Python im algorithmischen Handel - Seite 2

Neuer Kommentar
 

Analysieren Sie Broker-Spreads mit Pandas



Analysieren Sie Broker-Spreads mit Pandas | Handel mit Python

In diesem Video verwendet der Moderator Pandas in Python, um Broker-Spreads zu analysieren. Aus der Brokerhistorie mit MetaTrader 5 exportierte Tick-Daten werden in einen Pandas-Datenrahmen geleitet und Spread- und stündliche Daten analysiert, um Änderungen der Spreads im Laufe der Zeit darzustellen. Die Spreads erwiesen sich im Allgemeinen als eng, konnten jedoch während Nachrichtenereignissen oder Zeiten geringer Liquidität, insbesondere um Mitternacht der Maklerzeit, steigen. Die Analyse rät Händlern, ihre Handelskosten zu optimieren, indem sie die für verschiedene Symbole präsentierten Daten berücksichtigen.

  • 00:00:00 In diesem Abschnitt untersucht das Video, wie man Pandas verwendet, um Broker-Spreads zu analysieren. Das Video zeigt, wie man Tick-Daten aus der Broker-Historie mit MetaTrader 5 exportiert und die Spread-Daten mit Pandas analysiert. Die Tick-Daten werden dann an einen Pandas-Datenrahmen übergeben und von einem Unix-Zeitstempelformat in ein Datetime-Format konvertiert. Die Spread-Spalte wird dann anhand der Differenz zwischen Brief- und Geldkurs berechnet. Die Zeitspalte wird auch in stündliche Daten konvertiert, um Spreads stündlich zu analysieren. Die Daten werden mithilfe der „Plotline“-Bibliothek dargestellt, um Änderungen der Spreads im Laufe der Zeit zu analysieren. Die Analyse zeigt, dass die Spreads im Allgemeinen eng sind, aber bei Nachrichtenereignissen oder Zeiten geringer Liquidität sprunghaft ansteigen können. Während der Maklerzeit um Mitternacht ist die Liquidität gering und die Spreads können hoch sein.

  • 00:05:00 In diesem Abschnitt zeigt der Referent, wie man Broker-Spreads mit Pandas in Python analysiert. Die Funktion gruppiert Zeilen mit derselben Stunde und berechnet den durchschnittlichen Spread und den maximalen Spread für jede Stunde. Die resultierende Tabelle und das Balkendiagramm zeigen, dass die Spreads normalerweise um Mitternacht und 1 Uhr morgens hoch sind, während sie beim EUR/USD-Paar den ganzen Tag über sehr eng sind. Für das XAU/USD-Paar sind die Spreads etwas breiter und es gibt größere Spitzen am Nachmittag während der amerikanischen Sitzung. Der Referent rät Händlern, solche Daten zu berücksichtigen, um ihre Handelskosten zu optimieren und das Jupyter-Notebook zu verwenden, um ihre Plattform zu verbinden und verschiedene Symbole zu analysieren.
 

Programmieren Sie eine Bollinger-Band-Handelsstrategie in Python



Programmieren Sie eine Bollinger-Band-Handelsstrategie in Python

In diesem Video erklärt der Moderator die Handelsstrategie Bollinger Bands in Python, bei der ein einfacher gleitender Durchschnitt, ein unteres Band und ein oberes Band verwendet werden, um 95 % aller Preise innerhalb der Bänder zu enthalten. Die Strategie beinhaltet den Kauf, wenn der Preis das untere Bollinger-Band erreicht, und den Verkauf, wenn der Preis das obere Bollinger-Band erreicht. Ein Stop-Loss wird auf drei Standardabweichungen unter dem Mittelwert festgelegt, während ein Take-Profit auf zwei Standardabweichungen darüber festgelegt wird. Der Moderator zeigt die Implementierung in Python unter Verwendung von Pandas- und MetaTrader5-Plattformen und stellt Testergebnisse bereit, die jedes Handelsergebnis erläutern. Er rät jedoch davon ab, diese Strategie blind in Trendmärkten einzusetzen, und betont, wie wichtig es ist, die Marktbedingungen zu analysieren.

  • 00:00:00 In diesem Abschnitt des Videos lernen wir etwas über Bollinger Bands und wie man mit ihnen handelt. Bollinger-Bänder bestehen aus einem einfachen gleitenden Durchschnitt, einem unteren Band und einem oberen Band. Der einfache gleitende Durchschnitt wird berechnet, indem der Durchschnittswert der letzten Preise genommen wird. In Bollinger Bändern werden normalerweise zwei Standardabweichungen verwendet, die 95 % aller Preise innerhalb der Bänder enthalten. Wir können kaufen, wenn der Preis niedrig ist, und verkaufen, wenn der Preis hoch über dem Mittelwert liegt. Die Strategie besteht darin, dass wir kaufen, wenn der Preis unter dem unteren Band schließt, und verkaufen, wenn der Preis über dem oberen Band schließt. Ein Stop-Loss wird auf drei Standardabweichungen und ein Take-Profit auf zwei Standardabweichungen festgelegt. Die Positionsgröße ist nur einmal gleichzeitig erlaubt.

