Algoritmik ticarette Python - sayfa 16
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
IBridgePy'nin Son Geriye Dönük Test Özellikleri Dr. Hui Liu - 9 Ağustos 2019
IBridgePy'nin Son Geriye Dönük Test Özellikleri Dr. Hui Liu - 9 Ağustos 2019
iBridgePy'nin yaratıcısı Dr. Hui Liu, iBridgePy tarafından sunulan en son geriye dönük test özellikleri ve işlevleri hakkında ayrıntılı bir genel bakış sunar. iBridgePy'nin köşe taşı işlevlerini tartışarak ve algoritmik ticaret stratejileri oluşturmaya dahil olan temel adımları açıklayarak başlıyor.
Dr. Liu, iBridgePy'nin geriye dönük test sistemine odaklanır ve kullanımını göstermek için iki örnek kod sunar. İlk örnek kod, Interactive Brokers'ın geçmiş verilerini kullanırken, ikinci örnek kod, kullanıcıların kendi geçmiş verilerini sağlayarak geriye dönük test deneyimlerini nasıl geliştirebileceklerini gösterir. Gelecekteki iyileştirme alanlarını belirlemek için geriye dönük test performansını analiz etmenin önemini vurguluyor.
Sunum sırasında Dr. Liu, kullanıcıların danışman brokerler tarafından sunulan çeşitli menkul kıymetler veya emtiaları alıp satmasına ve aynı anda birden fazla hesabı yönetmesine olanak tanıyan Hibrit Pasta özelliğini tanıtıyor. Birden fazla alım satım stratejisi yürütme ve geriye dönük test sırasında danışmanlık algoritmaları çalıştırma gibi yatırım danışmanları için faydaların altını çiziyor.
Komisyoncularla bağlantı kurmak ve gerçek zamanlı verileri almak için Dr. Liu, iBridgePy'de "Örnek Pozisyonları Göster", "Örnek Gerçek Zamanlı Fiyatlar" ve "Geçmiş Verileri Al" gibi farklı dosyalar arasında nasıl geçiş yapılacağını gösteriyor. Kullanıcılar hesap kodlarını, dosya adlarını özelleştirebilir ve hesap bakiyelerine ve bekleyen emirlere erişebilir. iBridgePy'deki başlatma işlevi genel değişkenleri bildirir ve kullanıcılar kod kutularını kullanabilir ve karma paket sürümlerini bildirerek iBridgePy ekibinden yardım isteyebilir. Dr. Liu ayrıca IBGateway'in kapatılması ve TWS Trade Workstation'ın açılması konusunda rehberlik sağlar.
Konuşmacı, kodun başında çalışan başlatma işlevinden başlayarak iBridgePy'deki temel işlevleri kapsar. Alım satım kararlarını veren veri işleme işlevi, her dakika veya yapılandırılabilir bir aralıkta çalışacak şekilde programlanabilir. Kullanıcılar, verileri işlemek yerine olay programlama için zamanlama işlevini kullanabilir. Belirli menkul kıymetler için gerçek zamanlı fiyatlara show_real_time_price işlevi kullanılarak erişilebilirken, request_historical_data işleviyle geçmiş verilere ulaşılabilir. Menkul kıymet almak veya satmak için place_order işlevi kullanılır. Dr. Liu, hisse senedi görüntüleme işlevinin işlevselliğini sergileyen canlı bir demosunu içerir.
Dr. Liu, iBridgePy'deki, kullanıcıların sosyal medya duyarlılığına ve fiyatına dayalı olarak hisse senetleri aramasını sağlayan hisse senedi görüntüleme özelliğini tartışıyor. Kullanıcılar, alet tipi, konum kodu ve tarama kodu gibi arama parametrelerini tanımlayabilir. Fiyatları 100$'ın üzerinde olan ABD ana hisse senetlerinin aranması için tarama kodu olarak sosyal duyarlılık ağı kullanılarak bir örnek verilmiştir. Konuşmacı, en aktif hisse senetlerinin bir listesini sunarak ve sosyal medya duyarlılığının hisse senedi popülaritesine nasıl içgörü sağlayabileceğini vurgulayarak hisse senedi izleyicisini çalışırken gösteriyor. Algoritmik ticaret stratejileri oluştururken sözleşme seçmenin ve risk yönetimi yönergeleri belirlemenin önemini vurgulayarak bitiriyor.
iBridgePy kullanarak algoritmik ticaret stratejileri oluşturmaya yönelik temel adımlar, Dr. Liu tarafından açıklanmaktadır. Bir hisse senedi seçimini, alım satım kararları için zaman aralığını belirlemeyi, geçmiş verilerle teknik göstergeleri hesaplamayı, emir türlerini seçmeyi ve istisnaları ele almayı tartışıyor. Örnek olarak, SPY sözleşmesini manuel olarak girmeye ve günlük kapanış fiyatlarını kullanarak alım satım kararları vermeye dayalı basit bir tersine çevirme stratejisi sunuyor. Örnek kod, ticaret kararları vermek için planlanmış işlevleri ve günlük bir işlevi içerir.
Dr. Liu, geçmiş verileri alma ve menkul kıymetlerin kapanış fiyatlarını analiz etmek için bir pandas veri çerçevesi kullanma yeteneğini vurgulayarak iBridgePy'nin geriye dönük test özelliklerini derinlemesine araştırıyor. Hareketli bir ortalama geçişi kullanan bir trend stratejisi için örnek bir kod gösteriyor ve geriye dönük testin temellerini açıklıyor. Geriye dönük test, alım satım kararlarını bilgilendirmek için geçmiş verilere dayalı bir uygulama stratejisi uygulamayı ve geçmiş verilere karşı performansını test etmeyi içerir. Ayrıca, ABD piyasasının açılış ve kapanış saatlerine göre programlanan işleve bir seçenek sunarak, işlev yürütme zamanlamasını kontrol etmek için veri işleme işlevinin alternatif kullanımının altını çiziyor.
Dr. Liu, iBridgePy geriye dönük test sistemi ve ilgili süreç hakkında içgörü sağlar. iBridgePy kullanan geriye dönük test modunda, kullanılan zaman kapsülü veya şamdanların canlı ticarete çok benzediğini açıklıyor. Her mum çubuğu başlangıç zamanı, açılış fiyatı, yüksek fiyat, düşük fiyat, kapanış fiyatı ve hacim gibi bilgileri içerir. Ancak, yayılma geriye dönük testte doğru bir şekilde modellenemediğinden, zaman kapsülü satış veya alış fiyatını içermez.
Dr. Liu, geriye dönük test modunun piyasa emirlerini, limit emirleri ve stop emirlerini desteklediğini, ancak takip eden emirlerin anlamlı sonuçlar vermeyebilecekleri için şu anda desteklenmediğini belirtiyor. Geriye dönük test sırasındaki işlem ayrıntıları, geriye dönük testin başlatıldığı zamanı içeren dosya adıyla çıktı klasöründe saklanır.
Dr. Liu, iBridgePy'de bir geriye dönük test dönemi oluşturmanın temel sürecini açıklıyor. Kullanıcılar, belirli hisse senetleri için geçmiş verileri almak üzere zaman çerçevesini ayarlayabilir ve zaman noktası sıklığını bir dakika, bir saat veya bir gün olarak belirleyebilir. Eski sözleşmelerden geçmiş veriler, SPY veya AAPL gibi şeritler kullanılarak alınabilir. Kod, istenen zaman çerçevesi içindeki verilerin mevcut olduğundan emin olarak, özellikle en son nokta zamanında çalıştırılmalıdır. Varsayılan olarak, nakit 10.000 dolardan başlar. Dr. Liu, bir demo kullanarak hesap bakiyesinin ve pozisyonun nasıl görüntüleneceğini göstermeye devam ediyor.
Dr. Liu sunumunda, yakın fiyat geri dönüşü için bir demo kodunu simüle etmek üzere iBridgePy'nin geriye dönük test özelliklerinin nasıl kullanılacağını gösteriyor. Geçmiş verilere dayalı gerçek zamanlı fiyatların nasıl kullanılacağını ve performansını gözlemlemek için hedefin nasıl çalıştırılacağını gösterir. Ayrıca, kodun her dakika yerine her saat çalıştırılması için aralığın nasıl değiştirilebileceğini de gösteriyor. Genel olarak, video, iBridgePy'nin yatırım stratejileri için geriye dönük test etme özelliklerinin nasıl kullanılacağına dair yararlı bir gösterim sağlar.
Dr. Liu, iBridgePy kullanarak geriye dönük test sürecinde iyileştirmeler yapmanın önemini tartışmaya devam ediyor. Kaynakları boşa harcadığından ve IB aralığı kurallarını ihlal ettiğinden, tam olarak aynı verileri getirmek için aynı kodu tekrar tekrar çalıştırmaktan kaçınmayı öneriyor. Bunun yerine, yürütülmesi gereken kod miktarını azaltarak, aynı dosya adına sahip tanımlanmış bir plan kullanarak geçmiş verileri getirmeyi önerir. Başka bir öneri, geriye dönük test sürecini daha verimli hale getirebilecek olan Interactive Brokers'tan veri almak yerine kullanıcı tarafından sağlanan geçmiş verileri kullanmaktır.
