Python para el trading algorítmico - página 2

[MetaQuotes]

Analice los diferenciales de los corredores con Pandas

Analice los diferenciales de los corredores con Pandas | Comercio con Python

En este video, el presentador usa pandas en Python para analizar los diferenciales de los corredores. Los datos de ticks exportados desde el historial del bróker mediante MetaTrader 5 se pasan a un marco de datos de pandas, y se analizan los datos por horas y diferenciales para trazar los cambios en los diferenciales a lo largo del tiempo. Se encontró que los diferenciales eran generalmente ajustados, pero podrían aumentar durante los eventos de noticias o los períodos de baja liquidez, particularmente alrededor de la medianoche, hora del corredor. El análisis aconseja a los comerciantes que optimicen sus costos comerciales al considerar los datos presentados para diferentes símbolos.

• 00:00:00 En esta sección, el video explora cómo usar pandas para analizar los diferenciales de los corredores. El video muestra cómo exportar datos de ticks del historial del bróker usando MetaTrader 5 y analiza los datos de spread usando pandas. Luego, los datos de tick se pasan a un marco de datos de pandas y se convierten de un formato de marca de tiempo de Unix a un formato de fecha y hora. Luego, la columna de diferencial se calcula utilizando la diferencia entre el precio de venta y de oferta. La columna de tiempo también se convierte en datos por hora para analizar los diferenciales hora por hora. Los datos se trazan utilizando la biblioteca 'plotline' para analizar los cambios en los diferenciales a lo largo del tiempo. El análisis muestra que los diferenciales son generalmente ajustados, pero pueden aumentar durante eventos noticiosos o períodos de baja liquidez. Durante el horario de medianoche del corredor, la liquidez es baja y los diferenciales pueden ser altos.
  
  
• 00:05:00 En esta sección, el orador muestra cómo analizar los diferenciales de los corredores usando pandas en Python. La función agrupa filas con la misma hora y calcula el spread promedio y el spread máximo para cada hora. La tabla y el gráfico de barras resultantes revelan que los diferenciales suelen ser altos a la medianoche y a la 1 a. m., mientras que son muy ajustados a lo largo del día en el par EUR/USD. Para el par XAU/USD, los diferenciales son un poco más amplios y hay picos más grandes en la tarde durante la sesión estadounidense. El orador aconseja a los comerciantes que consideren dichos datos para optimizar sus costos comerciales y usen el cuaderno Jupyter para conectar su plataforma y analizar diferentes símbolos.

[MetaQuotes]

Codifique una estrategia comercial de banda de Bollinger en Python

Codifique una estrategia comercial de banda de Bollinger en Python

En este video, el presentador explica la estrategia comercial de las Bandas de Bollinger en Python, donde se usa un promedio móvil simple, una banda inferior y una banda superior para contener el 95 % de todos los precios dentro de las bandas. La estrategia consiste en comprar cuando el precio alcanza la Banda de Bollinger inferior y vender cuando el precio alcanza la Banda de Bollinger superior. Un stop loss se establece en tres desviaciones estándar por debajo de la media, mientras que el take profit se establece en dos desviaciones estándar por encima. El presentador muestra la implementación en Python utilizando las plataformas Pandas y MetaTrader5 y proporciona los resultados de las pruebas, explicando cada resultado comercial. Sin embargo, desaconseja implementar ciegamente esta estrategia en mercados en tendencia y destaca la importancia de analizar las condiciones del mercado.

• 00:00:00 En esta sección del video, aprendemos sobre las Bandas de Bollinger y cómo operar con ellas. Las Bandas de Bollinger consisten en un promedio móvil simple, una banda inferior y una banda superior. El promedio móvil simple se calcula tomando el valor promedio de los precios recientes. En las Bandas de Bollinger se suelen utilizar dos desviaciones estándar, que contienen el 95% de todos los precios dentro de las bandas. Podemos comprar cuando el precio es bajo y vender cuando el precio está muy por encima de la media. La estrategia es que compramos cuando el precio cierra por debajo de la banda inferior y vendemos cuando el precio cierra por encima de la banda superior. Un stop loss se establece en tres desviaciones estándar y toma de ganancias en dos desviaciones estándar. El tamaño de la posición es solo uno permitido al mismo tiempo.
  
