Python dans le Trading Algorithmique - page 2

[MetaQuotes]

Analysez les spreads des courtiers avec Pandas

Analysez les spreads des courtiers avec Pandas | Négocier avec Python

Dans cette vidéo, le présentateur utilise des pandas en Python pour analyser les spreads des courtiers. Les données de cotation exportées de l'historique des courtiers à l'aide de MetaTrader 5 sont transmises dans une base de données pandas, et les données réparties et horaires sont analysées pour tracer les changements dans les écarts au fil du temps. Les spreads se sont avérés généralement serrés, mais pourraient augmenter lors d'événements d'actualité ou de périodes de faible liquidité, en particulier vers minuit, heure des courtiers. L'analyse conseille aux traders d'optimiser leurs coûts de trading en tenant compte des données présentées pour différents symboles.

• 00:00:00 Dans cette section, la vidéo explique comment utiliser les pandas pour analyser les spreads des courtiers. La vidéo montre comment exporter les données de cotation de l'historique du courtier à l'aide de MetaTrader 5 et analyse les données de propagation à l'aide de pandas. Les données de tick sont ensuite transmises dans une trame de données pandas et converties d'un format d'horodatage unix en un format datetime. La colonne de propagation est ensuite calculée en utilisant la différence entre le prix demandé et le prix acheteur. La colonne de temps est également convertie en données horaires pour analyser les écarts heure par heure. Les données sont tracées à l'aide de la bibliothèque « plotline » pour analyser les changements dans les écarts au fil du temps. L'analyse montre que les spreads sont généralement serrés mais peuvent augmenter lors d'événements d'actualité ou de périodes de faible liquidité. À minuit, la liquidité est faible et les écarts peuvent être élevés.
  
  
• 00:05:00 Dans cette section, l'orateur montre comment analyser les spreads des courtiers à l'aide de pandas en Python. La fonction regroupe les lignes avec la même heure et calcule la propagation moyenne et la propagation maximale pour chaque heure. Le tableau et l'histogramme qui en résultent révèlent que les spreads sont généralement élevés à minuit et à 1h du matin, alors qu'ils sont très serrés tout au long de la journée sur la paire EUR/USD. Pour la paire XAU/USD, les spreads sont un peu plus larges et il y a des pics plus importants l'après-midi lors de la session américaine. L'orateur conseille aux traders de considérer ces données pour optimiser leurs coûts de trading et d'utiliser le notebook Jupyter pour connecter leur plateforme et analyser différents symboles.

[MetaQuotes]

Coder une stratégie de trading de bande de Bollinger en Python

Coder une stratégie de trading de bande de Bollinger en Python

Dans cette vidéo, le présentateur explique la stratégie de trading des bandes de Bollinger en Python où une moyenne mobile simple, une bande inférieure et une bande supérieure sont utilisées pour contenir 95 % de tous les prix dans les bandes. La stratégie consiste à acheter lorsque le prix atteint la bande de Bollinger inférieure et à vendre lorsque le prix atteint la bande de Bollinger supérieure. Un stop loss est fixé à trois écarts-types en dessous de la moyenne, tandis que le take profit est fixé à deux écarts-types au-dessus. Le présentateur montre la mise en œuvre en Python à l'aide des plates-formes Pandas et MetaTrader5 et fournit les résultats des tests, expliquant chaque résultat commercial. Cependant, il déconseille de déployer aveuglément cette stratégie sur des marchés en tendance et insiste sur l'importance d'analyser les conditions de marché.

• 00: 00: 00 Dans cette section de la vidéo, nous en apprenons davantage sur les bandes de Bollinger et comment échanger en les utilisant. Les bandes de Bollinger se composent d'une moyenne mobile simple, d'une bande inférieure et d'une bande supérieure. La moyenne mobile simple est calculée en prenant la valeur moyenne des prix récents. Dans les bandes de Bollinger, deux écarts types sont généralement utilisés, qui contiennent 95 % de tous les prix dans les bandes. Nous pouvons acheter lorsque le prix est bas et vendre lorsque le prix est supérieur à la moyenne. La stratégie consiste à acheter lorsque le prix clôture en dessous de la bande inférieure et à vendre lorsque le prix clôture au-dessus de la bande supérieure. Un stop loss est fixé à trois écarts-types et un take profit à deux écarts-types. La taille de la position est une seule autorisée à la fois.
  