Ayrıca Dr. Liu, iBridgePy'de geriye dönük test için yerel veri sağlama özelliğini de tanıtıyor. Kullanıcılar, açılış fiyatı, yüksek fiyat, kapanış fiyatı, hacim vb. gibi gerekli tüm sütunları içeren bir CSV dosyası sağlayabilir. iBridgePy, verileri yerel dosyadan alır ve geriye dönük testi buna göre simüle eder. Hacim kullanılamıyorsa, kullanıcılar değer olarak '-1' girebilir. Bu özellik, kullanıcıların kişisel stratejileri için doğru sonuçlar sağlar ve simülasyonların verimliliğini artırır.
Dr. Liu ayrıca iBridgePy'deki özel zaman üreteçleri ve kodu test etmek için rasgele sayılar kullanma yeteneği gibi ek geriye dönük test özelliklerini vurgulamaktadır. Bir Python paketi ve özel bir liste kullanarak bir zaman serisinin nasıl oluşturulacağını ve gerçek zamanlı fiyatlar yerine rasgele sayılar kullanılarak kodun nasıl test edileceğini gösteriyor. Ayrıca performans analizinin önemini tartışıyor ve geriye dönük test performansını izlemek ve analiz etmek için bir günlük dosyasının kullanımını tanıtıyor. Bu yeni özellikler, iBridgePy'de kodu test etmek ve analiz etmek için daha hızlı ve daha verimli yollar sağlar.
Buna ek olarak, Dr. Liu iBridgePy'nin geriye dönük testinin, portföy değeri ve nakit hakkında daha fazla ayrıntı sağlayan bakiye günlüğü ve işlem günlüğü dahil olmak üzere diğer özelliklerini tartışıyor. Grafikler oluşturmak için Sharpe oranı ve matplotlib paketi gibi metrikleri kullanarak geriye dönük test sonuçlarının nasıl görselleştirileceğini ve analiz edileceğini gösteriyor. Dr. Liu, kullanıcıların bir kağıt hesaptaki sonuçlarından memnun kaldıklarında, gerçek ticaret için gerçek bir hesaba geçebileceklerini belirtiyor.
Web seminerinin Soru-Cevap oturumu sırasında Dr. Liu, katılımcıların iBridgePy'nin en son özellikleriyle ilgili çeşitli sorularını yanıtlıyor. Bir soru, diğer kişilerin yatırım hesaplarını iBridgePy ile yönetmekle ilgilidir. Dr. Liu, bireylerin bir portföy danışmanı olabileceğini ve iBridgePy kullanarak başkalarının yatırım hesaplarını yönetmek için Interactive Brokers ile bir yönetim hesabı oluşturabileceğini açıklıyor.
Ortaya çıkan başka bir soru, belirli bir strateji için örnek kodun indirilmesiyle ilgilidir. Dr. Liu, katılımcıların gerekli örnek kodu iBridgePy web sitesinden veya iBridgePy topluluk forumuna ulaşarak elde etmelerini önerir. Ek olarak, katılımcılara geriye dönük test için tarihsel opsiyon fiyatlarının ve Yunanistan verilerinin nasıl elde edileceği konusunda tavsiyelerde bulunuyor. Dr. Liu, bireylerin Interactive Brokers'tan geçmiş opsiyon fiyatlarını alabileceklerini ve erişimleri varsa Yunan verilerini kullanmak için Python kodu yazabileceklerini belirtiyor.
Bir katılımcı, iBridgePy'nin bir izleme listesi almak için bir API'yi destekleyip desteklemediğini sorar. Dr. Liu, şu anda iBridgePy'nin bir izleme listesi almak için belirli bir API sağlamadığını açıklıyor. Ancak, kullanıcıların Interactive Brokers platformunda manuel olarak bir izleme listesi oluşturabileceklerini önermektedir.
Sonuç olarak Dr. Liu, katılımcıları iBridgePy topluluk forumunda başka sorularını göndermeye veya ona bir e-posta göndermeye teşvik ederek web seminerini sonlandırır. Katılımcılara, talep üzerine sunumun bir kaydının sağlanacağını garanti eder. Dr. Liu, kullanıcılara yazılımı indirmek ve API belgelerine erişmek için iBridgePy web sitesini ziyaret etmelerini de hatırlatır. Web semineri boyunca katılımları ve ilgileri için katılımcılara şükranlarını sunar.
Python ile Hindistan Piyasalarında Programatik Ticaret | Uçurtma Bağlantısı API'sı | Algo Ticareti Zerodha
Python ile Hindistan Piyasalarında Programatik Ticaret | Uçurtma Bağlantısı API'sı | Algo Ticareti Zerodha
Konuşmacı, kullanıcıların ticaret hesaplarına Python kullanarak programlı olarak erişmelerine olanak tanıyan bir platform olan Kite Connect'i tanıtıyor. Kite Connect'in ardındaki motivasyonun, Hindistan'da artan pazar katılımı sorununu ele almak olduğunu açıklıyorlar. Aracılık kavramını bir hizmet olarak tanıttılar ve yeni başlayanların müşterileri için özelleştirilmiş ticaret deneyimleri oluşturmak için Kite Connect'in API'lerini kullanmalarını sağladılar. Bu da, sonraki 10-20 milyon Hintliyi pazarlara yatırım yapmaya çekmeyi hedefliyor. Konuşmacı ayrıca Zerodha'nın 175.000'den fazla müşterisi ve Hindistan borsa cirosuna önemli bir katkısı olan Hindistan'ın önde gelen aracı kurumu olduğunu vurguluyor.
Konuşmacı, Hindistan'daki binlerce müşteri için basit ve uygun fiyatlı bir çevrimiçi ticaret platformu sağlamak üzere geliştirilen Kite Connect'in kökenlerine ilişkin içgörüler sunuyor. Hindistan'da genellikle becerilerini kullanma fırsatlarından yoksun olan büyük yazılım mühendisleri havuzunun farkında olan Kite Connect, API'lerini yazılım mühendislerinin stratejileri geriye dönük olarak test etmeleri ve pozisyonları yönetmeleri için kullanıma sundu. Platform, API kullanımı için bir ücret alırken, kaydolan yeni geliştiriciler için bir indirim kodu da sunuyor. Ardından konuşmacı, Kite Connect kullanarak özel bir ticaret platformu oluşturmanın ne kadar kolay olduğunu göstermeye devam eden bir meslektaşını takdim eder. Gösteri, emir vermeye, pozisyon tutmalarını almaya ve sonunda bir ticaret stratejisi geliştirmeye odaklanır.
Konuşmacı, Python kullanarak Hindistan pazarında programatik ticaret için çok önemli olan Kite Connect API'si için bir API anahtarı edinme konusunda adım adım bir kılavuz sunuyor. Ayrıca, kullanıcılara emirlerinin durumu ve işlem onayları hakkında bilgi vermek için kullanılan geri gönderme URL'si kavramını da açıklarlar. Ayrıca konuşmacı, API kullanımını yalnızca birkaç satır kodla basitleştiren Kite Connect Python kitaplığının kurulmasının önemini vurguluyor. Bir ticaret uygulamasının temel işlevlerini, uygulamanın geliştirme sürecinde istek yanıtlarının ve istisnaları ele almanın önemini ve herhangi bir ticaret uygulaması için güvenli kimlik doğrulamanın önemini tartışıyorlar.
Ardından konuşmacı, Python'un Zerodha'nın Kite Connect API'sini kullanarak Hindistan pazarlarında programatik ticaret için nasıl kullanılabileceğini açıklıyor. Süreç, Kite platformuna yönlendirmek ve kullanıcının hesabına giriş yapmak için API anahtarının kullanılmasıyla başlar. Oturum açıldıktan sonra, kullanıcının kimliğini doğrulamak ve bir erişim belirteci almak için kullanılan bir istek belirteci geri gönderilir. Konuşmacı, kitaplığın içe aktarılması, API anahtarının saklanması ve bir istek belirtecinin alınması gibi adımları kapsayan Kite Connect API kullanımının uygulamalı bir tanıtımını sağlar. Son olarak, bir erişim belirteci elde etmek için istek belirteci API sırrı ile hashlenir.
Video, Hindistan pazarlarında programatik ticaret için Python ve Kite Connect API'sinin nasıl kullanılacağını tartışarak devam ediyor. Daha sonra piyasa bilgilerinin akışı için Kite Connect API ile bir bağlantı kurmak için kullanılan erişim ve genel belirteçleri kurma sürecini açıklamaktadır. Video, ticaret sembolünü, miktarı, işlem türünü, sipariş türünü ve ürünü belirtmek de dahil olmak üzere nasıl sipariş verileceğini açıklar. Ayrıca sipariş ayrıntılarının, stokların ve pozisyonların nasıl alınacağını da kapsar. Konuşmacı, videoda kapsananların ötesinde birçok ek API çağrısı olduğunu, ancak bunların hepsinin Kite Connect'in web sitesinde iyi bir şekilde belgelendiğini vurguluyor.
Konuşmacı, Hindistan pazarlarında programatik ticaret için Kite Connect API'yi kullanırken enstrümanların önemine değiniyor. Araçlar, çeşitli hisse senedi sembollerini ve sözleşmelerini işlemek için kullanılır ve akış verilerine abone olmak veya aboneliği iptal etmek için benzersiz bir araç kimliği gerektirir. Konuşmacı, cihaz kimliğinin kapsamlı bir CSV dosyasından elde edilebileceğini ve aynı zamanda geçmiş verilere erişmek için de kullanılabileceğini açıklıyor. LTP modu, kod modu ve tam metin modu gibi farklı veri alma modları dahil olmak üzere WebSocket akışı ele alınmıştır. Konuşmacı, veri akışının WebSocket aracılığıyla nasıl çalıştığına ve veri almak için geri aramaların nasıl kullanılabileceğine dair bir örnek sağlar. Ek olarak, konuşmacı geri göndermenin kullanımını ve bunun uygulanması için genel bir URL'nin gerekliliğini açıklıyor.