  
• 00:05:00 En esta sección, el ponente explica cómo calcular las Bandas de Bollinger usando pandas en Python. Para calcular la media móvil simple, definieron df sma. La desviación estándar se calcula de manera similar pero usando std en lugar de la media. La banda inferior se define como dos desviaciones estándar por debajo de la SMA, mientras que la banda superior se define como la FSMA más dos veces la FSD. Para iniciar el backtesting, se crea una columna de señal y se genera una señal de compra o venta en función de si el precio de cierre está por debajo de la banda inferior o por encima de la banda superior. El orador también presentó la posición y la estrategia de las clases, que se crean para ejecutar el backtest y evaluar las ganancias en función de los datos históricos.
  
  
• 00:10:00 En esta sección del video, el presentador muestra los resultados del backtest de la estrategia comercial de la Banda de Bollinger en Python. Los resultados muestran una lista de posiciones abiertas y cerradas, junto con el beneficio de cada posición y el P&L del saldo inicial. El gráfico muestra que la estrategia fue rentable, ganando alrededor de $ 7,500 al operar durante todo el año. Luego, el presentador explica cada operación que se realizó y cómo resultó en ganancias o pérdidas. También menciona que el volumen especificado en el backtest es un poco alto y arriesgado, por lo que es posible que deba ajustarse. Finalmente, explica cómo codificar la estrategia en Python usando la plataforma comercial MetaTrader 5.
  
  
• 00:15:00 En esta sección, el orador explica cómo crear una función Signal en Python para generar señales para una estrategia comercial utilizando las Bandas de Bollinger. La función solicita barras de la plataforma MetaTrader5, calcula la media y la desviación estándar y las utiliza para calcular las bandas superior e inferior. El precio de cierre de la última barra se usa para comparar con las bandas superior e inferior para generar una señal de compra o venta. El bucle de estrategia dentro de la función busca señales y luego envía una orden de mercado con parámetros específicos, como stop-loss y take-profit, cuando se activa una señal. El orador prueba la estrategia utilizando la plataforma MetaTrader5, muestra cómo funciona el código en tiempo real y aconseja ajustar el símbolo y el marco de tiempo según las preferencias de los usuarios.
  
  
• 00:20:00 En esta sección, el orador analiza una estrategia comercial basada en las Bandas de Bollinger. Explica que esta estrategia consiste en comprar cuando el precio alcanza la Banda de Bollinger inferior y obtener beneficios a dos desviaciones estándar por encima del precio de compra. Señala que esta estrategia funciona bien en mercados que varían, pero tiene un desempeño deficiente en mercados con tendencia y desaconseja implementar estrategias a ciegas, enfatizando la importancia de analizar las condiciones del mercado antes de implementarlas. El orador también proporciona enlaces para descargar el Jupyter Notebook y el código Python utilizado en la estrategia y pide a los espectadores que den Me gusta y se suscriban si disfrutaron el video.

[MetaQuotes]

Codifique una estrategia comercial cruzada de promedio móvil simple (SMA) en Python

Codifique una estrategia comercial cruzada de promedio móvil simple (SMA) en Python

En este video de YouTube, el presentador explica cómo codificar una estrategia comercial cruzada de promedio móvil simple (SMA) en Python. La estrategia utiliza el cruce de dos SMA como señal para comprar y vender activos. El presentador demuestra cómo visualizar los datos de precios históricos utilizando las bibliotecas Pandas y Plotly, define las SMA rápidas y lentas, encuentra cruces, calcula la columna de cruce y traza los cruces alcistas. Luego, el video continúa mostrando cómo realizar una prueba retrospectiva de la estrategia comercial cruzada de SMA utilizando clases creadas previamente, y analiza los resultados utilizando un gráfico de líneas de ganancias y pérdidas a lo largo del tiempo. En general, el video proporciona una guía paso a paso para crear y probar una estrategia comercial simple y efectiva usando Python.

• 00:00:00 En esta sección del video, el presentador presenta una estrategia comercial que utiliza el cruce de dos promedios móviles simples como señal para comprar y vender activos. Esta estrategia de seguimiento de tendencias permite capturar grandes movimientos en el mercado sin ningún límite en las ganancias. Luego, el presentador procede a mostrar cómo codificar esta simple estrategia de cruce de promedio móvil en el entorno de la computadora portátil Júpiter y realizar una prueba retrospectiva en el índice DAX utilizando datos de precios históricos. El presentador utiliza las bibliotecas Pandas y Plotly para organizar y visualizar los datos obtenidos de la plataforma MetaTrader 5 y convierte la columna de tiempo en un formato de fecha y hora.
  
  
• 00:05:00 En esta sección del video, el instructor comienza visualizando precios de cierre para ver cómo se han movido los precios con el tiempo usando px.line. También vemos que el DAX se ha estado moviendo alrededor de 13 a diez mil quinientos al principio, hubo una caída importante durante la crisis de COVID, pero los precios ahora están volviendo a los máximos históricos. Se agregan promedios móviles al gráfico para ayudar a generar señales, y se definen una sma lenta y una sma rápida. El sma lento se establece en 100 y el sma rápido se establece en 10, y ambos se agregan a la gráfica. Finalmente, el instructor define algunas variables en otra celda para que sea más fácil ajustar la configuración en el futuro.
  
  
• 00:10:00 En esta sección del video, el presentador explica cómo encontrar cruces en una estrategia comercial cruzada de promedio móvil simple (SMA) usando Python y Pandas. El presentador establece el período para las SMA rápidas y lentas en 10 y 100, respectivamente. Para encontrar cruces, los valores de SMA rápidos anteriores se comparan con los valores de SMA lentos, y si el valor de SMA rápido anterior es más bajo y el valor de SMA rápido actual es más alto, se considera un cruce alcista. Por otro lado, si el valor de SMA rápido anterior es más alto y el valor de SMA rápido actual es más bajo, se considera un cruce bajista. El presentador crea una función llamada "find_crossover" para automatizar este proceso.
  
  
• 00:15:00 En esta sección, el video explica cómo calcular una columna de cruce usando los valores de SMA rápidos y lentos calculados previamente. La función np.vectorize se usa para pasar la función y las columnas que representan las entradas, y luego los resultados se eliminan de los valores Ninguno. Después de crear la columna de cruce, el video muestra cómo encontrar los cruces alcistas y trazarlos como líneas verticales en el gráfico usando pick.dot en la línea v con x igual a row.time.
  
  
• 00:20:00 En esta sección, el instructor recorre el proceso de prueba retrospectiva de la estrategia comercial cruzada de SMA comprando cuando la línea roja cruza por encima de la línea verde y vendiendo cuando cruza por debajo del promedio lento. El instructor utiliza clases creadas previamente, posición de clase y estrategia de clase para crear un backtest. La posición de clase tiene métodos para abrir y cerrar posiciones, así como un método para devolver los resultados como un diccionario. Mientras está en la estrategia de clase, el instructor inicializa el saldo inicial de la cuenta comercial, especifica el volumen de negociación y agrega el marco de datos con los datos históricos y las columnas de señal. En el método de ejecución de la estrategia de clase, la lógica de la estrategia se define utilizando sentencias if para abrir y cerrar posiciones en función de los valores cruzados. Finalmente, se crea una instancia de la clase y se ejecuta para obtener los resultados.
  
  
• 00:25:00 En esta sección, el presentador analiza los resultados del backtest de la estrategia comercial cruzada de promedio móvil simple (SMA) que codificamos usando Python. Muestran el gráfico de líneas de las pérdidas y ganancias a lo largo del tiempo utilizando Plotly Express y el objeto Figure para analizar visualmente el rendimiento. Mencionan que la estrategia tiene principalmente pequeñas ganancias y pérdidas, pero eventualmente, una gran ganancia viene con una gran tendencia. Luego, el presentador agradece a los espectadores por mirar y los invita a hacer preguntas si tienen alguna, y si disfrutan del video, darle me gusta y suscribirse.

[MetaQuotes]

Codifique una estrategia comercial de compra y retención para índices bursátiles en Python

Codifique una estrategia comercial de compra y retención para índices bursátiles en Python

En este video, el presentador analiza cómo escribir una estrategia comercial de compra-retención para índices bursátiles en Python utilizando el código de Jupyter Notebook para escribir indicadores, estrategias y pruebas retrospectivas. La estrategia se basa en identificar una reducción del 5%, 15% o 35% y comprar cuando se alcanza una reducción, y luego vender cuando se alcanza el máximo histórico anterior. El orador explicó cómo agregar y verificar posiciones utilizando el método de obtención de posiciones que utiliza una lista de posiciones y agrega la clase de posición para cada nueva posición. También se explicó la estrategia de salida mediante la cual cada posición abierta se cierra cuando la reducción se aproxima a cero. Finalmente, se enfatiza la importancia de operaciones de alta calidad y períodos prolongados para permitir la recuperación de precios, y el presentador muestra los resultados del backtest representados en un gráfico.

