Python dans le Trading Algorithmique - page 7

[MetaQuotes]

Configuration de MetaTrader 5 pour Python

Configuration de MetaTrader 5 pour Python

Le didacticiel vidéo couvre le processus d'installation de MetaTrader 5 pour Python qui consiste à saisir "pip install MetaTrader5" dans l'invite Anaconda et à vérifier l'installation en exécutant la fonction MT5Initialize() à partir du package MT5 en Python.

[MetaQuotes]

Building a web application using Python and MetaTrader 5 with Streamlit

Building a web application using Python and Metatrader 5 with Streamlit

This video demonstrates how to create a real-time chart using Python, Streamlit, and MetaTrader 5 that displays currency exchange rates and offers zoom and timeframe options. The presenter uses Pandas for importing data frames and Plotly to plot data, adding functions to calculate moving averages and Relative Strength Index. The video includes threading to handle zooming and keyboard shortcuts for interactivity. The presenter concludes the video by explaining the code's different functions and adding functionality to draw objects on charts, sharing the code in the app's description. The tutorial offers beginners a simple introduction to building real-time financial charts.

• 00:00:00 In this section, the video's creator showcases a real-time chart built using MetaTrader 5, Python, and Streamlit. The chart displays currency exchange rates and offers features to zoom in, zoom out, and switch between timeframes. The Python code uses the Streamlit and MetaTrader 5 libraries, along with Pandas for importing data frames and Plotly for graphing. The chart includes functions to calculate the moving average and Relative Strength Index with adjustable parameters for users. The creator also includes threading to handle zooming and keyboard shortcuts for user interactivity. Overall, the tutorial offers a beginner-friendly introduction to using these libraries for building real-time financial charts.
  
  
• 00:05:00 you want to build a web application using Python and MetaTrader 5 with Streamlit, you will need to call specific functions to provide the necessary data. To get the symbols, you can use the "metatrader" function to extract their names and then return them in a dictionary format. The set package configuration function allows you to customize the layout of the web application, such as the window size and title. Additionally, in order to calculate the lsi (relative strength index), you must provide the function with the necessary data and parameters, such as the data frame and rsi value, which can then be plotted.
  
  
• 00:10:00 In this section, the speaker explains how he created global variables and added the LSI calculation to the data frame, and appended the trace so that the RSI values can be shown on the chart. He also shows how he created the infinite loop function, which updates the chart every second, using the time frame, symbol, bars, moving average, and LSI values. The time frame is obtained from a dictionary and the bars are obtained using the mt5.copy_rates_from_pos() function. The chart is not an image but an animation that is constantly being updated every second.
  
  
• 00:15:00 In this section, the presenter explains how to convert bars data frame to be reduced later on and how to convert time into seconds for better readability. The section also covers using a scatter chart and how to calculate the moving average to plot it to the chart. The presenter updates the figure layout with a fixed range and paper color to have the chart fixed in place and to better present the data to the user.
  
  
• 00:20:00 In this section, the speaker explains how they made adjustments to the size of the window and the x-axis to eliminate gaps in the daily chart. They also add a horizontal line of the last price using a simple
  line of code. The speaker then demonstrates the on press key function which shrinks or grows the chart when the user presses the minus or plus key. The code includes multiple functions and placeholders to keep the application simple and easy to navigate.
  
  
• 00:25:00 In this section, the speaker explains the code for initializing the connection between Metatrader5 and the chart, and the use of a keyboard listener thread to adjust the size of the chart using the plus and minus keys. They also discuss the use of the `st.title` function and the creation of two columns for the sliders and options through the `st.connect` function. The speaker explains the use of a placeholder for column one and the selection of a moving average through the `sd.selectbox` function. They also mention the availability of options for choosing the stock symbol or pair, as well as the time frame.
  
  
• 00:30:00 In this section, the YouTuber concludes the demonstration of building a web application using Python and MetaTrader 5 with Streamlit. They explained that the app displayed information about trading signals and added functionality to draw objects on the charts. They also pointed out the different functions and their purposes in the code, ending with sharing the code in the app's description. The YouTuber thanked their viewers for watching and concluded the video.

[MetaQuotes]

PYTHON SYNTHETIC INDEX TRADING BOT !! - RÉCEPTION DES DONNÉES DES BOUGIES DE MetaTrader 5

PYTHON SYNTHETIC INDEX TRADING BOT !! - RÉCEPTION DES DONNÉES DES BOUGIES DE MetaTrader 5

Le didacticiel vidéo explique comment créer un bot de trading Python qui reçoit des données de bougie de MetaTrader 5 (MT5). Le présentateur couvre le processus étape par étape, y compris la configuration de MT5, la création d'une classe pour le bot, l'initialisation des variables, la création de threads et la définition de la stratégie de trading avec de simples paramètres de prise de profit et d'arrêt de perte. Le présentateur fournit également des instructions sur la gestion des erreurs et le débogage du code, et conclut la vidéo en soulignant la simplicité du processus et en mentionnant un cours à venir sur le sujet. Le didacticiel est perspicace et convivial pour les débutants, ce qui en fait une excellente ressource pour toute personne intéressée par la création d'un bot de trading Python.