Konuşmacı, geçmiş verileri kullanarak bir ticaret stratejisinin uygulanmasını ele alıyor ve Kite Connect API kullanarak sipariş vermenin kolaylığını vurguluyor. Bir girişimin, diğer şeylerin yanı sıra başarılı veya başarısız siparişler için bildirimleri etkinleştirerek Kite sunucusundan geri göndermeler almak için nasıl bir uç noktaya sahip olabileceğini tartışıyorlar. API'yi kullanarak geçmiş verileri elde etme süreci, verileri talep etmeden önce Kite'ın geçmiş verileri özelliğine abone olmaya vurgu yapılarak gösterilmektedir. Son olarak, Kite API ile sipariş vermenin basitliğini göstermek için temel bir hareketli ortalama stratejisi sunulmaktadır.
Konuşmacı, Python ve Kite Connect API kullanarak Hindistan pazarlarında programatik ticarete yönelik kendi stratejisini paylaşıyor. Strateji, hareketli ortalamanın hesaplanmasını ve bir geçiş olduğunda bir ticaret yapılmasını içerir. Gerçek ticaret için yalnızca bir kod satırının gerekli olduğunu vurgulayarak emir verme işlevini sergiliyorlar. Stratejilerinin en iyisi olmayabileceğini kabul etmekle birlikte, farklı ticaret sembolleri ve işlem türleri için uygulama ve değişiklik kolaylığının altını çiziyorlar. Konuşmacı, Kite Connect API'nin açık kaynak olduğundan ve ticaret platformları oluştururken özelleştirmeye ve kullanıma izin verdiğinden bahseder. Ayrıca, kullanıcıları herhangi bir soru veya sorunla ilgili olarak desteklemek için Kite Connect web sitesinde bulunan kapsamlı belgelerden ve aktif forumdan da bahsediyorlar.
Quant Enstitüsü'nün (QuantInsti) CEO'su, 2010'dan beri algoritmik ve kantitatif ticarette aktif olarak yer alan şirketlerini tanıtıyor. Dünya çapında binlerce öğrenciye eğitim programları ve etkinlikler sağlıyorlar. CEO, web seminerinde tartışılan ticaret stratejilerinde Python'un programatik kullanımıyla uyumlu olduğunu ifade eder ve tüm soruları yanıtlayamadığından dolayı özür diler, ancak izleyicilere ekiplerinin tüm soruları özenle araştırıp ele aldığına dair güvence verir.
Konuşmacı, nicel ve algoritmik ticarete odaklanan altı aylık kapsamlı bir çevrimiçi kurs olan QuantInsti'nin EPAT programının etkisini tartışıyor. Program, istatistik, ekonometri, finansal bilgi işlem, Python, MATLAB, geriye dönük test araçları ve çeşitli ticaret stratejisi paradigmaları dahil olmak üzere çok çeşitli konuları kapsar. Kursun dünyanın dört bir yanından çeşitli deneyimli uygulayıcılardan oluşan bir grup tarafından verildiğinin altını çiziyorlar. Programın mezunları, işgücüne girmek için iyi bir şekilde hazırlanmıştır ve QuantInsti, kendi ticaret masalarını kurmak isteyenler için kariyer hizmetleri ve rehberlik sunmaktadır. Programın küresel erişimi, altı kıtada 30'dan fazla ülkedeki mezunlarla vurgulanmaktadır.
Konuşmacı, izleyicileri 3 Kasım 2016 18:30 IST'de yapılması planlanan algoritmik ticaret hakkında bilgilendirici bir oturuma katılmaya davet ediyor. İzleyicileri, eğitim kaynakları bulabilecekleri ve tartışmalara katılabilecekleri Facebook, Twitter, LinkedIn ve YouTube gibi sosyal medya platformlarında şirketi takip etmeye teşvik ederler. İlgili katılımcılara bağlantılar göndermeyi teklif ederler ve onları borninstorms'ta sağlanan form aracılığıyla herhangi bir sorgu göndermeye davet ederler. Son olarak konuşmacı, dinleyicilerin sorularını yanıtlamaya başlayacaklarını belirterek sözlerini bitirir.
|
Python Kullanarak Etkileşimli Aracı Kurumlarla Alım Satım | Dr. Hui Liu tarafından
Python Kullanarak Etkileşimli Aracı Kurumlarla Alım Satım | Dr. Hui Liu tarafından
Herkese iyi akşamlar! Kuantan Ste. Benim adım Slow Me ve burada Kıdemli Program Yöneticisiyim. Sabahın erken saatlerinde bize katılmayı başaran Hawaii'den gelenler de dahil olmak üzere dünyanın her yerinden katılımcıların bugün bize katılmasından mutluluk duyuyoruz. Coşkunuz gerçekten ilham verici!
Bugünün web semineri için değerli konuşmacımız, ünlü bir yazar ve ticaret uzmanı olan Dr. Hoyle Yu'dur. Dr. Yu, ABD hisse senetleri ve forex piyasasında kapsamlı deneyime sahip etkileyici bir geçmişe sahiptir. Ayrıca, tüccarların stratejilerini kolayca uygulamalarını sağlayan popüler bir Python ticaret platformu geliştirmiştir. Virginia Üniversitesi'nden doktora derecesine sahip ve Şanghay Üniversitesi'nden mezun olan Dr. Yu, bu web seminerine zengin bir bilgi birikimi katıyor. Onu burada aramızda görmekten onur duyuyoruz.
Başlamadan önce, bugünün web seminerinde neleri ele alacağımıza dair kısa bir genel bakış sunmama izin verin. Dr. Yu, önce Interactive Brokers'ı bir ticaret platformu olarak kullanmanın avantajlarını tartışacak. Ardından alım satım için Python kullanmanın faydalarını araştıracak ve Interactive Brokers ile alım satımı basitleştiren kendi aracı IBPY'yi tanıtacak. Web semineri, gerçek zamanlı fiyat verilerine erişim, geçmiş verileri alma ve emir verme dahil olmak üzere gerçek zamanlı ticaretin temel yönlerine odaklanacak. Dr. Yu ayrıca Hareketli Ortalama Çapraz ticaret stratejisini tanıtacak.
Bu web semineri için böylesine değerli bir konuşmacıya ve çeşitli bir izleyici kitlesine sahip olduğumuz için heyecanlıyız. Daha fazla gecikmeden Dr. Hoyle Yu'yu söz almaya ve Python ve IBPY kullanan Interactive Brokers ile alım satım konusundaki uzmanlığını paylaşmaya davet ediyorum.
Bugün, Python'u kullanarak, özellikle de kendi geliştirdiğim bir araç olan IBPY'yi kullanarak Interactive Brokers ile ticaret yapmayı tartışacağım. Ayrıntılara girmeden önce, bir ticaret platformu olarak Interactive Brokers'ın avantajlarını keşfederek başlayalım.
Interactive Brokers, Amerika Birleşik Devletleri merkezli köklü bir aracı kurumdur. Tüccarlar arasında onu popüler bir seçim haline getiren birkaç önemli avantaj sunar. İlk olarak, Interactive Brokers, bugün ana odak noktamız olacak olan otomatik ticaret için güçlü bir API sağlar. Bu API, tüccarların stratejilerini verimli ve etkili bir şekilde yürütmelerini sağlar. İkinci olarak, Interactive Brokers, rekabetçi ticaret maliyetleri sunarak onu tüccarlar için uygun maliyetli bir seçenek haline getirir. Ticaret maliyetlerini web sitelerinde kolayca karşılaştırabilirsiniz. Kişisel deneyimime dayanarak, düşük maliyetli ticaret seçenekleri sunuyorlar. Üçüncüsü, Interactive Brokers, 24 ülkede yüzden fazla pazar merkezine erişim sunan kapsamlı bir küresel varlığa sahiptir. Bu küresel erişim, tacirlerin çeşitli uluslararası pazarlara girmesine, çeşitlendirmeye ve ticaret fırsatlarının genişletilmesine olanak tanır. Son olarak, Interactive Brokers, tüccarların çeşitli ihtiyaçlarını karşılayan hisse senetleri, opsiyonlar, vadeli işlemler ve forex dahil olmak üzere geniş bir ürün yelpazesini destekler. Bu avantajlar, Interactive Broker'ları birçok tüccar için tercih edilen bir seçenek haline getiriyor.
Şimdi ticaret için Python kullanmanın faydalarını keşfedelim. Python, özellikle yeni başlayanlar için sayısız avantaj sunar. Java veya C++ gibi diğer programlama dilleriyle karşılaştırıldığında, Python'un öğrenmesi nispeten kolaydır. Bazı giriş bilgileriyle, Python'un temellerini hızlı bir şekilde kavrayabilir ve ticaret stratejilerini uygulamaya başlayabilirsiniz. Ayrıca Python, geniş bir modül ve kitaplık koleksiyonuna erişim sağlayan açık kaynaklı bir dildir. Veri analizi, görselleştirme ve algoritmik ticaret için güçlü araçlar sunan bu kaynaklar kolayca indirilebilir ve ticaret sistemlerinize entegre edilebilir. Python'un geniş ekosistemi, onu tüccarlar için esnek ve çok yönlü bir dil haline getirir.
