Python dans le Trading Algorithmique - page 12

[MetaQuotes]

PYTHON TRADING BOT #3 - MetaTrader 5, données pour backtesting trading

BOT DE TRADING PYTHON #3 - Metatrader 5, données pour backtesting de trading

Dans cette section vidéo, le présentateur met en évidence l'utilité de la fonctionnalité de MetaTrader 5 qui permet aux utilisateurs d'enregistrer les données des ticks à partir d'une plage de dates spécifiée à des fins de backtesting. Il souligne l'importance d'avoir suffisamment de données historiques pour développer des algorithmes de trading précis et recommande d'exporter les données sous forme de fichier CSV à charger dans Python pour créer des modèles de trading. Il prédit également que cette fonctionnalité pourrait ne plus être gratuite en raison de l'utilisation croissante des bots et de l'IA dans le trading. Le présentateur encourage les téléspectateurs à utiliser cette fonctionnalité et à s'intéresser davantage à son site Web s'ils ont un intérêt pour le commerce et les crypto-monnaies.

[MetaQuotes]

PYTHON TRADING BOT #4 - MetaTrader 5 et Python

BOT DE TRADING PYTHON #4 - MetaTrader 5 et Python

Cette vidéo explique comment utiliser MetaTrader 5 avec Python et créer une connexion. Le public doit d'abord installer le package MetaTrader 5 pour Python, et le YouTuber montre comment importer des bibliothèques en fournissant un exemple de code. Il mentionne également qu'il existe de nombreuses ressources disponibles sur la façon de créer des bots MetaTrader 5 en utilisant Python. La vidéo se termine par une recommandation de visiter le site Web du YouTuber pour obtenir du matériel commercial peu coûteux et utile.

[MetaQuotes]

PYTHON TRADING BOT #5 - Obtenir les cotations

BOT DE TRADING PYTHON #5 - Obteniendo ticks (precios)

Le didacticiel vidéo montre deux façons d'obtenir des ticks (prix) à partir de l'application de trading MetaTrader 5 en utilisant Python. La première méthode consiste à utiliser la fonction symbolinfo.tick, qui renvoie le prix actuel d'un marché avec la possibilité de choisir le cours acheteur ou vendeur. La deuxième méthode est légèrement plus complexe, impliquant la fonction copyticksrange et la bibliothèque datetime pour récupérer les données de tick d'une date spécifiée jusqu'à l'heure actuelle. Le didacticiel comprend un graphique des données de tick collectées toutes les 15 minutes et montre comment le comparer à un graphique réel pour garantir l'exactitude. Enfin, la vidéo fait la promotion d'un site Web qui propose des documents de trading abordables et utiles pour ceux qui s'intéressent au trading de crypto-monnaie.

[MetaQuotes]

PYTHON TRADING BOT #6 - Ouvrir et modifier des trades

BOT DE TRADING PYTHON #6 - Ouvrir et modifier les opérations

Cette section du didacticiel vidéo sur le trading de bots avec Python couvre le processus d'ouverture et de modification des opérations à l'aide de Python. Le présentateur donne des conseils sur la définition d'un achat pour l'ouverture d'une opération grâce à un guide étape par étape à l'aide d'un dictionnaire et d'une fonction d'envoi de commande. Les autres facteurs que le dictionnaire devrait couvrir incluent le type de transaction, les valeurs stop-loss et take-profit. Il est suggéré de vérifier la rentabilité du commerce en utilisant un faible volume. De plus, le présentateur explique l'utilisation de la fonction d'information sur les symboles pour accéder au prix et au point du marché. De même, la vidéo montre comment modifier les transactions ouvertes via la fonction d'envoi d'ordre, en commençant par l'acquisition du numéro de ticket via une fonction intégrée nommée "positions get". Un format dictionnaire permet de modifier les valeurs stop loss et take profit avec la clé "position" contenant la valeur du numéro de ticket. Le présentateur termine en recommandant une page Web de documents commerciaux abordable et utile.

• 00:00:00 Dans cette section de la vidéo, le présentateur explique comment ouvrir et modifier des opérations à l'aide de Python. Le présentateur fournit un guide étape par étape pour ouvrir une opération en définissant un achat à l'aide d'un dictionnaire, puis en utilisant la fonction d'envoi de commande avec ce dictionnaire comme argument. Le dictionnaire doit inclure des informations telles que le symbole du marché, le volume (représentant la somme d'argent utilisée pour l'opération), le type d'ordre et les valeurs stop loss et take profit. Le présentateur conseille d'utiliser un faible volume et fournit une brève explication du fonctionnement du stop loss et du take profit. Le présentateur explique également comment obtenir le prix du marché et le point à l'aide de la fonction d'information sur les symboles. Enfin, le présentateur recommande de visiter une page Web pour accéder à tous les codes d'erreur liés au type de sentiment dans le dictionnaire de commande.
  