• 00:00:00 Dans cette section de la vidéo, le présentateur montre comment créer un bot de trading d'index avec Python en expliquant les étapes impliquées dans le processus. La première étape consiste à configurer la plateforme MetaTrader 5 en activant le trading algorithmique et en autorisant les requêtes Web pour l'hôte local. Après cela, le présentateur ouvre Visual Studio Code et commence à coder en créant une classe pour le bot avec un constructeur qui reçoit des paramètres pour le bord du lot, la période et le marché. Le bot fonctionnera avec des threads qui partagent des informations via un dictionnaire, de sorte que le présentateur initialise une liste de threads et un dictionnaire pour stocker les données partagées. Enfin, un événement est créé pour arrêter les threads. Le présentateur fournit des informations et des explications supplémentaires dans le référentiel GitHub.
  
  
• 00:05:00 Dans cette section, le présentateur initialise tous les éléments nécessaires tels que les variables de classe, les constantes, les files d'attente, les dictionnaires et les threads pour permettre au robot de trading de partager des données entre les threads. Le présentateur déclare également des méthodes permettant au bot de démarrer et de tuer les threads. La fonction kill thread définit la valeur de la variable peel sur 'kill', puis appelle la fonction join pour arrêter les threads en toute sécurité. Enfin, le présentateur crée une fonction d'attente qui permet à l'utilisateur d'arrêter le bot en appuyant sur Entrée.
  
  
• 00:10:00 Dans cette section de la vidéo, l'orateur explique qu'il va créer un programme Python pour recevoir des données de bougie de MetaTrader 5 à l'aide de sockets. Ils commencent par créer un fichier appelé candles.py et importent les bibliothèques nécessaires telles que socket et json pour envoyer et recevoir des données via des sockets. Ils définissent également l'adresse et le port à utiliser pour la connexion socket. Le locuteur procède ensuite à la création d'une fonction pour initialiser la connexion socket à l'aide des sockets serveur et client. Ils montrent comment lier le socket à l'adresse et au port spécifiés et écouter les connexions entrantes. La fonction accepte alors les connexions et imprime l'adresse du client.
  
  
• 00:15:00 Dans cette section, le YouTuber explique comment créer la fonction qui prendra les informations sur les bougies en appelant la fonction "thread_candles". Il commence par créer une variable appelée "message" pour recevoir des informations de MetaTrader5. Ensuite, la socket est démarrée et une boucle principale est créée qui fonctionnera jusqu'à ce que l'utilisateur appuie sur Entrée, moment auquel la pilule à tuer est définie. La boucle commence en prenant le message de la socket de la connexion et en le décodant. Le code vérifie si le message peut être imprimé, et s'il le peut, il l'imprimera. Après avoir montré comment créer le fichier principal, le YouTuber explique comment créer un client dans MT5, mais souligne qu'il n'ira pas en profondeur car il ne s'agit pas d'un didacticiel MT5.
  
  
• 00:20:00 Dans cette section, le présentateur fournit un guide étape par étape sur la façon de copier le code de GitHub et de l'utiliser pour créer un bot de trading Python qui reçoit des données de bougie de MT5. Le présentateur explique que le code utilise des jetons pour envoyer des informations sur chaque tick et crée une chaîne contenant le format JSON pour les prix d'ouverture et de clôture de chaque bougie. Pour transformer la chaîne en dictionnaire, le présentateur suggère d'utiliser la fonction json load. Le présentateur montre également comment démarrer et arrêter le bot et le client, et comment supprimer le bot du menu du conseiller expert.
  
  
• 00:25:00 Dans cette section, le didacticiel vidéo décrit la mise à jour d'un dictionnaire avec les données reçues de MT5 et la création d'un fil de commandes. Le dictionnaire mis à jour est envoyé à l'aide de la fonction self.data, qui convertit les données au format correct. Le didacticiel comprend la définition de macros pour le bot, telles que le nombre de bougies entre les opérations et les paramètres de stop loss. La fonction de fil d'ordres reçoit l'événement stop et les données de trading, et crée une stratégie de trading de base avec un simple take profit et stop loss. Le didacticiel comprend également la fermeture de la connexion et du socket du serveur, suivie du test du bot avec un exemple de code.
  