Artık Interactive Brokers ve Python'un avantajlarını anladığımıza göre, IBPY'nin yeteneklerini keşfedelim. IBPY, Python geliştiricileri için kullanıcı dostu bir arayüz sağlayarak Interactive Brokers ile ticareti basitleştirir. Gerçek zamanlı fiyat verilerine erişme, geçmiş verileri alma ve sipariş verme gibi görevleri kolaylaştırır. IBPY, Interactive Brokers API ile Python arasındaki boşluğu kapatarak tacirlerin karmaşık kodlarla uğraşmadan stratejilerini uygulamalarını kolaylaştırır.
IBPY'nin en önemli özelliklerinden biri, gerçek zamanlı fiyat verilerine erişebilmesidir. Tüccarlar, hisse senedi fiyatları, opsiyon zincirleri ve vadeli işlem fiyatları dahil olmak üzere canlı piyasa verilerini doğrudan Python ortamlarına alabilirler. Bu gerçek zamanlı veriler, tüccarların en son piyasa bilgilerine dayalı olarak bilinçli kararlar vermelerini sağlayarak başarı şanslarını artırır.
IBPY ayrıca, tüccarların ticaret stratejilerini geriye dönük test etmek ve analiz etmek için gerekli olan geçmiş verileri almalarına da olanak tanır. Tüccarlar, geçmiş fiyat verilerine erişerek stratejilerinin performansını farklı piyasa koşullarında değerlendirebilir ve verilere dayalı ayarlamalar yapabilir. IBPY, çok çeşitli enstrümanlar, zaman çerçeveleri ve veri türleri için geçmiş verileri getirmek için uygun bir arayüz sağlayarak kapsamlı analiz ve strateji iyileştirme sağlar.
Emir vermek, algoritmik ticaretin bir başka önemli yönüdür ve IBPY bu süreci basitleştirir. Tüccarlar, piyasa emirleri, limit emirleri ve stop emirleri dahil olmak üzere çeşitli emir türlerini göndermek için IBPY API'sini kullanabilir. Miktar, fiyat ve sipariş türü gibi parametreleri belirleyebilirler ve IBPY, yürütmeyi sorunsuz bir şekilde gerçekleştirir. Bu işlevsellik, tüccarların ticaret stratejilerini otomatikleştirmesine, zamandan tasarruf etmesine ve manuel hata riskini azaltmasına olanak tanır.
Bu özelliklere ek olarak, IBPY bir dizi gelişmiş ticari işlemi destekler. Yatırımcılar hesap bilgilerini alabilir, pozisyonları ve portföyleri yönetebilir, hesap etkinliğini izleyebilir ve gerçek zamanlı işlem bildirimleri alabilir. Bu kapsamlı işlevsellik seti, tacirlerin ticari faaliyetleri üzerinde tam kontrole sahip olmalarını ve zamanında kararlar almalarını sağlar.
Şimdi, Dr. Yu'nun daha sonra web seminerinde ayrıntılı olarak ele alacağı Hareketli Ortalama Geçiş ticaret stratejisini kısaca tartışalım. Bu strateji, teknik analizde yaygın olarak kullanılan hareketli ortalama kavramına dayanmaktadır. Hareketli Ortalama Geçiş stratejisi, tipik olarak daha kısa vadeli bir hareketli ortalama ve daha uzun vadeli bir hareketli ortalama olmak üzere farklı zaman dilimlerine ait iki hareketli ortalamanın izlenmesini içerir. Kısa vadeli hareketli ortalama, uzun vadeli hareketli ortalamanın üzerine çıktığında, potansiyel bir yükseliş eğilimini gösteren bir satın alma sinyali oluşturur. Tersine, daha kısa vadeli hareketli ortalama, daha uzun vadeli hareketli ortalamanın altına düştüğünde, potansiyel bir düşüş eğilimini gösteren bir satış sinyali oluşturur. Bu strateji, trendleri yakalamayı ve fiyat hareketlerinden yararlanmayı amaçlar.
Sonuç olarak, bugünün web semineri, Python ve IBPY kullanan Interactive Brokers ile ticaret yapma konusunda değerli bilgiler sağlayacaktır. Hoyle Yu, kapsamlı bilgi birikimi ve uzmanlığıyla Interactive Brokers'ın avantajları, ticaret için Python kullanmanın faydaları, IBPY'nin yetenekleri ve Hareketli Ortalama Çapraz ticaret stratejisi konusunda bize rehberlik edecek. Bu web seminerini bilgilendirici ve ilgi çekici bulacağınızı umuyoruz. Daha fazla uzatmadan sunumuna başlaması için kitabı Dr. Yu'ya verdim. Bugün bize katıldığınız için hepinize teşekkür ederiz ve web seminerinin tadını çıkarın!
Python ile Otomatik Alım Satım | Web Semineri, Dr. Yves J. Hilpisch
Python ile Otomatik Alım Satım | Web Semineri, Dr. Yves J. Hilpisch
Yves J. Hilpisch, finans sektöründe, özellikle hesaplamalı finans ve finansal veri bilimi alanlarında Python ve açık kaynak teknolojilerine odaklanan bir şirket olan Python Course Group'un kurucusu ve yönetici ortağı olarak tanıtıldı. Python ve finans üzerine birkaç kitap yazdı ve veri bilimcilerin yapılandırılmış verilerle doğrudan tarayıcıda çalışmasını sağlayan DataPark adlı bir platform geliştirdi. Dr. Hilpisch, bu yıl içinde yeni bir kitap yayınlayacağından bahsediyor ve ayrıca Python nicelikleri ve şirketlerinden oluşan küresel bir ağ olan TPQ'yu tanıtıyor.
Web semineri, Dr. Hilpisch'in, özellikle finansla ilgili projeler için Python geliştiricilerini çekmeyi amaçlayan start-up'lardan, finansta Python kullanımı hakkında aldığı artan sayıdaki soruları kabul etmesiyle başlar. Kullanıcıların Comm Trading Platform'dan geçmiş verileri indirmesine izin veren ve web seminerinde ele alınacak üç ana konuyu özetleyen yeni bir özelliği duyuruyor: geçmiş verileri indirme, bir ticaret stratejisini kodlama ve geriye dönük test etme ve algoritmik ticaret için akış verileriyle çalışma . Mantıklı ticaret stratejileri geliştirmede verilerin ve geriye dönük testlerin önemini vurguluyor.
Dr. Hilpisch, örnek olarak Alman DAX indeksine odaklanarak, Python kullanılarak tarihsel verilerin nasıl alınacağını göstermeye devam ediyor. Kullanıcıların, döviz çiftleri ve altın veya gümüş gibi emtialar dahil olmak üzere 100'den fazla farklı enstrüman arasından seçim yapabileceğini açıklıyor. Kullanıcılar, verileri parçalar halinde alıp bir DataFrame nesnesine ekleyerek, tekrar tekrar indirmeye gerek kalmadan verimli bir şekilde almak için verileri diskte depolayabilir. Geriye dönük testlerde verilerin rolünü ve ticaret stratejilerini değerlendirmedeki önemini vurguluyor.
Ardından, Dr. Hilpisch iki hareketli ortalamaya dayanan basit bir ticaret stratejisi örneğini gösteriyor: daha kısa olan (5 dakika) ve daha uzun olan (15 dakika). Daha kısa trend, daha uzun trendin üzerine çıktığında bunun bir satın alma sinyali oluşturduğunu ve daha kısa trendin daha uzun trendin altına düşmesi durumunda ise bir satış sinyali oluşturduğunu açıklıyor. Bunun yatırım tavsiyesi olmadığını, ancak vektörleştirilmiş bir yaklaşım kullanarak stratejinin Python'da nasıl uygulanacağını göstererek kodu verimli ve özlü hale getirdiğini açıklıyor.
Dr. Hilpisch, daha önce hesaplanan günlük getirilerini kullanarak bir ticaret stratejisinin performansını hesaplamaya devam ediyor. Tüccarların, konumlarını gerçekleşen getiri ile çarparak stratejilerinin performansını nasıl belirleyebileceklerini açıklıyor. Hesaplamayı açıklamak için piyasaya uzun süre yatırım yapmak ve bir gün beklemekle ilgili bir örnek kullanıyor. Örneklem içi yanlılığı önlemek için ticaret stratejisini test etmenin önemini vurguluyor ve bir dönemdeki pozitif performansın diğer dönemlerde başarıyı garanti etmediği konusunda uyarıyor.
Tartışma daha sonra, bir piyasa yatırım stratejisi ile dakika bloklarına dayalı trend tabanlı bir yatırım sinyali stratejisi arasındaki getirilerin standart sapmasını karşılaştırmaya geçer. Dr. Hilpisch, trend tabanlı stratejinin daha düşük getiri standart sapmaları sergilediğini gösteriyor. Otomatik ticaret stratejilerini uygularken akış verileriyle çalışma ihtiyacını vurguluyor ve gerçek zamanlı çizimler oluşturmak için Plotly API'yi tanıtıyor.
Dr. Hilpisch, verileri gerçek zamanlı biçimde üreten sahte bir API'nin kullanımını gösteriyor. Şu anki gösteri gerçek anlamda akış halinde olmasa da, ek nesneleri somutlaştırarak ve bunları Jüpyter Not Defterine yerleştirerek biraz ek çabayla akışa getirilebileceğinden bahsediyor. API'den veri toplayan ve bunu etkileşimli bir görselleştirme alanında gerçek zamanlı, nokta nokta gösteren bir for döngüsü örneği sağlıyor.