  • 00:05:00 In diesem Abschnitt erklärt der Referent, wie man die Bollinger Bands mit Pandas in Python berechnet. Um den einfachen gleitenden Durchschnitt zu berechnen, haben sie df sma definiert. Die Standardabweichung wird ähnlich berechnet, jedoch unter Verwendung von std anstelle von Mittelwert. Das untere Band ist definiert als zwei Standardabweichungen unter dem SMA, während das obere Band als FSMA plus das Zweifache des FSD definiert ist. Um das Backtesting zu starten, wird eine Signalspalte erstellt und ein Kauf- oder Verkaufssignal generiert, je nachdem, ob der Schlusskurs unter dem unteren Band oder über dem oberen Band liegt. Der Redner stellte auch die Position und Strategie der Klassen vor, die erstellt wurden, um den Backtest durchzuführen und die Gewinne auf der Grundlage historischer Daten zu bewerten.

  • 00:10:00 In diesem Abschnitt des Videos zeigt der Moderator die Backtest-Ergebnisse der Handelsstrategie Bollinger Band in Python. Die Ergebnisse zeigen eine Liste der geöffneten und geschlossenen Positionen, zusammen mit dem Gewinn jeder Position und dem P&L des Anfangssaldos. Das Diagramm zeigt, dass die Strategie profitabel war und durch den Handel im Laufe des Jahres rund 7.500 $ einbrachte. Der Präsentator erklärt dann jeden Trade, der getätigt wurde, und wie er entweder zu Gewinn oder Verlust führte. Er erwähnt auch, dass die im Backtest angegebene Lautstärke etwas hoch und riskant ist, sodass sie möglicherweise heruntergeregelt werden muss. Abschließend erklärt er, wie man die Strategie in Python mit der Handelsplattform MetaTrader 5 programmiert.

  • 00:15:00 In diesem Abschnitt erklärt der Referent, wie man eine Signalfunktion in Python erstellt, um Signale für eine Handelsstrategie mit Bollinger Bands zu generieren. Die Funktion fordert Balken von der MetaTrader5-Plattform an, berechnet den Mittelwert und die Standardabweichung und verwendet sie zur Berechnung der oberen und unteren Bänder. Der Schlusskurs des letzten Balkens wird zum Vergleich mit den oberen und unteren Bändern verwendet, um ein Kauf- oder Verkaufssignal zu generieren. Die Strategieschleife innerhalb der Funktion sucht nach Signalen und sendet dann eine Marktorder mit bestimmten Parametern wie Stop-Loss und Take-Profit, wenn ein Signal ausgelöst wird. Der Referent testet die Strategie unter Verwendung der MetaTrader5-Plattform, zeigt, wie der Code in Echtzeit funktioniert, und empfiehlt, das Symbol und den Zeitrahmen an die Präferenzen der Benutzer anzupassen.

  • 00:20:00 In diesem Abschnitt diskutiert der Redner eine Handelsstrategie, die auf Bollinger Bands basiert. Er erklärt, dass diese Strategie darin besteht, zu kaufen, wenn der Preis das untere Bollinger-Band erreicht, und Gewinne bei zwei Standardabweichungen über dem Kaufpreis mitzunehmen. Er stellt fest, dass diese Strategie in verschiedenen Märkten gut funktioniert, in Trendmärkten jedoch schlecht abschneidet, und rät davon ab, Strategien blind einzusetzen, und betont, wie wichtig es ist, die Marktbedingungen vor dem Einsatz zu analysieren. Der Redner stellt auch Links zum Herunterladen des in der Strategie verwendeten Jupyter Notebook- und Python-Codes bereit und bittet die Zuschauer, das Video zu mögen und zu abonnieren, wenn ihnen das Video gefallen hat.
 

Codieren Sie eine Crossover-Handelsstrategie für den einfachen gleitenden Durchschnitt (SMA) in Python



Codieren Sie eine Crossover-Handelsstrategie für den einfachen gleitenden Durchschnitt (SMA) in Python

In diesem YouTube-Video erklärt der Moderator, wie man eine Crossover-Handelsstrategie mit einfachem gleitendem Durchschnitt (SMA) in Python codiert. Die Strategie nutzt den Crossover von zwei SMA als Signal für den Kauf und Verkauf von Vermögenswerten. Der Moderator demonstriert, wie man die historischen Preisdaten mit Pandas- und Plotly-Bibliotheken visualisiert, die schnellen und langsamen SMAs definiert, Crossovers findet, die Crossover-Spalte berechnet und die bullischen Crossovers grafisch darstellt. Das Video zeigt dann, wie die SMA-Crossover-Handelsstrategie mit zuvor erstellten Klassen rückgetestet werden kann, und diskutiert die Ergebnisse anhand eines Liniendiagramms von Gewinn und Verlust im Zeitverlauf. Insgesamt bietet das Video eine Schritt-für-Schritt-Anleitung zum Erstellen und Testen einer einfachen und effektiven Handelsstrategie mit Python.

  • 00:00:00 In diesem Abschnitt des Videos stellt der Moderator eine Handelsstrategie vor, die das Überkreuzen zweier einfacher gleitender Durchschnitte als Signal für den Kauf und Verkauf von Vermögenswerten verwendet. Diese Trendfolgestrategie ermöglicht es, große Marktbewegungen ohne Gewinnbegrenzung zu erfassen. Anschließend zeigt der Moderator, wie man diese einfache Crossover-Strategie für den gleitenden Durchschnitt in der Jupiter-Notebook-Umgebung codiert und anhand historischer Kursdaten auf dem DAX-Index testet. Der Präsentator verwendet Pandas- und Plotly-Bibliotheken, um die von der MetaTrader 5-Plattform erhaltenen Daten zu organisieren und zu visualisieren, und konvertiert die Zeitspalte in ein Datetime-Format.