  
• 00:30:00 Dans cette section, le YouTuber discute des étapes nécessaires pour recevoir des données de bougie de MT5 et les utiliser pour ouvrir des opérations en fonction de certains critères. La première étape consiste à déclarer une variable appelée heure de la dernière opération et à définir sa valeur initiale sur zéro, qui sera utilisée plus tard pour savoir quand une opération a été ouverte. Ensuite, une époque est déclarée à l'aide de la fonction datetime que nous utiliserons plus tard pour convertir l'heure actuelle en secondes. Ensuite, nous attendons que le fil de la bougie démarre afin d'éviter les erreurs. Une fois celle-ci terminée, nous entrons dans une boucle où nous vérifions si les conditions d'ouverture d'une opération sont remplies. Si la bougie précédente est un boom (fermer > ouvrir) et que l'heure actuelle est supérieure à l'heure de la dernière opération plus la période de temps des données de trading, une opération est ouverte. L'heure de la dernière opération est mise à jour et la fonction de position ouverte est appelée. Enfin, les données de négociation (y compris la taille du marché et du lot) sont définies et transmises en tant qu'argument à la fonction de position ouverte.
  
  
• 00: 35: 00 Dans cette section, le créateur explique comment envoyer une opération de cellule à l'aide de MT5 et donne un tutoriel sur la façon d'exécuter une fonction de position ouverte. L'utilisateur doit saisir le marché sous forme de chaîne, le lotex sous forme d'opération flottante et de type. Cette fonction aide à définir les variables stop loss et take profit qui sont définies en prenant le prix actuel moins la valeur stop loss et en ajoutant la valeur take profit au prix actuel. Le créateur recommande d'utiliser la bougie cellulaire et les données de trading pour tester et déboguer le code. Enfin, le créateur fournit un exemple du moment où la fonction est exécutée et où les ordres sont échangés.
  
  
• 00:40:00 Dans cette section, le didacticiel se concentre sur le débogage des erreurs. Le processus étape par étape de débogage est affiché, à partir du message d'erreur affiché pour rechercher une solution sur Google. L'erreur spécifique ici est le type de remplissage de commande non valide, qui dépend du courtier utilisé. La solution consiste à essayer les trois types de commandes répertoriés et à déterminer celui qui convient à votre courtier. Une fois l'erreur corrigée, le didacticiel passe à l'ouverture d'un poste avec succès.
  
  
• 00:45:00 Dans cette section, l'orateur conclut la vidéo en donnant un bref aperçu du bot de trading d'index synthétique Python, soulignant la facilité avec laquelle il peut être créé. Il mentionne également qu'il créera un cours sur ce sujet, qui sera très complet et à un prix raisonnable par rapport à des cours similaires. Il encourage les téléspectateurs à aimer, partager et s'abonner à sa chaîne, et à le contacter pour toute question.

[MetaQuotes]

Comment importer les données du cours des actions de MetaTrader 5 vers Python ?

Comment importer les données du cours des actions de MetaTrader 5 vers Python ?

Dans cette vidéo YouTube, différentes méthodes pour importer des données sur le cours des actions de MetaTrader 5 vers Python sont expliquées. Les méthodes comprennent l'importation des bibliothèques nécessaires, la définition de la période et du fuseau horaire souhaités, la définition d'une fonction appelée "obtenir des données", la manipulation de la trame de données résultante, l'utilisation du package tqtndm, la création d'une trame tarifaire et l'utilisation de deux trames de données pour récupérer les prix et informations de date/heure. L'orateur suggère de mettre les boucles dans une fonction pour rendre le code plus propre, et en utilisant ces méthodes, les utilisateurs peuvent facilement importer des données pour de nombreux symboles sans trop de difficulté.

• 00:00:00 Dans cette section, l'orateur explique comment importer des données sur le cours des actions de MetaTrader5 vers Python. La première étape consiste à importer toutes les bibliothèques nécessaires, y compris pandas, pytz, datetime, tqdm et MetaTrader5. Ensuite, l'orateur initialise MetaTrader5 et définit le fuseau horaire et la période souhaités. L'orateur définit une fonction appelée "obtenir des données" qui nécessite le symbole, le nombre de bougies nécessaires et le délai. La fonction renvoie les données souhaitées et l'orateur explique ce que chaque entrée et sortie fait dans la fonction.
  
  
• 00:05:00 Dans cette section, le conférencier explique une fonction utilisée pour importer des données sur le cours des actions de MetaTrader5 vers Python. La fonction prend un symbole, une période et une date, et renvoie une trame de données contenant les données demandées. L'orateur passe par des étapes pour manipuler le bloc de données résultant, y compris la conversion de la colonne de l'heure en jour et la suppression des colonnes inutiles. De plus, l'utilisation d'une boucle for est suggérée pour faciliter l'appel de données pour plusieurs actifs.
  
  
• 00:10:00 Dans cette section, l'orateur explique comment importer des données sur le cours des actions de MetaTrader5 vers Python à l'aide du package tqtndm. Ils utilisent la fonction try et la fonction accept pour appeler une fonction de taux précédemment définie qui prend le symbole et le nombre de jours défini sur 400. Les données renvoyées sont ajoutées à un dictionnaire et toutes les données non disponibles sont supprimées. L'orateur suggère de mettre la boucle dans une fonction pour rendre le code plus propre. Dans l'ensemble, le processus implique la création d'un cadre de taux, l'ajout des données à un dictionnaire, puis l'exécution du script.
  
