novos eventos. Uma vez que um evento tenha sido retirado do topo da fila, ele deve ser tratado por um componente apropriado do programa. Portanto, um feed de dados de mercado pode criar TickEvents que são colocados na fila quando chega um novo preço de mercado. Um objeto de estratégia de geração de sinal pode criar OrderEvents que devem ser enviados para uma corretora.
A utilidade de tal sistema é dada pelo fato de que não importa qual ordem ou tipos de eventos são colocados na fila, pois eles sempre serão tratados corretamente pelo componente certo dentro do programa.
Além disso, diferentes partes do programa podem ser executadas em encadeamentos separados, o que significa que nunca há qualquer espera por qualquer componente em particular antes do processamento de qualquer outro. Isso é extremamente útil em situações de negociação algorítmica em que os manipuladores de feed de dados de mercado e os geradores de sinal de estratégia têm características de desempenho muito diferentes.
O loop de negociação principal é dado pelo seguinte pseudocódigo do Python:
Como afirmamos acima, o código é executado em um loop infinito. Em primeiro lugar, a fila é pesquisada para recuperar um novo evento. Se a fila estiver vazia, o loop simplesmente reinicia após um curto período de suspensão conhecido como "heartbeat". Se um evento for encontrado, seu tipo é avaliado e, em seguida, o módulo relevante (a estratégia ou o manipulador de execução) é chamado para manipular o evento e, possivelmente, gerar novos que retornam à fila.
Os componentes básicos que criaremos para nosso sistema de negociação incluem o seguinte:
Manipulador de Preço de Transmissão - Isso manterá uma conexão de longa duração aberta aos servidores da OANDA e enviará dados de tick (ou seja, lance / pedido) através da conexão para quaisquer instrumentos que nos interessem. Gerador de Sinal de Estratégia - Isso levará uma seqüência de tiques eventos e usá-los para gerar ordens de negociação que serão executadas pelo manipulador de execução. Manipulador de Execução - Executa um conjunto de eventos de pedido e executa-os cegamente com OANDA. Eventos - Esses objetos constituem as "mensagens" transmitidas na fila de eventos. Nós só precisamos de dois para esta implementação, ou seja, o TickEvent e o OrderEvent. Ponto de entrada principal - O ponto de entrada principal também inclui o loop de "troca" que pesquisa continuamente a fila de mensagens e envia mensagens para o componente correto. Isso geralmente é conhecido como "event loop" ou "event handler".
Vamos agora discutir a implementação do código em detalhe. Na parte inferior do artigo está a lista completa de todos os arquivos de código-fonte. Se você colocá-los no mesmo diretório e executar python trading. py, você começará a gerar pedidos, desde que tenha preenchido seu ID de conta e token de autenticação da OANDA.
Implementação Python.
É uma prática ruim armazenar senhas ou chaves de autenticação dentro de uma base de código, pois você nunca pode prever quem terá acesso permitido a um projeto. Em um sistema de produção, armazenamos essas credenciais como variáveis ​​de ambiente com o sistema e, em seguida, consultamos esses "envvars" sempre que o código é reimplantado. Isso garante que senhas e tokens de autenticação nunca sejam armazenados em um sistema de controle de versão.
No entanto, como estamos apenas interessados ​​em criar um sistema de negociação de "brinquedos" e não nos preocupamos com detalhes de produção neste artigo, iremos separar esses tokens de autenticação em um arquivo de configurações.
No arquivo de configuração settings. py a seguir, temos um dicionário chamado ENVIRONMENTS, que armazena os endpoints da API para a API de streaming de preço OANDA e para a API de negociação. Cada sub dicionário contém três endpoints de API separados: real, prática e sandbox.
A sandbox API é puramente para testar código e verificar se não há erros ou bugs. Ele não tem garantias de tempo de atividade das APIs reais ou práticas. A prática API, em essência, fornece a capacidade de comércio de papel. Ou seja, ele fornece todos os recursos da API real em uma conta de prática simulada. A API real é apenas isso - é negociação ao vivo! Se você usar esse endpoint em seu código, ele será negociado com o saldo da sua conta ativa. SEJA EXTREMAMENTE CUIDADO!
IMPORTANTE: Ao negociar com a API da prática, lembre-se de que um custo de transação importante, o impacto no mercado, não é considerado. Como nenhum negócio está realmente sendo colocado no ambiente, esse custo deve ser contabilizado de outra maneira em outro lugar, usando um modelo de impacto de mercado, se você quiser avaliar realisticamente o desempenho.