Daha sonra gerçek zamanlı veya akış verilerini kullanan otomatik ticaret tartışılır. Dr. Hilpisch, piyasa emirleri veren ve işlem görecek birim sayısını gerektiren "al" ve "sat" fonksiyonlarını tanıtıyor. Trend takip stratejilerine dayanan ve Wonder API'nin yayıncı sınıfından miras kalan "TrendTrader" sınıfını sunar. Boş bir veri çerçevesi ve başlangıçta 0'a ayarlanan işaret sayısı gibi sınıfın özel niteliklerini açıklıyor. Sınıf, birinci ve ikinci eğilimlerin parametre olarak tanımlanmasına izin verir.
Dr. Hilpisch, "başarılı" yönteminin, ara sıra gelse bile akış API'sinden yeni veriler alındığında çağrıldığını açıklıyor. Veriler, önceden örneklenen veri çerçevesine eklenir ve Avrupa saat dilimine dönüştürülür. Gözlemlere dayalı olarak kısa ve uzun vadeli trendler hesaplanır ve buna göre uygun alım satım aksiyonları alınır. Sunulan stratejinin mantıklı olmayabileceğini, ancak odak noktasının süreci açıklamak olduğunu açıklıyor. Ayrıca, akış işlemi sırasında oluşabilecek hataları işleyen ve API ile bağlantıyı kesen "onerror" yöntemini de tartışıyor.
Sonuç olarak Dr. Hilpisch, Python kullanarak otomatikleştirilmiş bir ticaret stratejisinin uygulanmasını sergiliyor. Bir Python programının, hareketli ortalamaların karşılaştırılmasına dayalı olarak nasıl otomatik olarak alış ve satış emirleri oluşturabileceğini gösteriyor. Başarılı algoritmik ticaretin, finans ve teknoloji becerilerinin, piyasaların derinlemesine anlaşılmasının, büyük veri istatistiklerinde uzmanlığın ve ticaret süreçlerini otomatikleştirme yeteneğinin bir kombinasyonunu gerektirdiğini vurguluyor. Web semineri, algoritmik ticarette bir kariyer için gerekli bilgi ve becerileri edinmekle ilgilenen kişiler için bir eğitim kaynağı görevi görür.
Python Kullanarak Algoritmik Ticaret - Giriş
Merhaba ve ticaretle ilgili yepyeni video serisinin ilk videosuna tekrar hoş geldiniz. Bu videoda, bu yüzyılın video akışının amacını ve içeriğini keşfedeceğiz. Bu video serisinin temel amacı, size algoritmik ticaret hakkında kapsamlı bir anlayış sağlamaktır. Alım satım algoritmalarının temellerinden gelişmiş uygulama, test etme ve optimizasyonuna kadar her şeyi ele alacağız.
Seri, algoritmik ticaret bağlamında Python programlamayı öğrenmenize ve kullanmanıza yardımcı olmak için tasarlanmıştır. Alım satım sinyalleri oluşturma, stratejileri uygulama, geriye dönük test yapma ve canlı alım satım ortamlarında algoritmaları devreye alma gibi çeşitli konuları keşfedeceğiz. Bunu kolaylaştırmak için, sizi İletişim Platformu adı verilen güçlü bir algoritmik ticaret platformuyla tanıştıracağız.
İletişim Platformu, ticaret algoritmalarınızı oluşturmanıza, test etmenize ve dağıtmanıza olanak tanıyan entegre bir geliştirme ortamıdır. Kullanıcı dostu bir arayüz sunar ve bu seride yaygın olarak kullanacağımız Python da dahil olmak üzere çeşitli programlama dillerini destekler. Platforma, İletişim web sitesi aracılığıyla çevrimiçi olarak erişebilir veya yazılımı Windows veya Mac için indirebilirsiniz.
Video serisine eşlik etmesi için ek kaynaklar ve kod örnekleri bulabileceğiniz özel bir YouTube sayfası oluşturduk. Bu örnekler, kümeleme teknikleri, hisse senetleri, tahviller, forex, CFD'ler, opsiyonlar ve daha fazlası için senaryo oluşturma dahil olmak üzere bir dizi konuyu kapsar. İster yeni başlayan ister deneyimli bir tüccar olun, bu seri algoritmik ticarete dalmak için mükemmel bir başlangıç noktasıdır.
Alım satım algoritmalarını gerçek alım satım senaryolarına uygulamadan önce geliştirmenin ve test etmenin önemini anlamak çok önemlidir. Bu, algoritmik ticaretin en çok zaman alan yönlerinden biridir. Bununla birlikte, Avrupa hisse senedi opsiyonları ve diğer büyük uluslararası piyasalar için yüksek çözünürlüklü dakika düzeyinde verilerle ücretsiz geçmiş piyasa verilerine erişim sağlayarak sizin için kolaylaştırdık. Bu, algoritma geliştiricileri ve araştırmacıları için değerli bir kaynak olacaktır.
Seri boyunca, makine öğrenimi, duyarlılık analizi ve geriye dönük test için güçlü kitaplıklar ve araçlardan yararlanacağız. Pandas ve NumPy gibi bu kitaplıklar ticaret camiasında yaygın olarak kullanılmaktadır ve analizimiz için gerekli olacaktır. Bu kitaplıkları ve İletişim Platformunu kullanarak, çeşitli ticaret stratejileri oluşturma ve test etme esnekliğine sahip olacaksınız.
Gelecek videolarda, ticaret algoritmalarını kodlamak için adım adım bir yaklaşım izleyeceğiz. Farklı stratejileri tartışıp uygularken siz de benimle birlikte hareket edeceksiniz. Ayrıca YouTube kanalımda ve beraberindeki makalelerde kod parçacıkları ve videolar gibi tamamlayıcı materyaller paylaşacağım.
Bir sonraki videoda, geliştirme sürecini daha derinlemesine inceleyeceğiz ve ticaret algoritmalarının nasıl çalıştığını keşfedeceğiz. Bizi izlemeye devam edin ve algoritmik ticaret dünyasına yapılan bu heyecan verici yolculukta bize katılın.
Python #2 Kullanarak Algoritmik Ticaret
Python #2 Kullanarak Algoritmik Ticaret
Algoritmik ticaret kursumuzun ikinci videosuna hoş geldiniz. Bu videoda kavramsal seviyeye odaklanarak algoritma geliştirme sürecini derinlemesine inceleyeceğiz. Araştırma, uygulama, geriye dönük test ve optimizasyon gibi temel hususları ele alarak, fikir oluşturmadan canlı dağıtıma kadar her adımda size yol göstereceğiz.
Algoritma geliştirme süreci fikir üretimi ile başlar. Pazar gözlemleri, temel analiz, teknik göstergeler ve nicel modeller dahil olmak üzere çeşitli fikir kaynaklarını keşfedeceğiz. Alım satım fikirlerinin nasıl üretileceğini ve iyileştirileceğini anlamak, başarılı algoritmalar geliştirmek için çok önemlidir.
Umut verici bir fikrimiz olduğunda, araştırma aşamasına geçiyoruz. Bu, ilgili verileri toplamayı, istatistiksel analiz yapmayı ve kapsamlı bir geriye dönük test yapmayı içerir. Veri kalitesinin önemini ve algoritmalarımızın güvenilirliğini nasıl etkilediğini tartışacağız. Ek olarak, stratejilerimizin etkinliğini değerlendirmek için farklı performans ölçümlerini ve risk ölçümlerini keşfedeceğiz.
Kapsamlı bir araştırma yaptıktan sonra uygulama aşamasına geçiyoruz. Burada ticaret fikirlerimizi koda çeviriyoruz. Verileri analiz edebilen, alım satım sinyalleri oluşturabilen ve alım satımları otomatik olarak gerçekleştirebilen algoritmalar yazmak için Python gibi programlama dillerini kullanacağız. En iyi kodlama uygulamalarını ve kodunuzu sürdürülebilirlik ve ölçeklenebilirlik için nasıl yapılandıracağınızı öğreneceksiniz.
Algoritma uygulandıktan sonra, geriye dönük test aşamasına geçiyoruz. Geriye dönük test, geçmiş verileri kullanarak algoritmanın performansını simüle etmeyi içerir. Algoritmanın performansını doğrulamak ve sağlamlığını değerlendirmek için numune içi ve numune dışı testler dahil olmak üzere farklı geriye dönük test metodolojilerini tartışacağız.
Optimizasyon, algoritma geliştirmede bir başka kritik adımdır. Algoritmalarımıza ince ayar yapmak ve performanslarını optimize etmek için çeşitli teknikleri keşfedeceğiz. Buna parametre optimizasyonu, duyarlılık analizi ve risk yönetimi stratejileri dahildir. Algoritmalarımızı optimize ederek karlılıklarını artırmayı ve riski azaltmayı hedefliyoruz.
Son olarak, algoritmalarımızın canlı dağıtımına değineceğiz. Canlı bir ticaret ortamında piyasa verilerine bağlantı, emir yürütme ve risk yönetimi gibi hususları tartışacağız. Başarılı algoritmik ticaret için canlı dağıtımın zorluklarını ve dikkate alınması gereken hususları anlamak çok önemlidir.
