Trading algoritmico con Python - pagina 2

[MetaQuotes]

Analizza gli spread dei broker con Panda

Analizza gli spread dei broker con Panda | Fare trading con Python

In questo video, il presentatore utilizza i panda in Python per analizzare gli spread dei broker. I dati tick esportati dalla cronologia del broker utilizzando MetaTrader 5 vengono passati in un dataframe panda e i dati spread e orari vengono analizzati per tracciare i cambiamenti negli spread nel tempo. Gli spread sono risultati generalmente ridotti, ma potrebbero aumentare durante eventi di notizie o periodi di scarsa liquidità, in particolare intorno alla mezzanotte dell'ora del broker. L'analisi consiglia ai trader di ottimizzare i propri costi di trading considerando i dati presentati per i diversi simboli.

• 00:00:00 In questa sezione, il video esplora come utilizzare i panda per analizzare gli spread dei broker. Il video mostra come esportare i dati del tick dalla cronologia del broker utilizzando MetaTrader 5 e analizza i dati dello spread utilizzando i panda. I dati tick vengono quindi passati in un dataframe panda e convertiti da un formato timestamp unix a un formato datetime. La colonna spread viene quindi calcolata utilizzando la differenza tra il prezzo ask e bid. Anche la colonna dell'ora viene convertita in dati orari per analizzare gli spread ora per ora. I dati vengono tracciati utilizzando la libreria "plotline" per analizzare i cambiamenti negli spread nel tempo. L'analisi mostra che gli spread sono generalmente ristretti ma possono aumentare durante eventi di cronaca o periodi di scarsa liquidità. Durante l'orario di mezzanotte del broker, la liquidità è bassa e gli spread possono essere elevati.
  
  
• 00:05:00 In questa sezione, il relatore mostra come analizzare gli spread dei broker utilizzando i panda in Python. La funzione raggruppa le righe con la stessa ora e calcola lo spread medio e lo spread massimo per ogni ora. La tabella e il grafico a barre risultanti rivelano che gli spread sono solitamente alti a mezzanotte e all'una di notte, mentre sono molto stretti per tutto il giorno sulla coppia EUR/USD. Per la coppia XAU/USD, gli spread sono un po' più ampi e ci sono picchi maggiori nel pomeriggio durante la sessione americana. Il relatore consiglia ai trader di considerare tali dati per ottimizzare i loro costi di trading e utilizzare il notebook Jupyter per collegare la loro piattaforma e analizzare diversi simboli.

[MetaQuotes]

Codifica una strategia di trading della banda di Bollinger in Python

Codifica una strategia di trading della banda di Bollinger in Python

In questo video, il presentatore spiega la strategia di trading delle bande di Bollinger in Python in cui vengono utilizzate una media mobile semplice, una banda inferiore e una banda superiore per contenere il 95% di tutti i prezzi all'interno delle bande. La strategia prevede l'acquisto quando il prezzo raggiunge la banda di Bollinger inferiore e la vendita quando il prezzo raggiunge la banda di Bollinger superiore. Uno stop loss è impostato su tre deviazioni standard sotto la media, mentre il take profit è impostato su due deviazioni standard sopra. Il presentatore mostra l'implementazione in Python utilizzando le piattaforme Pandas e MetaTrader5 e fornisce i risultati dei test, spiegando ogni risultato commerciale. Tuttavia, sconsiglia di implementare ciecamente questa strategia nei mercati di tendenza e sottolinea l'importanza di analizzare le condizioni di mercato.

• 00:00:00 In questa sezione del video impariamo a conoscere le Bande di Bollinger e come fare trading usandole. Le bande di Bollinger sono costituite da una media mobile semplice, una banda inferiore e una banda superiore. La media mobile semplice viene calcolata prendendo il valore medio dei prezzi recenti. Nelle bande di Bollinger vengono solitamente utilizzate due deviazioni standard, che contengono il 95% di tutti i prezzi all'interno delle bande. Possiamo comprare quando il prezzo è basso e vendere quando il prezzo è alto sopra la media. La strategia prevede che acquistiamo quando il prezzo chiude al di sotto della banda inferiore e vendiamo quando il prezzo chiude al di sopra della banda superiore. Uno stop loss è impostato su tre deviazioni standard e il take profit su due deviazioni standard. La dimensione della posizione è consentita solo una per volta.
  
