Indicadores forex 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.

Indicadores Forex Python
Obter através da App Store Leia esta publicação em nosso aplicativo!
Mt4 Script de Probabilidade.
Sou bastante novo no python.
Eu fiz um script simples que importa feeds de preço do mt4.
Minha ideia / Projeto é transformar isso em algum tipo de indicador de probabilidade, que é dar a probabilidade, além do lance e pedir, por exemplo:
e a probabilidade está mudando dentro de um período específico, ou seja, por exemplo, um período de 1 hora, então cada hora dará uma nova probabilidade de direção.
Está à procura de dois padrões: A, B,
O padrão A representa um padrão de alta.
O padrão B representa um padrão de baixa.
basicamente, procurando o quão forte é a probabilidade A ou B recorrendo aos dois, o que tem uma chance maior de ocorrer novamente,
Aqui é onde estou preso.
Eu não tenho ideia de como juntar isso.
Aqui está o que eu tenho até agora:
Aqui está apenas o meu script de feed de preços MT4 por conta própria:
Quanto à fixação do seu algoritmo, sugiro que, ao invés de fazê-lo a partir do zero e pirateando várias bibliotecas, comece com um exemplo de trabalho e modifique-o ao seu gosto. Você não precisa entender isso completamente, mas você precisa de algo para começar.
Eu até abstrairia o MT4 e citaria a lógica de leitura, e teria apenas alguns números de teste (falsos ou amostrados) em um arquivo CSV ou TXT. Comece a formar um exemplo de trabalho que pode reconhecer os padrões A e B neste arquivo. Tendo isso definir como seu próprio algoritmo é diferente e tentar ajustá-lo.
Quando está trabalhando, o passo final é a integração do MT4. Parece que o servidor DDE é apenas para exportação de dados, mas não para a construção de um indicador. Considere esta estrutura alternativa: ligando o MT4 ao Python. Não só você pode construir um indicador no gráfico, mas também realizar uma negociação automática usando seu algoritmo.
P: Como juntar isso.
A: tenha um plano realista - melhor antes de colocar o dinheiro na mesa.
até começando a fazer um absurdo.
visando alvos não realistas.
Ninguém será prejudicado, se o plano for o primeiro documento de trabalho elaborado e acordado por todas as partes envolvidas em COMO A "ótima e nova visão perturbadora nova" SERÁ CRIADA.
Organize seu trabalho adicional em etapas + sempre adicione controles de orçamento, seja em [man * semanas] ou [k $], um esteja disposto a gastar em itens.
Deve-se poder decidir sobre a viabilidade e sobrevivência do primeiro grande & amp; idéia legal.
Planeje cuidadosamente dentro das fases principais, tanto no lado MQL4 / 5, python e outros componentes:
X [man * weeks] em [System Integration Architecture], Y [man * weeks] em [Design de modelo de integração], Z [man * weeks] em [Protótipo do modelo de integração], U [man * weeks] em [Modelagem de modelo de integração ], V [man * semanas] em [Release Model Release], W [man * semanas] em [Integration Model Production Ecossystem] S [man * weeks] em [Ciclos de Design para encontrar o melhor Modelo de Previsões] T [man * weeks] em [Ciclos de design para encontrar boas estratégias de negociação para predições]
Itens que não devem ser esquecidos para superar as decisões iniciais da arquitetura:
0) Esqueça usar exemplos MQL4 / 5, você coloca-se em risco em uma batalha de domínio sub-milissegundo com centenas de milhões de dólares em luta e movimento.
1) Esqueça de usar o indicador personalizado no terminal MQL4 / 5 MetaTrader (bloqueio)
2) Esquecer de usar a integração DDE, alguns O / S não suportam nada.
3) Esqueça de usar pandas (mesmo para protótipos de modelos AI / ML), pois os nanossegundos importam muito no processo ML, os pandas são um ótimo brinquedo, mas não para o desempenho de um mercado real necessário para o ajuste do modelo ML.
4) Esqueça de usar a lógica de início-final, os motores AI / ML devem ser separados, a fim de capacitar / validar / testar eficientemente suas melhores habilidades de generalização em vastos espaços de estado HyperPARAM.
para m em modelos: pode estar no código-fonte, mas não na realidade. Um instrumento pode demorar (e leva) cerca de algumas dezenas de tempos de execução [CPU-core * dias] na otimização de parâmetros em hardware COTS, portanto conte com números realistas aqui, para um orçamento adequado de cada um dos [S] + [T ] ciclos.