  • 00:05:00 In diesem Abschnitt des Videos beginnt der Kursleiter mit der Visualisierung von Schlusskursen, um zu sehen, wie sich die Kurse im Laufe der Zeit entwickelt haben, indem er px.line verwendet. Wir sehen auch, dass sich der DAX zu Beginn um 13 bis 10.500 bewegt hat, während der COVID-Krise gab es einen großen Rückgang, aber die Kurse steigen jetzt wieder auf Allzeithochs. Dem Diagramm werden gleitende Durchschnitte hinzugefügt, um die Generierung von Signalen zu unterstützen, und es werden ein langsamer SMA und ein schneller SMA definiert. Der langsame sma wird auf 100 und der schnelle sma auf 10 gesetzt, und beide werden dem Diagramm hinzugefügt. Abschließend definiert der Ausbilder einige Variablen in einer anderen Zelle, um die zukünftige Anpassung der Einstellungen zu erleichtern.

  • 00:10:00 In diesem Abschnitt des Videos erklärt der Moderator, wie man Crossovers in einer Crossover-Handelsstrategie des Simple Moving Average (SMA) mit Python und Pandas findet. Der Präsentator legt die Periode für die schnellen und langsamen SMAs auf 10 bzw. 100 fest. Um Crossovers zu finden, werden die vorherigen schnellen SMA-Werte mit den langsamen SMA-Werten verglichen, und wenn der vorherige schnelle SMA-Wert niedriger und der aktuelle schnelle SMA-Wert höher ist, wird dies als bullischer Crossover betrachtet. Wenn andererseits der vorherige schnelle SMA-Wert höher und der aktuelle schnelle SMA-Wert niedriger ist, wird dies als rückläufiger Crossover betrachtet. Der Präsentator erstellt eine Funktion namens „find_crossover“, um diesen Prozess zu automatisieren.

  • 00:15:00 In diesem Abschnitt erklärt das Video, wie eine Crossover-Spalte unter Verwendung der zuvor berechneten schnellen und langsamen SMA-Werte berechnet wird. Die Funktion np.vectorize wird verwendet, um die Funktion und die Spalten zu übergeben, die die Eingaben darstellen, und dann werden die Ergebnisse von den None-Werten eliminiert. Nachdem die Crossover-Spalte erstellt wurde, zeigt das Video, wie man die bullischen Crossovers findet und sie als vertikale Linien auf dem Chart zeichnet, indem man pick.dot at v line mit x gleich row.time verwendet.

  • 00:20:00 In diesem Abschnitt führt der Kursleiter durch den Prozess des Backtestings der SMA-Crossover-Handelsstrategie, indem er kauft, wenn die rote Linie über der grünen Linie liegt, und verkauft, wenn sie unter den sich langsam bewegenden Durchschnitt fällt. Der Ausbilder verwendet zuvor erstellte Klassen, Klassenposition und Klassenstrategie, um einen Backtest zu erstellen. Die Klasse Position verfügt über Methoden zum Öffnen und Schließen von Positionen sowie eine Methode zum Zurückgeben der Ergebnisse als Wörterbuch. Während der Unterrichtsstrategie initialisiert der Instruktor den Startsaldo des Handelskontos, gibt das Handelsvolumen an und fügt den Datenrahmen mit den historischen Daten und Signalspalten hinzu. In der run-Methode der Klassenstrategie wird die Logik der Strategie mithilfe von if-Anweisungen definiert, um Positionen basierend auf Crossover-Werten zu öffnen und zu schließen. Schließlich wird die Klasse instanziiert und ausgeführt, um die Ergebnisse zu erhalten.

  • 00:25:00 In diesem Abschnitt erörtert der Moderator die Ergebnisse des Backtests der Crossover-Handelsstrategie Simple Moving Average (SMA), die wir mit Python codiert haben. Sie zeigen das Liniendiagramm des Gewinns und Verlusts im Laufe der Zeit mit Plotly Express und dem Figure-Objekt, um die Leistung visuell zu analysieren. Sie erwähnen, dass die Strategie meistens kleine Gewinne und Verluste hat, aber schließlich kommt ein großer Gewinn mit einem großen Trend. Der Moderator bedankt sich dann bei den Zuschauern für das Ansehen und lädt sie ein, Fragen zu stellen, falls sie welche haben, und wenn ihnen das Video gefällt, es zu mögen und zu abonnieren.
 

Programmieren Sie eine Buy-Hold-Handelsstrategie für Aktienindizes in Python



Programmieren Sie eine Buy-Hold-Handelsstrategie für Aktienindizes in Python

In diesem Video erläutert der Moderator, wie man eine Buy-Hold-Handelsstrategie für Aktienindizes in Python schreibt, indem man Jupyter Notebook-Code verwendet, um Indikatoren, Strategien und Backtests zu schreiben. Die Strategie basiert darauf, einen Drawdown von 5 %, 15 % oder 35 % zu identifizieren und zu kaufen, wenn ein Drawdown erreicht wird, und anschließend zu verkaufen, wenn das vorherige Allzeithoch erreicht wird. Der Referent erläuterte, wie Positionen mit der Methode „Positionen abrufen“ hinzugefügt und überprüft werden, die eine Liste von Positionen verwendet und die Positionsklasse für jede neue Position anhängt. Außerdem wurde die Ausstiegsstrategie erklärt, bei der jede offene Position geschlossen wird, wenn der Drawdown gegen Null geht. Abschließend wird die Bedeutung von qualitativ hochwertigen Trades und langen Perioden, um eine Preiserholung zu ermöglichen, betont, und der Präsentator präsentiert die Ergebnisse des Backtests in einem Diagramm.