  
• 00:05:00 In questa sezione, il relatore spiega come calcolare le bande di Bollinger utilizzando i panda in Python. Per calcolare la media mobile semplice, hanno definito df sma. La deviazione standard viene calcolata in modo simile ma utilizzando std anziché media. La banda inferiore è definita come due deviazioni standard al di sotto della SMA, mentre la banda superiore è definita come la FSMA più due volte la FSD. Per avviare il backtesting, viene creata una colonna del segnale e viene generato un segnale di acquisto o di vendita in base al fatto che il prezzo di chiusura sia al di sotto della banda inferiore o al di sopra della banda superiore. Il relatore ha anche introdotto le classi posizione e strategia, create per eseguire il backtest e valutare i profitti sulla base di dati storici.
  
  
• 00:10:00 In questa sezione del video, il presentatore mostra i risultati del backtest della strategia di trading Bollinger Band in Python. I risultati mostrano un elenco delle posizioni aperte e chiuse, insieme al profitto di ciascuna posizione e al P&L del saldo iniziale. Il grafico mostra che la strategia è stata redditizia, guadagnando circa $ 7.500 facendo trading durante tutto l'anno. Il presentatore spiega quindi ogni operazione effettuata e come ha portato a profitti o perdite. Dice anche che il volume specificato nel backtest è un po' alto e rischioso, quindi potrebbe essere necessario ridurlo. Infine, spiega come codificare la strategia in Python utilizzando la piattaforma di trading MetaTrader 5.
  
  
• 00:15:00 In questa sezione, il relatore spiega come creare una funzione Signal in Python per generare segnali per una strategia di trading utilizzando le bande di Bollinger. La funzione richiede le barre dalla piattaforma MetaTrader5, calcola la media e la deviazione standard e le utilizza per calcolare le bande superiore e inferiore. Il prezzo di chiusura dell'ultima barra viene utilizzato per confrontare le bande superiore e inferiore per generare un segnale di acquisto o vendita. Il ciclo di strategia all'interno della funzione controlla i segnali, quindi invia un ordine di mercato con parametri specifici, come stop-loss e take-profit, quando viene attivato un segnale. Il relatore testa la strategia utilizzando la piattaforma MetaTrader5, mostrando come funziona il codice in tempo reale e consiglia di regolare il simbolo e l'intervallo di tempo in base alle preferenze degli utenti.
  
  
• 00:20:00 In questa sezione, il relatore discute una strategia di trading basata sulle bande di Bollinger. Spiega che questa strategia prevede l'acquisto quando il prezzo raggiunge la banda di Bollinger inferiore e la presa di profitti a due deviazioni standard sopra il prezzo di acquisto. Osserva che questa strategia funziona bene nei mercati che vanno ma si comporta male nei mercati di tendenza e sconsiglia di implementare strategie alla cieca, sottolineando l'importanza di analizzare le condizioni di mercato prima di implementarle. Il relatore fornisce anche collegamenti per scaricare il Jupyter Notebook e il codice Python utilizzati nella strategia e chiede agli spettatori di mettere mi piace e iscriversi se hanno apprezzato il video.

[MetaQuotes]

Codifica una strategia di trading crossover con media mobile semplice (SMA) in Python

Codifica una strategia di trading crossover con media mobile semplice (SMA) in Python

In questo video di YouTube, il presentatore spiega come codificare una semplice strategia di trading crossover con media mobile (SMA) in Python. La strategia utilizza l'incrocio di due SMA come segnale per l'acquisto e la vendita di asset. Il presentatore mostra come visualizzare i dati storici sui prezzi utilizzando le librerie Pandas e Plotly, definisce gli SMA veloci e lenti, trova i crossover, calcola la colonna dei crossover e traccia i crossover rialzisti. Il video prosegue poi mostrando come eseguire il backtest della strategia di trading crossover SMA utilizzando classi create in precedenza e discute i risultati utilizzando un grafico a linee di profitti e perdite nel tempo. Nel complesso, il video fornisce una guida passo passo per creare e testare una strategia di trading semplice ed efficace utilizzando Python.

• 00:00:00 In questa sezione del video, il presentatore introduce una strategia di trading che utilizza l'incrocio di due medie mobili semplici come segnale per l'acquisto e la vendita di asset. Questa strategia che segue la tendenza consente di catturare grandi movimenti nel mercato senza alcun limite ai profitti. Il presentatore procede quindi a mostrare come codificare questa semplice strategia di crossover della media mobile sull'ambiente del notebook Jupiter e come eseguirne il backtest sull'indice DAX utilizzando i dati storici sui prezzi. Il presentatore utilizza le librerie Pandas e Plotly per organizzare e visualizzare i dati ottenuti dalla piattaforma MetaTrader 5 e converte la colonna dell'ora in un formato data/ora.
  