  
• 00:05:00 Dans cette section, l'orateur explique comment calculer les bandes de Bollinger à l'aide de pandas en Python. Pour calculer la moyenne mobile simple, ils ont défini df sma. L'écart type est calculé de la même manière mais en utilisant std au lieu de la moyenne. La bande inférieure est définie comme deux écarts-types en dessous du SMA, tandis que la bande supérieure est définie comme le FSMA plus deux fois le FSD. Pour démarrer le backtesting, une colonne de signal est créée et un signal d'achat ou de vente est généré selon que le prix de clôture est inférieur à la bande inférieure ou supérieur à la bande supérieure. L'orateur a également présenté la position et la stratégie des classes, qui sont créées pour exécuter le backtest et évaluer les bénéfices sur la base de données historiques.
  
  
• 00:10:00 Dans cette section de la vidéo, le présentateur montre les résultats du backtest de la stratégie de trading Bollinger Band en Python. Les résultats affichent une liste des positions ouvertes et fermées, ainsi que le profit de chaque position et le P&L du solde initial. Le graphique montre que la stratégie a été rentable, gagnant environ 7 500 $ en négociant tout au long de l'année. Le présentateur explique ensuite chaque transaction qui a été effectuée et comment elle a entraîné un profit ou une perte. Il mentionne également que le volume spécifié dans le backtest est un peu élevé et risqué, il faudra donc peut-être le réduire. Enfin, il explique comment coder la stratégie en Python en utilisant la plateforme de trading MetaTrader 5.
  
  
• 00:15:00 Dans cette section, l'orateur explique comment créer une fonction Signal en Python pour générer des signaux pour une stratégie de trading utilisant les bandes de Bollinger. La fonction demande des barres à la plateforme MetaTrader5, calcule la moyenne et l'écart type et les utilise pour calculer les bandes supérieure et inférieure. Le cours de clôture de la dernière barre est utilisé pour se comparer aux bandes supérieure et inférieure afin de générer un signal d'achat ou de vente. La boucle de stratégie à l'intérieur de la fonction vérifie les signaux, puis envoie un ordre au marché avec des paramètres spécifiques, comme le stop-loss et le take-profit, lorsqu'un signal est déclenché. L'orateur teste la stratégie à l'aide de la plate-forme MetaTrader5, montre comment le code fonctionne en temps réel et conseille d'ajuster le symbole et le délai en fonction des préférences des utilisateurs.
  
  
• 00:20:00 Dans cette section, l'orateur discute d'une stratégie de trading basée sur les bandes de Bollinger. Il explique que cette stratégie consiste à acheter lorsque le prix atteint la bande de Bollinger inférieure et à prendre des bénéfices à deux écarts-types au-dessus du prix d'achat. Il note que cette stratégie fonctionne bien sur les marchés en range mais donne de mauvais résultats sur les marchés en tendance et déconseille de déployer des stratégies à l'aveugle, soulignant l'importance d'analyser les conditions du marché avant de les déployer. L'orateur fournit également des liens pour télécharger le Jupyter Notebook et le code Python utilisés dans la stratégie et demande aux téléspectateurs d'aimer et de s'abonner s'ils ont apprécié la vidéo.

[MetaQuotes]

Coder une stratégie de trading croisé de moyenne mobile simple (SMA) en Python

Coder une stratégie de trading croisé de moyenne mobile simple (SMA) en Python

Dans cette vidéo YouTube, le présentateur explique comment coder une stratégie de trading croisé à moyenne mobile simple (SMA) en Python. La stratégie utilise le croisement de deux SMA comme signal d'achat et de vente d'actifs. Le présentateur montre comment visualiser les données de prix historiques à l'aide des bibliothèques Pandas et Plotly, définit les SMA rapides et lents, trouve les croisements, calcule la colonne de croisement et trace les croisements haussiers. La vidéo montre ensuite comment tester la stratégie de trading croisé SMA à l'aide de classes précédemment créées et discute des résultats à l'aide d'un graphique linéaire des profits et pertes au fil du temps. Dans l'ensemble, la vidéo fournit un guide étape par étape pour créer et tester une stratégie de trading simple et efficace à l'aide de Python.

• 00:00:00 Dans cette section de la vidéo, le présentateur présente une stratégie de trading qui utilise le croisement de deux moyennes mobiles simples comme signal d'achat et de vente d'actifs. Cette stratégie de suivi des tendances permet de capturer de grands mouvements sur le marché sans aucune limite sur les bénéfices. Le présentateur montre ensuite comment coder cette stratégie de croisement de moyenne mobile simple sur l'environnement des ordinateurs portables Jupiter et la tester sur l'indice DAX à l'aide de données de prix historiques. Le présentateur utilise les bibliothèques Pandas et Plotly pour organiser et visualiser les données obtenues à partir de la plateforme MetaTrader 5, et convertit la colonne de temps en un format datetime.
  