Bu video boyunca, algoritma geliştirme sürecinde size yol gösterecek içgörüler ve pratik ipuçları sağlayacağız. Sonunda, ticaret algoritmalarını etkili bir şekilde nasıl kavramsallaştıracağınız, araştıracağınız, uygulayacağınız, geriye dönük test edeceğiniz, optimize edeceğiniz ve konuşlandıracağınız konusunda kapsamlı bir anlayışa sahip olacaksınız.
Şimdi, algoritmik ticaretin büyüleyici dünyasına dalalım ve algoritma geliştirme sürecini ayrıntılı olarak keşfedelim.
Karlı Döviz Ticareti için Destek Direnç Seviyeleri ve RSI Nasıl Kullanılır?
Karlı Döviz Ticareti için Destek Direnç Seviyeleri ve RSI Nasıl Kullanılır?
RSI ticaret stratejisinin oluşturulmasında, aşırı alım ve aşırı satım alanlarını belirlemeye yönelik geleneksel yöntemin etkisiz olduğu bulundu. Bunun yerine, giriş noktalarını iyileştirmek için destek ve direnç seviyelerini RSI ile birleştiren daha etkili bir yaklaşım önerilmiştir. Bu alternatif yöntem, klasik ticaret eğitimlerinde yaygın olarak öğretilenlerle çelişir. Ancak Python kullanılarak test edildiğinde sonuçlar daha umut vericiydi.
Bu stratejiyi uygulamak için ilk adım, komşu mumlara kıyasla aşırı yüksek veya düşük değerler sergileyen fraktallar veya mumlar kullanarak destek ve direnç seviyelerini belirlemektir. Karşılaştırılacak mum sayısı, kodda bir değişkendir ve karşılaştırma aralığında esneklik sağlar. Ek olarak, belirli bir eşiği aşan bir fitil uzunluğu ile gösterilen, önemli reddetme hareketlerine sahip mumları dikkate almak için bir koşul uygulanabilir.
Destek ve direnç seviyeleri tespit edildikten sonra birbirine çok yakınsa birleştirilmeleri gerekebilir. Bu, seviyeler arasındaki farkı veya mesafeyi hesaplayarak yapılabilir. Mesafe belirli bir eşiğin altındaysa, seviyeler ortalama değerle değiştirilerek veya yinelenen seviyeler elenerek birleştirilebilir.
Anahtar seviyeleri elde ettikten sonra, ters sinyaller üç varsayıma dayalı olarak hesaplanabilir. İlk olarak, bir mumun fitili, destek veya direnç seviyesine yakın olmalı ve gövdesi seviye tarafından korunmalıdır. Bu bir destek ise vücut seviyenin üzerinde, direnç ise vücut seviyenin altında olmalıdır. Önceki mumlar da aynı destek veya direnç seviyesinde tutulmalıdır. Bu, mevcut mumun davranışının çevredeki mumların gösterdiği eğilimle uyumlu olmasını sağlar.
Geçmiş verileri test edilirken, üretilen sinyaller bir grafik üzerinde çizilebilir. Ters yükseliş sinyali, mumun altındaki mor bir sinyal noktasıyla temsil edilirken, düşüş ters sinyali, mumun üzerindeki mor bir sinyal noktasıyla temsil edilir. Ancak, bazıları diğerlerinden daha etkili olabileceğinden, grafikteki tüm sinyaller alınıp satılamaz. Sinyalleri filtrelemek için RSI kullanılır. RSI, bir yükseliş momentumunu gösteren bir eşik değerinin üzerindeyse, yalnızca yükseliş sinyalleri dikkate alınır. Tersine, RSI daha düşük bir eşiğin altındaysa, düşüş trendi momentumunu gösterir, yalnızca düşüş sinyalleri dikkate alınır. Bu şekilde, sinyaller trend ile hizalanır ve trende aykırı olan sinyaller filtrelenir.
Python'daki göstergeleri otomatikleştirmek ve stratejiyi değerlendirmek için bir Jupyter Notebook dosyası kullanılabilir. 2003 ile 2023 arasındaki bir saatlik zaman dilimi için Euro/ABD doları şamdan verileri pandalar kitaplığı kullanılarak yüklenir. Veriler, sıfır hacimli mumları ve hafta sonlarını kaldırmak için filtrelenir ve RSI, pandas teknik analiz kitaplığı kullanılarak hesaplanır. Mevcut mumu komşu mumlarla karşılaştıran fonksiyonlar kullanılarak destek ve direnç seviyeleri tespit edilir ve ek fonksiyonlar kullanılarak seviyelere olan yakınlık kontrol edilir. Bu işlevler, önceki mumların yanı sıra seviyelere göre mumun gövdesini ve fitilini dikkate alır.
Gerekli tüm işlevler tanımlandıktan sonra, sinyalleri hesaplamak için "check_candle_signal" adlı bir işlev oluşturulur. Bu işlev, mevcut mumun indeksini, soldaki ve sağdaki mum sayısını, kontrol edilecek arka mum sayısını ve veri çerçevesini girdi olarak alır. Destek ve direnç seviyelerini hesaplamak, gerekirse bunları birleştirmek ve tanımlanan koşullara ve RSI eşiklerine dayalı olarak sinyaller üretmek için önceden tanımlanmış işlevleri kullanır.
Sinyaller daha sonra sayılır ve stratejinin performansını değerlendirmek için yazdırılır. Grafikteki sinyalleri görselleştirmek için, karşılık gelen mumlar seçilir ve mor noktalarla temsil edilen sinyaller ile çizilir. Çizim, sinyallerin görsel olarak değerlendirilmesine ve bunların belirlenen destek ve direnç seviyeleriyle hizalanmasına olanak tanır.
Şamdan verilerini yükledikten ve sıfır hacimli mumları ve hafta sonlarını kaldırmak gibi gerekli veri temizleme adımlarını gerçekleştirdikten sonra, bir sonraki adım Göreceli Güç Endeksinin (RSI) hesaplanmasıdır.
RSI, bir piyasadaki aşırı alım ve aşırı satım koşullarını belirlemek için kullanılan popüler bir momentum osilatörüdür. Bir varlığın aşırı alım mı yoksa aşırı satış mı olduğunu belirlemek için son fiyat değişikliklerinin büyüklüğünü ölçer. RSI değerleri 0 ile 100 arasında değişir; burada 70'in üzerindeki değerler aşırı alım olarak kabul edilir ve 30'un altındaki değerler aşırı satış olarak kabul edilir.
RSI'yi hesaplamak için, göstergeyi hesaplarken dikkate alınması gereken önceki mumların sayısını temsil eden bir pencere boyutu tanımlamanız gerekir. En yaygın pencere boyutu 14'tür, ancak gereksinimlerinize ve analiz ettiğiniz varlığın özelliklerine göre ayarlayabilirsiniz.
RSI hesaplaması aşağıdaki adımları içerir:
Her mum için fiyat değişimini hesaplayın. Bu, mevcut mumun kapanış fiyatı ile önceki mum arasındaki farktır.
Fiyat değişikliklerini iki ayrı seriye ayırın: kazançlar ve kayıplar. Kazançlar olumlu fiyat değişikliklerini, kayıplar ise olumsuz fiyat değişikliklerini temsil eder. Bir fiyat değişikliği olumlu ise, bir kazanç olarak kabul edilir. Negatif ise, bir kayıp olarak kabul edilir.
Negatif değerleri sıfırlarla ve pozitif değerleri mutlak değerleriyle değiştirerek kazanç ve kayıp serisini düzeltin.
Tanımlanan pencere boyutu üzerinden ortalama kazanç ve ortalama kaybı hesaplayın. Bu genellikle basit hareketli ortalama (SMA) yöntemi kullanılarak yapılır.
Ortalama kazancı ortalama kayba bölerek bağıl gücü (RS) hesaplayın.
Aşağıdaki formülü uygulayarak RSI'yı hesaplayın: RSI = 100 - (100 / (1 + RS))
RSI değerlerini zamana göre çizerek varlığın aşırı alım ve satım koşullarını görsel olarak analiz edebilirsiniz. Tüccarlar genellikle RSI'yi potansiyel trend tersine dönüşleri için bir sinyal veya giriş ve çıkış noktaları için onay olarak kullanır.
RSI'nin finansal analizde kullanılan birçok teknik göstergeden sadece biri olduğuna dikkat etmek önemlidir. Etkinliği, piyasa koşulları, analiz edilen varlık ve dikkate alınan zaman çerçevesi gibi çeşitli faktörlere bağlıdır.
Python'da Hareketli Ortalama ve VWAP Trend Stratejileri Arka Testi
Python'da Hareketli Ortalama ve VWAP Trend Stratejileri Arka Testi
Merhaba, bugün ticaret ve algoritmik ticaret için V-WAP (Hacim Ağırlıklı Ortalama Fiyat) ve Hareketli Ortalama göstergelerini karşılaştıracağız. Bir ticaret botu oluşturmak için her iki göstergeyi de kullanacağız ve Bitcoin verilerini kullanarak geriye dönük test edeceğiz.
Bu videoda kullanacağımız stratejilerin kar getirileri, üç yıllık veriler üzerinden yaklaşık yüzde 200'den olağanüstü yüzde 473'e kadar değişebilir. Kodlama kısmıyla ilgileniyorsanız, backtest Python dili kullanılarak yapılır ve Jupyter Notebook dosyasını açıklamada verilen bağlantıdan indirebilirsiniz.