A seguir, estamos usando a conta de prática conforme fornecida pela configuração DOMAIN. Precisamos de dois dicionários separados para os domínios, um para os componentes da API de streaming e de negociação. Finalmente, temos o ACCESS_TOKEN e o ACCOUNT_ID. Eu preenchi os dois abaixo com IDs fictícios, então você precisará utilizar os seus próprios, que podem ser acessados ​​na página da conta OANDA:
A próxima etapa é definir os eventos que a fila usará para ajudar todos os componentes individuais a se comunicarem. Precisamos de dois: TickEvent e OrderEvent. A primeira armazena informações sobre os dados do mercado de instrumentos, como o (melhor) lance / pedido e o tempo de negociação. O segundo é usado para transmitir ordens para o manipulador de execução e, portanto, contém o instrumento, o número de unidades a negociar, o tipo de ordem ("mercado" ou "limite") eo "lado" (ou seja, "comprar" e "vender" ).
Para tornar nosso código de eventos à prova do futuro, criaremos uma classe base chamada Event e teremos todos os eventos herdados disso. O código é fornecido abaixo em events. py:
A próxima aula que vamos criar lidará com a estratégia de negociação. Nesta demonstração, vamos criar uma estratégia sem sentido que simplesmente recebe todos os ticks do mercado e, a cada 5 ticks, compra ou vende 10.000 unidades de EUR / USD aleatoriamente.
Claramente esta é uma "estratégia" ridícula! No entanto, é fantástico para fins de teste, porque é simples de codificar e entender. Em futuras entradas no diário, estaremos substituindo isso por algo significativamente mais excitante que (esperançosamente) gerará lucro!
O arquivo strategy. py pode ser encontrado abaixo. Vamos trabalhar nisso e ver o que está acontecendo. Em primeiro lugar, importamos a biblioteca aleatória e o objeto OrderEvent de events. py. Precisamos da biblioteca aleatória para selecionar uma ordem aleatória de compra ou venda. Precisamos de OrderEvent, pois é assim que o objeto de estratégia enviará pedidos para a fila de eventos, que será posteriormente executada pelo manipulador de execução.
A classe TestRandomStrategy simplesmente pega o instrumento (nesse caso, EUR / USD), o número de unidades e a fila de eventos como um conjunto de parâmetros. Em seguida, ele cria um contador de ticks que é usado para informar quantas ocorrências de TickEvent ele viu.
A maior parte do trabalho ocorre no método calculate_signals, que simplesmente recebe um evento, determina se é um TickEvent (caso contrário, ignora) e incrementa o contador de ticks. Em seguida, ele verifica se a contagem é divisível por 5 e, em seguida, compra ou vende aleatoriamente, com uma ordem de mercado, o número especificado de unidades. Certamente não é a maior estratégia de negociação do mundo, mas será mais do que adequada para nossos testes com a API de corretagem da OANDA!
O próximo componente é o manipulador de execução. Esta classe é encarregada de atuar em instâncias de OrderEvent e fazer solicitações ao broker (neste caso, OANDA) de uma maneira "burra". Ou seja, não há gerenciamento de riscos ou sobreposição de construção de portfólio. O manipulador de execução simplesmente executará qualquer pedido que tenha sido dado.
Devemos transmitir todas as informações de autenticação para a classe Execution, incluindo o "domínio" (prática, real ou sandbox), o token de acesso e o ID da conta. Em seguida, criamos uma conexão segura com o httplib, um dos Pythons construídos em bibliotecas.
A maior parte do trabalho ocorre em execute_order. O método requer um evento como um parâmetro. Em seguida, ele constrói dois dicionários - os cabeçalhos e os parâmetros. Esses dicionários serão então codificados corretamente (parcialmente por urllib, outra biblioteca Python) para serem enviados como uma solicitação HTTP POST para a API OANDAs.
Nós passamos os parâmetros do cabeçalho Content-Type e Authorization, que incluem nossas informações de autenticação. Além disso, codificamos os parâmetros, que incluem o instrumento (EUR / USD), unidades, tipo de ordem e lado (compra / venda). Finalmente, fazemos o pedido e salvamos a resposta:
O componente mais complexo do sistema de negociação é o objeto StreamingForexPrices, que lida com as atualizações de preço de mercado do OANDA. Existem dois métodos: connect_to_stream e stream_to_queue.
O primeiro método usa a biblioteca de pedidos do Python para se conectar a um soquete de fluxo com os cabeçalhos e parâmetros apropriados. Os parâmetros incluem o ID da conta e a lista de instrumentos necessários que devem ser ouvidos para atualizações (neste caso, são apenas EUR / USD). Observe a seguinte linha:
Isso informa a conexão a ser transmitida e, portanto, mantida aberta de uma maneira longa.
O segundo método, stream_to_queue, realmente tenta se conectar ao fluxo. Se a resposta não for bem sucedida (ou seja, o código de resposta não é HTTP 200), então simplesmente retornamos e saímos. Se for bem-sucedido, tentamos carregar o pacote JSON retornado em um dicionário Python. Finalmente, convertemos o dicionário do Python com o instrumento, bid / ask e timestamp em um TickEvent que é enviado para a fila de eventos:
Agora temos todos os componentes principais no lugar. O passo final é finalizar tudo o que escrevemos até agora em um programa "principal". O objetivo deste arquivo, conhecido como trading. py, é criar dois encadeamentos separados, um dos quais executa o manipulador de precificação e o outro que executa o manipulador de negociação.