  
• 00:05:00 Dans cette section de la vidéo, l'instructeur commence par visualiser les prix de clôture pour voir comment les prix ont évolué dans le temps en utilisant px.line. Nous voyons également que le DAX a évolué autour de 13 à 10 500 au début, il y a eu une baisse importante pendant la crise du COVID, mais les prix reviennent maintenant à des sommets historiques. Des moyennes mobiles sont ajoutées au graphique pour aider à générer des signaux, et un sma lent et un sma rapide sont définis. Le sma lent est défini sur 100, et un sma rapide est défini sur 10, et les deux sont ajoutés au tracé. Enfin, l'instructeur définit certaines variables dans une autre cellule pour faciliter l'ajustement des paramètres à l'avenir.
  
  
• 00:10:00 Dans cette section de la vidéo, le présentateur explique comment trouver des crossovers dans une stratégie de trading crossover Simple Moving Average (SMA) en utilisant Python et Pandas. Le présentateur définit la période pour les SMA rapides et lents à 10 et 100, respectivement. Pour trouver des croisements, les valeurs SMA rapides précédentes sont comparées aux valeurs SMA lentes, et si la valeur SMA rapide précédente est inférieure et la valeur SMA rapide actuelle est supérieure, elle est considérée comme un croisement haussier. D'autre part, si la valeur précédente de SMA rapide est supérieure et que la valeur actuelle de SMA rapide est inférieure, cela est considéré comme un croisement baissier. Le présentateur crée une fonction appelée "find_crossover" pour automatiser ce processus.
  
  
• 00: 15: 00 Dans cette section, la vidéo explique comment calculer une colonne de croisement en utilisant les valeurs SMA rapides et lentes précédemment calculées. La fonction np.vectorize est utilisée pour transmettre la fonction et les colonnes représentant les entrées, puis les résultats sont éliminés des valeurs None. Une fois la colonne de croisement créée, la vidéo montre comment trouver les croisements haussiers et les tracer sous forme de lignes verticales sur le graphique en utilisant pick.dot à la ligne v avec x égal à row.time.
  
  
• 00: 20: 00 Dans cette section, l'instructeur parcourt le processus de backtesting de la stratégie de trading croisé SMA en achetant lorsque la ligne rouge passe au-dessus de la ligne verte et en vendant lorsqu'elle passe en dessous de la moyenne à évolution lente. L'instructeur utilise les classes précédemment créées, la position de classe et la stratégie de classe, pour créer un backtest. La position de classe a des méthodes pour ouvrir et fermer des positions, ainsi qu'une méthode pour renvoyer les résultats sous forme de dictionnaire. Pendant la stratégie de classe, l'instructeur initialise le solde de départ du compte de trading, spécifie le volume de trading et ajoute la trame de données avec les données historiques et les colonnes de signal. Dans la méthode run de la stratégie de classe, la logique de la stratégie est définie à l'aide d'instructions if pour ouvrir et fermer des positions en fonction de valeurs croisées. Enfin, la classe est instanciée et exécutée pour obtenir les résultats.
  
  
• 00: 25: 00 Dans cette section, le présentateur discute des résultats du backtest de la stratégie de trading croisé à moyenne mobile simple (SMA) que nous avons codée à l'aide de Python. Ils affichent le graphique linéaire des profits et pertes au fil du temps à l'aide de Plotly Express et de l'objet Figure pour analyser visuellement les performances. Ils mentionnent que la stratégie a principalement de petits profits et pertes, mais finalement, un gros profit s'accompagne d'une grande tendance. Le présentateur remercie ensuite les téléspectateurs d'avoir regardé et les invite à poser des questions s'ils en ont, et s'ils apprécient la vidéo, à aimer et à s'abonner.

[MetaQuotes]

Coder une stratégie de trading Buy-Hold pour les indices boursiers en Python

Coder une stratégie de trading Buy-Hold pour les indices boursiers en Python

Dans cette vidéo, le présentateur explique comment écrire une stratégie de trading buy-hold pour les indices boursiers en Python en utilisant le code Jupyter Notebook pour écrire des indicateurs, des stratégies et des backtests. La stratégie est basée sur l'identification d'une baisse de 5 %, 15 % ou 35 % et l'achat lorsqu'une baisse est atteinte, puis la vente lorsqu'elle atteint le précédent record historique. Le conférencier a expliqué comment ajouter et vérifier des positions à l'aide de la méthode get positions qui utilise une liste de positions et ajoute la classe de position pour chaque nouvelle position. La stratégie de sortie a également été expliquée selon laquelle chaque position ouverte est fermée lorsque le drawdown approche de zéro. Enfin, l'importance de transactions de haute qualité et de longues périodes pour permettre la reprise des prix est soulignée, et le présentateur présente les résultats du backtest représentés sur un graphique.