Alım satımda en sevdiğim gösterge olmasının yanı sıra, V-WAP önemlidir çünkü yatırımcıların bir menkul kıymetin adil bir değerde işlem yapıp yapmadığını belirlemesine yardımcı olur. Bu bilgi çok önemlidir, çünkü bir fiyat V-WAP eğrisinin üzerinde veya V-WAP eğrisinin çok üzerinde işlem görüyorsa, aşırı değerlendiğini gösterebilir. Tersine, mevcut fiyat V-WAP eğrisinin altında işlem görüyorsa, bu, menkul kıymetin değerinin düşük olduğunu gösterebilir. Özetle, her zaman fiyatın bir noktada tekrar V-WAP seviyesine yakınsamasını bekleriz. Bu, fiyat mumları ile sarı V-WAP eğrisi arasındaki farkın, fiyatın tekrar V-WAP seviyesine yaklaşmadan ve tekrar sarı eğriden sekmeden önce arttığı bir örnekte gözlemlenebilir. Hareketli ortalama eğrisi ile V-WAP sarı eğrisi arasında açık bir fark vardır.
V-WAP'ı hesaplamak için aşağıdaki ifadeyi kullanabiliriz: V-WAP = Kümülatif ortalama fiyat * Hacim / Kümülatif hacim. Ortalama fiyat, en yüksek, en düşük ve kapanış fiyatları arasındaki ortalama fiyattır. Kümülatif kısım, işlem seansı açıldığından beri toplam tutar anlamına gelir. Alım satım seansı, hedeflediğimiz zaman dilimine bağlı olarak günlük, haftalık veya aylık olarak sıfırlanabilir. V-WAP hesaplaması, işlem hacmi hakkında daha fazla bilgi içerdiğinden basit bir hareketli ortalamadan farklıdır.
Fiyatla birlikte hareket eden dinamik bir destek ve direnç seviyesi görevi gördüğünden, işlemler için en uygun giriş ve çıkış noktalarını belirlemek için V-WAP'ı da kullanabiliriz. Bu videoda gösterilen stratejide V-WAP'ı bunun için kullanacağız.
Kullanacağımız strateji şu şekildedir: İlk olarak, karşılaştırma için hangi göstergeyi kullandığımıza bağlı olarak, V-WAP veya hareketli ortalama eğrisinin altında veya üstünde olan bir dizi şamdana bakacağız. Mumlar eğrinin altındaysa, kısa bir sinyal arıyoruz ve giriş noktası, bir mum eğriye yeterince yakın olduğunda belirlenecektir. Mumlar eğrinin üzerindeyse, uzun bir sinyal arıyoruz ve giriş noktası, bir mum eğriye yeterince yakın olduğunda belirlenecektir. Karşılaştırma için hem hareketli ortalama eğrisini hem de V-WAP eğrisini kullanarak aynı stratejiyi uygulayacağız.
Jupiter Notebook dosyasında, 2019 ile 2022 arasında 15 dakikalık bir zaman dilimine sahip Bitcoin ABD doları mum çubuğu verilerini yüklüyoruz. Veri formatlarını temizliyoruz ve V-WAP ve EMA'yı (Üstel Hareketli Ortalama) hesaplamak için pandas teknik analiz modülünü kullanıyoruz. ). Ardından, belirli sayıda arka mum kullanarak hem EMA hem de V-WAP için sinyali hesaplıyoruz. Sinyal değerleri, veri çerçevesindeki yeni sütunlarda saklanır. Daha iyi anlamak için sinyal noktalarını görselleştiriyoruz.
Geriye dönük testler için farklı ticaret yönetimi yaklaşımları kullanabiliriz. Bu durumda, zararı durdur ve kârı al seviyelerini ayarlamak için ATR'yi (Ortalama Gerçek Aralık) kullanırız. Kâr alma seviyesi, zararı durdurma mesafesine göre belirlenir ve kâr almanın zararı durdurmaya oranı 2,5'tir. Stop-loss, ATR'nin 0,8 katı olarak hesaplanır.
Geriye dönük testte, veri çerçevesindeki her mumu yineleriz ve V-WAP tarafından üretilen sinyale ve hareketli ortalama göstergelerine dayalı olarak giriş ve çıkış koşullarını kontrol ederiz. Bir ticaret başlatılırsa, ATR'ye dayalı olarak zararı durdur ve kârı al seviyelerini hesaplarız. Fiyat, zararı durdur veya kâr al seviyesine ulaşırsa, işlemden çıkar ve kâr veya zararı kaydederiz.
Geriye dönük test tamamlandıktan sonra kümülatif kar ve zararı hesaplar ve toplam getiri, yıllık getiri, maksimum düşüş ve Sharpe oranı gibi performans ölçütlerini oluştururuz.
Geriye dönük testin sonuçları, hem V-WAP hem de hareketli ortalama göstergelerini kullanan ticaret stratejisinin performansını gösterir. Sonuçları karşılaştırarak, karlılık ve risk yönetimi açısından hangi göstergenin daha iyi performans gösterdiğini değerlendirebiliriz.
Geriye dönük test sonuçlarının, kullanılan belirli parametreler, seçilen zaman aralığı ve piyasa koşulları gibi çeşitli faktörlere bağlı olacağını lütfen unutmayın. Gerçek ticarete uygulamadan önce stratejiyi kapsamlı bir şekilde analiz etmek ve sağlam testler yapmak önemlidir.
Python Kullanarak Otomatik Doji ve Yutma Modelleri ile Fiyat İşleminde Ustalaşın
Python Kullanarak Otomatik Doji ve Yutma Modelleri ile Fiyat İşleminde Ustalaşın
Bugün iki mum modelini karşılaştıracağız: Doji ve Yutan mumlar. Bollinger Bantları ile birleştirilmiş basit bir strateji kullanacağız ve bir saatlik zaman diliminde geçen yılın geçmiş verilerini kullanarak bu kalıpları geriye dönük test edeceğiz. Amacımız, fiyat eylem modellerini diğer göstergelerle birleştirmenin saf teknik ticaret için nasıl güçlü bir araç olabileceğini göstermektir.
Bu stratejiyi uygulamak için, video açıklamasındaki bağlantıdan indirilebilen Python kodunu sağlıyoruz. İçeriği faydalı bulduysanız lütfen beğenip takip ederek kanalımıza destek olun. Ayrıca, keşfetmek istediğiniz herhangi bir fikriniz varsa, bunları yorumlar bölümünde tartışabiliriz.
Bu gösterinin amacı için, iki formasyon setine odaklanacağız: Doji mumundan önce bir düşüş mumu ve ardından bir yükseliş veya yükseliş mumu, gelecekteki bir yükseliş trendini gösterir. İkinci model, bir mumun açılış ve kapanış fiyatlarının önceki mumun fiyatlarından sırasıyla daha yüksek ve daha düşük olduğu Yutma modelidir. Esasen, mevcut mum, gelecekteki fiyatlar için tahmin edilen eğilimi belirleyerek bir öncekini yutar. Bu iki model için özellikle yükseliş kurulum örneklerine bakacağız. Ayrıca, bir Doji'nin ardından bir düşüş mumunun geldiği veya Yutma formasyonunda, yutan mumun bir düşüş yönüne sahip olduğu düşüş kurulumlarını da göz önünde bulundurmaya değer. Bu kurulumlar gelecekteki bir düşüş trendini gösterir.
Şimdi, bu kalıpları stratejimizde nasıl kullandığımıza bakalım. İlk olarak, bir fiyat mumunun Bollinger Band çizgilerinin üzerinde veya altında kapanmasını bekleyeceğiz. Alt Bollinger Band çizgisinin altında bir yükseliş modeli oluşursa, bir satın alma sinyali belirleriz. Öte yandan, üst Bollinger Bandı çizgisinin üzerinde bir düşüş mumu oluşumu meydana gelirse, kısa devre veya satış sinyali veririz. Daha basit bir ifadeyle, Bollinger Bantlarının altında bir yükseliş modeli gözlemlersek, fiyatın yükselmesini bekleriz. Tersine, Bollinger Bantlarının üzerinde bir düşüş eğilimi görürsek, fiyatın düşmesini bekleriz. Python kullanarak keşfedeceğimiz yön budur.
Sağlanan Jupyter not defteri, bu göstergenin geriye dönük testini gösterir. Kod, sırasıyla veri alma ve analiz için Y Finans modülünü ve pandaları kullanır. 1 Nisan 2021 ile 19 Mart 2023 arasındaki Euro-ABD doları döviz kuru verileri, saatlik bir zaman diliminde indirilir.
Bollinger Bantlarını hesaplamak için, uzunluğu 30 ve standart sapmayı 1,5 olarak ayarlayan pandalar teknik analiz modülünü kullanıyoruz. Bu parametreler daha fazla deney için ayarlanabilir.