  • 00:00:00 In diesem Abschnitt des Videos erklärt der Sprecher die Buy-Hold-Strategie des deutschen Aktienindex und zeigt frühere Fälle zwischen 2015 und 2018, in denen die Strategie umgesetzt wurde und wie sie von Bärenmärkten und eventuellen Erholungen beeinflusst wurde. Während die Strategie am besten mit Zeit als Ressource funktioniert und durch den Kauf zu günstigen Preisen zu Gewinnen führen kann, birgt sie auch ein erhebliches Risiko, da sie den Kauf in Drawdowns beinhaltet. Der Referent stellt auch den Jupyter Notebook-Code vor, mit dem Sie Ihre eigenen Indikatoren und Strategien schreiben und deren Ergebnisse rücktesten können. Der Code steht auf TraderPi.com zum Download bereit.

  • 00:05:00 In diesem Abschnitt des Videos erklärt der Moderator, wie man mit Python eine Buy-Hold-Handelsstrategie für Aktienindizes erstellt. Die Strategie basiert auf der Identifizierung von Drawdown-Niveaus und dem Kauf, wenn der Drawdown 5 %, 15 % oder 35 % erreicht, und dem Verkauf, wenn das vorherige Allzeithoch erreicht ist. Der Referent zeigt, wie man mit der Apply-Funktion eine Signalspalte im Datenrahmen definiert und wie man die Positions- und Strategieklassen verwendet, um einen Backtest durchzuführen. Der Referent erklärt auch, wie Daten aus der Positionsklasse mit der Methode as dict abgerufen werden.

  • 00:10:00 In diesem Abschnitt des Videos erklärt der Sprecher die Methode zum Hinzufügen und Überprüfen von Positionen für die Buy-and-Hold-Handelsstrategie. Die Methode „Positionen abrufen“ wird verwendet, um einen Datenrahmen mit den berechneten Gewinnen und Verlusten zurückzugeben. Der Code verwendet eine Liste von Positionen und hängt die Positionsklasse innerhalb dieser Liste an, wenn eine neue Position hinzugefügt wird. Die Strategie sucht nach Signalen zur Eröffnung eines Trades und iteriert durch HLC-Daten für 5 Prozent, 15 Prozent und 35 Prozent Drawdowns. Außerdem wird die Ausstiegsstrategie erklärt, wonach bei einem Drawdown von null jede offene Position geschlossen wird. Die Backtest-Ergebnisse werden gezeigt, und der Redner betont die Bedeutung von qualitativ hochwertigen Trades und langen Zeiträumen, damit sich die Preise schließlich erholen können. Die Ergebnisse werden dann in einem Diagramm dargestellt, um die Trades darzustellen.
 

Code 10 Technische Handelsindikatoren mit Python


Code 10 Technische Handelsindikatoren mit Python

Das Video diskutiert zehn technische Handelsindikatoren mit Python, beginnend mit dem einfachen gleitenden Durchschnitt (SMA), der zur Bestimmung von Trends verwendet wird. Die Average True Range (ATR) misst die Volatilität, während der Relative Strength Index (RSI) überkaufte und überverkaufte Kurse identifiziert. Das gestrige Hochtief und die Standardabweichung können dabei helfen, Spannen, Ausbruch und volatile Märkte zu identifizieren. Bollinger-Bänder verwenden einen einfachen gleitenden Durchschnitt (SMA) und eine Standardabweichung, um Mean-Reversion- oder Breakout-Strategien anzuzeigen. MACD- und SMA-Crossover zeigen eine Trendänderung an, indem schnelle und langsame EMAs oder SMAs berechnet werden. Der Crossover des gleitenden Durchschnitts kombiniert schnelle und langsame gleitende Durchschnitte, um potenzielle Trendumkehrungen zu identifizieren, während der stochastische Oszillator die höchsten und niedrigsten Werte eines Zeitraums berücksichtigt, um überkaufte und überverkaufte Bedingungen zu identifizieren.

  • 00:00:00 In diesem Abschnitt stellt der Referent die 10 technischen Indikatoren vor, die mit Python berechnet werden, beginnend mit dem einfachen gleitenden Durchschnitt (SMA). Die historischen Daten werden aus der MetaTrader5-Bibliothek angefordert und dann mit Pandas verarbeitet. Der SMA ist ein beliebter Indikator zur Bestimmung von Trends, der anhand der letzten 10 Schlusskurse berechnet wird. Die resultierende SMA wird mit Plotly Express visualisiert.

  • 00:05:00 In diesem Abschnitt erklärt das Video die Berechnung und Verwendung der Indikatoren Simple Moving Average (SMA) und Exponential Moving Average (EMA) im technischen Handel. Der SMA nimmt den Durchschnitt der letzten 10 Preise und der EMA gibt den jüngsten Preisen mehr Gewicht. Das Video vergleicht die beiden Indikatoren und stellt fest, dass Händler, die schnellere Signale wünschen, möglicherweise den EMA bevorzugen, der viel schneller auf sofortige Preisänderungen reagiert als der SMA. Das Video stellt dann den Average True Range (ATR)-Indikator vor, der die Volatilität misst und Händlern hilft, Risiken und potenzielle Trendänderungen einzuschätzen. ATR wird berechnet, indem die Spanne der Kerze (Hoch - Tief) für einen bestimmten Zeitraum genommen und dann gemittelt wird. Das Video weist darauf hin, dass eine Abnahme der ATR den Beginn einer Retracement-Phase anzeigen kann. ATR wird in einem Diagramm gezeigt und ist während volatilerer Perioden höher.