De qualquer forma um programa inteligente, se aprovado como financeiramente viável. Pode gostar de outras postagens sobre integração MT4-AI / ML de baixa latência para negociação algorítmica.

indicadores técnicos 0.0.16.
Este módulo fornece alguns indicadores técnicos para analisar estoques.
Este módulo fornece alguns indicadores técnicos para analisar estoques.
Quando eu puder vou adicionar mais.
Se alguém quiser contribuir com um novo código ou correções / sugestões, sinta-se livre.
Índice de Força Relativa (RSI), ROC, envelopes de AM Média Móvel Simples (SMA), Média Móvel Ponderada (WMA), Média Móvel Exponencial (EMA) Bollinger Bands (BB), Largura de Banda do Bollinger,% B.
Isso exige numpy.
Este módulo foi feito e testado no Windows com o Python 2.7.3 e o numpy 1.6.1.

Indicadores Forex Python
Depois de ter uma compreensão básica de como o Matplotlib funciona, você pode ter interesse em levar seu conhecimento um pouco mais. Algumas das necessidades gráficas mais complexas vêm na forma de análise de estoque e gráficos, ou Forex. Nesta série de tutoriais, abordaremos onde e como capturar, classificar e organizar automaticamente alguns dados de preços de ações e forex gratuitos. Em seguida, vamos traçá-lo usando alguns dos indicadores mais populares como um exemplo. Aqui, faremos o MACD (Moving Average Convergence Divergence) e o RSI (Relative Strength Index). Para nos ajudar a calcular estes, usaremos NumPy, mas, de outra forma, vamos calcular estes todos por nossa conta.
Para adquirir os dados, vamos usar a API de finanças do Yahoo. Esta API retorna os dados do preço histórico para o símbolo do ticker que especificamos e para o período de tempo que pedimos. Quanto maior o intervalo de tempo, menor a resolução de dados que obtemos. Portanto, se você solicitar um período de 1 dia para o AAPL, receberá dados de OHLC de 3 minutos. Se você pedir 10 anos, você receberá dados diários, ou mesmo prazos de 3 dias. Tenha isso em mente e escolha um período de tempo que corresponda às suas metas. Além disso, se você escolher um período de tempo suficientemente baixo e obter granularidade alta o suficiente, a API retornará a hora em um registro de data e hora unix, em comparação a um registro de data.
Quando tivermos os dados, vamos querer fazer um gráfico. Para começar, vamos apenas traçar as linhas, mas a maioria das pessoas vai querer traçar um castiçal em vez disso. Usaremos a função de castiçal da Matplotlib, e faremos uma edição simples para melhorá-la ligeiramente. Neste mesmo gráfico, também superaremos alguns cálculos de média móvel.
Depois disso, vamos criar uma subtrama e representar graficamente o volume. Não podemos plotar o volume na mesma subtrama imediatamente, porque a escala é diferente. Para começar, vamos plotar o volume abaixo em outro subgráfico, mas eventualmente vamos sobrepor o volume na mesma figura e torná-lo um pouco transparente.
Então, vamos adicionar 2 sub-gráficos e plotar um indicador RSI na parte superior e o indicador MACD na parte inferior. Para todos eles, vamos compartilhar o eixo X, para que possamos aumentar e diminuir o zoom em 1 gráfico e todos corresponderão ao mesmo período de tempo.
Vamos traçar um formato de data para o eixo X e personalizar praticamente todas as coisas possíveis para a estética. Isso inclui alterar as cores dos rótulos, cores de borda / lombada, cores de linha, cores de velas OHLC, aprender como criar um gráfico preenchido (para volume), histogramas, desenhar linhas específicas (linhas de RSI) e muito mais.
Aqui está o resultado final (eu tenho uma versão do Python 3 e uma do Python 2 para isso. Primeiro o Python 3, depois o Python 2. Certifique-se de usar o que combina com a versão do Python!):
É tudo por agora. Quer mais tutoriais? Vá para a página inicial.

Indicadores Forex Python
Porque eu não consegui fazer o trabalho do TA-Lib, decidi criar um módulo de Python de Indicadores Técnicos e testar minhas habilidades de novato Python.
Você pode encontrá-lo aqui:
Por enquanto, há RSI, SMA, EMA, BB, Bollinger e% B.