  
• 00:05:00 In questa sezione del video, l'istruttore inizia visualizzando i prezzi di chiusura per vedere come si sono mossi nel tempo utilizzando px.line. Vediamo anche che all'inizio il DAX si è mosso da 13 a 10.000, c'è stato un forte calo durante la crisi COVID, ma ora i prezzi stanno tornando ai massimi storici. Le medie mobili vengono aggiunte al grafico per aiutare a generare segnali e vengono definite una sma lenta e una sma veloce. Lo sma lento è impostato su 100 e uno sma veloce è impostato su 10 ed entrambi vengono aggiunti al grafico. Infine, l'istruttore definisce alcune variabili in un'altra cella per facilitare la regolazione delle impostazioni in futuro.
  
  
• 00:10:00 In questa sezione del video, il presentatore spiega come trovare i crossover in una strategia di trading crossover con media mobile semplice (SMA) utilizzando Python e Panda. Il relatore imposta il periodo per gli SMA veloci e lenti rispettivamente su 10 e 100. Per trovare i crossover, i precedenti valori della SMA veloce vengono confrontati con i valori della SMA lenta e, se il precedente valore della SMA veloce è inferiore e il valore attuale della SMA veloce è più alto, viene considerato un crossover rialzista. D'altra parte, se il precedente valore di SMA veloce è più alto e il valore attuale di SMA veloce è più basso, è considerato un crossover ribassista. Il presentatore crea una funzione chiamata "find_crossover" per automatizzare questo processo.
  
  
• 00:15:00 In questa sezione, il video spiega come calcolare una colonna crossover utilizzando i valori SMA veloce e lento calcolati in precedenza. La funzione np.vectorize viene utilizzata per passare la funzione e le colonne che rappresentano gli input, quindi i risultati vengono eliminati dai valori None. Dopo aver creato la colonna di crossover, il video mostra come trovare i crossover rialzisti e tracciarli come linee verticali sul grafico utilizzando pick.dot at v line con x uguale a row.time.
  
  
• 00:20:00 In questa sezione, l'istruttore illustra il processo di backtesting della strategia di trading crossover SMA acquistando quando la linea rossa supera la linea verde e vendendo quando supera la media a movimento lento. L'istruttore utilizza le classi precedentemente create, la posizione della classe e la strategia della classe, per creare un backtest. La posizione di classe ha metodi per aprire e chiudere posizioni, nonché un metodo per restituire i risultati come dizionario. Durante la strategia di classe, l'istruttore inizializza il saldo iniziale del conto di trading, specifica il volume di trading e aggiunge il frame di dati con i dati storici e le colonne del segnale. Nel metodo run della strategia di classe, la logica della strategia viene definita utilizzando istruzioni if per aprire e chiudere posizioni in base a valori incrociati. Infine, la classe viene istanziata ed eseguita per ottenere i risultati.
  
  
• 00:25:00 In questa sezione, il relatore discute i risultati del backtest della strategia di trading crossover con media mobile semplice (SMA) che abbiamo codificato utilizzando Python. Mostrano il grafico a linee dei profitti e delle perdite nel tempo utilizzando Plotly Express e l'oggetto Figura per analizzare visivamente le prestazioni. Dicono che la strategia ha per lo più piccoli profitti e perdite, ma alla fine un grande profitto arriva con una grande tendenza. Il presentatore ringrazia quindi gli spettatori per la visione e li invita a porre domande se ne hanno e se apprezzano il video, a mettere mi piace e iscriversi.

[MetaQuotes]

Codifica una strategia di trading Buy-Hold per indici azionari in Python

Codifica una strategia di trading Buy-Hold per indici azionari in Python

In questo video, il relatore discute su come scrivere una strategia di trading buy-hold per indici azionari in Python utilizzando il codice Jupyter Notebook per scrivere indicatori, strategie e backtest. La strategia si basa sull'identificazione del drawdown del 5%, 15% o 35% e sull'acquisto quando viene raggiunto un drawdown, vendendo successivamente quando si raggiunge il massimo storico precedente. Il relatore ha spiegato come aggiungere e controllare le posizioni utilizzando il metodo get position che utilizza un elenco di posizioni e aggiunge la classe di posizione per ogni nuova posizione. È stata anche spiegata la strategia di uscita in base alla quale ogni posizione aperta viene chiusa quando il drawdown si avvicina allo zero. Infine, viene sottolineata l'importanza di operazioni di alta qualità e lunghi periodi per consentire il recupero dei prezzi e il presentatore mostra i risultati del backtest rappresentati su un grafico.