• 00: 00: 00 Dans cette section de la vidéo, l'orateur explique la stratégie d'achat et de maintien de l'indice boursier allemand, montrant des exemples antérieurs entre 2015 et 2018 où la stratégie a été mise en œuvre et comment elle a été affectée par les marchés baissiers et les reprises éventuelles. Bien que la stratégie fonctionne mieux avec le temps comme ressource et puisse générer des bénéfices en achetant à bas prix, elle comporte également un risque important car elle implique d'acheter dans des tirages. L'orateur présente également le code Jupyter Notebook pour écrire vos propres indicateurs, stratégie et backtester leurs résultats. Le code est disponible en téléchargement sur TraderPi.com.
  
  
• 00:05:00 Dans cette section de la vidéo, le présentateur explique comment créer une stratégie de trading buy-hold pour les indices boursiers à l'aide de Python. La stratégie est basée sur l'identification des niveaux de prélèvement et l'achat lorsque le prélèvement atteint 5%, 15% ou 35% et la vente lorsque le précédent record historique est atteint. Le présentateur montre comment définir une colonne de signal dans le bloc de données à l'aide de la fonction d'application et comment utiliser les classes de position et de stratégie pour effectuer un backtest. Le présentateur explique également comment récupérer des données de la classe de position à l'aide de la méthode as dict.
  
  
• 00:10:00 Dans cette section de la vidéo, l'orateur explique la méthode utilisée pour ajouter et vérifier les positions pour la stratégie de trading buy and hold. La méthode get positions est utilisée pour renvoyer une trame de données avec le profit et la perte calculés. Le code utilise une liste de postes et ajoute la classe de poste à l'intérieur de cette liste lorsqu'un nouveau poste est ajouté. La stratégie vérifie les signaux d'ouverture d'une transaction et parcourt les données HLC pour des prélèvements de 5 %, 15 % et 35 %. La stratégie de sortie est également expliquée, selon laquelle lorsque le drawdown est nul, chaque position ouverte est fermée. Les résultats du backtest sont affichés et l'orateur souligne l'importance de transactions de haute qualité et de longues périodes pour permettre aux prix de se redresser éventuellement. Les résultats sont ensuite tracés sur un graphique pour représenter les métiers.

[MetaQuotes]

Code 10 Indicateurs techniques de trading avec Python

Code 10 Indicateurs techniques de trading avec Python

La vidéo présente dix indicateurs de trading techniques avec Python, en commençant par la moyenne mobile simple (SMA), qui est utilisée pour déterminer les tendances. L'Average True Range (ATR) mesure la volatilité, tandis que l'indice de force relative (RSI) identifie les prix de surachat et de survente. Le haut bas et l'écart type d'hier peuvent aider à identifier les marchés en range, en cassure et volatils. Les bandes de Bollinger utilisent une moyenne mobile simple (SMA) et un écart type pour indiquer les stratégies de réversion moyenne ou d'évasion. Le croisement MACD et SMA indique un changement de tendance en calculant les EMA ou SMA rapides et lents. Le croisement de moyenne mobile combine des moyennes mobiles rapides et lentes pour identifier les inversions de tendance potentielles, tandis que l'oscillateur stochastique considère les valeurs les plus élevées et les plus basses d'une période pour identifier les conditions de surachat et de survente.

• 00:00:00 Dans cette section, le conférencier présente les 10 indicateurs techniques qui seront calculés à l'aide de Python, en commençant par la moyenne mobile simple (SMA). Les données historiques sont demandées à la bibliothèque MetaTrader5 puis traitées à l'aide de Pandas. Le SMA est un indicateur populaire utilisé pour déterminer les tendances, qui est calculé en utilisant les 10 derniers prix de clôture. Le SMA résultant est visualisé à l'aide de Plotly Express.
  
  
• 00: 05: 00 Dans cette section, la vidéo explique le calcul et l'utilisation des indicateurs de moyenne mobile simple (SMA) et de moyenne mobile exponentielle (EMA) dans le trading technique. Le SMA prend la moyenne des 10 derniers prix, et l'EMA donne plus de poids aux prix récents. La vidéo compare les deux indicateurs et note que les commerçants qui veulent des signaux plus rapides peuvent préférer l'EMA, qui réagit aux changements de prix immédiats beaucoup plus rapidement que le SMA. La vidéo présente ensuite l'indicateur Average True Range (ATR), qui mesure la volatilité et aide les traders à évaluer les risques et les changements de tendance potentiels. L'ATR est calculé en prenant la plage de la bougie (haut - bas) pour une période spécifique, puis en faisant la moyenne. La vidéo note qu'une diminution de l'ATR peut indiquer le début d'une phase de retracement. L'ATR est représenté dans un graphique et on observe qu'il est plus élevé pendant les périodes plus volatiles.
  