  
• 00:05:00 Dans cette section, la vidéo explique comment modifier une transaction ouverte à l'aide d'une fonction appelée « envoi d'ordre ». La première étape consiste à obtenir le numéro de ticket de la transaction ouverte à l'aide d'une fonction intégrée appelée "positions get". Une fois le numéro de ticket obtenu, l'utilisateur peut modifier les valeurs stop loss ou take profit à l'aide d'un format de dictionnaire. Il est important d'avoir la clé "position" avec la valeur du numéro de ticket dans le dictionnaire. Cette méthode peut être appliquée à la fois aux transactions d'achat et de vente. La vidéo se termine par une recommandation de site Web pour des supports de trading abordables et utiles.

[MetaQuotes]

PYTHON TRADING BOT #7 - Stop suiveur

BOT DE TRADING PYTHON #7 - Stop suiveur

Dans cette vidéo, le présentateur explique comment programmer un stop de trading en Python, car cela ne peut pas être fait automatiquement dans MetaTrader 5. Il montre comment définir le stop loss manuellement pour minimiser la perte si le prix baisse et assurer un profit si le prix monte, en utilisant un exemple simple sur un tableau de prix. Le présentateur donne un guide étape par étape et un code à l'écran, et suggère de visiter son site Web pour des documents commerciaux utiles.

[MetaQuotes]

MACD EN PYTHON - BIBLIOTHÈQUE D'ANALYSE TECHNIQUE

MACD EN PYTHON - BIBLIOTHÈQUE D'ANALYSE TECHNIQUE

La vidéo présente un didacticiel sur le chargement des valeurs MACD en Python à l'aide de la bibliothèque d'analyse technique, en mettant l'accent sur la génération de ces valeurs à partir d'un fichier de données existant avec une colonne fermée. La vidéo montre également l'installation de la bibliothèque d'analyse technique et le calcul des valeurs MACD et Signal line à l'aide d'un constructeur d'objet de la bibliothèque. Enfin, l'orateur présente le tracé des valeurs résultantes à l'aide de la bibliothèque Matplotlib. En conclusion, la vidéo fournit un guide complet sur le processus de chargement des valeurs MACD en Python à l'aide de la bibliothèque d'analyse technique.

[MetaQuotes]

PYTHON TRADING BOT #8 - Génération de données pour l'IA

BOT DE TRADING PYTHON #8 - Données générales pour l'IA

Dans cette vidéo, le présentateur montre comment générer des données de backtesting pour créer un algorithme d'intelligence artificielle réussi pour les scripts de trading et les crypto-monnaies. Ils suggèrent d'utiliser un petit fichier pour générer des données et de corriger le format du fichier avant de générer divers attributs tels que le type de commerce, le profit, le taux de réussite, la pente et les indicateurs. Ils expliquent également comment relever le défi de l'ouverture et de la recherche répétées du fichier de données en ouvrant le fichier d'exploration de données en mode binaire. De plus, ils soulignent l'importance de sauvegarder les valeurs des indicateurs lors de la formation de l'IA pour un trading efficace.

• 00:00:00 Dans cette section, le YouTuber montre comment générer des données de backtesting essentielles à la création d'un algorithme d'intelligence artificielle efficace. Il recommande d'utiliser un petit fichier pour générer des données car les plus gros peuvent être fastidieux à utiliser. Pour générer des données de backtesting, il corrige le format des fichiers, puis génère divers attributs pour former l'IA, tels que le type de commerce, le profit, le taux de réussite, la pente et les indicateurs. L'algorithme de YouTuber simule la négociation tout en chargeant les variables et les indicateurs pour chaque ligne du fichier, puis teste si une transaction peut être effectuée ou non, et vérifie le succès ou l'échec de la transaction. L'une des erreurs du YouTuber est de ne pas stocker les valeurs des indicateurs, ce qui, selon lui, est un attribut important pour la formation de l'IA.
  
  
• 00:05:00 Dans cette section de la vidéo, le présentateur parle d'un problème rencontré lors de la vérification de la réussite d'une opération dans son fichier d'exploration de données. Ils ont constaté qu'ils devaient continuer à ouvrir et à rechercher le fichier à plusieurs reprises, ce qui était inefficace. Pour surmonter ce défi, ils suggèrent d'ouvrir le fichier de minage en mode binaire, ce qui leur permet de passer directement à la ligne qu'ils doivent vérifier. Ils expliquent que même si un ordinateur puissant avec beaucoup de RAM peut permettre une solution rapide et facile, ce n'est pas toujours faisable. Le présentateur partage le fait que la formation d'une IA efficace nécessite de sauvegarder de nombreux attributs et que même s'il peut y avoir des erreurs, il est possible de trouver des solutions simples.