  • 00:10:00 In diesem Abschnitt behandelt das Video zwei technische Handelsindikatoren: den Average True Range (ATR) und den Relative Strength Index (RSI). Der ATR misst die Volatilität eines Marktes, indem er die Differenz zwischen hohen und niedrigen Preisen über einen bestimmten Zeitraum vergleicht, während der RSI dabei hilft, überkaufte und überverkaufte Preise zu identifizieren. Das Video zeigt, wie man den RSI mit einer 14-Perioden-Einstellung berechnet und erklärt die Formel zur Generierung des RSI-Werts. Das Video enthält auch Beispielcode zum Zeichnen des RSI-Indikators, der Händlern helfen kann, potenzielle Kauf- oder Verkaufssignale zu identifizieren, je nachdem, ob sich der RSI im überverkauften oder überkauften Bereich befindet. Darüber hinaus diskutiert das Video kurz die Hochs und Tiefs des Vortages und wie diese in Handelsstrategien genutzt werden können.

  • 00:15:00 In diesem Abschnitt diskutiert das Video zwei technische Handelsindikatoren mit Python: das gestrige Hoch, Tief und die Standardabweichung. Das gestrige Hoch-Tief kann ein wertvoller Indikator für den Intraday-Handel sein, da es zeigen kann, ob sich der Markt bewegt oder ob es einen Ausbruch gibt, was auf einen Trendmarkt hindeuten kann. Die Standardabweichung wird verwendet, um die Varianz zu messen, und eine hohe Standardabweichung kann bedeuten, dass der Markt volatil ist, während eine niedrige Standardabweichung darauf hinweisen kann, dass sich der Markt nicht viel bewegt. Das Video bespricht dann die Bollinger-Bänder, die aus einem einfachen gleitenden Durchschnitt (SMA) mit einer Periode von 20, einem oberen Band zwei Standardabweichungen über dem SMA und einem unteren Band zwei Standardabweichungen unter dem SMA bestehen. Bollinger Bands können für Mean-Reversion-Strategien oder Breakout-Strategien verwendet werden.

  • 00:20:00 In diesem Abschnitt erklärt das Video zwei zusätzliche technische Handelsindikatoren, MACD und SMA Crossover, und wie man sie mit Python berechnet und zeichnet. MACD ist ein Trendindikator, der Umkehrungen vorhersagt, indem er den schnellen EMA mit Periode 20 und den langsamen EMA mit Periode 26 berechnet und die Beziehung zwischen diesen beiden EMAs betrachtet. Der SMA-Crossover hingegen verwendet ein viel einfacheres Konzept und beinhaltet einfach einen schnellen einfachen gleitenden Durchschnitt und einen langsamen einfachen gleitenden Durchschnitt, die eine Trendänderung anzeigen, wann immer sie sich kreuzen. Das Video enthält den Code zur Berechnung und Darstellung beider Indikatoren und erklärt, wie sie zur Identifizierung von Trendwenden verwendet werden können.

  • 00:25:00 In diesem Abschnitt erörtert der Moderator die Moving-Average-Crossover- und Stochastik-Oszillator-Indikatoren. Für den Crossover des gleitenden Durchschnitts kombiniert der Präsentator einen schnellen und einen langsamen gleitenden Durchschnitt, um potenzielle Trendumkehrungen zu identifizieren. Ein Crossover wird identifiziert, wenn entweder der schnell gleitende Durchschnitt den langsam gleitenden Durchschnitt über- oder unterschreitet, in diesem Fall wird eine Crossover-Spalte erstellt. Der Präsentator demonstriert die Wirksamkeit des Indikators, indem er die gleitenden Durchschnitte zusammen mit dem Schlusskurs grafisch darstellt und vertikale Linien hinzufügt, um jeden Übergang zu markieren. Der stochastische Oszillator ähnelt dem RSI, aber anstatt nur Schlusskurse für seine Berechnung zu verwenden, berücksichtigt er die höchsten und niedrigsten Werte einer Periode. Der Oszillator wird mithilfe einer Formel definiert und dient wie der RSI dazu, potenzielle überkaufte und überverkaufte Bedingungen zu identifizieren. Der Moderator lädt die Zuschauer ein, den Code herunterzuladen und selbst zu testen, und schlägt vor, Kommentare zu bevorzugten Indikatoren für ein potenzielles zukünftiges Video zu hinterlassen.
 

Wie man eine RSI-Handelsstrategie in Python programmiert



Wie man eine RSI-Handelsstrategie in Python programmiert

Das Video bietet eine ausführliche Erklärung zum Programmieren und Backtesten einer RSI-Handelsstrategie in Python. Die Strategie beruht auf dem Kauf, wenn der RSI überverkauft ist, und dem Verkauf, wenn er überkauft ist, wobei die Einstiegssignale sind, wenn der RSI unter 30 fällt und wenn er 70 übersteigt, ist es Zeit zu verkaufen. Die Ausstiegsstrategie beinhaltet die Verwendung des Average True Range (ATR)-Indikators, um Take-Profit und Stop-Loss 280 Pips vom Kauf- oder Verkaufspreis entfernt festzulegen. Das Video behandelt die Verwendung der MetaTrader5-, Pandas- und Plotly-Bibliotheken für historische Datenanfragen, Indikatorberechnung, Backtesting und Ergebnisvisualisierung. Abschließend werden die Zuschauer ermutigt, das Jupiter-Notebook herunterzuladen, um die RSI-Handelsstrategie in Python zu implementieren.