• 00:00:00 En esta sección del video, el orador explica la estrategia de compra y retención en el índice bursátil alemán, mostrando instancias anteriores entre 2015 y 2018 donde se implementó la estrategia y cómo se vio afectada por mercados bajistas y eventuales recuperaciones. Si bien la estrategia funciona mejor con el tiempo como recurso y puede generar ganancias al comprar a precios bajos, también tiene un riesgo significativo, ya que implica la compra de retiros. El orador también presenta el código de Jupyter Notebook para escribir sus propios indicadores, estrategia y realizar pruebas retrospectivas de sus resultados. El código está disponible para su descarga en TraderPi.com.
  
  
• 00:05:00 En esta sección del video, el presentador explica cómo crear una estrategia comercial de compra-retención para índices bursátiles usando Python. La estrategia se basa en identificar niveles de reducción y comprar cuando la reducción alcanza el 5%, 15% o 35% y vender cuando se alcanza el máximo histórico anterior. El presentador muestra cómo definir una columna de señal en el marco de datos utilizando la función de aplicación y cómo utilizar las clases de posición y estrategia para realizar un backtest. El presentador también explica cómo recuperar datos de la clase de posición utilizando el método as dict.
  
  
• 00:10:00 En esta sección del video, el orador explica el método utilizado para agregar y verificar posiciones para la estrategia comercial de comprar y mantener. El método de obtención de posiciones se utiliza para devolver un marco de datos con las pérdidas y ganancias calculadas. El código usa una lista de posiciones y agrega la clase de posición dentro de esta lista cuando se agrega una nueva posición. La estrategia busca señales para abrir una operación e itera a través de los datos de HLC para reducciones del 5 %, 15 % y 35 %. También se explica la estrategia de salida, según la cual cuando el drawdown es cero, se cierran todas las posiciones abiertas. Se muestran los resultados del backtest y el orador destaca la importancia de las transacciones de alta calidad y los períodos prolongados para permitir que los precios se recuperen eventualmente. Luego, los resultados se trazan en un gráfico para representar las transacciones.

[MetaQuotes]

Código 10 Indicadores técnicos comerciales con Python

Código 10 Indicadores técnicos comerciales con Python

El video analiza diez indicadores comerciales técnicos con Python, comenzando con el promedio móvil simple (SMA), que se utiliza para determinar tendencias. El rango verdadero promedio (ATR) mide la volatilidad, mientras que el índice de fuerza relativa (RSI) identifica los precios de sobrecompra y sobreventa. La desviación estándar y máxima mínima de ayer puede ayudar a identificar mercados volátiles, de ruptura y en rango. Las Bandas de Bollinger utilizan una media móvil simple (SMA) y una desviación estándar para indicar estrategias de reversión a la media o ruptura. El cruce de MACD y SMA indica un cambio de tendencia mediante el cálculo de EMA o SMA rápidos y lentos. El cruce de medias móviles combina medias móviles rápidas y lentas para identificar posibles cambios de tendencia, mientras que el oscilador estocástico considera los valores más altos y más bajos de un período para identificar condiciones de sobrecompra y sobreventa.

• 00:00:00 En esta sección, el orador presenta los 10 indicadores técnicos que se calcularán usando Python, comenzando con el promedio móvil simple (SMA). Los datos históricos se solicitan de la biblioteca MetaTrader5 y luego se procesan con Pandas. El SMA es un indicador popular utilizado para determinar tendencias, que se calcula utilizando los últimos 10 precios de cierre. El SMA resultante se visualiza utilizando Plotly Express.
  
  
• 00:05:00 En esta sección, el video explica el cálculo y el uso de los indicadores Promedio móvil simple (SMA) y Promedio móvil exponencial (EMA) en el comercio técnico. La SMA toma el promedio de los últimos 10 precios y la EMA da más peso a los precios recientes. El video compara los dos indicadores y señala que los operadores que desean señales más rápidas pueden preferir la EMA, que reacciona a los cambios de precios inmediatos mucho más rápido que la SMA. Luego, el video presenta el indicador Average True Range (ATR), que mide la volatilidad y ayuda a los operadores a evaluar el riesgo y los posibles cambios de tendencia. El ATR se calcula tomando el rango de la vela (alto - bajo) durante un período específico y luego promediando. El video señala que una disminución en ATR puede indicar el comienzo de una fase de retroceso. El ATR se muestra en un gráfico y se observa que es más alto durante los períodos más volátiles.
  
  
• 00:10:00 En esta sección, el video analiza dos indicadores comerciales técnicos: el rango verdadero promedio (ATR) y el índice de fuerza relativa (RSI). El ATR mide la volatilidad de un mercado comparando la diferencia entre los precios altos y bajos durante un período específico, mientras que el RSI ayuda a identificar los precios de sobrecompra y sobreventa. El video demuestra cómo calcular el RSI utilizando una configuración de 14 períodos y explica la fórmula para generar el valor RSI. El video también proporciona un código de muestra para trazar el indicador RSI, que puede ayudar a los operadores a identificar posibles señales de compra o venta en función de si el RSI está en territorio de sobreventa o sobrecompra. Además, el video analiza brevemente los valores máximos y mínimos del día anterior y cómo se pueden utilizar en las estrategias comerciales.
  
  
• 00:15:00 En esta sección, el video analiza dos indicadores comerciales técnicos con Python: la desviación estándar y la máxima mínima de ayer. El máximo mínimo de ayer puede ser un indicador valioso para el comercio intradía, ya que puede mostrar si el mercado está oscilando o si hay una ruptura, lo que puede indicar una tendencia del mercado. La desviación estándar se usa para medir la varianza, y una desviación estándar alta puede significar que el mercado es volátil, mientras que una desviación estándar baja puede indicar que el mercado no se está moviendo mucho. Luego, el video analiza las Bandas de Bollinger, que se componen de un promedio móvil simple (SMA) con un período de 20, una banda superior dos desviaciones estándar por encima de la SMA y una banda inferior dos desviaciones estándar por debajo de la SMA. Las bandas de Bollinger se pueden utilizar para estrategias de reversión a la media o estrategias de ruptura.
  
  
• 00:20:00 En esta sección, el video explica dos indicadores comerciales técnicos adicionales, el cruce de MACD y SMA, y cómo calcularlos y graficarlos usando Python. MACD es un indicador de tendencia que predice reversiones calculando la EMA rápida con el período 20 y la EMA lenta con el período 26, y observando la relación entre esas dos EMA. El cruce de SMA, por otro lado, está utilizando un concepto mucho más fácil, y simplemente involucra un promedio móvil simple rápido y un promedio móvil simple lento que indican un cambio en la tendencia cada vez que se cruzan. El video proporciona el código para calcular y trazar ambos indicadores y explica cómo se pueden usar para identificar reversiones en la tendencia.
  
  
• 00:25:00 En esta sección, el presentador analiza el cruce de la media móvil y los indicadores del oscilador estocástico. Para el cruce de la media móvil, el presentador combina una media móvil rápida y una lenta para identificar posibles cambios de tendencia. Se identifica un cruce cuando el promedio de movimiento rápido cruza por encima o por debajo del promedio de movimiento lento, en cuyo caso se crea una columna de cruce. El presentador demuestra la efectividad del indicador trazando los promedios móviles junto con el precio de cierre y agregando líneas verticales para marcar cada cruce. El oscilador estocástico es similar al RSI, pero en lugar de usar solo precios de cierre para su cálculo, considera los valores más altos y más bajos de un período. El oscilador se define mediante una fórmula y, al igual que el RSI, se utiliza para identificar posibles condiciones de sobrecompra y sobreventa. El presentador invita a los espectadores a descargar y probar el código por sí mismos y sugiere dejar comentarios sobre los indicadores favoritos para un posible video futuro.

[MetaQuotes]

Cómo codificar una estrategia comercial RSI en Python

Cómo codificar una estrategia comercial RSI en Python

El video proporciona una explicación detallada sobre cómo codificar y realizar una prueba retrospectiva de una estrategia comercial RSI en Python. La estrategia se basa en comprar cuando el RSI está sobrevendido y vender cuando está sobrecomprado, siendo las señales de entrada cuando el RSI cae por debajo de 30 y cuando supera 70, es hora de vender. La estrategia de salida implica el uso del indicador de rango verdadero promedio (ATR) para establecer la toma de ganancias y el límite de pérdida a 280 pips del precio de compra o venta. El video cubre el uso de las bibliotecas MetaTrader5, Pandas y Plotly para solicitudes de datos históricos, cálculo de indicadores, backtesting y visualización de resultados. Concluye alentando a los espectadores a descargar el cuaderno de Júpiter para implementar la estrategia comercial RSI en Python.

• 00:00:00 El video detalla cómo codificar y probar una estrategia comercial RSI en Python. La estrategia se centra en comprar cuando el RSI está sobrevendido y vender cuando está sobrecomprado, lo que la convierte en una estrategia de reversión a la media. Las señales de entrada son cuando el RSI cae por debajo de 30, y cuando supera los 70, es hora de vender. La estrategia de salida implica el uso del indicador de rango verdadero promedio (ATR) para establecer la toma de ganancias y el límite de pérdida a 280 pips del precio de compra o venta. El video también cubre cómo usar las bibliotecas MetaTrader5, Pandas y Plotly para solicitudes de datos históricos, cálculo de indicadores, backtesting y visualización de resultados.
  
  
• 00:05:00 en esta sección del video, el orador explica cómo trazaron el RSI y crearon niveles de sobrecompra y sobreventa usando Plotly. Muestran que las señales de compra ocurren cuando el RSI cae por debajo de una línea horizontal específica, mientras que las señales de venta ocurren cuando está por encima de 70. Además, el indicador ATR (rango verdadero promedio) se presenta como una medida de volatilidad, que se calcula encontrando el rango de la vela y tomando el promedio de las últimas 14 velas. Luego, el ATR se traza en un gráfico que muestra el pico de volatilidad a principios de 2020. Finalmente, el orador muestra cómo realizar una prueba retrospectiva y crear una clase de estrategia con condiciones lógicas para ingresar y salir de operaciones. Las condiciones incluyen verificar posiciones abiertas, usar valores RSI para determinar señales de compra y establecer niveles de stop loss y take profit.
  
  
• 00:10:00 En esta sección, el orador explica cómo ejecutar el backtest para la estrategia comercial RSI en Python. El backtest se crea iterando a través del conjunto de datos históricos y las posiciones se guardan en una lista que contiene clases de posición. El stop loss y el take profit se definen como a 280 horas de los precios de compra y venta. La lógica para el backtest es que cuando el RSI excede el valor de 70, es una señal de venta y se agrega una posición corta a la lista de posiciones en la estrategia. Después de recorrer todos los datos históricos, el backtest devuelve una lista de posiciones y sus ganancias. Usando estos datos, los resultados del backtest se pueden visualizar trazando las posiciones cerradas usando Plotly Express, y las pérdidas y ganancias se pueden trazar usando el mismo método. El orador muestra un ejemplo de la gráfica resultante para indicar cuándo la estrategia funciona bien o mal.
  
  
• 00:15:00 En esta sección, el orador concluye el video, agradeciendo a la audiencia por su atención e invitándolos a descargar el cuaderno de Júpiter para implementar la estrategia comercial RSI en Python. Señala que después de una gran caída en el período discutido, el piano ahora oscila alrededor del mismo nivel. Se despide y promete regresar pronto con otro video.

[MetaQuotes]

Aprenda pandas en ejemplos comerciales

Aprenda pandas en ejemplos comerciales

El video enseña a los usuarios cómo aplicar varias funciones de Pandas para analizar datos comerciales en Python para responder preguntas analíticas como determinar las duraciones comerciales más largas y más cortas, calcular los meses más rentables y perdedores, identificar los meses más activos, analizar órdenes de compra y venta, y calcular la mayor reducción absoluta. Además, cubre el cálculo de la tasa de ganancia, la relación recompensa/riesgo y el factor de beneficio, que mide la relación entre la ganancia bruta y la pérdida. El orador proporciona un archivo CSV y ejemplos reales para guiar a los espectadores a través del proceso de análisis y ofrece un cuaderno de Júpiter para cualquiera que quiera practicar pandas.

• 00:00:00 En esta sección, el orador explica cómo usar la biblioteca Pandas para analizar datos comerciales en Python. Proporcionan un archivo CSV con datos comerciales y guían a los espectadores a través de la respuesta de seis preguntas analíticas sobre estos datos. Demuestran cómo calcular el número de transacciones, las ganancias y pérdidas generales, la fecha y la hora de la primera y la última transacción, las mayores ganancias y pérdidas y la duración de cada transacción. Utilizan varias funciones de Pandas, como "forma", "suma", "iloc" y "loc", para realizar estos cálculos y proporcionar ejemplos reales de la salida.
  
  
• 00:05:00 En esta sección, el video cubre diferentes preguntas de análisis comercial y cómo obtener las respuestas usando las funciones de Pandas. Las preguntas incluyen encontrar las duraciones comerciales más largas y más cortas, calcular los meses más rentables y perdedores en función de las ganancias comerciales, identificar los meses más activos en términos de recuentos comerciales y analizar órdenes de compra y venta. El método groupby de Pandas se utiliza para agregar y ordenar los valores del marco de datos en consecuencia. Las funciones utilizadas incluyen conteo y suma para calcular los conteos comerciales y las ganancias, y fecha y hora para extraer valores mensuales de las fechas y horas comerciales.
  
  
• 00:10:00 En esta sección, el video cubre varios cálculos y análisis, incluido el cálculo del número total de operaciones para cada tipo de orden y la determinación de que las órdenes de compra se desempeñaron mejor que las órdenes de venta. El video también explica cómo calcular la reducción absoluta más grande, que es la pérdida acumulada máxima incurrida durante la negociación, y cómo calcular la ganancia o pérdida promedio agrupando las transacciones según el tipo de ganancia. Además, el video muestra cómo calcular la tasa de ganancias, que es la probabilidad de que se gane o se pierda una operación, y cómo calcular la relación entre recompensa y riesgo tomando el valor promedio de ganadores y perdedores.
  
  
• 00:15:00 En esta sección, el orador analiza el factor de ganancia, que es la relación entre la ganancia bruta y la pérdida bruta. La ganancia neta se calcula sumando todas las ganancias y pérdidas por separado según el tipo de ganancia (ganancia o pérdida). El factor de beneficio se determina dividiendo el beneficio bruto por la pérdida bruta. El resultado de este cálculo es una métrica que determina cuánto superan las ganancias las pérdidas. El factor de beneficio en este caso es 1,34. El orador también menciona que proporcionarán un cuaderno de Júpiter en su sitio web para aquellos que quieran practicar pandas.

[MetaQuotes]

Administrar datos en CSV y bases de datos (SQLite)

Administrar datos en CSV y bases de datos (SQLite)

En el video "Administrar datos en CSV y bases de datos (SQLite)", el orador demuestra cómo guardar y leer datos en un archivo CSV usando pandas DataFrame y cómo trabajar con bases de datos usando SQLite3. A los espectadores se les muestra cómo los datos de OHLC se guardan en un marco de datos de pandas, se guardan como un archivo CSV y luego se leen y se convierten en un marco de datos de pandas. El orador también muestra a los espectadores cómo trabajar con bases de datos en Python utilizando SQLite3, lo que incluye crear una base de datos o conectarse a una existente, guardar datos dentro de la base de datos y leer los datos mediante consultas simples. El orador concluye el video ofreciendo a los espectadores acceso al código utilizado en el tutorial y expresando la esperanza de que el tutorial haya sido útil.

• 00:00:00 En esta sección, el orador muestra cómo guardar y leer datos en un archivo CSV usando pandas DataFrame. Después de recuperar algunos datos de OHLC de un corredor, los datos se guardan en un DataFrame de pandas y luego se guardan como un archivo CSV. Al usar `pd.read_csv`, los datos CSV se pueden leer y convertir más tarde en un marco de datos de pandas. El orador luego demuestra cómo trabajar con bases de datos en Python usando SQLite3, que es parte de la biblioteca estándar de Python. El método `sqlite3.connect` se utiliza para crear una base de datos o conectarse a una existente. Los datos de OHLC se guardan dentro de la base de datos usando `ohlcdf.to_sql` y luego se leen usando consultas simples ejecutando `pd.read_sql_query`.
  
  
• 00:05:00 En esta sección, el orador concluye el video agradeciendo a los espectadores por su atención y ofreciendo compartir el código utilizado en el tutorial. El orador proporciona un enlace a su sitio web donde los espectadores pueden acceder al código. Expresan la esperanza de que los espectadores hayan encontrado útil el video y prometen volver pronto con otro tutorial.

[MetaQuotes]

Comercio en vivo de MetaTrader 5 con Python en 2021 (plantilla incluida)

Comercio en vivo de MetaTrader 5 con Python

El video "Comercio en vivo de MetaTrader 5 con Python en 2021 (plantilla incluida)" presenta una guía útil para los comerciantes que buscan personalizar sus estrategias comerciales y mejorar la rentabilidad utilizando MetaTrader5 y Python. Presenta una plantilla que se puede modificar según las necesidades del comerciante, destacando las secciones de código necesarias. El video también cubre diferentes funciones como la inicialización de funciones, la importación de datos y la realización de órdenes comerciales. Entre las herramientas útiles demostradas se encuentra la función de reanudación, que permite a los operadores monitorear las posiciones abiertas incluso después de cerrar la hoja de Python. Si bien enfatiza la necesidad de un dispositivo Windows para usar la biblioteca MetaTrader 5, el orador también sugiere algunas opciones para los usuarios de Mac.

• 00:00:00 En esta sección, Lucas de Control muestra cómo poner una estrategia comercial en operaciones reales usando MetaTrader5 y Python. Proporciona una plantilla y muestra cómo personalizar el código según las necesidades de cada uno. El video también muestra diferentes funciones, incluida la inicialización de la función, la importación de datos y la realización de órdenes comerciales. La función de reanudación se destaca como una herramienta útil para monitorear las posiciones abiertas actuales incluso después de cerrar la hoja de Python. En general, el video proporciona una guía útil para los comerciantes que desean personalizar sus estrategias comerciales y maximizar la rentabilidad.
  
  
• 00:05:00 En esta sección, el orador analiza una función que permite el acceso a posiciones abiertas en cualquier momento para eventualmente cerrarlas. Esta función utiliza un algoritmo que abre una posición dentro de un intervalo fijo y no utiliza una estrategia de impulso. La función incluye muchos comentarios y es simple pero esencial, ya que devuelve toda la información sobre el algoritmo. El altavoz también proporciona una plantilla que se puede personalizar fácilmente cambiando unas pocas líneas de código, lo que permite a los usuarios poner en producción su propio algoritmo. Sin embargo, el orador señala que es importante tener un dispositivo Windows para usar la biblioteca de MetaTrader 5 y brinda algunas opciones para los usuarios de Mac que no tienen acceso a un dispositivo Windows.

[MetaQuotes]

Trailing stop loss: ¿Fuerza de la debilidad?

Trailing stop loss: ¿Fuerza de la debilidad?

Lucas de Control analiza las fortalezas y debilidades de una estrategia de stop-loss dinámico, cuyo objetivo es reducir el riesgo en el comercio mediante el uso de umbrales continuos de stop-loss o ganancias. Una fortaleza es que permite a los operadores explotar las variaciones de tendencia y administrar el riesgo, pero una debilidad es que puede hacer que los operadores pierdan ganancias potenciales. El orador aconseja a los comerciantes que consideren la volatilidad de los activos y utilicen estrategias personalizadas en consecuencia. También ofrece un curso sobre cómo usar trailing stop-loss y otras estrategias comerciales.

• 00:00:00 En esta sección, Lucas de Control analiza las fortalezas y debilidades de una estrategia comercial de stop-loss. El objetivo del stop-loss comercial es reducir el riesgo, y se puede construir de muchas maneras diferentes, como un stop-loss continuo o usando umbrales para obtener ganancias. La primera fortaleza del stop-loss comercial es que permite a los operadores explotar no solo las variaciones de tendencia, y la segunda fortaleza es que permite a los operadores administrar su riesgo. Sin embargo, la debilidad del stop-loss comercial es que conlleva el riesgo de buscar a través de algunos de los beneficios de los comerciantes, y también puede hacer que los comerciantes pierdan ganancias potenciales.
  
  
• 00:05:00 En esta sección, el disertante analiza cómo la volatilidad de un activo impacta el uso de trailing stop loss como estrategia comercial. El orador advierte que los comerciantes deben tener en cuenta la volatilidad de un activo y no aplicar la misma estrategia para diferentes activos, como Forex o criptomonedas. El orador también proporciona un enlace al curso que enseña cómo realizar pedidos, importar datos, crear estructuras complejas, administrar riesgos y crear plantillas para el proyecto específico de un comerciante, incluido el stop loss dinámico.