Quando eu puder vou adicionar mais.
Se alguém quiser contribuir com um novo código ou correções / sugestões, sinta-se livre.
Zipline (a biblioteca de Python em que a dedica é construída) tem suporte para TA-Lib agora. Não tenho certeza se o suporte está em Quantopian ainda, mas se não será em breve. Aqui é um exemplo de usar TA-Lib em Zipline:
Espero que ajude.
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.
Código legível Joao e seu vals RSI perto de TradingView.
Eu agradeço o fato de que você postou.
Eu sei que isso é um pouco antigo ou não é necessário (devido a TA-Lib) agora, mas acho que o cálculo RSI no código fornecido no topo não está correto. Para quem ainda está interessado.
A resposta correta ao exemplo no comentário deve ser:
[70.02141328 69.57446809 69.37901499 80.26607539 73.39901478 59.90338164 62.61261261 60. 48.47775176 53.87840671.
48.95238095 43. 86281588 37.6744186 32.20910624 32.66331658.
38.0794702 31.70391061 25.066313 30.17902813]
E a função RSI modificada para produzir o resultado acima é:
def rsi (preços, período = 14):
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.

Construa indicadores técnicos em Python.
O Indicador Técnico é essencialmente uma representação matemática baseada em conjuntos de dados, como preço (alto, baixo, aberto, fechado, etc.) ou volume de uma segurança para prever tendências de preços. Existem vários tipos de indicadores técnicos que são utilizados para analisar e detectar a direção do movimento do preço. Os comerciantes usam-nos para estudar o movimento de preços a curto prazo, uma vez que não se revelam muito úteis para os investidores de longo prazo. Eles são empregados principalmente para prever os futuros níveis de preços.
Os indicadores técnicos não seguem um padrão geral, ou seja, eles se comportam de forma diferente com todas as segurança. O que pode ser um bom indicador para uma determinada segurança, pode não sustentar o caso da outra. Assim, usando um.
Como essas análises podem ser feitas em python, um trecho de código também é inserido junto com a descrição dos indicadores. Gráficos de exemplo com exemplos também são acrescentados para maior clareza.
Índice de Canal de Commodity (CCI)
O índice de canal de commodities (CCI) é um oscilador que foi originalmente introduzido por Donald Lambert em 1980. O CCI pode ser usado para identificar turnos cíclicos entre classes de ativos, sejam commodities, índices, ações ou ETFs. A CCI também é usada pelos comerciantes para identificar os níveis de sobrecompra / sobrevenda de títulos.
Estimativa.
O CCI analisa a relação entre preço e média móvel. Os passos envolvidos na estimativa do CCI incluem:
Computando o preço típico para a segurança. O preço típico é obtido pela média do preço alto, baixo e próximo do dia. Encontrando a média móvel para o número escolhido de dias com base no preço típico. Informando o desvio padrão pelo mesmo período que o usado para o MA.
A fórmula para o CCI é dada por:
O índice é escalado por um fator inverso de 0,015 para fornecer números mais legíveis.
O CCI pode ser usado para determinar os níveis de sobrecompra e sobrevenda. Leituras acima de +100 podem implicar uma condição de sobrecompra, enquanto leituras abaixo de -100 podem implicar uma condição de sobrevenda. No entanto, deve-se ter cuidado porque uma segurança pode continuar se movendo mais alto depois que o indicador CCI se torna overbought. Da mesma forma, os valores mobiliários podem continuar a diminuir após o indicador se sobreviver.
Sempre que a segurança estiver nos níveis de sobrecompra / sobrevenda, conforme indicado pelo CCI, há uma boa chance de que o preço verá correções. Assim, um comerciante pode usar tais níveis de sobrecompra / sobrevenda para entrar em posições curtas / longas.
Os comerciantes também podem procurar sinais de divergência para tomar posições adequadas usando o CCI. Uma divergência de alta ocorre quando o título subjacente faz uma baixa mais baixa e o CCI forma uma baixa mais alta, o que mostra menos momento de queda. Da mesma forma, uma divergência de baixa é formada quando a segurança registra uma alta mais alta e o CCI forma uma alta mais baixa, o que mostra menor momento de alta.
Código Python para calcular o Índice de Canal de Commodity.