  • 00:00:00 Das Video beschreibt, wie man eine RSI-Handelsstrategie in Python kodiert und backtest. Die Strategie konzentriert sich auf den Kauf, wenn der RSI überverkauft ist, und auf den Verkauf, wenn er überkauft ist, was sie zu einer Mean-Reversion-Strategie macht. Die Einstiegssignale sind, wenn der RSI unter 30 fällt, und wenn er 70 übersteigt, ist es Zeit zu verkaufen. Die Ausstiegsstrategie beinhaltet die Verwendung des Average True Range (ATR)-Indikators, um Take-Profit und Stop-Loss 280 Pips vom Kauf- oder Verkaufspreis entfernt festzulegen. Das Video behandelt auch die Verwendung der MetaTrader5-, Pandas- und Plotly-Bibliotheken für historische Datenanfragen, Indikatorberechnung, Backtesting und Ergebnisvisualisierung.

  • 00:05:00 In diesem Abschnitt des Videos erklärt der Sprecher, wie sie den RSI gezeichnet und mit Plotly überkaufte und überverkaufte Ebenen erstellt haben. Sie zeigen, dass Kaufsignale auftreten, wenn der RSI unter eine bestimmte horizontale Linie fällt, während Verkaufssignale auftreten, wenn er über 70 liegt. Zusätzlich wird der ATR-Indikator (Average True Range) als Maß für die Volatilität eingeführt, die durch Auffinden des ermittelt wird Bereich der Kerze und den Durchschnitt der letzten 14 Kerzen nehmen. Der ATR wird dann in einem Diagramm dargestellt, das den Volatilitätsanstieg Anfang 2020 zeigt. Abschließend zeigt der Referent, wie man einen Backtest durchführt und eine Strategieklasse mit logischen Bedingungen für den Einstieg und Ausstieg aus Trades erstellt. Zu den Bedingungen gehören die Prüfung auf offene Positionen, die Verwendung von RSI-Werten zur Bestimmung von Kaufsignalen und die Festlegung von Stop-Loss- und Take-Profit-Niveaus.

  • 00:10:00 In diesem Abschnitt erklärt der Referent, wie man den Backtest für die RSI-Handelsstrategie in Python durchführt. Der Backtest wird erstellt, indem der historische Datensatz durchlaufen wird, und die Positionen werden in einer Liste gespeichert, die Positionsklassen enthält. Stop-Loss und Take-Profit werden als 280 Stunden von den Kauf- und Verkaufspreisen entfernt definiert. Die Logik für den Backtest ist, dass, wenn der RSI den Wert von 70 überschreitet, dies ein Verkaufssignal ist und eine Short-Position zur Liste der Positionen in der Strategie hinzugefügt wird. Nach dem Durchlaufen aller historischen Daten gibt der Backtest eine Liste von Positionen und ihren Gewinnen zurück. Unter Verwendung dieser Daten können die Backtest-Ergebnisse visualisiert werden, indem die geschlossenen Positionen mit Plotly Express grafisch dargestellt werden, und die Gewinne und Verluste können mit der gleichen Methode grafisch dargestellt werden. Der Sprecher zeigt ein Beispiel des resultierenden Diagramms, um anzuzeigen, wann die Strategie gut oder schlecht funktioniert.

  • 00:15:00 In diesem Abschnitt beendet der Sprecher das Video, dankt dem Publikum für seine Aufmerksamkeit und lädt es ein, das Jupiter-Notebook zur Implementierung der RSI-Handelsstrategie in Python herunterzuladen. Er stellt fest, dass das Klavier nach einem großen Drawdown im besprochenen Zeitraum nun um das gleiche Niveau oszilliert. Er meldet sich ab und verspricht, bald mit einem weiteren Video zurückzukehren.
 

Lernen Sie Pandas über Handelsbeispiele kennen



Lernen Sie Pandas über Handelsbeispiele kennen

Das Video lehrt Benutzer, wie sie verschiedene Pandas-Funktionen anwenden, um Handelsdaten in Python zu analysieren, um analytische Fragen zu beantworten, wie z. und Berechnung des größten absoluten Drawdowns. Darüber hinaus umfasst es die Berechnung der Gewinnrate, des Chancen-Risiko-Verhältnisses und des Gewinnfaktors, der das Verhältnis zwischen Bruttogewinn und -verlust misst. Der Referent stellt eine CSV-Datei und reale Beispiele bereit, um die Zuschauer durch den Analyseprozess zu führen, und bietet ein Jupiter-Notizbuch für alle, die Pandas üben möchten.

  • 00:00:00 In diesem Abschnitt erklärt der Referent, wie man die Pandas-Bibliothek verwendet, um Handelsdaten in Python zu analysieren. Sie stellen eine CSV-Datei mit Handelsdaten bereit und führen die Zuschauer durch die Beantwortung von sechs analytischen Fragen zu diesen Daten. Sie zeigen, wie die Anzahl der Trades, der Gesamtgewinn und -verlust, das Datum und die Uhrzeit des ersten und letzten Trades, der größte Gewinn und Verlust und die Länge jedes Trades berechnet werden. Sie verwenden verschiedene Pandas-Funktionen wie „shape“, „sum“, „iloc“ und „loc“, um diese Berechnungen durchzuführen und echte Beispiele für die Ausgabe bereitzustellen.