  
• 00: 15: 00 Dans cette section, l'orateur explique qu'avec l'utilisation de deux trames de données, les utilisateurs peuvent facilement importer des données sur les prix des actions de metatrader5 vers Python en récupérant les prix et les informations de date/heure. Cette méthode peut être utilisée pour de nombreux symboles sans trop de difficulté.

[MetaQuotes]

Trading en ligne par Python dans MetaTrader 5 + obtenir des données de MQL5

Trading en ligne par Python dans MetaTrader 5 + obtenir des données de MQL5

Le didacticiel montre comment télécharger un ensemble de données à partir de MetaTrader et effectuer des transactions commerciales en ligne à l'aide de Python. L'instructeur importe les bibliothèques MetaTrader5, pandas et datetime, spécifie l'actif et la période pour l'ensemble de données, et télécharge les cent derniers points de données. Ils expliquent comment gérer une position dans MetaTrader5 en définissant un stop loss, un take profit et en utilisant la commande GTC pendant une durée spécifiée. Bien que la section fournisse une compréhension de base des différentes commandes requises pour gérer une position, la stratégie de négociation globale utilisée n'est pas claire.

• 00:00:00 Dans cette section du didacticiel, l'instructeur montre comment télécharger un jeu de données à partir de MetaTrader 5 et effectuer de simples opérations de trading en ligne à l'aide de Python. La bibliothèque MetaTrader5 est importée et le chemin du raccourci logiciel est adressé à Python. Les bibliothèques pandas et datetime sont également importées et l'heure actuelle est utilisée pour spécifier l'heure des dernières données du jeu de données. La clé de symbole de l'actif souhaité est écrite et la période (période quotidienne dans ce cas) est sélectionnée pour l'ensemble de données. Les cent derniers points de données sont téléchargés et une commande de format est utilisée pour stocker les données dans le système personnel de l'utilisateur. Le trading en ligne est effectué en déterminant les actifs et le volume de la transaction, en définissant l'unité de prix comme un pip et en utilisant soit le prix vendeur soit le cours acheteur selon la position saisie.
  
  
• 00:05:00 Dans cette section, la vidéo explique comment définir un stop loss et un take profit pour une position à l'aide des commandes Python dans MetaTrader5. Il montre également comment fermer la position en spécifiant le numéro de ticket de position. La commande GTC est expliquée pour maintenir une transaction active pendant une durée spécifiée. La vidéo montre également un exemple de transaction USDJPY avec un stop loss et un take profit actifs. Dans l'ensemble, cette section fournit une compréhension de base des différentes commandes nécessaires pour gérer une position dans MetaTrader5 via Python.
  
  
• 00:10:00 Dans cette section, nous apprenons que la position longue a été clôturée avec succès. Malheureusement, sans plus de contexte, on ne sait pas à quoi se réfère la position longue ou quelle est la stratégie de trading globale utilisée.

[MetaQuotes]

Python MetaTrader 5 Copy Trade

Python MetaTrader 5 Copy Trade

Cette application peut copier le commerce de MetaTrader 5 vers un autre MetaTrader 5 contrôlé par un tableau de bord Web qui peut également contrôler qui peut copier votre commerce, définir la paire/ticker, définir le volume, arrêter la perte et tirer profit de chacun de vos signaux de copie.
La tolérance de temps pour la copie est de 5 secondes, si plus de 5 secondes de signal ne sont pas copiées, Windows cmd est parfois bloqué, il est recommandé d'utiliser une autre application de terminal sur Windows.

Questions et réponses
-----------------------------------
Q : Peut fonctionner avec MT4
A : Non, MT4 ne supporte pas python

Q : Peut fonctionner sous Linux ?
A : Non, en fait mt5 est conçu pour Windows, s'il fonctionne sur mac ou linux, il ne fonctionne qu'avec un émulateur Windows, ou quelque chose comme ça pour forcer l'exécution d'une application Windows fonctionnant sur mac ou linux

Q : Y a-t-il une garantie que le signal sera copié ?
A : le succès ou l'échec du signal à copier dépend de divers facteurs, le plus souvent votre état vps, peut gérer la connexion du maître ou des clients, une connexion client instable, un retard de script, un terminal, des blocages, etc.