  
• 00:10:00 Dans cette section, la vidéo traite de deux indicateurs techniques de trading : l'Average True Range (ATR) et l'indice de force relative (RSI). L'ATR mesure la volatilité d'un marché en comparant la différence entre les prix élevés et bas sur une période spécifique, tandis que le RSI aide à identifier les prix de surachat et de survente. La vidéo montre comment calculer le RSI à l'aide d'un paramètre de 14 périodes et explique la formule pour générer la valeur RSI. La vidéo fournit également un exemple de code pour tracer l'indicateur RSI, ce qui peut aider les traders à identifier les signaux d'achat ou de vente potentiels en fonction du fait que le RSI est en territoire de survente ou de surachat. De plus, la vidéo traite brièvement des valeurs hautes et basses de la veille et de la manière dont elles peuvent être utilisées dans les stratégies de trading.
  
  
• 00: 15: 00 Dans cette section, la vidéo traite de deux indicateurs techniques de trading avec Python : le haut bas d'hier et l'écart type. Le haut bas d'hier peut être un indicateur précieux pour les échanges intrajournaliers, car il peut indiquer si le marché varie ou s'il y a une cassure, ce qui peut indiquer une tendance du marché. L'écart type est utilisé pour mesurer la variance, et un écart type élevé peut signifier que le marché est volatil tandis qu'un écart type faible peut indiquer que le marché ne bouge pas beaucoup. La vidéo traite ensuite des bandes de Bollinger, qui sont constituées d'une moyenne mobile simple (SMA) avec une période de 20, une bande supérieure à deux écarts-types au-dessus du SMA et une bande inférieure à deux écarts-types en dessous du SMA. Les bandes de Bollinger peuvent être utilisées pour des stratégies de retour à la moyenne ou des stratégies d'évasion.
  
  
• 00: 20: 00 Dans cette section, la vidéo explique deux indicateurs de trading techniques supplémentaires, MACD et SMA crossover, et comment les calculer et les tracer à l'aide de Python. Le MACD est un indicateur de tendance qui prédit les inversions en calculant l'EMA rapide avec la période 20 et l'EMA lent avec la période 26, et en examinant la relation entre ces deux EMA. Le croisement SMA, d'autre part, utilise un concept beaucoup plus simple, et il implique simplement une moyenne mobile simple rapide et une moyenne mobile simple lente qui indiquent un changement de tendance chaque fois qu'ils se croisent. La vidéo fournit le code pour calculer et tracer les deux indicateurs et explique comment ils peuvent être utilisés pour identifier les inversions de tendance.
  
  
• 00: 25: 00 Dans cette section, le présentateur discute des indicateurs de croisement de moyenne mobile et d'oscillateur stochastique. Pour le croisement de moyenne mobile, le présentateur combine une moyenne mobile rapide et lente pour identifier les inversions de tendance potentielles. Un croisement est identifié lorsque la moyenne mobile rapide passe au-dessus ou en dessous de la moyenne mobile lente, auquel cas une colonne de croisement est créée. Le présentateur démontre l'efficacité de l'indicateur en traçant les moyennes mobiles avec le cours de clôture et en ajoutant des lignes verticales pour marquer chaque croisement. L'oscillateur stochastique est similaire au RSI, mais au lieu d'utiliser uniquement les prix de clôture pour son calcul, il considère les valeurs les plus élevées et les plus basses d'une période. L'oscillateur est défini à l'aide d'une formule et, comme le RSI, est utilisé pour identifier les conditions potentielles de surachat et de survente. Le présentateur invite les téléspectateurs à télécharger et à tester le code par eux-mêmes et suggère de laisser des commentaires sur les indicateurs préférés pour une future vidéo potentielle.

[MetaQuotes]

Comment coder une stratégie de trading RSI en Python

Comment coder une stratégie de trading RSI en Python

La vidéo fournit une explication détaillée sur la façon de coder et de tester une stratégie de trading RSI en Python. La stratégie repose sur l'achat lorsque le RSI est survendu et la vente lorsqu'il est suracheté, les signaux d'entrée étant lorsque le RSI tombe en dessous de 30 et lorsqu'il dépasse 70, il est temps de vendre. La stratégie de sortie consiste à utiliser l'indicateur ATR (Average True Range) pour définir le take profit et le stop loss à 280 pips du prix d'achat ou de vente. La vidéo couvre l'utilisation des bibliothèques MetaTrader5, Pandas et Plotly pour les demandes de données historiques, le calcul des indicateurs, le backtesting et la visualisation des résultats. Il conclut en encourageant les téléspectateurs à télécharger le notebook Jupiter pour mettre en œuvre la stratégie de trading RSI en Python.