• 00:00:00 In questa sezione del video, il relatore spiega la strategia buy-hold sull'indice azionario tedesco, mostrando i casi precedenti tra il 2015 e il 2018 in cui la strategia è stata implementata e come è stata influenzata dai mercati ribassisti e dalle eventuali riprese. Mentre la strategia funziona meglio con il tempo come risorsa e può portare a profitti acquistando a prezzi convenienti, ha anche un rischio significativo in quanto comporta l'acquisto in drawdown. Il relatore introduce anche il codice Jupyter Notebook per scrivere i propri indicatori, la strategia e il backtest dei risultati. Il codice è disponibile per il download su TraderPi.com.
  
  
• 00:05:00 In questa sezione del video, il presentatore spiega come creare una strategia di trading buy-hold per indici azionari utilizzando Python. La strategia si basa sull'identificazione dei livelli di drawdown e sull'acquisto quando il drawdown raggiunge il 5%, 15% o 35% e la vendita quando viene raggiunto il precedente massimo storico. Il presentatore mostra come definire una colonna di segnale nel frame di dati utilizzando la funzione apply e come utilizzare le classi di posizione e strategia per eseguire un backtest. Il relatore spiega anche come recuperare i dati dalla classe position utilizzando il metodo as dict.
  
  
• 00:10:00 In questa sezione del video, il relatore spiega il metodo utilizzato per aggiungere e controllare le posizioni per la strategia di trading buy and hold. Il metodo get position viene utilizzato per restituire un dataframe con i profitti e le perdite calcolati. Il codice utilizza un elenco di posizioni e aggiunge la classe di posizione all'interno di questo elenco quando viene aggiunta una nuova posizione. La strategia controlla i segnali per aprire uno scambio e scorre i dati HLC per prelievi del 5%, 15% e 35%. Viene anche spiegata la strategia di uscita, per cui quando il drawdown è zero, ogni posizione aperta viene chiusa. Vengono mostrati i risultati del backtest e il relatore sottolinea l'importanza di operazioni di alta qualità e lunghi periodi per consentire ai prezzi di riprendersi alla fine. I risultati vengono quindi tracciati su un grafico per rappresentare i mestieri.

[MetaQuotes]

Codice 10 Indicatori tecnici di trading con Python

Codice 10 Indicatori tecnici di trading con Python

Il video discute dieci indicatori tecnici di trading con Python, a partire dalla media mobile semplice (SMA), che viene utilizzata per determinare le tendenze. L'average true range (ATR) misura la volatilità, mentre l'indice di forza relativa (RSI) identifica i prezzi di ipercomprato e ipervenduto. Il massimo minimo e la deviazione standard di ieri possono aiutare a identificare mercati variabili, di rottura e volatili. Le bande di Bollinger utilizzano una media mobile semplice (SMA) e una deviazione standard per indicare strategie di mean reversion o breakout. Il crossover MACD e SMA indica un cambiamento di tendenza calcolando EMA o SMA veloci e lenti. Il crossover della media mobile combina medie mobili veloci e lente per identificare potenziali inversioni di tendenza, mentre l'oscillatore stocastico considera i valori più alti e più bassi di un periodo per identificare condizioni di ipercomprato e ipervenduto.

• 00:00:00 In questa sezione il relatore introduce i 10 indicatori tecnici che verranno calcolati utilizzando Python, partendo dalla media mobile semplice (SMA). I dati storici vengono richiesti dalla libreria MetaTrader5 e quindi elaborati utilizzando Pandas. La SMA è un indicatore popolare utilizzato per determinare le tendenze, che viene calcolato utilizzando gli ultimi 10 prezzi di chiusura. La SMA risultante viene visualizzata utilizzando Plotly Express.
  
  
• 00:05:00 In questa sezione, il video spiega il calcolo e l'utilizzo degli indicatori della media mobile semplice (SMA) e della media mobile esponenziale (EMA) nel trading tecnico. La SMA prende la media degli ultimi 10 prezzi e l'EMA dà più peso ai prezzi recenti. Il video confronta i due indicatori e osserva che i trader che desiderano segnali più veloci potrebbero preferire l'EMA, che reagisce alle variazioni immediate dei prezzi molto più velocemente della SMA. Il video introduce quindi l'indicatore Average True Range (ATR), che misura la volatilità e aiuta i trader a valutare il rischio e i potenziali cambiamenti di tendenza. L'ATR viene calcolato prendendo l'intervallo della candela (massimo - minimo) per un periodo specifico e quindi calcolandone la media. Il video rileva che una diminuzione dell'ATR può indicare l'inizio di una fase di ritracciamento. L'ATR è mostrato in un grafico e si osserva che è più alto durante i periodi più volatili.
  