No código abaixo, usamos as funções Series, rolling_mean, rolling_std e join para calcular o Índice de Canal de Commodity. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função rolling_std calcula o desvio padrão com base no preço fornecido. A função de junção junta uma determinada série com uma série especificada / dataframe.
Também planejamos a série NSE Price e os índices do Índice de Canal de Mercadorias (CCI) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama grava a série de preços NSE, enquanto a segunda subtrama mostra os valores da CCI.
Facilidade de Movimento (EVM)
Facilidade de Movimento (EMV) é um oscilador baseado em volume que foi desenvolvido por Richard Arms. O EVM indica a facilidade com que os preços sobem ou descem, tendo em conta o volume da garantia. Por exemplo, um aumento de preços em um volume baixo significa que os preços avançaram com relativa facilidade, e houve pouca pressão de venda. Os valores de EVM positivos implicam que o mercado está se movendo com facilidade, enquanto os valores negativos indicam um declínio fácil.
Estimativa.
Para calcular o EMV, calculamos primeiro a distância movida. É dado por:
Em seguida, calculamos a taxa Box, que usa o volume e o intervalo alto-baixo:
Para calcular o EMV de período n, tomamos a média móvel simples do período n do EMV de 1 período.
A facilidade de movimento (EMV) pode ser usada para confirmar uma tendência de alta ou baixa. Uma Facilidade de Movimento positiva sustentada, juntamente com um mercado em expansão, confirma uma tendência de alta, enquanto os valores negativos de Ease of Movement com queda de preços confirmam uma tendência de baixa. Além de usar como indicador independente, a Facilidade de Movimento (EMV) também é usada com outros indicadores na análise de gráficos.
Código Python para computar a Facilidade de Movimento (EMV)
Código de exemplo: Facilidade de movimento de 14 dias (EMV) para AAPL.
No código abaixo, usamos as funções Series, rolling_mean, shift e join para calcular o indicador de facilidade de movimento (EMV). A função série é usada para formar uma série, que é um objeto semelhante a matriz unidimensional contendo uma matriz de dados. A função rolling_mean leva uma série de tempo ou uma moldura de dados juntamente com o número de períodos e calcula a média. A função shift é usada para buscar o preço alto e baixo do dia anterior. A função de junção junta uma determinada série com uma série especificada / dataframe.
Nós também planejamos a série AAPL Price e os valores de Ease of Movement (EVM) abaixo do gráfico de preços. Primeiro, criamos uma figura vazia usando a função plt. figure e criamos duas subparcelas. A primeira subtrama grava a série de preços AAPL, enquanto a segunda subtrama apresenta os valores EVM.
Média móvel (MA)
A média móvel é um dos indicadores técnicos mais utilizados. Ele é usado junto com outros indicadores técnicos ou pode formar o bloco de construção para o cálculo de outros indicadores técnicos.
Uma "média móvel" é a média dos preços dos ativos ao longo do "x" número de dias / semanas. O termo "mover" é usado porque o grupo de dados avança com cada novo dia de negociação. Para cada novo dia, incluímos o preço desse dia e excluímos o preço do primeiro dia na seqüência de dados.
As médias móveis mais utilizadas são as médias móveis de 5 dias, 10 dias, 20 dias, 50 dias e 200 dias.
Estimativa.
Existem diferentes tipos de médias móveis usadas para análise, média móvel simples (SMA), média móvel ponderada (WMA) e a média móvel exponencial (EMA).
Para calcular uma SMA de 20 dias, tomamos a soma dos preços em 20 dias e dividimos em 20. Para chegar ao próximo ponto de dados para a SMA de 20 dias, incluímos o preço do próximo dia de negociação, excluindo o preço do primeiro dia de negociação. Desta forma, o grupo de dados avança.
O SMA atribui pesos iguais a cada ponto de preço no grupo. Quando calculamos uma WMA de 20 dias, atribuímos pesos variados a cada preço. O último preço, ou seja, o preço do 20º dia obtém o maior peso, enquanto o primeiro preço obtém o menor peso. Essa soma é então dividida pela soma dos pesos usados.
Para calcular o EMA de 20 dias, primeiro calculamos o primeiro valor de EMA usando uma média móvel simples. Então calculamos o multiplicador, e depois calculamos o segundo valor de EMA, usamos o multiplicador e o EMA do dia anterior. Esta fórmula é usada para calcular os valores EMA subsequentes.
A média móvel diz se uma tendência começou, encerrada ou revertida. A média dos preços produz uma linha mais suave que facilita a identificação da tendência subjacente. No entanto, a média móvel desacredita a ação do mercado.
Uma média móvel mais curta é mais sensível que uma média móvel mais longa. No entanto, é propenso a gerar sinais de negociação falsos.
Usando uma única média móvel - Uma média móvel única pode ser usada para gerar sinais comerciais. Quando o preço de fechamento se move acima da média móvel, um sinal de compra é gerado e vice-versa. Ao usar uma única média móvel, você deve selecionar o período de média de forma que seja sensível na geração de sinais comerciais e, ao mesmo tempo, insensível ao dar sinais falsos.
Usando duas médias móveis - Usar uma única média móvel pode ser desvantajoso. Por isso, muitos comerciantes usam duas médias móveis para gerar sinais. Nesse caso, um sinal de compra é gerado quando a média mais curta cruza acima da média mais longa. Da mesma forma, uma venda é gerada quando os cruzamentos mais curtos abaixo da média mais longa. Usando duas médias móveis reduz os sinais falsos que são mais prováveis ​​ao usar uma única média móvel.
Os comerciantes também usam três médias móveis, como o sistema de média móvel de 5, 10 e 20 dias amplamente utilizado nos mercados de commodities.
Código Python para computação de médias móveis para NIFTY.
No código abaixo, usamos as funções Series, rolling mean e join para criar as funções SMA e EWMA. A função série é usada para formar uma série, que é um objeto semelhante a matriz unidimensional contendo uma matriz de dados. A função rolling_mean leva uma série de tempo ou uma moldura de dados juntamente com o número de períodos e calcula a média. A função de junção une uma determinada série com uma série especificada / dataframe.
Nós também planejamos a série de preços NIFTY, SMA de 50 dias e o EWMA de 200 dias.
Taxa de Mudança (ROC)
A Taxa de Mudança (ROC) é um indicador técnico que mede a variação percentual entre o preço mais recente e o preço # 8220; n & # 8221; dias atrás. O indicador flutua em torno da linha zero.
Se o ROC está aumentando, ele dá um sinal de alta, enquanto um ROC caindo dá um sinal de baixa. Pode-se calcular ROC com base em diferentes períodos, a fim de avaliar o impulso de curto prazo ou o impulso a longo prazo.
Estimativa.
Código Python para calcular taxa de variação (ROC)
Exemplo de código: Taxa de alteração de 5 dias (ROC) para NIFTY.
No código abaixo, usamos as funções de série, diff, turno e junção para calcular a Taxa de Mudança (ROC). A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença de preços entre o preço do dia atual e o preço "n" do dia anterior. A função shift é usada para buscar o preço do dia anterior de "n". A função de junção junta uma determinada série com uma série especificada / dataframe.
Nós também plotamos a série NIFTY Price e os valores de Rate of Change (ROC) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama representa a série de preços NIFTY, enquanto a segunda subtrama registra os valores da ROC.
Bandas de Bollinger.
O conceito de bandas de Bollinger foi desenvolvido por John Bollinger. Essas bandas compreendem uma banda de Bollinger superior e uma banda de Bollinger inferior e são colocadas dois desvios padrão acima e abaixo de uma média móvel.
As bandas de Bollinger expandem e contratam com base na volatilidade. Durante um período de crescente volatilidade, as bandas se ampliam, e eles se contraem à medida que a volatilidade diminui. Os preços são considerados relativamente altos quando se movem acima da faixa superior e relativamente baixos quando vão abaixo da faixa inferior.
Para criar as bandas, primeiro calculamos o SMA e usamos isso para calcular os valores das bandas.
Para usar bandas de Bollinger para gerar sinais, uma abordagem simples seria usar as bandas superior e inferior como as metas de preço. Se o preço salte a banda baixa e cruza a linha média móvel, a banda superior se torna o alvo do preço mais alto.
No caso de um cruzamento do preço abaixo da linha média móvel, a banda inferior se torna o preço-alvo negativo.
Código Python para computar Bollinger Bands para NIFTY.
No código abaixo, rolando a função para criar a função de banda Bollinger. Os métodos de média e desvio padrão são usados ​​para calcular essas métricas respectivas usando o preço de fechamento. Uma vez que calculamos a média e o desvio padrão, calculamos a banda Bollinger superior e a banda Bollinger inferior. A função de banda de Bollinger é chamada nos dados do preço NIFTY usando a janela de média móvel de 50 dias.