• 00:00:00 La vidéo explique comment coder et tester une stratégie de trading RSI en Python. La stratégie se concentre sur l'achat lorsque le RSI est survendu et la vente lorsqu'il est suracheté, ce qui en fait une stratégie de retour à la moyenne. Les signaux d'entrée sont lorsque le RSI tombe en dessous de 30, et lorsqu'il dépasse 70, il est temps de vendre. La stratégie de sortie consiste à utiliser l'indicateur ATR (Average True Range) pour définir le take profit et le stop loss à 280 pips du prix d'achat ou de vente. La vidéo explique également comment utiliser les bibliothèques MetaTrader5, Pandas et Plotly pour les demandes de données historiques, le calcul des indicateurs, le backtesting et la visualisation des résultats.
  
  
• 00: 05: 00 dans cette section de la vidéo, l'orateur explique comment il a tracé le RSI et créé des niveaux de surachat et de survente à l'aide de Plotly. Ils montrent que les signaux d'achat se produisent lorsque le RSI tombe en dessous d'une ligne horizontale spécifique, tandis que les signaux de vente se produisent lorsqu'il est supérieur à 70. De plus, l'indicateur ATR (average true range) est introduit comme mesure de la volatilité, qui est calculée en trouvant le gamme de la bougie et en prenant la moyenne des 14 dernières bougies. L'ATR est ensuite tracé sur un graphique, montrant le pic de volatilité au début de 2020. Enfin, l'orateur montre comment effectuer un backtest et créer une classe de stratégie avec des conditions logiques pour entrer et sortir des transactions. Les conditions incluent la vérification des positions ouvertes, l'utilisation des valeurs RSI pour déterminer les signaux d'achat et la définition des niveaux de stop loss et de take profit.
  
  
• 00:10:00 Dans cette section, l'orateur explique comment exécuter le backtest pour la stratégie de trading RSI en Python. Le backtest est créé en parcourant l'ensemble de données historiques et les positions sont enregistrées dans une liste contenant des classes de positions. Le stop loss et le take profit sont définis à 280 heures des prix d'achat et de vente. La logique du backtest est que lorsque le RSI dépasse la valeur de 70, c'est un signal de vente, et une position courte est ajoutée à la liste des positions de la stratégie. Après avoir parcouru toutes les données historiques, le backtest renvoie une liste de positions et leurs bénéfices. À l'aide de ces données, les résultats du backtest peuvent être visualisés en traçant les positions fermées à l'aide de Plotly Express, et les profits et pertes peuvent être tracés en utilisant la même méthode. L'orateur montre un exemple de l'intrigue résultante pour indiquer quand la stratégie fonctionne bien ou mal.
  
  
• 00: 15: 00 Dans cette section, l'orateur conclut la vidéo, remerciant le public pour son attention et l'invitant à télécharger le cahier Jupiter pour la mise en œuvre de la stratégie de trading RSI en Python. Il note qu'après une forte baisse au cours de la période discutée, le piano oscille maintenant autour du même niveau. Il signe et promet de revenir bientôt avec une autre vidéo.

[MetaQuotes]

Apprenez Pandas sur des exemples commerciaux

Apprenez Pandas sur des exemples commerciaux

La vidéo enseigne aux utilisateurs comment appliquer diverses fonctions Pandas pour analyser les données commerciales en Python afin de répondre à des questions analytiques telles que la détermination des durées de transaction les plus longues et les plus courtes, le calcul des mois les plus rentables et les plus perdants, l'identification des mois les plus actifs, l'analyse des ordres d'achat et de vente, et calculer le plus grand drawdown absolu. De plus, il couvre le calcul du taux de gain, du rapport récompense / risque et du facteur de profit, qui mesure le rapport entre le profit et la perte bruts. L'orateur fournit un fichier CSV et des exemples réels pour guider les téléspectateurs tout au long du processus d'analyse et propose un cahier Jupiter à tous ceux qui souhaitent pratiquer les pandas.