Por que precisamos de dois segmentos separados? Simplificando, estamos executando dois códigos de código "separados", ambos em execução contínua. Se fôssemos criar um programa sem encadeamento, o soquete de fluxo contínuo usado para as atualizações de preços nunca "liberaria" de volta para o caminho do código principal e, portanto, nunca executaríamos nenhuma negociação. Da mesma forma, se executássemos o loop de negociação (veja abaixo), nós nunca retornaríamos o caminho do fluxo para o soquete de streaming de preço. Por isso, precisamos de vários segmentos, um para cada componente, para que possam ser realizados de forma independente. Ambos se comunicarão através da fila de eventos.
Vamos examinar isso um pouco mais. Criamos dois segmentos separados com as seguintes linhas:
Passamos o nome da função ou método para o argumento da palavra-chave target e passamos uma iterável (como uma lista ou tupla) para o argumento da palavra-chave args, que então passa esses argumentos para o método / função real.
Finalmente nós começamos os dois tópicos com as seguintes linhas:
Assim, somos capazes de executar dois segmentos de código efetivamente looping infinitos, que se comunicam através da fila de eventos. Observe que a biblioteca de threads do Python não produz um verdadeiro ambiente multithread com vários núcleos devido à implementação do CPython do Python e do Global Interpreter Lock (GIL). Se você gostaria de ler mais sobre multithreading em Python, por favor dê uma olhada neste artigo.
Vamos examinar o resto do código em detalhes. Primeiramente, importamos todas as bibliotecas necessárias, incluindo fila, encadeamento e hora. Em seguida, importamos todos os arquivos de código acima. Eu pessoalmente prefiro capitalizar qualquer configuração, que é um hábito que eu aprendi trabalhando com o Django!
Depois disso, definimos a função trade, que foi explicada no Python-pseudocode acima. Um loop while infinito é executado (enquanto True:), que continuamente pesquisa a partir da fila de eventos e apenas pula o loop se for encontrado vazio. Se um evento for encontrado, então é um TickEvent ou um OrderEvent e, em seguida, o componente apropriado é chamado para executá-lo. Nesse caso, é uma estratégia ou um manipulador de execução. O loop, em seguida, simplesmente dorme por "heartbeat" segundos (neste caso, 0,5 segundos) e continua.
Finalmente, definimos o ponto de entrada principal do código na função __main__. É bem comentado abaixo, mas vou resumir aqui. Em essência, instanciamos a fila de eventos e definimos os instrumentos / unidades. Em seguida, criamos a classe de streaming de preço StreamingForexPrices e, em seguida, o manipulador de execução Execution. Ambos recebem os detalhes de autenticação necessários fornecidos pela OANDA ao criar uma conta.
Em seguida, criamos a instância de TestRandomStrategy. Por fim, definimos os dois threads e depois os iniciamos:
Para executar o código, basta colocar todos os arquivos no mesmo diretório e chamar o seguinte no terminal:
Note que para parar o código neste estágio é necessário matar o processo Python, via "Ctrl-Z" ou equivalente! Eu não adicionei um segmento adicional para lidar com procurando o sys. exit () que seria necessário para parar o código com segurança. Uma maneira potencial de parar o código em uma máquina Ubuntu / Linux é digitar:
E, em seguida, passe a saída deste (um número de processo) para o seguinte:
Onde PROCESS_ID deve ser substituído pela saída do pgrep. Note que esta NÃO é uma boa prática!
Em artigos posteriores, estaremos criando um mecanismo de stop / start mais sofisticado que faz uso da supervisão de processos do Ubuntu para ter o sistema de negociação funcionando 24 horas por dia, 7 dias por semana.
A saída após 30 segundos ou mais, dependendo da hora do dia em relação às principais horas de negociação para EUR / USD, para o código acima, é dada abaixo:
As primeiras cinco linhas mostram os dados do tíquete JSON retornados da OANDA com preços de compra / venda. Posteriormente, você pode ver a ordem de execução! a saída, bem como a resposta JSON retornada da OANDA confirmando a abertura de uma transação de compra para 10.000 unidades de EUR / USD e o preço em que ela foi atingida.
Isso continuará funcionando indefinidamente até você matar o programa com um comando "Ctrl-Z" ou similar.
Qual é o próximo?