Si vous rencontrez des problèmes tels que le blocage de l'invite de commande lors de l'exécution du script python, veuillez vous rendre sur https://stackoverflow.com/questions/591047/command-line-windows-hanging-in-rdp-windows

Scénarios
------------
créer un environnement virtuel :
python -m venv .venv

activer l'environnement virtuel :
.venv/Scripts/activer

installer la bibliothèque des exigences :
pip install -r exigences.txt

exécution du script maître :
maître python.py

script esclave en cours d'exécution :
commerce python.py

[MetaQuotes]

Systèmes de test arrière Python et MetaTrader | Développer et tester des stratégies de trading ML

Systèmes de test arrière Python et Metatrader | Développer et tester des stratégies de trading ML

La vidéo traite du développement d'une plate-forme de backtesting stable pour évaluer plusieurs stratégies de trading et utiliser l'apprentissage automatique pour le trading forex. L'orateur montre comment créer une nouvelle plate-forme de backtesting à l'aide de MetaTrader 5 qui s'interface avec les courtiers pour extraire les données d'entrée. Ils expliquent également comment coder un conseiller expert pour extraire des données, les traiter à l'aide de stratégies Python, puis initier des transactions en fonction de paramètres prédéterminés. La vidéo montre également comment générer des données d'étiquettes et extraire des fonctionnalités pour créer et former des algorithmes d'apprentissage automatique. Enfin, l'orateur discute de plusieurs algorithmes utilisés pour le backtesting, la forêt aléatoire étant identifiée comme la plus précise. Dans l'ensemble, le système de backtesting a fourni des résultats fiables et efficaces, avec une performance de 96 %, et les travaux futurs incluent l'intégration d'algorithmes d'apprentissage automatique dans des environnements de trading en direct.

• 00:00:00 Dans cette section, l'orateur présente le concept de trading forex et explique pourquoi il est devenu si populaire auprès des institutions, des gouvernements, des sociétés multinationales et des investisseurs individuels. Le marché est ouvert 24h/24 du lundi au vendredi, ce qui le rend accessible à tous. L'immense potentiel de profit est l'une des raisons de sa popularité. Cependant, une prédiction précise de la direction des changes est importante. À cette fin, l'objectif du conférencier était de créer une plate-forme de backtesting stable pour évaluer plusieurs stratégies de trading, déterminer quelles paires de devises et quels délais étaient les plus performants et utiliser l'apprentissage automatique pour améliorer les prévisions. L'orateur mentionne également des recherches antérieures qui utilisaient des machines à vecteurs de support et des réseaux de neurones artificiels pour la prédiction.
  
  
• 00: 05: 00 Dans cette section, l'orateur discute de l'approche de développement d'une plate-forme de backtesting pour la formation et le test d'algorithmes, qui est la première étape du développement d'algorithmes d'apprentissage automatique. Ils examinent les plateformes de backtesting disponibles, telles que MK Backtesting, mais décident finalement d'en créer une nouvelle qui s'intègre de manière transparente aux stratégies Python existantes et répond aux critères de cohérence et d'intégrité des données. La nouvelle plate-forme s'appuie sur la plate-forme standard de l'industrie MetaTrader 5, qui s'interface avec les courtiers pour extraire les données d'entrée pour la plate-forme de backtesting. La plateforme de backtesting utilise un ensemble de paramètres comme le stop loss et le take profit pour évaluer les données et générer des fichiers de sortie basés sur le signal généré par les stratégies de trading, comme la Trading Strategy Class. Dans l'ensemble, l'approche consiste à préparer des données de niveau, à développer une plate-forme de backtesting, puis à créer un algorithme d'apprentissage automatique basé sur les données préparées.
  
  
• 00:10:00 Dans cette section, le conférencier décrit comment un conseiller expert est codé pour étendre les données de MetaTrader 5 sur une base de trading en direct chaque fois qu'une nouvelle bougie est générée. Le conseiller expert extrait les données de MetaTrader 5 et les écrit dans un fichier de feuille de calcul externe, qui est ensuite lu par un moteur Python pour les traiter en utilisant différentes stratégies pour obtenir un signal de trading. Le signal est ensuite écrit dans un fichier d'action, qui est lu par le conseiller expert, et il lance ensuite des transactions dans l'environnement MetaTrader 5. L'environnement commercial peut effectuer des transactions en direct en exécutant des transactions basées sur des marges de profit et d'arrêt de perte déterminées, et le conseiller expert modifie et clôture les transactions en fonction de divers paramètres.
  
  
• 00:15:00 Dans cette section, l'orateur explique le processus de backtesting et de génération d'un rapport dans la plateforme MetaTrader. Ils montrent comment ajuster la vitesse du backtesting et importer les stratégies nécessaires pour faire des prédictions. Ils discutent ensuite des différentes fonctions du programme, y compris l'éditeur d'action, qui gère les tâches d'entretien telles que la création et l'enregistrement des fichiers de sortie. Enfin, ils présentent le rapport produit par le backtesting, qui comprend un résumé de toutes les transactions effectuées ainsi que des détails sur la paire de devises, le délai et la période.
  