  
• 00:10:00 In questa sezione, il video discute due indicatori tecnici di trading: l'Average True Range (ATR) e il Relative Strength Index (RSI). L'ATR misura la volatilità di un mercato confrontando la differenza tra prezzi alti e bassi in un periodo specifico, mentre l'RSI aiuta a identificare i prezzi di ipercomprato e ipervenduto. Il video mostra come calcolare l'RSI utilizzando un'impostazione di 14 periodi e spiega la formula per generare il valore RSI. Il video fornisce anche un codice di esempio per tracciare l'indicatore RSI, che può aiutare i trader a identificare potenziali segnali di acquisto o vendita in base al fatto che l'RSI sia in territorio di ipervenduto o ipercomprato. Inoltre, il video discute brevemente i valori massimi e minimi del giorno precedente e come questi possono essere utilizzati nelle strategie di trading.
  
  
• 00:15:00 In questa sezione, il video discute due indicatori tecnici di trading con Python: il massimo minimo di ieri e la deviazione standard. Il minimo massimo di ieri può essere un indicatore prezioso per il trading intraday in quanto può mostrare se il mercato sta oscillando o se c'è un breakout, che può indicare un mercato di tendenza. La deviazione standard viene utilizzata per misurare la varianza e una deviazione standard elevata può indicare che il mercato è volatile, mentre una deviazione standard bassa può indicare che il mercato non si sta muovendo molto. Il video poi discute le bande di Bollinger, che sono costituite da una media mobile semplice (SMA) con un periodo di 20, una banda superiore due deviazioni standard sopra la SMA e una banda inferiore due deviazioni standard sotto la SMA. Le bande di Bollinger possono essere utilizzate per strategie di mean reversion o strategie di breakout.
  
  
• 00:20:00 In questa sezione, il video spiega due ulteriori indicatori tecnici di trading, il crossover MACD e SMA, e come calcolarli e tracciarli utilizzando Python. Il MACD è un indicatore di tendenza che prevede le inversioni calcolando l'EMA veloce con il periodo 20 e l'EMA lenta con il periodo 26, e osservando la relazione tra questi due EMA. Il crossover SMA, d'altra parte, utilizza un concetto molto più semplice e coinvolge semplicemente una media mobile semplice veloce e una media mobile semplice lenta che indicano un cambiamento di tendenza ogni volta che si incrociano. Il video fornisce il codice per calcolare e tracciare entrambi gli indicatori e spiega come possono essere utilizzati per identificare le inversioni di tendenza.
  
  
• 00:25:00 In questa sezione, il relatore discute il crossover della media mobile e gli indicatori dell'oscillatore stocastico. Per il crossover della media mobile, il presentatore combina una media mobile veloce e una lenta per identificare potenziali inversioni di tendenza. Un crossover viene identificato quando la media mobile veloce supera o scende al di sotto della media mobile lenta, nel qual caso viene creata una colonna di crossover. Il presentatore dimostra l'efficacia dell'indicatore tracciando le medie mobili insieme al prezzo di chiusura e aggiungendo linee verticali per contrassegnare ogni incrocio. L'oscillatore stocastico è simile all'RSI, ma invece di utilizzare solo i prezzi di chiusura per il suo calcolo, considera i valori più alti e più bassi di un periodo. L'oscillatore è definito utilizzando una formula e, come l'RSI, viene utilizzato per identificare potenziali condizioni di ipercomprato e ipervenduto. Il presentatore invita gli spettatori a scaricare e testare il codice per se stessi e suggerisce di lasciare commenti sugli indicatori preferiti per un potenziale video futuro.