Em artigos posteriores, vamos realizar algumas melhorias muito necessárias, incluindo:
Estratégias reais - estratégias de forex adequadas que geram sinais lucrativos. Infraestrutura de produção - Implementação remota do servidor e sistema de negociação monitorado 24/7, com capacidade de parada / partida. Portfolio e gestão de risco - Portfolio e sobreposições de risco para todas as ordens sugeridas da estratégia. Múltiplas estratégias - Construindo um portfólio de estratégias que se integram na sobreposição de gerenciamento de riscos.
Tal como acontece com o backtester acionado por eventos de ações, também precisamos criar um módulo de backtest de forex. Isso nos permitirá realizar pesquisas rápidas e facilitar o desenvolvimento de estratégias.

Negociação cambial em Python
O aprendizado de máquina em qualquer forma, incluindo o reconhecimento de padrões, tem muitos usos, desde o reconhecimento de voz e facial até a pesquisa médica. Nesse caso, nossa pergunta é se podemos ou não usar o reconhecimento de padrões para referenciar situações anteriores que eram semelhantes em padrão. Se podemos fazer isso, podemos então fazer negócios com base no que sabemos que aconteceu com esses padrões no passado e realmente ter lucro?
Para fazer isso, vamos codificar tudo por nós mesmos. Se acontecer de você aproveitar este tópico, o próximo passo seria examinar a aceleração ou a segmentação da GPU. Nós só vamos precisar do Matplotlib (para visualização de dados) e um pouco do NumPy (para processamento de números), e o resto depende de nós.
O Python é naturalmente uma linguagem single-threaded, o que significa que cada script usará apenas uma única CPU (geralmente isso significa que ele usa um único núcleo da CPU e, às vezes, apenas metade ou um quarto, ou pior, desse núcleo).
É por isso que os programas em Python podem demorar um pouco para o computador, mas seu processamento pode ser de apenas 5% e 10% de RAM.
Para saber mais sobre segmentação, você pode visualizar o tutorial de threading neste site.
A maneira mais fácil de obter esses módulos hoje em dia é usar a instalação do pip.
Não sabe o que pip é ou como instalar módulos?
Pip é provavelmente a maneira mais fácil de instalar pacotes. Uma vez instalado o Python, você deve ser capaz de abrir o prompt de comando, como cmd. exe no windows ou bash no linux, e digitar:
pip instale numpy.
pip instalar o matplotlib.
Se você ainda tiver problemas, sinta-se à vontade para entrar em contato conosco, usando o contato no rodapé deste site.
O plano é pegar um grupo de preços em um período de tempo e convertê-los em alteração percentual em um esforço para normalizar os dados. Digamos que aceitemos 50 pontos de preço consecutivos para fins de explicação. O que faremos é mapear esse padrão na memória, avançar um ponto de preço e mapear novamente o padrão. Para cada padrão que mapeamos na memória, queremos avançar um pouco, digamos, 10 pontos de preço e registrar onde o preço está nesse ponto. Em seguida, mapeamos esse "resultado" para o padrão e continuamos. Todo padrão tem seu resultado.
Em seguida, pegamos o padrão atual e o comparamos a todos os padrões anteriores. O que faremos é comparar a porcentagem de similaridade com todos os padrões anteriores. Se a porcentagem de similaridade for maior que um certo limite, então vamos considerar isso. A partir daqui, talvez tenhamos 20-30 padrões comparáveis ​​da história. Com esses padrões semelhantes, podemos agregar todos os seus resultados e chegar a um resultado "médio" estimado. Com esse resultado médio, se for muito favorável, poderemos iniciar uma compra. Se o resultado não for favorável, talvez nós vendamos ou seja curto.
Para visualização, aqui está um exemplo:
No exemplo acima, o padrão médio previsto é subir, então podemos iniciar uma compra.
Esta série não terminará com você tendo qualquer tipo de algoritmo get-rich-quick. Existem alguns bugs conhecidos com este programa, e as chances de você poder executar transações com rapidez suficiente com esses dados de tick são improváveis, a menos que você seja um banco. O objetivo aqui é mostrar a você como é fácil e básico o reconhecimento de padrões. Contanto que você tenha algum conhecimento básico de programação em Python, você deve ser capaz de acompanhar.

+++ DISCONTO ESTRITAMENTE LIMITADO - FOREX FLEX EA - 67% OFF SALE +++
O Python EA é baseado na natureza de reversão da média das flutuações de preço durante as horas noturnas (das 20:00 às 08:00 para EET). O backtest foi realizado a partir de 2005.
O EA do Python coloca dois pedidos de limite em um período de tempo específico. Este Expert Advisor não usa técnicas de martingale / grid nem gerenciamento de hedge.
O robô de negociação Forex usa:
EMA diário para determinação da tendência; Níveis de suporte e resistência do Canal de preços para posicionamento ideal de pedidos de limite; Filtro de Volatilidade; Time-stop e Stop-loss.
Prazo - M30. Moeda: GBP / USD. O EA pode ser backtested por barras ou por cada tick.