  
• 00:20:00 Dans cette section, la vidéo explique l'utilisation d'une plate-forme de backtesting conçue pour créer des données d'étiquettes et l'extraction de caractéristiques pour la construction et la formation d'algorithmes ML pour le trading. Cette plate-forme simplifie le processus en prenant toute la période des données extraites et en générant les signaux et indicateurs nécessaires au trading, puis en lançant et en suivant les transactions pour obtenir les résultats réels. À l'aide de cette plate-forme, la vidéo montre comment générer des données d'étiquette qui représentent le véritable résultat du commerce et les différentes caractéristiques extraites des données, telles que RSI, TSI et Stochastic. En créant des données plus équilibrées, cette plateforme peut générer des algorithmes d'apprentissage automatique plus fiables pour le trading.
  
  
• 00: 25: 00 Dans cette section, l'orateur discute des différents algorithmes d'apprentissage automatique utilisés pour le backtesting, y compris la machine à vecteurs de support, la régression logistique, xgboost, MLP et la forêt aléatoire. La précision de chaque algorithme est enregistrée et analysée, et l'orateur identifie la forêt aléatoire comme la plus précise avec une précision de 96 %. Les données sont également étiquetées et suivies pour créer un fichier de feuille de calcul pour une utilisation ultérieure. Dans l'ensemble, le processus de backtesting avec ces algorithmes est rapide et efficace.
  
  
• 00:30:00 Dans cette section, l'orateur résume les résultats du système de backtesting et le développement de stratégies de trading ML à l'aide d'indicateurs techniques et d'algorithmes d'apprentissage automatique. La plate-forme de backtesting stable a fourni des résultats fiables et efficaces, avec une performance de 96 % par rapport à la stratégie de référence SMAEMA, qui n'avait qu'une performance de 25 %. La plate-forme de backtesting était capable d'automatiser le trading sans intervention manuelle requise. Les travaux futurs incluent l'intégration d'algorithmes d'apprentissage automatique dans des environnements de backtesting et de trading en direct pour améliorer la précision des prédictions et maximiser les profits, en utilisant plusieurs stratégies et des algorithmes plus sophistiqués tels que l'auto-attention RNN et LSTM.

[MetaQuotes]

Comment créer des stratégies de trading algorithmique avec Python - Processus étape par étape

Comment créer des stratégies de trading algorithmique avec Python - Processus étape par étape

La vidéo fournit un guide étape par étape sur la façon de créer des stratégies de trading algorithmique à l'aide de Python. La première étape consiste à définir les règles du système, à éliminer les émotions du trading et à effectuer des backtestings pour optimiser la rentabilité. Le présentateur montre ensuite comment créer une stratégie de trading en utilisant une hypothèse et des indicateurs techniques tels que les croisements de moyennes mobiles. La stratégie est ensuite codée et des backtestings sont effectués à plusieurs reprises pour assurer l'optimisation. La deuxième section se concentre sur le codage du cadre algorithmique et la création d'une fonction de signal qui détermine s'il faut acheter ou vendre sur la base d'une comparaison de moyennes mobiles simples. La troisième section explique comment traiter les données de marché en direct à l'aide de fonctions, tandis que la quatrième décrit comment déployer la stratégie sur WPS. Le présentateur conclut en conseillant aux débutants de garder leurs stratégies de trading simples et claires.

• 00:00:00 Dans cette section de la vidéo, le présentateur explique le processus de création de stratégies de trading algorithmique avec Python. Premièrement, ils définissent le trading algorithmique comme un système avec des règles explicitement définies et sans exception. Les avantages de ceci sont que nous pouvons coder des stratégies de trading basées sur des données quantifiables et que les émotions sont retirées de l'équation. Ils mentionnent également que le backtesting se fait facilement pour optimiser et tester la rentabilité du système. Ensuite, le présentateur montre comment créer une stratégie de trading en utilisant une hypothèse et des indicateurs techniques, en particulier les croisements de moyennes mobiles. Avec les informations recueillies, un ensemble de règles est créé, puis la stratégie est soumise à un backtesting. Ce processus peut être répété jusqu'à ce que la stratégie soit jugée optimale.
  
  
• 00:05:00 Dans cette section, le conférencier discute du processus étape par étape de création de stratégies de trading algorithmique avec Python. Ils expliquent comment le backtesting permet aux traders de comprendre l'évolution de leurs profits et pertes, et en cas de succès, les traders peuvent passer à un test avancé avec un bot de trading en direct sur un compte démo. L'orateur recommande également d'utiliser Python pour le trading car il s'agit d'un langage facile à apprendre et qui dispose de nombreuses bibliothèques pour le backtesting et le trading algorithmique, comme les pandas et plotly. Enfin, l'orateur parcourt le processus de création d'une stratégie de croisement de moyenne mobile simple sur l'indice boursier allemand, en utilisant une moyenne mobile rapide de 10 et une moyenne mobile lente de 100. Ils soulignent l'importance de coder le cadre algorithmique, qui peut être trouvé sur leur page GitHub.
  