Ardından, açık, kapalı, yüksek ve düşük fiyatlı veri çerçevesini ve ayrıca Bollinger Bantları verilerini alan "Bollinger Doji Sinyali" işlevini tanımlıyoruz. Bir yükseliş sinyali içeren ilk koşulu kontrol ediyoruz. Bu durumda, mevcut mumun alt Bollinger Bandı çizgisinin altında bir kapanış fiyatı ararız. Eşzamanlı olarak, mevcut kapanış fiyatı açılış fiyatından daha yüksek olmalıdır, bu da bir Doji mumundan önce gelen yeşil veya yukarı yönlü bir mum olduğunu gösterir. Ek olarak, kapanış fiyatı açılış fiyatından daha düşük olan önceki mum düşüş eğilimi göstermelidir. Bu kombinasyon bir tersine dönüş modelini temsil eder. Bu koşullar karşılanırsa ve model Bollinger Bandı alt çizgisinin altında oluşursa, bir satın alma sinyali belirleriz. Tersine, bir düşüş sinyali için, kapanış fiyatı Bollinger Bandı üst çizgisinin üzerinde olmalı ve mevcut mum, kapanış fiyatı açılış fiyatının altında olacak şekilde düşüş eğilimi göstermelidir. Bundan önce, kapanış fiyatı açılış fiyatından daha yüksek olan bir yükseliş trendi veya yeşil mum olmalıdır.
Bu durumda, kombinasyon bir ters dönüş modelini temsil eder ve bu koşullar karşılanırsa ve model üst Bollinger Bandı çizgisinin üzerinde oluşursa, bir satış sinyali veririz.
"Bollinger Doji Signal" işlevi, yukarıda belirtilen koşullara dayalı olarak sinyalleri hesaplar ve orijinal verilerle birlikte bir veri çerçevesi döndürür ve sinyaller sütunu, her birinde satın almayı (1), satmayı (-1) veya tutmayı (0) gösterir. mum.
Daha sonra bu işlevi geçmiş verilerimize uygularız ve sonuçları "signals_df" adlı yeni bir veri çerçevesinde saklarız.
Stratejimizin performansını değerlendirmek için, sinyalleri kapanış fiyatındaki yüzde değişim ile çarparak ve kümülatif olarak toplayarak getirileri hesaplıyoruz. Ayrıca, varlığı tüm dönem boyunca elimizde tuttuğumuz bir al ve tut stratejisinin kümülatif getirilerini de hesaplarız.
Son olarak, performansı görselleştirmek için her iki stratejinin kümülatif getirilerini bir grafik üzerinde çiziyoruz.
Geriye dönük test sonuçlarını analiz ederek, alım satım sinyallerinin üretilmesinde Bollinger Bantları göstergesiyle birlikte Doji ve Yutan mum modellerinin etkinliğini değerlendirebiliriz. Bunun basitleştirilmiş bir örnek olduğunu ve mali tavsiye olarak değerlendirilmemesi gerektiğini unutmamak önemlidir. Ek olarak, strateji ve parametreleri bireysel tercihlere ve risk toleransına göre daha fazla optimize edilebilir ve özelleştirilebilir.
Kodu tam olarak anlamak ve çoğaltmak için, tüm kodu ve açıklamaları içeren sağlanan Jupyter not defterini indirmeniz ve çalıştırmanız önerilir.
Ticaret stratejilerinin, gerçek ticaret senaryolarında uygulanmadan önce kapsamlı bir şekilde test edilmesi ve doğrulanması gerektiğini unutmayın. Herhangi bir yatırım kararı vermeden önce her zaman bir finansal danışmana danışmanız veya kapsamlı araştırma yapmanız önerilir.
Bu açıklamanın, bir ticaret stratejisinde Bollinger Bantları göstergesiyle birlikte Doji ve Yutan mum modellerinin uygulanmasını daha iyi anlamanıza yardımcı olacağını umuyoruz.Strateji Fiyat Kanalının Geri Testi Python'da Çıkış Yaptı
Strateji Fiyat Kanalının Geri Testi Python'da Çıkış Yaptı
Merhaba ve kanalıma tekrar hoş geldiniz. Bugünün videosunda, fiyat kanalı çıkışlarına dayalı bir strateji geliştirmeye ve geriye dönük test etmeye odaklanacağız. Burada yeniyseniz, özel Python tabanlı fiyat kanalı göstergemizin kodunu tanıttığım ve açıkladığım önceki bölümümüzü izlemenizi tavsiye ederim. Aşağıdaki açıklamaya bir bağlantı bırakacağım. Şimdi, bugünün konusuna geçelim ve geriye dönük test kısmını gerçekleştirelim.
Bir önceki videomuzda fiyat kanallarını tespit etme kodunu sunmuştuk. Özetlemek gerekirse, mumların yüksek ve düşük noktaları olan fraktalları tespit ediyoruz. Bir fraktal, aynı anda tüm komşu mumlardan daha yüksek veya daha düşük olan mum üzerindeki bir noktadır. Hem yüksek hem de alçak olmak üzere farklı fraktalları saptarız ve regresyon kullanarak bunları eğimlere sığdırırız. Bu eğimler, fiyat kanalını tanımlayan kanalı temsil eder. Daha sonra fiyatın aynı yönde devam edeceğini varsayarak fiyat bu kanalın dışına çıktığında kırılmaları tespit etmeye çalışırız.
Görsel olarak, gösterge iyi çalışıyor gibi görünüyor, ancak uzun vadeli bir stratejide nasıl performans gösterdiğini merak ediyoruz. Bu nedenle, bugün tam bir geriye dönük test gerçekleştiriyoruz. Geriye dönük test için Python kullanacağız ve kodu açıklamadaki bağlantıdan indirebilirsiniz.
Başlamak için, son videoda da kullandığımız 2003'ten 2023'e kadar 10 ila 20 yıllık verileri alarak verilerimizi yüklüyoruz. Arka mum sayısını, fraktalları (yüksekler ve alçaklar) tespit edeceğimiz ve kanalımızı tanımlayacağımız pencere olan 45 olarak ayarladık.
Bir mumun pivot noktası mı yoksa fraktal nokta mı olduğunu tespit eden is_pivot adında bir fonksiyonumuz var. İki parametre alır: mum indeksi ve pencere boyutu. Mumun, belirtilen penceredeki komşu mumların tüm yüksek veya alçak değerlerinden daha yüksek veya daha düşük olup olmadığını kontrol eder. Pivot tipine göre bir değer döndürür: 1 pivot için yüksek, 2 pivot için dip, 3 her ikisi için ve 0 diğer durumlar için. Bu işlevi veri çerçevemizdeki her mum için uyguluyoruz ve sonuçları "is_pivot" adlı yeni bir sütuna kaydediyoruz.
Ardından, kanalları toplamamız veya kanalları tespit etmemiz gerekiyor. Mevcut mumdan önceki 45 muma bakarız ve yüksek ve düşük fraktalları kontrol ederiz. En az üç yüksek ve üç alçağımız varsa, bunları doğrusal regresyon kullanarak uydurur ve eğimlerin parametrelerini döndürürüz. Aksi takdirde, sıfırları döndürürüz. Belirtilen pencere boyutunu kullanarak bu işlevi veri çerçevesine uyguluyoruz ve sonuçlar "kanal" adı verilen yeni bir sütuna kaydediliyor.
Ayrıca is_breakout adında, fiyat kanalı dışındaki kırılmaları tespit eden bir fonksiyonumuz da var. Her bir mum için, bir önceki mumun tepe noktasının kanalın içinde olup olmadığını ve bir önceki mumun kapanış fiyatının kanalın dip seviyesinin altında olup olmadığını kontrol ederiz. Her iki koşul da karşılanırsa ve mevcut mumun açılış ve kapanış fiyatları da kanalın dışındaysa, bir sinyal döndürürüz: düşüş sinyali için 1, yükseliş sinyali için 2 ve diğer durumlar için 0. Bu işlevi tüm mumlar üzerinde çalıştırıyoruz ve sonuçları "is_breakout" adlı yeni bir sütuna kaydediyoruz.
Artık koparma sinyallerine sahip olduğumuza göre, geriye dönük teste devam edebiliriz. Geriye Dönük Test Kitaplığını her zamanki gibi öz sermayenin %10'u kadar bir başlangıç lot boyutuyla kullanıyoruz. Zararı durdurmak için bir kâr alma oranı tanımlarız ve sinyale dayalı olarak zararı durdur ve kârı al seviyelerini belirleriz. Örneğin, sinyal 2 (yükseliş trendi) ise ve hiçbir işlem açık değilse, zararı durdur'u önceki mumun en düşük noktasına ve karı al'ı ortalama gerçek aralığın (ATR) katına ayarlarız.
Veri çerçevesindeki her mum üzerinde tekrar yapıyoruz ve bir kırılma sinyali olup olmadığını kontrol ediyoruz. Bir sinyal varsa ve şu anda açık bir işlem yoksa, sinyale göre yeni bir işleme gireriz. Alım satım büyüklüğünü parti büyüklüğüne ve mevcut öz sermayeye göre hesaplıyoruz.
Bir ticaret açıldığında, ilerlemesini takip ederiz. Fiyat bizim lehimize hareket ettikçe zararı durdur ve karı al seviyelerini güncelleriz. Fiyat, zararı durdur veya karı al seviyesine ulaşırsa, işlemi kapatır ve sonucu kaydederiz.
Son olarak, toplam işlem sayısı, kazanan işlemlerin yüzdesi, işlem başına ortalama getiri ve genel öz sermaye getirisi dahil olmak üzere genel performans ölçütlerini hesaplar ve yazdırırız.
Fiyat kanalı koparma stratejisinin kod olmadan adım adım açıklaması:
Bu stratejiyi kodda uygulamak, onu geçmiş veriler üzerinde geriye dönük test etmenize ve performansını analiz etmenize olanak tanır. Daha önce sağlanan kod, stratejinin Python'daki Backtesting kitaplığını kullanarak uygulanmasını gösterir.