[MetaQuotes]

Come codificare una strategia di trading RSI in Python

Come codificare una strategia di trading RSI in Python

Il video fornisce una spiegazione approfondita su come codificare e eseguire il backtest di una strategia di trading RSI in Python. La strategia si basa sull'acquisto quando l'RSI è ipervenduto e sulla vendita quando è ipercomprato, con i segnali di ingresso quando l'RSI scende sotto i 30 e quando supera i 70, è il momento di vendere. La strategia di uscita prevede l'utilizzo dell'indicatore ATR (Average True Range) per impostare il take profit e lo stop loss a 280 pip di distanza dal prezzo di acquisto o di vendita. Il video copre l'uso delle librerie MetaTrader5, Pandas e Plotly per richieste di dati storici, calcolo degli indicatori, backtesting e visualizzazione dei risultati. Conclude incoraggiando gli spettatori a scaricare il notebook Jupiter per implementare la strategia di trading RSI in Python.

• 00:00:00 Il video descrive in dettaglio come codificare e eseguire il backtest di una strategia di trading RSI in Python. La strategia si concentra sull'acquisto quando l'RSI è ipervenduto e sulla vendita quando è ipercomprato, rendendola una strategia di mean reversion. I segnali di entrata si hanno quando l'RSI scende sotto i 30 e quando supera i 70, è il momento di vendere. La strategia di uscita prevede l'utilizzo dell'indicatore ATR (Average True Range) per impostare il take profit e lo stop loss a 280 pip di distanza dal prezzo di acquisto o di vendita. Il video spiega anche come utilizzare le librerie MetaTrader5, Pandas e Plotly per richieste di dati storici, calcolo degli indicatori, backtesting e visualizzazione dei risultati.
  
  
• 00:05:00 in questa sezione del video, l'oratore spiega come hanno tracciato l'RSI e creato livelli di ipercomprato e ipervenduto utilizzando Plotly. Mostrano che i segnali di acquisto si verificano quando l'RSI scende al di sotto di una specifica linea orizzontale, mentre i segnali di vendita si verificano quando è superiore a 70. Inoltre, l'indicatore ATR (average true range) viene introdotto come misura della volatilità, che viene calcolata trovando il gamma della candela e prendendo la media delle ultime 14 candele. L'ATR viene quindi tracciato su un grafico, che mostra il picco di volatilità all'inizio del 2020. Infine, il relatore mostra come eseguire un backtest e creare una classe di strategia con condizioni logiche per entrare e uscire dalle negoziazioni. Le condizioni includono il controllo delle posizioni aperte, l'utilizzo dei valori RSI per determinare i segnali di acquisto e l'impostazione dei livelli di stop loss e take profit.
  
  
• 00:10:00 In questa sezione, il relatore spiega come eseguire il backtest per la strategia di trading RSI in Python. Il backtest viene creato iterando il set di dati storici e le posizioni vengono salvate in un elenco che contiene le classi di posizione. Lo stop loss e il take profit sono definiti a 280 ore di distanza dai prezzi di acquisto e vendita. La logica per il backtest è che quando l'RSI supera il valore di 70, è un segnale di vendita e una posizione corta viene aggiunta all'elenco delle posizioni nella strategia. Dopo aver ripetuto tutti i dati storici, il backtest restituisce un elenco di posizioni e dei relativi profitti. Utilizzando questi dati, i risultati del backtest possono essere visualizzati tracciando le posizioni chiuse utilizzando Plotly Express e il profitto e la perdita possono essere tracciati utilizzando lo stesso metodo. L'oratore mostra un esempio del grafico risultante per indicare quando la strategia funziona bene o male.
  
  
• 00:15:00 In questa sezione, il relatore conclude il video, ringraziando il pubblico per l'attenzione e invitandolo a scaricare il notebook Jupiter per implementare la strategia di trading RSI in Python. Nota che dopo un grande calo nel periodo discusso, il pianoforte ora oscilla intorno allo stesso livello. Si chiude e promette di tornare presto con un altro video.

[MetaQuotes]

Impara i panda sugli esempi commerciali

Impara i panda sugli esempi commerciali

Il video insegna agli utenti come applicare varie funzioni Pandas per analizzare i dati commerciali in Python per rispondere a domande analitiche come determinare le durate commerciali più lunghe e più brevi, calcolare i mesi più redditizi e perdenti, identificare i mesi più attivi, analizzare gli ordini di acquisto e vendita, e calcolando il più grande drawdown assoluto. Inoltre, copre il calcolo del tasso di vincita, del rapporto tra ricompensa e rischio e del fattore di profitto, che misura il rapporto tra profitto lordo e perdita. Il relatore fornisce un file CSV ed esempi reali per guidare gli spettatori attraverso il processo di analisi e offre un taccuino Jupiter per chiunque voglia esercitarsi con i panda.

• 00:00:00 In questa sezione, il relatore spiega come utilizzare la libreria Pandas per analizzare i dati commerciali in Python. Forniscono un file CSV con dati commerciali e guidano gli spettatori attraverso la risposta a sei domande analitiche su questi dati. Dimostrano come calcolare il numero di operazioni, il profitto e la perdita complessivi, la data e l'ora della prima e dell'ultima operazione, il profitto e la perdita maggiori e la durata di ogni operazione. Usano varie funzioni Pandas, come "shape", "sum", "iloc" e "loc" per eseguire questi calcoli e fornire esempi reali dell'output.
  
  
• 00:05:00 In questa sezione, il video copre diverse domande di analisi commerciale e come ottenere le risposte utilizzando le funzioni di Pandas. Le domande includono la ricerca della durata più lunga e più breve degli scambi, il calcolo dei mesi più redditizi e perdenti in base ai profitti commerciali, l'identificazione dei mesi più attivi in termini di conteggi degli scambi e l'analisi degli ordini di acquisto e vendita. Il metodo groupby di Pandas viene utilizzato per aggregare e ordinare i valori del frame di dati di conseguenza. Le funzioni utilizzate includono conteggio e somma per calcolare i conteggi e i profitti degli scambi e datetime per estrarre i valori del mese dalle ore delle date degli scambi.
  
  
• 00:10:00 In questa sezione, il video copre vari calcoli e analisi, incluso il calcolo del numero totale di operazioni per ogni tipo di ordine e la determinazione che gli ordini di acquisto hanno ottenuto risultati migliori rispetto agli ordini di vendita. Il video spiega anche come calcolare il più grande drawdown assoluto, che è la massima perdita cumulativa subita durante il trading, e come calcolare il profitto o la perdita media raggruppando le negoziazioni in base al tipo di profitto. Inoltre, il video mostra come calcolare il tasso di vincita, che è la probabilità che un'operazione venga vinta o persa, e come calcolare il rapporto premio/rischio prendendo il valore medio di vincitori e perdenti.
  
  
• 00:15:00 In questa sezione, l'oratore discute il fattore di profitto, che è il rapporto tra profitto lordo e perdita lorda. L'utile netto viene calcolato sommando tutti i profitti e le perdite separatamente in base al tipo di profitto (vincita o perdita). Il fattore di profitto viene quindi determinato dividendo il profitto lordo per la perdita lorda. Il risultato di questo calcolo è una metrica che determina quanto le vincite superano le perdite. Il fattore di profitto in questo caso è 1,34. L'oratore menziona anche che forniranno un quaderno di Giove sul loro sito Web per coloro che vogliono esercitarsi con i panda.

[MetaQuotes]

Gestire i dati in CSV e database (SQLite)

Gestire i dati in CSV e database (SQLite)

Nel video "Gestisci dati in CSV e database (SQLite)", il relatore mostra come salvare e leggere i dati in un file CSV utilizzando Pandas DataFrame e come lavorare con i database utilizzando SQLite3. Agli spettatori viene mostrato come i dati OHLC vengono salvati in un DataFrame di panda, salvati come file CSV e successivamente letti e convertiti in un DataFrame di panda. Il relatore mostra anche agli spettatori come lavorare con i database in Python utilizzando SQLite3, inclusa la creazione di un database o la connessione a uno esistente, il salvataggio dei dati all'interno del database e la lettura dei dati utilizzando semplici query. Il relatore conclude il video offrendo agli spettatori l'accesso al codice utilizzato nel tutorial ed esprimendo la speranza che il tutorial sia stato utile.

• 00:00:00 In questa sezione, il relatore mostra come salvare e leggere i dati in un file CSV utilizzando Pandas DataFrame. Dopo aver recuperato alcuni dati OHLC da un broker, i dati vengono salvati in un DataFrame panda e quindi salvati come file CSV. Utilizzando `pd.read_csv`, i dati CSV possono essere successivamente letti e convertiti in un DataFrame panda. L'oratore in seguito dimostra come lavorare con i database in Python usando SQLite3, che fa parte della libreria standard di Python. Il metodo `sqlite3.connect` viene utilizzato per creare un database o connettersi a uno esistente. I dati OHLC vengono salvati all'interno del database utilizzando `ohlcdf.to_sql` e quindi vengono letti utilizzando semplici query eseguendo `pd.read_sql_query`.
  