  
• 00: 10: 00 Dans cette section, le présentateur montre comment utiliser Python pour créer une stratégie de trading algorithmique en utilisant la stratégie de croisement de moyenne mobile discutée précédemment. Ils fournissent deux fichiers : un fichier backtesté et un fichier de bot de trading en direct. Le fichier backtesté comprend une analyse des données sur la performance de la stratégie pour l'année 2032. Le fichier de bot de trading en direct nécessite la création d'un fichier avec des identifiants de connexion et permet aux utilisateurs de trader en utilisant des croisements de moyenne mobile. Le présentateur montre ensuite son environnement de développement intégré Python et explique le code, qui utilise des bibliothèques telles que pandas, blockly et datetime pour récupérer des données historiques, calculer des moyennes mobiles simples et appliquer une logique de négociation. Enfin, le présentateur crée une fonction de signal qui détermine s'il faut acheter ou vendre en fonction de la comparaison des moyennes mobiles simples.
  
  
• 00:15:00 Dans cette section, l'orateur explique le processus de calcul de la colonne de signal qui indiquerait quand acheter ou vendre un titre particulier. La colonne de signal est dérivée en appliquant la fonction "obtenir le signal" aux barres de la trame de données, qui vérifie ensuite ligne par ligne si les conditions d'achat ou de vente sont remplies. De plus, les colonnes de changement de prix et de changement de signal précédentes sont également calculées pour déterminer les bénéfices hypothétiques, en tenant compte du volume des échanges et de la commission versée au courtier. L'orateur montre ensuite un graphique utilisant les bénéfices bruts et nets sur une période de six mois, démontrant que la stratégie a produit un bénéfice net de 2 380 €, avec quelques périodes de tirage. Enfin, l'orateur mentionne le partage d'un exemple de code de la stratégie de backtesting au cas où le spectateur voudrait le tester lui-même pour une histoire plus longue.
  
  
• 00:20:00 Dans cette section, le présentateur explique comment traiter les données de marché en direct à l'aide de fonctions pour créer une stratégie de trading en Python. Ils suggèrent d'importer MetaTrader5, les pandas, l'heure, la date et l'heure et les principes de compte avec les paramètres par défaut de leur stratégie. Le présentateur a créé des fonctions de trading pour fermer des positions et vérifier les heures de trading des sessions de Londres et de New York. Ils ont également créé une fonction pour envoyer un ordre au marché en utilisant un signal de trading dans la boucle, et si le SMA rapide est au-dessus du SMA lent, ils suggèrent de fermer les positions de vente. Le présentateur montre comment utiliser ces fonctions et vérifie le nombre de positions ouvertes avec la fonction MT5 Positions Total pour fournir un aperçu du compte lors de la connexion au compte de trading.
  
  
• 00:25:00 Dans cette section, l'orateur explique la dernière étape du processus qui consiste à déployer la stratégie sur WPS (Web Processing Service). Il suggère d'utiliser un DP (Cloud Desktop Provider) appelé Countable, auquel il fournit des configurations de base. Il note également que MT5 ne fonctionne que sur Windows et recommande de sélectionner un centre de données hébergé au Royaume-Uni si le courtier est situé à Londres. L'orateur donne ensuite des conseils et des recommandations aux débutants, leur conseillant de garder leurs stratégies simples et claires, afin d'en ajouter plus tard au fil du temps. Il conclut en remerciant le spectateur et en l'encourageant à poser des questions dans les commentaires.

[MetaQuotes]

Backtester la configuration à 3 bougies avec Python

Backtester la configuration à 3 bougies avec Python

La vidéo montre comment utiliser Python pour tester la rentabilité d'une configuration à trois bougies. Le présentateur obtient des données OHLC hebdomadaires pour la paire de devises EUR/USD de Metatrader5 et les convertit en une base de données Pandas, en les visualisant à l'aide de Plotly Express. Ils identifient les bougies haussières et baissières à l'aide d'une fonction de type bougie spécifiée et définissent la condition de configuration à trois bougies haussières. En calculant la probabilité de la quatrième bougie de monter ou de descendre pour chaque occurrence de la configuration, ils testent la rentabilité de l'achat de ces configurations. Le présentateur conclut qu'être long sur chaque configuration haussière aurait généré des revenus, mais souligne l'importance d'être patient puisque le profit arrive rapidement.

• 00: 00: 00 Dans cette section, l'orateur explique comment utiliser Python pour tester la configuration à trois bougies. Pour ce faire, ils se connectent d'abord à la plate-forme Metatrader5 et demandent des données OHLC pour la paire de devises EUR/USD sur une période hebdomadaire du 1er janvier 2019 à novembre 2021. Les données sont ensuite converties en une base de données Pandas et visualisées à l'aide de Plotly Express. . L'orateur montre ensuite comment étiqueter les bougies de la trame de données comme haussières ou baissières à l'aide d'une fonction de type bougie spécifiée. Ils l'utilisent pour remplir la condition d'une configuration à trois bougies haussières en déplaçant la colonne de type de bougie vers l'avant d'une, deux et trois bougies, créant une condition dans laquelle les trois bougies sont haussières. Ils calculent ensuite la probabilité que la quatrième bougie monte ou descende pour chaque occurrence de cette configuration et testent la rentabilité de l'achat de ces configurations.
  