• 00:00:00 Dans cette section, l'orateur explique comment utiliser la bibliothèque Pandas pour analyser les données commerciales en Python. Ils fournissent un fichier CSV avec des données commerciales et guident les téléspectateurs en répondant à six questions analytiques sur ces données. Ils montrent comment calculer le nombre de transactions, le profit et la perte globaux, la date et l'heure de la première et de la dernière transaction, le profit et la perte les plus importants et la durée de chaque transaction. Ils utilisent diverses fonctions Pandas, telles que "shape", "sum", "iloc" et "loc", pour effectuer ces calculs et fournissent des exemples réels de la sortie.
  
  
• 00:05:00 Dans cette section, la vidéo couvre différentes questions d'analyse commerciale et comment obtenir les réponses à l'aide des fonctions de Pandas. Les questions incluent la recherche des durées de transaction les plus longues et les plus courtes, le calcul des mois les plus rentables et les plus perdants en fonction des bénéfices commerciaux, l'identification des mois les plus actifs en termes de nombre de transactions et l'analyse des ordres d'achat et de vente. La méthode groupby de Pandas est utilisée pour agréger et trier les valeurs de trame de données en conséquence. Les fonctions utilisées incluent count et sum pour calculer le nombre de transactions et les bénéfices, et datetime pour extraire les valeurs mensuelles des dates et heures des transactions.
  
  
• 00: 10: 00 Dans cette section, la vidéo couvre divers calculs et analyses, y compris le calcul du nombre total de transactions pour chaque type d'ordre et la détermination que les ordres d'achat ont mieux performé que les ordres de vente. La vidéo explique également comment calculer le plus grand drawdown absolu, qui est la perte cumulée maximale subie pendant la négociation, et comment calculer le profit ou la perte moyenne en regroupant les transactions en fonction du type de profit. De plus, la vidéo montre comment calculer le taux de gain, qui est la probabilité qu'une transaction soit gagnée ou perdue, et comment calculer le rapport récompense/risque en prenant la valeur moyenne des gagnants et des perdants.
  
  
• 00: 15: 00 Dans cette section, l'orateur discute du facteur de profit, qui est le rapport entre le profit brut et la perte brute. Le bénéfice net est calculé en additionnant tous les bénéfices et les pertes séparément en fonction du type de bénéfice (gain ou perte). Le facteur de profit est ensuite déterminé en divisant le profit brut par la perte brute. Le résultat de ce calcul est une métrique qui détermine dans quelle mesure les gains l'emportent sur les pertes. Le facteur de profit dans ce cas est de 1,34. L'orateur mentionne également qu'ils fourniront un cahier Jupiter sur leur site Web pour ceux qui veulent pratiquer les pandas.

[MetaQuotes]

Gérer les données dans CSV et bases de données (SQLite)

Gérer les données dans CSV et bases de données (SQLite)

Dans la vidéo "Gérer les données dans CSV et les bases de données (SQLite)", l'orateur montre comment enregistrer et lire des données dans un fichier CSV à l'aide de pandas DataFrame et comment travailler avec des bases de données à l'aide de SQLite3. Les spectateurs voient comment les données OHLC sont enregistrées dans un pandas DataFrame, enregistrées en tant que fichier CSV, puis lues et converties ultérieurement en un pandas DataFrame. L'orateur montre également aux téléspectateurs comment travailler avec des bases de données en Python à l'aide de SQLite3, notamment créer une base de données ou se connecter à une base de données existante, enregistrer des données dans la base de données et lire les données à l'aide de requêtes simples. L'orateur conclut la vidéo en offrant aux téléspectateurs l'accès au code utilisé dans le didacticiel et en exprimant l'espoir que le didacticiel a été utile.

• 00:00:00 Dans cette section, l'orateur montre comment enregistrer et lire des données dans un fichier CSV à l'aide de pandas DataFrame. Après avoir récupéré certaines données OHLC auprès d'un courtier, les données sont enregistrées dans un pandas DataFrame, puis enregistrées sous forme de fichier CSV. En utilisant `pd.read_csv`, les données CSV peuvent être lues ultérieurement et converties en un DataFrame pandas. L'orateur montre ensuite comment travailler avec des bases de données en Python à l'aide de SQLite3, qui fait partie de la bibliothèque standard Python. La méthode `sqlite3.connect` est utilisée pour créer une base de données ou se connecter à une existante. Les données OHLC sont enregistrées dans la base de données à l'aide de `ohlcdf.to_sql`, puis lues à l'aide de requêtes simples en exécutant `pd.read_sql_query`.
  
  
• 00:05:00 Dans cette section, l'intervenant conclut la vidéo en remerciant les téléspectateurs pour leur attention et en proposant de partager le code utilisé dans le didacticiel. L'orateur fournit un lien vers son site Web où les téléspectateurs peuvent accéder au code. Ils expriment l'espoir que les téléspectateurs ont trouvé la vidéo utile et promettent de revenir bientôt avec un autre tutoriel.

[MetaQuotes]

MetaTrader 5 trading en direct avec Python en 2021 (Modèle inclus)

MetaTrader 5 trading en direct avec Python

La vidéo "MetaTrader 5 trading en direct avec Python en 2021 (Modèle inclus)" présente un guide utile pour les traders qui souhaitent personnaliser leurs stratégies de trading et améliorer leur rentabilité en utilisant MetaTrader5 et Python. Il présente un modèle qui peut être modifié en fonction des besoins du commerçant, mettant en évidence les sections de code nécessaires. La vidéo couvre également différentes fonctions telles que l'initialisation des fonctions, l'importation de données et la réalisation d'ordres commerciaux. Parmi les outils utiles démontrés figure la fonction de reprise, qui permet aux traders de surveiller les positions ouvertes même après avoir fermé la feuille Python. Tout en soulignant la nécessité pour un appareil Windows d'utiliser la bibliothèque MetaTrader 5, l'orateur suggère également quelques options pour les utilisateurs de Mac.

• 00:00:00 Dans cette section, Lucas de Control montre comment mettre une stratégie de trading dans le trading en direct en utilisant MetaTrader5 et Python. Il fournit un modèle et montre comment personnaliser le code en fonction de ses besoins. La vidéo présente également différentes fonctions, notamment l'initialisation de la fonction, l'importation de données et la réalisation d'ordres commerciaux. La fonction de reprise est mise en évidence comme un outil utile pour surveiller les positions ouvertes actuelles même après avoir fermé la feuille Python. Dans l'ensemble, la vidéo fournit un guide utile aux traders qui souhaitent personnaliser leurs stratégies de trading et maximiser leur rentabilité.
  
  
• 00:05:00 Dans cette section, l'orateur évoque une fonction qui permet d'accéder à tout moment aux positions ouvertes pour éventuellement les fermer. Cette fonction utilise un algorithme qui ouvre une position dans un intervalle fixe et n'utilise pas de stratégie de momentum. La fonction comprend de nombreux commentaires et est simple mais essentielle, car elle renvoie toutes les informations sur l'algorithme. Le conférencier fournit également un modèle qui peut être facilement personnalisé en modifiant quelques lignes de code, permettant aux utilisateurs de mettre leur propre algorithme en production. Cependant, l'orateur note qu'il est important d'avoir un appareil Windows pour utiliser la bibliothèque MetaTrader 5 et propose quelques options pour les utilisateurs de Mac qui n'ont pas accès à un appareil Windows.

[MetaQuotes]

Trailing stop loss : la force de la faiblesse ?

Trailing stop loss : la force de la faiblesse ?

Lucas de Control discute des forces et des faiblesses d'une stratégie de stop-loss suiveur, qui vise à réduire les risques dans le trading en utilisant des seuils de stop-loss ou de profit continus. L'une des forces est qu'il permet aux traders d'exploiter les variations de tendance et de gérer les risques, mais une faiblesse est qu'il peut faire passer les traders à côté de bénéfices potentiels. L'orateur conseille aux traders de tenir compte de la volatilité des actifs et d'utiliser des stratégies personnalisées en conséquence. Il propose également un cours sur l'utilisation du stop loss suiveur et d'autres stratégies de trading.

• 00:00:00 Dans cette section, Lucas de Control discute des forces et des faiblesses d'une stratégie de trading stop-loss. L'objectif du stop-loss de trading est de réduire le risque, et il peut être construit de différentes manières, comme un stop-loss continu ou l'utilisation de seuils de profit. La première force du stop-loss de trading est qu'elle permet aux traders d'exploiter non seulement les variations de tendance, et la deuxième force est qu'elle permet aux traders de gérer leur risque. Cependant, la faiblesse du stop-loss commercial est qu'il comporte le risque de chercher à travers certains des avantages des commerçants, et il peut également amener les commerçants à manquer des bénéfices potentiels.
  
  
• 00: 05: 00 Dans cette section, l'orateur explique comment la volatilité d'un actif affecte l'utilisation du trailing stop loss comme stratégie de trading. L'orateur conseille aux traders de prendre en compte la volatilité d'un actif et de ne pas appliquer la même stratégie pour différents actifs, tels que le Forex ou la crypto. Le conférencier fournit également un lien de cours qui enseigne comment passer des commandes, importer des données, créer des structures complexes, gérer les risques et créer des modèles pour le projet spécifique d'un trader, y compris le stop loss suiveur.