  • 00:05:00 In diesem Abschnitt behandelt das Video verschiedene Handelsanalysefragen und wie man die Antworten mit den Pandas-Funktionen erhält. Zu den Fragen gehören das Finden der längsten und kürzesten Handelsdauer, das Berechnen der profitabelsten und verlustreichsten Monate auf der Grundlage von Handelsgewinnen, das Identifizieren der aktivsten Monate in Bezug auf die Handelszahlen und das Analysieren von Kauf- und Verkaufsaufträgen. Die Groupby-Methode von Pandas wird verwendet, um die Datenrahmenwerte entsprechend zu aggregieren und zu sortieren. Zu den verwendeten Funktionen gehören count und sum zur Berechnung von Handelszahlen und Gewinnen sowie datetime zum Extrahieren von Monatswerten aus den Handelsdatumszeiten.

  • 00:10:00 In diesem Abschnitt behandelt das Video verschiedene Berechnungen und Analysen, einschließlich der Berechnung der Gesamtzahl der Trades für jeden Ordertyp und der Feststellung, dass Kauforders besser abschnitten als Verkaufsorders. Das Video erklärt auch, wie man den größten absoluten Drawdown berechnet, d. h. den maximalen kumulativen Verlust, der während des Handels entsteht, und wie man den durchschnittlichen Gewinn oder Verlust berechnet, indem man Trades nach Gewinnart gruppiert. Darüber hinaus zeigt das Video, wie man die Gewinnrate berechnet, also die Wahrscheinlichkeit, dass ein Trade gewonnen oder verloren wird, und wie man das Chance-Risiko-Verhältnis berechnet, indem man den Durchschnittswert von Gewinnern und Verlierern nimmt.

  • 00:15:00 In diesem Abschnitt geht der Referent auf den Gewinnfaktor ein, der das Verhältnis zwischen Bruttogewinn und Bruttoverlust darstellt. Der Nettogewinn wird berechnet, indem alle Gewinne und Verluste getrennt nach der Gewinnart (Gewinn oder Verlust) summiert werden. Der Gewinnfaktor wird dann ermittelt, indem der Bruttogewinn durch den Bruttoverlust geteilt wird. Das Ergebnis dieser Berechnung ist eine Metrik, die bestimmt, wie sehr die Gewinne die Verluste überwiegen. Der Gewinnfaktor beträgt in diesem Fall 1,34. Der Sprecher erwähnt auch, dass sie auf ihrer Website ein Jupiter-Notizbuch für diejenigen bereitstellen werden, die Pandas üben möchten.
 

Daten in CSV und Datenbanken verwalten (SQLite)



Daten in CSV und Datenbanken verwalten (SQLite)

Im Video „Manage Data in CSV and Databases (SQLite)“ demonstriert der Referent, wie man mit pandas DataFrame Daten in einer CSV-Datei speichert und liest und mit SQLite3 mit Datenbanken arbeitet. Den Zuschauern wird gezeigt, wie die OHLC-Daten in einem Pandas DataFrame gespeichert, als CSV-Datei gespeichert und später gelesen und in einen Pandas DataFrame konvertiert werden. Der Redner zeigt den Zuschauern auch, wie man mit Datenbanken in Python unter Verwendung von SQLite3 arbeitet, einschließlich dem Erstellen einer Datenbank oder dem Verbinden mit einer bestehenden, dem Speichern von Daten in der Datenbank und dem Lesen der Daten mit einfachen Abfragen. Der Sprecher beendet das Video, indem er den Zuschauern Zugriff auf den im Tutorial verwendeten Code anbietet und die Hoffnung zum Ausdruck bringt, dass das Tutorial hilfreich war.

  • 00:00:00 In diesem Abschnitt zeigt der Referent, wie Daten in einer CSV-Datei mit pandas DataFrame gespeichert und gelesen werden. Nach dem Abrufen einiger OHLC-Daten von einem Broker werden die Daten in einem Pandas DataFrame gespeichert und dann als CSV-Datei gespeichert. Durch die Verwendung von `pd.read_csv` können die CSV-Daten später ausgelesen und in einen Pandas DataFrame konvertiert werden. Der Referent demonstriert später die Arbeit mit Datenbanken in Python mithilfe von SQLite3, das Teil der Python-Standardbibliothek ist. Die Methode `sqlite3.connect` wird verwendet, um eine Datenbank zu erstellen oder sich mit einer bestehenden zu verbinden. Die OHLC-Daten werden in der Datenbank mit `ohlcdf.to_sql` gespeichert und dann mit einfachen Abfragen gelesen, indem `pd.read_sql_query` ausgeführt wird.

  • 00:05:00 In diesem Abschnitt schließt der Sprecher das Video ab, indem er den Zuschauern für ihre Aufmerksamkeit dankt und anbietet, den im Tutorial verwendeten Code zu teilen. Der Redner stellt einen Link zu seiner Website bereit, auf der die Zuschauer auf den Code zugreifen können. Sie drücken die Hoffnung aus, dass die Zuschauer das Video hilfreich fanden, und versprechen, bald mit einem weiteren Tutorial zurück zu sein.
 