  
• 00:05:00 In questa sezione, il relatore conclude il video ringraziando gli spettatori per l'attenzione e offrendosi di condividere il codice utilizzato nel tutorial. L'oratore fornisce un collegamento al proprio sito Web in cui gli spettatori possono accedere al codice. Esprimono la speranza che gli spettatori abbiano trovato utile il video e promettono di tornare presto con un altro tutorial.

[MetaQuotes]

MetaTrader 5 trading live con Python nel 2021 (modello incluso)

MetaTrader 5 trading dal vivo con Python

Il video "MetaTrader 5 live trading with Python in 2021 (Template included)" presenta una guida utile per i trader che desiderano personalizzare le proprie strategie di trading e migliorare la redditività utilizzando MetaTrader5 e Python. Presenta un template che può essere modificato in base alle esigenze del trader, evidenziando le sezioni di codice necessarie. Il video copre anche diverse funzioni come l'inizializzazione di funzioni, l'importazione di dati e l'esecuzione di ordini commerciali. Tra gli strumenti utili dimostrati c'è la funzione di ripresa, che consente ai trader di monitorare le posizioni aperte anche dopo aver chiuso il foglio Python. Pur sottolineando la necessità di un dispositivo Windows per utilizzare la libreria MetaTrader 5, il relatore suggerisce anche alcune opzioni per gli utenti Mac.

• 00:00:00 In questa sezione, Lucas di Control mostra come inserire una strategia di trading nel trading dal vivo utilizzando MetaTrader5 e Python. Fornisce un modello e mostra come personalizzare il codice in base alle proprie esigenze. Il video mostra anche diverse funzioni, inclusa l'inizializzazione della funzione, l'importazione di dati e l'esecuzione di ordini commerciali. La funzione di ripresa è evidenziata come uno strumento utile per monitorare le posizioni aperte correnti anche dopo aver chiuso il foglio Python. Nel complesso, il video fornisce una guida utile per i trader che desiderano personalizzare le proprie strategie di trading e massimizzare la redditività.
  
  
• 00:05:00 In questa sezione, il relatore discute una funzione che consente di accedere alle posizioni aperte in qualsiasi momento per eventualmente chiuderle. Questa funzione utilizza un algoritmo che apre una posizione all'interno di un intervallo fisso e non utilizza una strategia momentum. La funzione include molti commenti ed è semplice ma essenziale, in quanto restituisce tutte le informazioni sull'algoritmo. Il relatore fornisce anche un modello che può essere facilmente personalizzato modificando poche righe di codice, consentendo agli utenti di mettere in produzione il proprio algoritmo. Tuttavia, il relatore osserva che è importante disporre di un dispositivo Windows per utilizzare la libreria MetaTrader 5 e fornisce alcune opzioni per gli utenti Mac che non hanno accesso a un dispositivo Windows.

[MetaQuotes]

Trailing stop loss: forza della debolezza?

Trailing stop loss: forza della debolezza?

Lucas di Control discute i punti di forza e di debolezza di una strategia di trailing stop-loss, che mira a ridurre il rischio nel trading utilizzando soglie continue di stop-loss o di profitto. Un punto di forza è che consente ai trader di sfruttare le variazioni di tendenza e gestire il rischio, ma un punto debole è che può far perdere ai trader potenziali profitti. Il relatore consiglia ai trader di considerare la volatilità degli asset e di utilizzare strategie personalizzate di conseguenza. Offre anche un corso su come utilizzare il trailing stop-loss e altre strategie di trading.

• 00:00:00 In questa sezione, Lucas di Control discute i punti di forza e di debolezza di una strategia di trading stop-loss. L'obiettivo del trading stop-loss è ridurre il rischio e può essere costruito in molti modi diversi, come uno stop-loss continuo o utilizzando soglie di profitto. Il primo punto di forza dello stop-loss di trading è che consente ai trader di sfruttare non solo le variazioni di tendenza, e il secondo punto di forza è che consente ai trader di gestire il proprio rischio. Tuttavia, la debolezza dello stop-loss di trading è che comporta il rischio di cercare alcuni dei vantaggi dei trader e può anche far perdere potenziali profitti ai trader.
  
  
• 00:05:00 In questa sezione, il relatore discute di come la volatilità di un asset influisce sull'uso del trailing stop loss come strategia di trading. Il relatore consiglia ai trader di tenere conto della volatilità di un asset e di non applicare la stessa strategia per asset diversi, come Forex o criptovalute. Il relatore fornisce anche un collegamento al corso che insegna come effettuare ordini, importare dati, creare strutture complesse, gestire i rischi e creare modelli per il progetto specifico di un trader, incluso il trailing stop loss.