  
• 00: 05: 00 cette section de la vidéo, le présentateur explique comment tester une configuration à trois bougies à l'aide de Python. La configuration consiste à identifier les bougies où la première, la deuxième et la troisième bougie sont toutes haussières. Le présentateur crée une trame de données avec la clôture précédente et compare le résultat avec la bougie précédente pour calculer le nombre de points gagnés ou perdus. Ils procèdent ensuite à l'analyse statistique des données pour déterminer si ce serait une bonne idée d'acheter ou de vendre. En parcourant chaque configuration individuelle et en ajoutant les trois configurations de bougies sur un tracé, ils montrent qu'acheter à la clôture de chaque configuration et vendre immédiatement après la fermeture de la bougie suivante serait rentable dans certaines situations. Le présentateur calcule le nombre de fois que la configuration se produit et combien serait gagné ou perdu en moyenne par configuration. Ils concluent qu'être long sur chaque configuration haussière aurait généré des revenus.
  
  
• 00:10:00 Dans cette section, la vidéo présente un exemple de backtesting de la configuration à 3 bougies avec Python. Après avoir réinitialisé l'axe, il montre la période de temps avec des transactions perdantes et bénéficiaires en 2019 avec la courbe de profit des points cumulés. Le profit vient dans une période rapide, nécessitant de la patience jusqu'à ce que cette période arrive. La vidéo montre également comment analyser XA USD sur le graphique journalier et afficher ses performances en demandant des données historiques et en traçant la trame de données. La courbe de profit est utilisée pour voir les hauts et les bas des profits et des pertes. Enfin, la vidéo conclut que cette méthode de test peut être utilisée sur n'importe quel nombre de marchés et de délais et implique que les utilisateurs peuvent écrire leurs propres stratégies algorithmiques.

[MetaQuotes]

Coder les graphiques en chandeliers en temps réel en Python

Coder les graphiques en chandeliers en temps réel en Python

Dans cette vidéo, l'auteur crée une application Web en Python à l'aide de Dash, de pandas et de plotly pour générer un graphique de données en chandeliers en temps réel pour le trading FOREX. L'application utilise la bibliothèque MetaTrader 5 pour collecter des données et permet aux utilisateurs de modifier le symbole, la période et le nombre de bougies à afficher. La vidéo décrit le processus de création de la mise en page et des rappels pour l'application, y compris la demande de barres historiques de MetaTrader 5 et la création d'un objet figure avec go.candlestick. L'application résultante est mise à jour toutes les 20 millisecondes et a un intervalle de mise à jour de 200 millisecondes. Les téléspectateurs sont invités à visiter la page GitHub pour télécharger l'application.

• 00: 00: 00 Dans cette section, le YouTuber répond à la question d'un spectateur sur la création d'un graphique de données forex en direct avec des données de chandelier en temps réel. La vidéo explique comment le YouTuber code une application Web en Python à l'aide de Dash, de pandas et de plotly pour l'analyse et la visualisation des données tout en utilisant la bibliothèque MetaTrader5 pour collecter des données à partir de MetaTrader 5. Ils expliquent également le processus d'obtention d'une liste de symboles et de traduction du délais à l'aide d'un dictionnaire. La sortie résultante de l'application est un graphique dans lequel les utilisateurs peuvent modifier le symbole, la période et le nombre de bougies pour afficher les données en temps réel avec un intervalle de mise à jour de 200 millisecondes.
  
  
• 00:05:00 Dans cette section de la vidéo, l'orateur explique la création de la mise en page pour l'application de graphique en chandeliers en temps réel. Les composants déroulants pour le symbole et la période sont importés à partir des fonctions MT5 et les valeurs sont définies par défaut. Le nombre de barres saisies est créé à l'aide du champ de saisie DBC, qui a une valeur par défaut de 20. La mise en page de l'application se compose d'un div HTML, qui comprend la liste déroulante des symboles, la liste déroulante des délais et le nombre de barres saisies. Un petit séparateur est ajouté, suivi du composant d'intervalle DCC qui crée un nouveau rappel toutes les 200 millisecondes pour mettre à jour le graphique en temps réel. Le contenu de la page comprend un rappel qui met à jour le graphique toutes les 20 millisecondes, en tenant compte de l'état de la liste déroulante des symboles, de la liste déroulante des délais et du nombre de barres saisies. Le rappel demande des barres historiques à MetaTrader 5 et crée un objet figure avec go.candlestick. Enfin, le conférencier remercie les spectateurs pour leur attention et les invite à se rendre sur la page GitHub pour télécharger l'application.