MetaTrader 5 Live-Handel mit Python im Jahr 2021 (Vorlage enthalten)



MetaTrader 5 Live-Handel mit Python

Das Video „MetaTrader 5 Live-Handel mit Python im Jahr 2021 (Vorlage enthalten)“ stellt einen hilfreichen Leitfaden für Händler dar, die ihre Handelsstrategien anpassen und die Rentabilität mit MetaTrader5 und Python verbessern möchten. Es stellt eine Vorlage dar, die basierend auf den Bedürfnissen des Händlers modifiziert werden kann, wobei die erforderlichen Codeabschnitte hervorgehoben werden. Das Video behandelt auch verschiedene Funktionen wie das Initialisieren von Funktionen, das Importieren von Daten und das Erstellen von Handelsaufträgen. Zu den nützlichen Tools, die demonstriert werden, gehört die Resume-Funktion, die es Händlern ermöglicht, offene Positionen auch nach dem Schließen des Python-Blatts zu überwachen. Während er die Notwendigkeit eines Windows-Geräts zur Verwendung der MetaTrader 5-Bibliothek betont, schlägt der Redner auch einige Optionen für Mac-Benutzer vor.

  • 00:00:00 In diesem Abschnitt zeigt Lucas von Control, wie man eine Handelsstrategie mit MetaTrader5 und Python in den Live-Handel umsetzt. Er stellt eine Vorlage bereit und zeigt, wie der Code an die eigenen Bedürfnisse angepasst werden kann. Das Video demonstriert auch verschiedene Funktionen, darunter das Initialisieren der Funktion, das Importieren von Daten und das Erstellen von Handelsaufträgen. Die Resume-Funktion wird als nützliches Tool zur Überwachung aktuell offener Positionen auch nach dem Herunterfahren des Python-Blatts hervorgehoben. Insgesamt bietet das Video einen nützlichen Leitfaden für Händler, die ihre Handelsstrategien anpassen und die Rentabilität maximieren möchten.

  • 00:05:00 In diesem Abschnitt bespricht der Referent eine Funktion, die es ermöglicht, jederzeit auf offene Positionen zuzugreifen, um sie schließlich zu schließen. Diese Funktion verwendet einen Algorithmus, der eine Position innerhalb eines festen Intervalls eröffnet und keine Momentum-Strategie verwendet. Die Funktion enthält viele Kommentare und ist einfach, aber wesentlich, da sie alle Informationen über den Algorithmus zurückgibt. Der Sprecher bietet auch eine Vorlage, die durch Änderung einiger Codezeilen leicht angepasst werden kann, sodass Benutzer ihren eigenen Algorithmus in Produktion nehmen können. Der Redner weist jedoch darauf hin, dass es wichtig ist, ein Windows-Gerät zu haben, um die MetaTrader 5-Bibliothek zu verwenden, und bietet einige Optionen für Mac-Benutzer, die keinen Zugriff auf ein Windows-Gerät haben.
 

Trailing Stop Loss: Stärke der Schwäche?



Trailing Stop Loss: Stärke der Schwäche?

Lucas von Control diskutiert die Stärken und Schwächen einer Trailing-Stop-Loss-Strategie, die darauf abzielt, das Risiko im Handel durch die Verwendung kontinuierlicher Stop-Loss- oder Gewinnschwellen zu reduzieren. Eine Stärke besteht darin, dass Händler Trendschwankungen ausnutzen und Risiken managen können, aber eine Schwäche besteht darin, dass Händler potenzielle Gewinne verpassen können. Der Referent rät Händlern, die Volatilität von Vermögenswerten zu berücksichtigen und dementsprechend maßgeschneiderte Strategien zu verwenden. Er bietet auch einen Kurs zur Verwendung von Trailing-Stop-Loss und anderen Handelsstrategien an.

  • 00:00:00 In diesem Abschnitt erörtert Lucas von Control die Stärken und Schwächen einer Trading-Stop-Loss-Strategie. Das Ziel des Trading-Stop-Loss ist es, das Risiko zu reduzieren, und es kann auf viele verschiedene Arten konstruiert werden, wie z. B. ein kontinuierlicher Stop-Loss oder die Verwendung von Gewinnschwellen. Die erste Stärke des Trading-Stop-Loss besteht darin, dass es Händlern ermöglicht, nicht nur Trendschwankungen auszunutzen, und die zweite Stärke besteht darin, dass es Händlern ermöglicht, ihr Risiko zu steuern. Die Schwäche des Trading-Stop-Loss besteht jedoch darin, dass es mit dem Risiko verbunden ist, einige der Vorteile der Händler zu nutzen, und es kann auch dazu führen, dass Händler potenzielle Gewinne verpassen.

  • 00:05:00 In diesem Abschnitt erörtert der Referent, wie sich die Volatilität eines Vermögenswerts auf die Verwendung von Trailing Stop Loss als Handelsstrategie auswirkt. Der Redner rät Händlern, die Volatilität eines Vermögenswertes zu berücksichtigen und nicht dieselbe Strategie für verschiedene Vermögenswerte wie Forex oder Krypto anzuwenden. Der Referent bietet auch einen Kurslink, der lehrt, wie man Orders platziert, Daten importiert, komplexe Strukturen erstellt, Risiken verwaltet und Vorlagen für ein spezifisches Projekt eines Händlers erstellt, einschließlich Trailing Stop Loss.
123456789...24
Neuer Kommentar
Grund der Beschwerde: