This video describes a trading strategy using VWAP for Crypto such as the Bitcoin. The strategy algorithm is tested in Python and the code details are explai...
This is a high profit trading strategy coded and tested in python. The strategy is easy to use and suitable for beginners, it was tested on SP500 stock marke...
This is a continuation of the previous videos, on price action trading strategy, about the Hoffman Inventory Retracement Bar indicator, and the previously in...
This video is a continuation of the previous one on the Hoffman Inventory Retracement Bar Automated In Python. This algorithmic trading strategy enabled Hoff...
This video details the IRB or the inventory retracement bar as described and used by Hoffman and the algorithm that detects this bar in an automated method i...
This video details the head and shoulders candles or candlesticks pattern, and an algorithm is automated in Python language to detect this specific form of c...
This video details the algorithm for triangle price pattern detection in python, this technical indicator can be programmed in python to detect all shapes of...
Pandas TA (テクニカル分析) パッケージを使用して、50 EMA、期間 3 の RSI、期間 5 の ADX、および Average True Range (ATR) の 4 つの列をデータ フレームに追加します。後者はストップロス距離の計算に利用されます。 EMA トレンド シグナルは、ローソク足が 50 EMA 曲線を下回っているか上回っているかを示し、それぞれ下降トレンドか上昇トレンドかを判断します。
This is a backtested strategy using the ADX and the RSI, the algotrading code is built in python and the backtest is conducted using backtesting.py package. ...
Welcome to my video on how to use the volume indicator for trading strategy analysis in Python. In this video, I will be sharing a daily timeframe volume tra...
戦略は特定のルールに従います。まず、200 EMA に関連して現在の価格を分析します。価格が 200 EMA を超えて取引されている場合、それは上昇トレンドであると考えられます。逆に、価格が 200 EMA を下回って取引されている場合は、下降トレンドとみなされます。上昇トレンドでは買いポジションのみを探しますが、下降トレンドでは売りポジションのみを探します。
An Automated RSI Scalping Strategy is presented and backtested using python algorithmic trading over 3 years of data showing positive returns. The Test deta...
この暗号スキャルピングインジケーターは実際に機能しますか?
この暗号スキャルピングインジケーターは実際に機能しますか?
今日は、ビットコイン市場のバックテストで出来高加重平均価格 (VWAP) を使用したスカルプティング戦略を検討します。この戦略を実装し、結果を分析するための Python アルゴリズムを作成します。
まず、コンテキストを設定しましょう。 VWAP は動的なサポート値とレジスタンス値を提供するため、アルゴリズム取引のための強力なツールです。使用されている時間枠とは独立しているため、最適化するパラメーターの数が減るため、アルゴリズム取引にとって有利になります。
この戦略では、ビットコインと米ドルの取引価格に 15 分の時間枠を使用します。 100 日移動平均 (DMA) と VWAP の 2 つの指標を検討します。これらの指標に対する価格の動きを分析することで、市場の傾向を判断することができます。特定の数のローソク足が 100 DMA を下回るか上で取引される場合、それはそれぞれ下降トレンドまたは上昇トレンドを示します。同様に、ローソク足が VWAP 曲線より下または上で取引されている場合は、トレンドの方向が確認されます。
上昇トレンドでは買いポジションのみを探しますが、下降トレンドでは売りポジションに焦点を当てます。ポジションのエントリーポイントは、価格がVWAP曲線までの一定の距離内にあるときにトリガーされます。
この戦略を Python で実装するには、pandas_ta パッケージを使用して VWAP と 100 DMA を計算します。次に、データ フレームに EMA 信号と VWAP 信号という 2 つの新しい列を作成します。 EMA シグナルは、EMA 曲線の下または上にあるバックローソク足の数をカウントして、下降トレンドまたは上昇トレンドを確認します。同様に、VWAP シグナルは、VWAP 曲線の下または上にあるバックローソク足の数をカウントします。
これらのシグナルをデータ フレームの合計シグナル列にマージし、買いポジションと売りポジションのトリガーとして機能します。買いポジションの場合、シグナルの合計が 2 に等しく、オープンな取引がないかどうかを確認します。また、価格が VWAP 曲線に十分近いかどうかも検証します。同様に、売りポジションについては、合計シグナル 1 を考慮し、VWAP 曲線からの価格の距離を確認します。
チャート上にシグナルを視覚化し、ローソク足を買い (紫) シグナルと売り (緑) シグナルとともにプロットします。
戦略をバックテストするために、ボラティリティの尺度としてアベレージ トゥルー レンジ (ATR) を計算します。ストップロス距離は現在のATRの0.8倍に設定され、テイクプロフィット距離はストップロス距離の2倍になります。これらのパラメーターを使用すると、ストップロスとテイクプロフィットの値を考慮して、買いポジションと売りポジションをトリガーできます。現金金額 100,000 ドル、レバレッジ 5 から始めます。
バックテストを実行すると、取引システムの結果を観察できます。このアルゴリズムは高い収益率を示し、3 年後の最終的な株式価値は約 1,000 万ドルになります。比較すると、バイアンドホールド戦略では 248% のリターンしか達成できませんでした。ただし、アルゴリズムのパフォーマンスは変動するため、特定の期間にはパフォーマンスが低下する可能性があることに注意することが重要です。これは、変化する市場状況に動的に適応する必要性を浮き彫りにしています。
株式の安定性を評価するには、数年にわたる株式曲線をプロットします。このアルゴリズムは 2 年間非常に良好なパフォーマンスを示しましたが、昨年は課題に直面しました。これは、固定パラメータに依存するアルゴリズムの受動的な性質を強調しており、市場の変化に適応するために調整が必要になる場合があります。
ここで紹介する VWAP ベースの戦略は、十分な注意と時間の投資です。いくつかの制限はあるものの、長期にわたって大きな収益を上げていることが実証されています。機能を強化するために、さらなる最適化や追加のフィルターやインジケーターの組み込みを検討できます。
Python を使用して S&P 500 で株式市場戦略をバックテストする方法
Python を使用して S&P 500 で株式市場戦略をバックテストする方法
皆さん、こんにちは。今日は、S&P 500 の過去のデータを使用して、単純なスカルプティング戦略の詳細なテストを実施します。戦略の基本を説明し、バックテストの目的で Python でコードを作成します。 3 年分のデータがあり、戦略のパフォーマンスと結果を評価するのに十分な情報が得られます。
いつものように、この戦略のコードは、以下の説明のリンクからダウンロードできます。このテストでは 15 分の時間枠を使用しますが、必要に応じて別の時間枠を試してみることもできます。タイムフレームが短くなると、ノイズや変動が増加するため、制御がより困難になる可能性があります。
この戦略は、弱気または強気のシグナルとなる可能性のある飲み込みパターンを特定することを中心に展開します。信号を調整するために 2 つの条件を追加します。最初の条件は、最小巻き込み高さです。これは、前のローソク足の終値と巻き込みローソク足の始値の差です。シグナルを検証するために、巻き込みローソクの始値の最小距離要件を設定します。言い換えれば、始値は最小巻き込み高さよりも高くなければなりません。
2 番目の条件は、キャンドルテールの最大長です。これは、キャンドルのテールまたは芯の長さを指します。テールの最大長に制限を設定し、それが指定されたパラメーターよりも小さいことを確認します。この条件は、特定のパターンを除外するのに役立ちます。
取引時間全体を通じてシグナルの数を増やすために、通常の飲み込みパターンにバリエーションを導入します。 1 つのキャンドルが前のキャンドルを飲み込むことを厳密に要求するのではなく、逆方向にあり、飲み込み条件を満たしている限り、2 つ以上の連続したキャンドルが飲み込みを達成できるようにします。飲み込むまでに許可されるキャンドルの数はコード内の変数となり、柔軟性と実験が可能になります。
この時点で、プログラムの作成を開始し、バックテストを通じて結果をテストできます。このデモでは Jupyter Notebook ファイルを使用します。まず、read_csv 関数を使用して、履歴データを df_spy という DataFrame にロードします。 15 分の時間枠と 2019 年から 2022 年の日付範囲を指定します。DataFrame のインデックスは GMT 時間列に設定されます。
次に、DataFrame と現在のローソク足のインデックスという 2 つのパラメーターを取る is_engulfing という関数を定義します。この関数は、キャンドルが飲み込みパターンに達しているかどうかをテストします。飲み込みパターン、飲み込みの差、およびローソク足の最大長を達成するために許可されるローソクの最大数のパラメータを設定します。この関数は、弱気と強気の両方の巻き込みパターンのさまざまな条件をチェックし、弱気のシグナルの場合は 1、強気のシグナルの場合は 2 のシグナルを返します。
DataFrame のコピーを作成し、動きのないローソク足 (高値と安値が等しい) を除外します。このステップでは、週末と祝日を削除します。フィルタリングされたデータを df という DataFrame に保存します。また、各行/キャンドルのシグナルを保存するために、signal と呼ばれる新しいリストを定義します。
DataFrame df の各行について、対応するインデックスと DataFrame をパラメータとして is_engulfing 関数を使用して信号を計算します。信号を信号リストに保存します。最後に、信号リストを DataFrame の新しい列として追加します。
シグナルを視覚化するには、ローソク足チャートをローソク足の下または上に点でプロットして強気シグナルまたは弱気シグナルを表すプロット関数を使用します。特定の範囲のローソク足を選択して、シグナルをプロットして観察できます。
視覚化を容易にするために、DataFrame のインデックスを整数インデックスにリセットし、日付/GMT 時間インデックスを削除します。次に、信号をプロットして観察するローソク足の範囲を選択します。ローソク足チャートを使用して取引戦略をバックテストする手順の概要は次のとおりです。
データ準備: 各期間 (分、時間、日など) の始値、高値、安値、終値を含む、目的の金融商品 (株式、仮想通貨など) の過去の価格データを取得します。データが簡単に分析できる形式であることを確認してください。
戦略定義: ローソク足パターンに基づいて取引戦略を定義します。たとえば、強気の巻き込みパターンのような強気のパターンや、流れ星のような弱気のパターンを探すことができます。これらのパターンに基づいて取引のエントリーとエグジットのルールを決定します。
シグナル生成: 過去の価格データを分析し、定義された戦略に基づいてシグナルを生成します。エントリー基準またはエグジット基準を満たす特定のローソク足パターンの出現を特定します。
ポートフォリオ シミュレーション: 仮想のポートフォリオを追跡することで、取引戦略をシミュレーションします。固定額の資本から始めて、生成されたシグナルに基づいて取引をシミュレーションします。バックテスト期間を通じてポートフォリオの価値とパフォーマンスを追跡します。
パフォーマンス評価: 収益性、リスク調整後のリターン、ドローダウン、その他の関連指標などのさまざまな指標を使用して、取引戦略のパフォーマンスを評価します。戦略のパフォーマンスをベンチマークまたは代替戦略と比較して、その有効性を評価します。
視覚化: ローソク足チャートを使用してバックテストの結果を視覚化します。過去の価格データをプロットし、生成されたシグナル (エントリーポイントとエグジットポイント) をチャート上に示します。この視覚化は、戦略のパフォーマンスを理解し、改善すべき領域を特定するのに役立ちます。
これらの手順に従うことで、ローソク足チャートを使用して取引戦略をバックテストできます。バックテストは過去のパフォーマンスを提供するものであり、将来の結果を保証するものではないことに注意することが重要です。さらに、取引戦略を開発および実装する際には、取引コスト、スリッページ、市場状況などの他の要素を考慮することが重要です。
Python でのアルゴリズム取引のプライスアクション戦略
Python でのアルゴリズム取引のプライスアクション戦略
こんにちは、みんな！ハフマンの在庫リトレースメント バーに関する 3 番目のビデオへようこそ。この戦略はいくつかの取引コンテストで優勝しているため、数か月またはさらに長期間にわたってプラスの利益を提供できる自動バージョンを作成してみようと考えました。このビデオを簡潔にするために、戦略を詳しく説明している前の 2 つのビデオを視聴することをお勧めします。これらのビデオへのリンクは説明にあります。
簡単に言うと、この戦略には、リトレースメント バーを特定し、トレンドを定義するために特定の傾きを維持することが含まれます。上昇トレンドではバーの特定の形状を探し、下降トレンドではリトレースメント バーの反転形状を探します。ただし、このビデオでは、もう 1 つ条件を追加します。リトレースメントバーが以前および将来のバーよりも高い（上昇トレンドの場合）または低い（下降トレンドの場合）必要があります。基本的に、トレンドを逆転させようとする売り手または買い手からの強い反応を示す、ピボットポイントとして機能するリトレースメントバーを探しています。
この追加条件をアルゴリズム取引戦略に実装することは、概念を説明するよりも困難です。示されている例では、上昇トレンドがあり、高いピボット ポイントとして機能するハフマン リトレースメント バーを特定しています。さらに、このハフマンバーの高値を上抜けていることが観察され、上昇傾向が継続する可能性が高いことを示しています。これらすべての条件を Python アルゴリズムに組み込み、以前のビデオで得られた結果が改善されるかどうかを評価します。
簡単な概要を提供するために、2003 年から 2022 年までの 1 時間の時間枠で EUR/USD 通貨ペアの履歴データをロードします。指数移動平均 (EMA) と平均真の範囲 (ATR) を計算します。ストップロスとテイクプロフィットの値を設定するのに役立ちます。ハフマン戦略の条件の 1 つである EMA の傾きを計算します。さらに、2 つの新しいパラメーターを導入します。それは、ハフマン ローソク足の高値または安値と比較するローソク足の数を決定する合計シグナル バック ローソク足 (左および右) です。
このアルゴリズムは、上昇トレンドまたは下降トレンドのハフマン バーを識別するための条件を定義します。このビデオでは、ハフマン バーがピボット ポイントとしても機能するかどうかを確認する追加の条件を追加します。ハフマン バーの安値 (下降トレンドの場合) または高値 (上昇トレンドの場合) を、指定された範囲内の以前および将来のローソク足と比較します。条件が満たされた場合、下降トレンドには値 1、上昇トレンドには値 2 を割り当て、データ フレーム内の「tot signal」と呼ばれる新しい列にシグナルを保存します。
アルゴリズムが正しく動作していることを確認するために、チャート上に信号をプロットし、ハフマン バーを表す紫色の点を視覚化します。アルゴリズムがバーの特性に基づいてバーを正しく識別していることを確認できます。
次に、トレンド方向の確認シグナルとしてEMAシグナルを組み込みます。また、ハフマン バーの上または下のブレークを検出し、それに応じて信号を割り当てるハフマン ブレーク信号機能も実装しています。
戦略をバックテストするために、ストップロスとテイクプロフィットの値を設定します。これらの値は、使用される特定の条件や指標によって異なります。この場合、ATR を使用してストップロスと 1.5 のテイクプロフィット/ストップロス比を定義します。バックテストは、開始証拠金 10,000 ドル、マージン 1:50、一度に 1 つの取引で実施します。
当初、結果は満足のいくものではなく、リターンは -70% で、ドローダウンも大きかったです。ただし、これは必ずしも戦略や指標が本質的に悪いということを意味するわけではありません。これは、戦略のパフォーマンスに大きな影響を与える可能性がある、資金管理やストップロス値とテイクプロフィット値の選択など、他の要素を考慮することの重要性を強調しています。
戦略のパフォーマンスを向上させるために、パラメーターを最適化し、資金管理ルールを調整できます。この例では、ハフマン バーの高値または安値と比較するローソク足の数を決定する、シグナル バック ローソク足の合計パラメーターを最適化します。 2 ～ 10 の範囲のさまざまな値をテストし、結果を評価します。
パラメーターを最適化した後、187% のリターンと減少したドローダウンでパフォーマンスが向上しました。これは、アルゴリズム取引戦略におけるパラメーターの最適化の重要性を示しています。
戦略をさらに強化するには、追加のフィルターまたは条件を組み込むことを検討できます。たとえば、日次または週次チャートなど、より長い時間枠を使用してトレンド フィルターを実装できます。これにより、取引が全体的なトレンドの方向にのみ行われるようにすることができます。
また、価格変動やボラティリティに基づいたトレーリングストップや動的なテイクプロフィットレベルなど、さまざまな出口戦略を検討することもできます。これらの追加コンポーネントをテストしてアルゴリズムに統合すると、パフォーマンスが向上する可能性があります。
過去のパフォーマンスは将来の結果を保証するものではないことに注意することが重要です。戦略は、過去のデータと堅牢なバックテスト手法を使用して徹底的にテストおよび検証される必要があります。リアルタイム取引環境で戦略を実装する場合は、取引コスト、スリッページ、その他の取引の実際的な側面を考慮することも重要です。
結論として、ハフマンの在庫リトレースメントバー戦略は、市場の潜在的なピボットポイントとトレンド反転を特定するのに役立つツールとなり得ます。追加の条件を組み込み、パラメーターを最適化することで、戦略のパフォーマンスを向上させることができます。ただし、包括的で効果的な取引システムを開発するには、徹底的なテストを実施し、資金管理や出口戦略などの他の要素を考慮することが不可欠です。
これで、Python でのハフマンの在庫リトレースメント バー戦略の実装に関するビデオが終わりました。このシリーズがあなたのトレーディング活動に有益で役立つことを願っています。ご質問やご意見がございましたら、お気軽に以下にご記入ください。ご覧いただきありがとうございます。楽しい取引をしてください。
Python でリトレースメントバー取引戦略をコーディングする方法
Python でリトレースメントバー取引戦略をコーディングする方法
皆さん、こんにちは。ホフマンの在庫バー リトレースメント メソッドの続きへようこそ。前回のビデオでは、この方法を紹介し、特定のローソク足の形状と価格傾向を検出するコードについて説明しました。コードに興味がある場合は、以下の説明にあるリンクから Jupyter Notebook ファイルをダウンロードできます。
このビデオでは、トレーディング戦略で前に特定したホフマンバーを使用し、システムのバックテストを行い、結果を評価します。この戦略は、上昇トレンドまたは下降トレンドにおける特定のローソク足の形状を特定し、これらのローソク足の高値を上回る、または安値を下回るブレイクアウトをチェックすることに重点を置いています。
上昇トレンドがある場合の例を考えてみましょう。上尾部がローソク足全体の体積の少なくとも 45% であるホフマンのリトレースメント バーを検出します。これは、売り手が上昇トレンドの動きに対抗しようとしていることを示しています。ただし、次のローソク足では、終値が前のホフマン ローソク足の高値よりも高いことがわかります。これは、市場では買い手の勢いが依然として強く、今後も価格を上昇させる可能性が高いことを示唆しています。
この戦略を Python で実装するには、各ローソク足の終値を反復処理し、以前の隣接するローソク足のいずれかがホフマンのリトレースメント バーを形成しているかどうかを確認します。 「back_candles」というパラメーターを定義します。これは、ホフマンバーを検索するときに考慮するローソク足の数を決定します。このパラメータを調整して、さまざまな値を試すことができます。
ホフマンローソクの高値を上回るか安値を下回るブレイクアウトが発生した場合、現在の価格傾向に応じて、それぞれ買いポジションまたは売りポジションを置きます。また、価格傾向に応じて、平均トゥルー レンジ (ATR) または以前のローソク足の最高値/最低値に基づいて、ストップロスとテイクプロフィットの値を設定することもできます。
次に、Python で戦略を作成し、数か月の履歴データを使用してバックテストを行い、結果を評価しましょう。 Jupyter Notebook ファイルにはコードが含まれており、yfinance モジュールを使用して 15 分の時間枠で 59 日分のデータをロードすることから始まります。指数移動平均 (EMA)、ATR、および移動平均の傾きを計算します。
次に、移動平均の傾きとローソク足の形状に基づいてホフマンバーを特定します。チャート上でシグナルを視覚化してから、ホフマンのローソク足パターンを検索するときに考慮する現在のローソク足のインデックスとバックローソク足の数という 2 つのパラメーターを取る「hofmann_break_signal」という新しい関数を定義します。
関数内では、各ローソク足を反復処理し、ホフマンバーとブレイクアウトの条件が満たされているかどうかを確認します。その場合、上昇トレンドの場合は買いシグナル、下降トレンドの場合は売りシグナルを返します。
この関数をデータ フレームの各行に適用し、結果をシリーズとして保存します。最後に、信号を視覚化し、ホフマン キャンドルが適切に検出されているかどうかを確認します。
ローソク足の検出を確認した後、戦略のバックテストに進みます。以前のローソク足の最低価格に基づいてストップロスを設定し、ストップロスに対する比率を使用して利益を確定します。この例では、ストップロス率 1.5 の ATR ベースのアプローチを使用します。
3 か月間のデータにわたって戦略をテストし、リターン、取引に勝った割合、資産曲線を計算します。この最初のテストでは、リターンは 51% とプラスですが、資本曲線は安定した増加を示していません。
また、以前のローソク足の最高高値または最低安値を考慮して、ストップロスとテイクプロフィットのレベルを設定する別の方法も検討します。ただし、この場合、リターンは -4.8% とマイナスとなり、この資金管理戦略がうまく機能しなかったことを示しています。
このビデオではこの戦略が最適化されていないことに注意してください。これは、Python の実装を実証するために迅速に開発されました。この戦略が興味深いと思われる場合は、自由にコードをコピーし、テクニカル指標を追加してさらにカスタマイズしてください。
このビデオをご覧いただきありがとうございます。次回にご期待ください。安全に取引してください。また次回お会いしましょう!
アルゴリズム取引用に Python でコード化されたリトレースメント バーコード
アルゴリズム取引用に Python でコード化されたリトレースメント バーコード
こんにちは、このビデオでは、ハフマンの在庫リトレースメント バーを紹介し、Python でその検出を自動化する方法を示します。コードに興味がある場合は、説明にあるリンクから Jupyter Notebook ファイルをダウンロードできます。
この戦略の最初のルールは、20 日移動平均 (MA) の傾きが水平線と 45 度の角度を形成しているかどうかをチェックすることで、価格の傾向を検出することです。 20 日移動平均は例として使用されており、移動平均のさまざまな期間を実験できることに注意してください。下降トレンドに従っている場合、負の傾きは水平線に対して少なくとも 45 度の角度を形成する必要があります。ただし、トレーディング チャート上でこの角度を正確に定義することは不可能であるため、シグナルとしてこの 45 度の角度のみに依存することは数学的に無意味であることに言及することが重要です。アルゴリズム取引はこの問題の解決策を提供します。これについてはビデオの後半で説明します。
この戦略の 2 番目のルールには、テールがローソク足全体の長さの少なくとも 45% であるローソク足を識別することが含まれます。たとえば、上昇トレンドでは、ローソク足の全体の動きの 45% を超える上尾部を持つローソク足を探します。同様に、下降トレンドでは、ローソク足のボリュームの 45% を超える下尾を持つローソク足を探します。このローソク足のパターンは、売り手または買い手がトレンドに抵抗または逆転しようとする瞬間を示します。ローソク足のパターンを通じて市場のダイナミクスを理解することで、カスタム戦略を定義できます。
この例では、これらの特定のローソク足を特定し、市場が高値を超えるのを待ちます。ローソク足がハフマンローソクの高値を上回って終了した場合、売り手が買いの傾向に抵抗できず、買い手が依然として優勢であることを示します。これは、上昇トレンドが継続する可能性が高いことを示唆しており、買い手とロングポジションを結ぶことができます。これらの仮定の結果を分析すると、ほとんどの場合、価格は期待どおりであることがわかります。
ただし、このインジケーターの長期的な結果を判断するには、Python コードを使用してバックテストを実行する必要があります。このビデオでは、ハフマンのろうそくを検出し、発生時に信号を生成する方法を説明することに重点を置いています。別のビデオでは、このインジケーターを完全なトレーディング戦略で利用し、適切なバックテストを実行します。
まず、yfinance モジュールを使用してデータをダウンロードします。この例では、15 分の時間枠で 59 日間のユーロ/米ドル データをダウンロードします。さらにデータが必要な場合は、バッチでダウンロードしてデータ フレームを連結できます。データをダウンロードした後、長さ 20 の指数移動平均 (EMA) を計算し、移動平均の傾きを計算します。勾配値は、データ フレーム内のslope_emaという新しい列に保存されます。
次に、各行を反復処理して信号を計算します。現在のローソク足の傾きが負で傾き制限を超えており、下降トレンドを示している場合は、ローソク足の下尾部を高値と安値の範囲で割った値がパーセンテージ制限を超えているかどうかを確認します。これは、ハフマンのローソク足が下降トレンドにあることを示し、シグナルの合計は 1 に設定されます。同様に、傾きが正で傾き制限を超えている場合は、上昇トレンドを示しており、ローソク足の上端を高値と安値の範囲で割った値は次のようになります。パーセンテージ制限を超えている場合、ハフマンのローソク足は上昇傾向にあり、シグナルの合計は 2 に設定されます。
信号を計算し、結果を signal というリストに保存したら、それを tot_signal という新しい列としてデータ フレームに追加します。次に、Plotly を使用して信号をグラフ上で視覚化できます。
コードを使わずに、ハフマンの在庫リトレースメント バー戦略を段階的に説明します。
価格データをダウンロードする: 株式や通貨ペアなど、目的の金融商品の過去の価格データを取得します。 Python の yfinance などのライブラリを使用してデータを取得できます。
指数移動平均 (EMA) を計算する: 特定の期間を使用して終値の EMA を計算します。 EMA は、価格データの傾向と反転の可能性を特定するのに役立つ一般的に使用される指標です。
傾きを計算する: 各データ ポイントでの EMA ラインの傾きを計算します。傾きはトレンドの方向と強さを示します。勾配や回帰などの数学的手法を使用して傾きを計算できます。
パラメータの設定: 信号検出のパラメータを定義します。ハフマンの在庫リトレースメント バー戦略では、通常、スロープ制限とテール パーセンテージ制限を設定します。スロープ制限は潜在的なシグナルの最小スロープ値を決定し、テールパーセント制限はローソク足の範囲の上限または下限のテールの最小パーセントを設定します。
信号を識別する: データを反復処理し、現在の傾きと以前の傾きを比較します。両方の傾きが負の傾きの制限を下回っている場合は、現在のローソク足の下尾がテールのパーセンテージ制限より大きいかどうかを確認します。そうであれば、それを強気のシグナルとしてマークします。同様に、両方の傾きが正の傾き制限を超えている場合は、現在のローソク足の上部テールがテール パーセンテージ制限より大きいかどうかを確認します。そうであれば、それを弱気シグナルとしてマークします。
シグナルを視覚化する: 価格データのチャートまたはグラフを作成します。チャート上にシグナルをプロットして、ハフマンのローソク足を視覚化します。 Plotly や Matplotlib などのプロット ライブラリを使用して、チャートを作成し、信号点をマークできます。
この戦略はこれらの手順に限定されるものではなく、要件や取引の好みに基づいてカスタマイズおよび調整できることに注意してください。さらに、ストップロス注文の設定やポジションサイジングなどのリスク管理手法の導入は、取引を成功させるために不可欠です。
Python で取引パターンを自動化する方法 |頭と肩のパターン
Python で取引パターンを自動化する方法 |頭と肩のパターン
Python で頭と肩のパターンの検出を自動化するには、本文で概説されているアルゴリズムの手順に従うことができます。各ステップの詳細な説明は次のとおりです。
-
- このステップには、価格データ内の隣接するローソク足よりも高いまたは低い高値と安値を特定することが含まれます。
- 強いピボット ポイントと弱いピボット ポイントの 2 種類のピボット ポイントが検出されます。
- 強いピボット ポイントは広範囲の隣接するローソク足と比較され、弱いピボット ポイントは少数の隣接ローソク足と比較されます。
-
- 検出された強いピボット ポイントと弱いピボット ポイントは、ローソク足チャート上にプロットされます。
- 強いピボット ポイントはローソク足の上の紫色の点で表され、弱いピボット ポイントはローソク足の下の赤い点で表されます。
-
- ヘッドアンドショルダーのパターンを検出するには、指定された範囲のローソク足 ID を反復処理します。
- 各ローソク足 ID について、それがピボット ポイント (強いピボットでも弱いピボットでもない) かどうかを確認し、次に進みます。
- 強力なピボット ポイントが見つかった場合は、ピボットの両側のローソク足のウィンドウ内の最大値と最小値の座標を記録します。
- 中央のピボットローソク足の前後で最小値と最大値の数を追跡します。
- 最小値と最大値のカウントがどちらかの側で 1 未満の場合、パターンの形成は不可能であり、次のローソク足にスキップします。
- 最小値と最大値の数が条件を満たしている場合、最小値に線形回帰直線を当てはめ、その傾きと切片を計算します。
- argmax 関数を使用して、最大値内の頭部のインデックスを見つけます。
- 最後に、頭と肩のパターンの条件が満たされているかどうかを確認します。
- ヘッドインデックスの最大値とヘッドの前の最大値との差は、しきい値より大きくなければなりません。
- ヘッドインデックスの最大値とヘッド後の最大値との差も、しきい値より大きくなければなりません。
- 最小値の絶対的な傾きは、しきい値以下である必要があります。
- すべての条件が満たされている場合、ヘッド アンド ショルダー パターンが検出されました。
ストップロス注文の設定やポジションサイジングなどのリスク管理テクニックに言及することは、取引を成功させるために不可欠です。ピボット ポイントを検出します。
ピボット ポイントを視覚化します。
頭と肩のパターンを検出:
Python での三角価格パターン検出 |アルゴリズム取引インジケーター
Python での三角価格パターン検出 |アルゴリズム取引インジケーター
このビデオでは、特定のアルゴリズムを使用した三角形パターンの自動検出について説明します。さまざまな形状の価格変動三角形を検出する簡単な方法を紹介し、それを外国為替データでテストするための Python コードを作成します。最後に、発見されたパターンをプロットして結果を視覚化します。コーディング部分に興味がある場合は、ビデオの説明にあるリンクから Python コードを含む Jupyter Notebook ファイルをダウンロードできます。
トライアングル パターンは、トレーディング戦略で使用される場合、トレーダーにとって特に興味深いものです。たとえば、一部のトレーダーはトライアングルのブレイクアウトをトレードします。示されている例では、価格はブレイクアウトの方向に将来のトレンドに従います。一例では、価格は下降トレンドに従って三角形のエッジを抜け出しました。別の例では、価格は上昇トレンドに従って三角形のエッジを突破しました。どちらの場合も、ブレイクアウト傾向が継続しました。
この方法の手順は次のとおりです。
ピボット ポイントを計算する: ピボット ポイントは、隣接するポイントよりも大きい価格値です。ピボット安値の場合、ローソク足の安値は、その前後の指定された数のローソク足の安値よりも低くなければなりません。ピボット高値の場合、ローソク足の高値は、その前後の指定された数のローソク足の高値よりも高くなければなりません。
最大値と最小値を線形の傾きにフィットさせる: 最大値の場合は、高値を比較し、その前後の指定されたローソク数よりも高い高値を持つ中央のローソク足を探します。ミニマの場合は、安値を比較し、その前後の指定されたローソク数よりも低い安値を持つ中央のローソクを探します。
三角形の形状を検出する: 目的の三角形の形状に応じて、最大値と最小値の傾きに基づいてパターンを特定します。たとえば、最大傾きが負で最小傾きが正の場合、収束する三角形を検出できます。下向きの三角形は、最大の傾きが負で、最小の傾きがゼロまたは水平線に近い場合に検出できます。
次に、このメソッドを実装するコードを Python で作成し、それがどのように機能するかを見てみましょう。 Jupyter Notebook ファイルには、データのインポート、クリーニング、ピボット ポイントの計算、ピボット ローソク足の視覚化、および三角形パターンの検出のためのコードが含まれています。データ操作や視覚化タスクを処理するには、Pandas、NumPy、Plotly などのライブラリを使用します。
必要なライブラリとデータをインポートした後、指定された近傍数に基づいてピボット ポイントを識別する「pivot_id」という関数を定義します。この関数は、「ピボット」と呼ばれる新しい列をデータ フレームに追加し、ローソク足がピボット安値 (1) であるかピボット高値 (2) であるかを示します。
次に、ローソク足をプロットし、ピボット ステータスに基づいてローソク足の上下にポイントを追加する「points_position」という関数を定義します。この関数は、「point_position」列を使用して点の y 座標を決定します。
Plotly ライブラリを使用して、ローソク足とピボット ポイントをプロットし、結果を視覚化します。これにより、ピボット ポイントが正しく識別されていることを確認できます。
次に、三角形パターンを検出するコードを実装します。特定のローソクを選択し、その前に指定された数のローソクをスキャンして、その領域に三角形のパターンが存在するかどうかを確認します。ローソク足を反復処理し、最大値と最小値の座標を別の NumPy 配列に保存します。次に、線形回帰を使用してこれらの点を線形の傾きに当てはめ、最大値と最小値の傾きを計算します。
三角形のパターンを視覚化するために、ローソク足、ピボット ポイント、最大値と最小値の傾きをプロットします。相関係数 (r_min と r_max) など、三角形の形状に対して定義された条件をチェックすることで、三角形のパターンが存在するかどうかを判断できます。条件が満たされている場合、プロット上に三角形のパターンをマークします。
最後に、データセット内のすべてのローソク足を反復処理し、三角形のパターンを検出するプロセスを繰り返します。パターンが見つかるたびに、後で視覚化できるように、三角形の座標を別のリストに保存します。
コードの最後では、Plotly を使用して、ローソク足、ピボット ポイント、検出された三角形のパターンをプロットします。これにより、価格データ内で識別された三角形が視覚的に表現されます。
コードを実行してプロットを調べると、検出された三角形パターンを確認し、その形状を分析できます。この情報は、トライアングル パターンを取引戦略に組み込みたいトレーダーにとって役立ちます。
Jupyter Notebook ファイルで提供されるコードは、三角形のパターンを検出する実装の 1 つにすぎないことに注意してください。この問題に対処するにはさまざまな方法があり、さまざまなアルゴリズムを検討したり、特定の要件に合わせて既存のコードを変更したりできます。
Python AlgoTrading バックテスト: 買い/売りシグナルの移動平均による RSI と ADX の使用
Python AlgoTrading バックテスト: 買い/売りシグナルの移動平均による RSI と ADX の使用
こんにちは、みんな！このビデオでは、平均方向指数 (ADX) と相対強度指数 (RSI)、およびその他の確認指標に基づいてスカルプト戦略の詳細なテストを実施します。この戦略は、スキャルピングの収益性の高いアプローチとして宣伝されています。価格チャートの赤い矢印のすぐ下にある紫色の点に注目します。これらは、これから説明するアルゴリズムによって自動的に生成されます。
この特定の例では、紫色の点は売りシグナルを表しており、これらのシグナルの後に価格の下落が続くことは注目に値します。これらのシグナルがトレードに勝利をもたらしていることから、この戦略が有望であることを示唆しています。コーディングの側面をさらに詳しく調べるには、説明に記載されているリンクから Python コード、Jupyter Notebook ファイルをダウンロードできます。
私たちの目標は、取引を設定し、コードを実行したままにし、寝ている間に潜在的に利益を得ることができる自動スカルプティング戦略を Python で開発することです。ただし、成功を達成することは、思ったほど簡単ではない可能性があることを認識することが重要です。
この特定の戦略で推奨されているように、5 分の時間枠でテストを開始します。価格傾向を判断するには、50 指数移動平均 (EMA) を利用します。価格がこの曲線を上回って取引されている場合、それは上昇傾向を示しており、ポジションの購入のみに焦点を当てます。逆に、価格が 50 EMA を下回っている場合は下降トレンドを示しており、売りポジションのみを検討します。
さらに、期間が 3 でトリガー レベルが 20 と 80 に設定された RSI を組み込みます。RSI が 20 を下回ると、市場が売られすぎていることを示唆し、買いシグナルがトリガーされます。逆に、RSI が 80 を超えると、市場が買われすぎていることを示し、売りシグナルが発生します。
当社の戦略には、期間が 5 の平均方向指数 (ADX) も組み込まれています。 ADXが30を超えると強いトレンドを示しており、上昇トレンドと下降トレンドの両方の確認指標として機能します。どちらの場合も、30 を超えるレベルを検索します。
これらの条件がすべて満たされると、信号の最初の部分が生成されます。このシグナルをさらに検証するために、ローソク足パターンのアプローチを採用し、特にトレンドに沿った巻き込みローソク足を探します。トレンドが上昇傾向にある場合は、強気の巻き込みローソク足を模索します。トレンドが下降傾向にある場合は、弱気の巻き込みローソク足を模索します。
幸いなことに、これらのインジケーターはすべて Python で自動化し、履歴データでテストできます。私たちが使用する例は、データセットからランダムに選択されました。売りシグナルの後には価格下落が続く傾向がある一方、買いシグナルの後に価格上昇が起こることが多いため、最初の観察ではポジティブなシグナルが示されています。
この戦略を最終的にテストするために、Python を使用してバックテストを実施し、その結果によってその実行可能性を判断します。特に 5 分足ローソク足を使用して、2019 年から 2022 年までの EUR/USD 通貨ペアの履歴データをインポートします。また、週末や銀行休業日など、取引活動が行われない期間を削除してデータをクリーンアップします。
Pandas TA (テクニカル分析) パッケージを使用して、50 EMA、期間 3 の RSI、期間 5 の ADX、および Average True Range (ATR) の 4 つの列をデータ フレームに追加します。後者はストップロス距離の計算に利用されます。 EMA トレンド シグナルは、ローソク足が 50 EMA 曲線を下回っているか上回っているかを示し、それぞれ下降トレンドか上昇トレンドかを判断します。
下降トレンドにある場合は、RSI が 20 を下回っているかどうかを確認します。これは売られ過ぎの状態を示しています。下降トレンドと売られすぎの両方の条件が満たされた場合、売りシグナルが生成されます。
同様に、上昇トレンドにある場合は、RSI が買われ過ぎの状態を示す 80 を超えているかどうかを確認します。上昇トレンドと買われすぎの両方の条件が満たされた場合、買いシグナルが生成されます。
これらのシグナルをさらに検証するために、トレンドに沿った巻き込みローソク足のパターンを探します。売りシグナルの場合は、現在のローソク体が前のローソク体を下向きに完全に飲み込む弱気の飲み込むローソク足を検索します。買いシグナルとしては、現在のローソク体が前のローソク体を上方向に完全に飲み込む強気の飲み込むローソク足を探します。
シグナルが生成されたら、Average True Range (ATR) を使用してストップロス距離を計算します。 ATR は、指定された期間の平均価格範囲の推定値を提供するため、合理的なストップロス レベルを決定するのに役立ちます。
バックテスト段階では、履歴データを反復処理し、これらのルールを適用して取引シグナルを生成および評価します。各シグナルについて、シグナルが生成された後、次のローソク足の始値でポジションをエントリーすると仮定して、取引をシミュレーションします。また、特定の報酬とリスクの比率に基づいて固定テイクプロフィットレベルを定義します。
シミュレーション中、各取引の損益を追跡し、総利益、総損失、勝率、取引ごとの平均リターンなどの主要なパフォーマンス指標を計算します。これは、戦略の有効性を評価し、その収益性を判断するのに役立ちます。
過去のデータに基づくバックテストの結果は、将来のパフォーマンスを保証するものではないことに注意することが重要です。市場の状況は変化する可能性があり、過去にうまく機能した戦略も、将来はそれほど効果的に機能しなくなる可能性があります。したがって、リアルタイムの市場状況に基づいて取引戦略を継続的に評価し、適応させることが重要です。
結論として、平均方向指数 (ADX)、相対強度指数 (RSI)、および巻き込みローソク足パターンに基づいたスカルプティング戦略の概要を説明しました。 Python を使用してこの戦略を自動化し、履歴データのバックテストを実行するプロセスについて説明しました。バックテストの結果は、戦略のパフォーマンスに関する洞察を提供し、スキャルピングの収益性の高いアプローチとしての実行可能性を評価するのに役立ちます。
Python で取引戦略分析に出来高インジケーターを使用する方法
Python で取引戦略分析に出来高インジケーターを使用する方法
今日、私たちはボリュームトレーディング戦略をテストするというエキサイティングな旅に乗り出しています。この特定の戦略は毎日の時間枠で実行され、理論上リスクが最小限に抑えられるため、その安全性で知られています。出来高やその他のテクニカル指標に依存しているため、私はこれを「ボリュームトレーディング戦略」と適切に名付けました。
私たちの目的は、最大 18 年間にわたる履歴データを使用してこの戦略を自動的にテストできるコードを開発することです。そうすることで、戦略のパフォーマンスを包括的に理解することができます。コーディングの側面に興味がある場合は、ビデオの説明で Jupyter Notebook Python ファイルを見つけることができます。このテストに使用する完全なファイルをダウンロードできるリンクがあります。
まず、最初の指標として 200 日指数移動平均 (EMA) を利用します。価格がこの曲線よりも下で取引されている場合は下降トレンドを示し、200 EMA を超えて取引されている場合は上昇トレンドを示します。最初のルールは単純です。下降トレンドを特定した場合は売りポジションのみを考慮し、上昇トレンドの場合は買いポジションのみに焦点を当てます。
それでは、戦略の具体的な内容を詳しく見ていきましょう。私たちは、一般的なトレンドに逆行する、つまり価格を移動平均に近づける 4 つの連続したローソク足を探します。キャンドルの数はユーザーの好みに応じて調整できることに注意することが重要です。 Jupyter Notebook では、このパラメーターをいつでも変更できる柔軟性を提供しています。現時点では、少なくとも 4 本のキャンドルを使用することにします。
次に、トレンドの方向と一致する次のローソク足を調べます。たとえば、下降トレンドにある場合、弱気のローソク足を探します。取引日の終わりに、ローソク足が閉じたら、その出来高を確認します。出来高が前のローソク足の出来高を超える場合、それは下降トレンドにおける売りシグナルとして機能します。逆に、上昇トレンドでは、少なくとも 4 つの連続した弱気のローソク足と、その後に前のローソク足よりもボリュームが大きい強気のローソク足を探します。これは買いポジションを意味します。
ここで、ストップロスとテイクプロフィットのレベルを決定するという複雑な部分が始まります。このビデオでは、2 つの異なるアプローチを検討し、その結果を評価します。 1 つ目の方法では、売りまたは買いポジションからの ATR の 2 倍または 3 倍など、アベレージ トゥルー レンジ (ATR) 関連のストップロス ディスタンスを使用します。 2 番目の方法では、過去のいくつかのローソク足の最高値を、下降トレンドおよび売りポジションのストップロスとして考慮します。ストップロスを設定するために考慮するローソク足の数は、Python プログラムの変数であり、さまざまなシナリオを実験およびテストすることができます。通常、私は取引シグナルをチェックするために使用される数字と同様の 4 本のローソク足から始めます。上昇トレンドと買いポジションの場合、過去のいくつかのローソク足の中で最も低い安値を探します。
次に、コードを調べて、すべてがどのように連携して動作するかを見てみましょう。 Jupyter Notebook ファイルでは、まず Pandas を含む必要なライブラリをインポートします。これは、2003 年から 2022 年までの毎日の EUR/USD 為替レートを含む CSV データ ファイルを読み取るために使用します。さらに、次のような他の資産のデータを読み込みます。アマゾン、eBay、フォルクスワーゲンの株で、この戦略を株式市場でもテストする予定です。毎日のデータを扱うため、初期データセットは 6,858 行で構成されますが、データ クリーニング プロセス中にさらに削減されます。また、列のタイトルが要件と一致していることを確認し、さまざまなデータ ファイル間で一貫性を保つために列の名前を「Time」、「Open」、「High」、「Low」、「Close」、「 Volume」に変更します。
チャート上にシグナルをプロットした後、ストップロスとテイクプロフィットのレベルの定義に進みます。この例では、2 つのメソッドがテストされます。最初の方法では、Average True Range (ATR) を使用してストップロス距離を決定します。ストップロスはエントリーポイントからのATRの一定倍数に設定されます。 2 番目の方法では、指定された数の以前のローソク足の売りポジションの最高高値または買いポジションの最低安値を考慮して、ストップロス レベルを決定します。
ストップロスとテイクプロフィットのレベルが定義されたら、各取引の損益 (P&L) を計算します。合計シグナルが買いシグナルか売りシグナルかを確認し、それに応じて損益を計算します。買いシグナルの場合、損益は次のローソク足の終値とエントリー価格の差として計算されます。売りシグナルの場合、損益はエントリー価格と次のローソク足の終値の差として計算されます。
累積損益は、個々の取引損益を合計することによって計算されます。また、プラスの損益に基づいて、合計取引数と勝率 (取引に勝った割合) も計算します。
最後に、合計損益、取引回数、勝率などの結果を出力します。
Jupyter Notebook で提供されるコードを使用すると、戦略をさらにカスタマイズしてテストできます。トレンド決定に考慮するバックキャンドルの数、価格シグナル生成に使用する前のローソク足の数、ストップロス計算に使用する ATR の倍数、ストップロスレベルの決定に考慮する以前のローソク足の数などのパラメーターを変更できます。
このコードは、200 日指数移動平均 (EMA)、出来高、価格変動などのテクニカル指標に基づいて出来高取引戦略を実装します。指定された期間の履歴データにわたって戦略をテストし、収益性とパフォーマンスの指標を計算します。
Python でテストされた自動 RSI スキャルピング戦略
Python でテストされた自動 RSI スキャルピング戦略
今日は、RSI (相対強度指数) に基づいたスキャルピング戦略をテストします。この戦略には、指数移動平均 (EMA) と RSI の 2 つの指標が組み込まれています。 Python コードを使用してバックテストを実施します。Python コードは、ビデオの説明にあるリンクからダウンロードできます。
バックテストでは、異なる時間枠に基づいて 3 つの異なるバージョンの戦略を使用します。1 つは 1 分足のローソク足、もう 1 つは 15 分足のローソク足、そして 3 つ目は 1 時間足のローソク足です。このビデオの焦点は 15 分の時間枠ですが、3 つのバージョンすべてをカバーします。
戦略は特定のルールに従います。まず、200 EMA に関連して現在の価格を分析します。価格が 200 EMA を超えて取引されている場合、それは上昇トレンドであると考えられます。逆に、価格が 200 EMA を下回って取引されている場合は、下降トレンドとみなされます。上昇トレンドでは買いポジションのみを探しますが、下降トレンドでは売りポジションのみを探します。
次に、2 つの連続するローソク足の RSI 値を調べます。最初は、1 分の時間枠に 2 本のローソク足 RSI を使用します。ただし、1分足のローソク足で数年にわたるバックテストを行うと膨大な量のデータが生成されるため、15分足から始めます。この場合、時間枠に応じて、RSIの長さを3本または4本のローソク足に調整することがあります。 1分間の時間枠では、2本のローソク足RSIを使用し、10未満と90以上のレベルをテストします。
上昇トレンドでは、買いポジションを実行する前に RSI が 10 を下回るのを待ちます。売りポジションの場合、RSI が 90 を超えるまで待ちます。これらの RSI レベルは取引のエントリーポイントとして機能します。このビデオでは、戦略が価格と RSI 基準に基づいてエントリー ポジションを特定する方法の視覚的な例を示しています。
次のステップは、取引のストップロス値とテイクプロフィット値を決定することです。固定距離のストップロス、ATR 関連のストップ距離、トレーリングストップ値など、さまざまな方法を使用できます。同様に、テイクプロフィットは固定距離に設定することも、特定のテイクプロフィット/ストップロス比でストップロス距離に関連付けることもできます。
戦略の有効性を評価するために、1 ～ 3 年間のデータに対してバックテストを実行する Python コードを作成します。さらに、バイアスを避けるために分離された新しいデータで戦略をテストすることにより、戦略の堅牢性をチェックするステップを導入します。
ビデオでは、Jupyter Notebook のコードを分析していきます。まずデータをロードし、ゼロボリュームエントリ (週末または銀行休業日を示す) を削除してデータをクリーンアップし、200 の EMA 値と RSI 値を計算します。潜在的なストップロス距離を決定するために、平均トゥルー レンジ (ATR) も計算されます。
必要な信号が計算されたら、ビデオではこれらの信号をチャート上で視覚化する方法を示します。インジケーターの動作を視覚的に分析するために、価格ローソク足、200 EMA カーブ、エントリー ポジション (買いと売り) がプロットされています。
このビデオでは、シグナルを分析した後、戦略の収益性を評価するために長期間にわたって戦略をバックテストすることの重要性を説明しています。当初、この戦略は短期間でテストされましたが、結果はさまざまでした。したがって、戦略の全体的な有効性を評価するには、長期間にわたるバックテストが重要です。
このビデオでは、バックテストを行い、長期間にわたる戦略のパフォーマンスを確認する必要性を強調しています。バックテストの最終結果を調べることで、その戦略が収益性があり堅牢であるかどうかを判断できます。