Índice de força.
O índice de força foi criado por Alexander Elder. O índice de força leva em conta a direção do preço da ação, a extensão do movimento do preço da ação e o volume. Usando esses três elementos, forma um oscilador que mede a pressão de compra e venda.
Cada um desses três fatores desempenha um papel importante na determinação do índice de força. Por exemplo, um grande avanço nos preços, que é dado pela extensão do movimento dos preços, mostra uma forte pressão de compra. Um grande declínio no volume pesado indica uma forte pressão de venda.
Estimativa.
Exemplo: índice de força de computação (1) e período de índice de força (15).
O Índice de Força para período de 15 dias é uma média móvel exponencial do Índice de Força de 1 período.
O Índice de Força pode ser usado para determinar ou confirmar a tendência, identificar correções e reversões de prenúncios com divergências. Um índice de força mais curto é usado para determinar a tendência de curto prazo, enquanto um índice de força mais longo, por exemplo, um índice de força de 100 dias pode ser usado para determinar a tendência de preços a longo prazo.
Um índice de força também pode ser usado para identificar correções em uma determinada tendência. Para isso, ele pode ser usado em conjunto com um indicador de tendência seguinte. Por exemplo, pode-se usar uma MME de 22 dias para tendência e um índice de força de 2 dias para identificar correções na tendência.
Código Python para calcular o índice de força para o estoque da Apple Inc. (AAPL).
No código abaixo, usamos as funções Series, diff e join para calcular o índice de força. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença entre o ponto de dados atual e o ponto de dados “n” períodos / dias de intervalo. A função de junção une uma determinada série com uma série especificada / dataframe.
Se você está buscando mais informações sobre bibliotecas Python para a Algo Trading, confira o nosso blogpost. Se você é um codificador ou um profissional de tecnologia que procura aprender comércio automatizado de especialistas como o Dr. Yves Hilpisch, dê uma olhada no nosso curso Programa Executivo em Negociação Algorítica (EPAT).
Posts Relacionados:
9 thoughts on “Construa Indicadores Técnicos em Python”
Use o artigo ful. Também seria útil se você pudesse escrever um artilce que combina os vários indicadores técnicos em um único programa. Por exemplo, compre se há uma ruptura de preço de um intervalo de negociação de três semanas e há também uma expansão em volumes e RSI de 14 dias está dando sinais positivos.
Boa postagem & # 8230; Você também pode fornecer algumas estratégias de negociação para o mesmo?
Os indicadores técnicos são uma boa forma de estimar o movimento dos preços. Você também pode publicar algo sobre desembolsos? são tópicos muito interessantes para estudar e prever.
Muito obrigado,
Algumas correções para o código # 8230 ;.
importar pandas como pd.
#import pandas. io. data como web.
Em vez de pandas. io. data, você precisará primeiro instalar o pandas. datareader.
import pandas_datareader. data como web.
importa matplotlib. pyplot como plt.
Com as Pandas 0.18.0, as funções da janela foram refatoradas para serem métodos em objetos Series / DataFrame.
pd. rolling_mean está obsoleto para DataFrame e será removido em uma versão futura, substitua por DataFrame. rolling (window = 3, center = False).mean ()
Portanto, a função CCI pode ser alterada para.
def CCI (data, ndays):
CCI = pd. Series ((TP & # 8211; TP. rolling (janela = n dias, centro = Falso).mean ()) / (0.015 * TP. rolling (window = ndays, centro = False).std ()) , nome = & # 8216; CCI & # 8217;)
Também para a última parte do matplotlib, adicionaram as seguintes linhas para mostrar o enredo.
Trabalhará sobre o resto dos indicadores técnicos e pode enviar o código para você por e-mail, se aceitável.
28 de fevereiro de 2017.
OI Sean, agradeço o seu post. Muito útil. Você pode postar seu código atualizado?
Artigo muito informativo. Mas copiar-colar é um pouco difícil. Eu adicionei este notebook & # 8230;
7 de setembro de 2017.
Um artigo muito bom, mas a minha pergunta é onde obtenho código python para os outros indicadores técnicos? Eu gostaria do conjunto completo de indicadores técnicos no código Python.
12 de setembro de 2017.
A melhor maneira será construir os indicadores necessários. Obrigado por gostar do artigo.