[MetaQuotes]

PYTHON TRADING BOT #9 - Créer une IA

BOT DE TRADING PYTHON #9 - Creando una IA

Dans cette vidéo, l'hôte montre comment former une IA à l'aide des données de la vidéo précédente en utilisant un bloc-notes Jupyter pour visualiser la sortie et la bibliothèque Skyler pour créer un arbre de décision et un réseau de neurones. Des graphiques et des histogrammes sont créés pour classer visuellement les opérations réussies et échouées. Différents modèles d'IA sont utilisés pour classer les données, et l'hébergeur recommande de créer un petit fichier avec des boucles pour trouver la meilleure configuration pour le modèle utilisant le score le plus élevé. Il recommande d'utiliser un nombre impair d'arbres de décision lors de la création d'un modèle pour obtenir de meilleurs résultats et partage un taux de précision de 64 % de son modèle. Les téléspectateurs sont encouragés à visiter le site Web Sky Learn pour en savoir plus sur les arbres de décision, les forêts et les réseaux de neurones, comme, s'abonner et partager la vidéo, et visiter le site Web de l'hôte pour acheter des documents abordables liés au commerce et à la crypto-monnaie.

• 00:00:00 Dans cette section de la vidéo, l'animateur explique comment entraîner une intelligence artificielle à l'aide des données générées dans la vidéo précédente. L'hôte utilise un bloc-notes Jupyter pour visualiser la sortie de différents cas de test et la bibliothèque Skyler, qui est associée à l'intelligence artificielle, pour créer un arbre de décision et un réseau de neurones. Les données sont transmises à Pandas via une fonction, et le bloc de données est utilisé pour définir les types de charge de chaque colonne d'attribut. L'hôte partage ensuite comment créer des graphiques et des histogrammes pour classer visuellement les opérations réussies et échouées. Enfin, différents modèles d'IA sont utilisés pour classer les données, et l'hébergeur recommande de créer un petit fichier avec des boucles pour trouver la meilleure configuration pour le modèle utilisant le score le plus élevé.
  
  
• 00:05:00 Dans cette section, l'orateur recommande d'utiliser un nombre impair d'arbres de décision lors de la création d'un modèle pour obtenir de meilleurs résultats. Il révèle également que le modèle qu'il a créé a un taux de précision de 64 %, soit seulement 1 % de moins qu'un autre modèle similaire. Pour aider ceux qui ne connaissent pas les arbres de décision, les forêts et les réseaux de neurones, il recommande de visiter le site Web Sky Learn, qui est une excellente ressource pour en savoir plus sur ces sujets.
  

[MetaQuotes]

ÉCHANGE DE BOUGIES EN PYTHON

VELAS DE TRADING EN PYTHON

L'auteur explique comment obtenir des données de trading de MetaTrader 5 et les convertir en bougies à l'aide de Python. Il commence par montrer comment obtenir des données sur les ticks d'un marché spécifique sur MT5 et les exporter vers un fichier CSV. Il montre ensuite comment il utilise un algorithme simple pour transformer les données de ticks en bougies de différentes périodes de temps ― 15 minutes, 1 minute, 30 secondes, etc. ― qui sont enregistrées dans un Pandas DataFrame. Le YouTuber souligne l'importance d'avoir un DataFrame avec une colonne "close", car cela permet à l'utilisateur de charger des indicateurs techniques dans Python à l'aide de la bibliothèque TA-Lib. La vidéo fait partie d'une série où il enseigne comment utiliser Pandas et d'autres bibliothèques pour l'analyse commerciale.

[MetaQuotes]

RSI EN PYTHON - BIBLIOTHÈQUE D'ANALYSES TECHNIQUES

RSI EN PYTHON - BIBLIOTHEQUE D'ANALYSES TECHNIQUES

Dans cette vidéo, l'orateur explique le processus de chargement de l'indicateur RS en Python à l'aide de la bibliothèque TIA. Les étapes impliquées incluent la définition d'une trame de données contenant la colonne sur laquelle charger l'indicateur, l'importation de la bibliothèque TIA, la création d'un objet avec la fonction de constructeur d'indicateur RS et l'appel de la méthode d'indicateur RS pour créer une trame de données avec les informations de l'indicateur RS. La vidéo montre comment comparer les données de l'indicateur RS avec les données réelles du marché pour garantir l'exactitude de la mise en œuvre. En résumé, le conférencier propose une approche simple qui peut être suivie pour charger l'indicateur RS en Python.