Forex bot python
Jon V.
BigData. Iniciantes. Negociação.
BigData. Iniciantes. Negociação.
Colocando seu primeiro comércio Forex com o Python.
Atualização: atualizei o código para que ele funcione com a nova API da Oanda. Venha aqui.
Tempo para conversar sobre corretores, como colocar um comércio com programação e, o mais importante, como não ser enganado.
Um corretor não é mais do que uma empresa que lhe permite comercializar (comprar ou vender) ativos em um mercado através da plataforma. O que é muito importante para algotrading é:
O corretor oferece uma API para que possamos fazer pedidos. Você pode ter uma conta de demonstração para executar seu ambiente de teste e experimentar. O spread é tão pequeno quanto possível.
No nosso caso, nós realmente não nos importamos com a propagação, pois não estaremos fazendo a venda de alta freqüência em breve.
Embora os corretores estejam regulamentados, ocorreram incidentes nos últimos dois anos, os corretores dobraram devido a certas condições. Seja muito cauteloso se.
Não há comentários sobre o corretor na internet (ou a maioria deles é ruim) Se o corretor lhe oferecer uma alavanca louca (como 1: 200) Se o corretor parece estar em um país muito estranho.
O que poderia acontecer é que você comece a ganhar algum dinheiro e você não pode removê-los. A sério. Situação super estressante.
Mas vamos mudar para uma nota mais feliz que está abrindo uma conta e colocando nosso primeiro comércio programático. Whooha!
Estou usando o Oanda como corretor (não estou afiliado a eles) e eles oferecem uma API bastante decente, bibliotecas no github e uma conta demo gratuita.
Depois de iniciar sessão na sua conta de demonstração, vá para Gerenciar acesso à API. Lá, você pode encontrar sua chave de API que vamos usar em nosso sistema para fazer negócios. CERTIFIQUE-SE DE NÃO COMPARTILHAR ESTA CHAVE.
O código para isso é e todas as outras postagens estão no github e você pode instalá-lo e executá-lo facilmente.
Atualização: Oanda lançou um novo mecanismo de execução (kickass) chamado v20 e eles lançaram uma nova API (melhorada). Esta publicação foi atualizada para usar a nova API, mas se (por qualquer motivo) você quiser verificar o código antigo, está aqui. Você é sortudo!
Conectando-se a Oanda precisa de um arquivo conf - o qual você pode gerar usando um script que o Oanda fornece aqui ou você pode simplesmente criá-lo você mesmo. Porque você iria querer aquilo? Em primeiro lugar, quando se trata de credenciais (e meu dinheiro), eu prefiro saber tudo o que está acontecendo. E eu não gosto de ter que instalar o PyYAML apenas para ler um arquivo conf. Sinta-se livre para usar qualquer um dos métodos.
Agora, prepare-se para se surpreender. O código é direto. Inicializamos a API:
e agora vamos fazer um pedido (comprar 5000 unidades de EURUSD)
Verifique se o preço atual é tão fácil!
Super fácil. Não se preocupe com o que é EURUSD ou com quantas unidades estamos comprando ou qual é a ordem do mercado. Por enquanto, colocamos nossa primeira troca de nosso laptop e vamos construir nossa própria API para fazer negócios. Coisas emocionantes!
Você pode ler a documentação da Oanda aqui para ver o que mais você pode fazer com sua API e encontrar a biblioteca do Python aqui. Tons de exemplos estão disponíveis na página do Github da Oanda aqui.
Próxima, conectando-se a um verdadeiro sistema algotrading AO VIVO, correndo do meu RaspberryPI em casa.
Você poderá ver o programa (quase) final em execução e falaremos mais sobre Forex e estratégias.
Se você tiver mais comentários, clique-me no jonromero ou inscreva-se no boletim informativo.
Legal outro. Este é um tutorial de engenharia sobre como construir uma plataforma algotrading para experimentação e FUN. Qualquer sugestão aqui não é um conselho financeiro. Se você perder qualquer (ou todos) o seu dinheiro porque seguiu quaisquer conselhos de negociação ou implantou este sistema na produção, não pode culpar este blog aleatório (e / ou eu). Aproveite a seu próprio risco.
Forex bot Python e Silicon.
Infelizmente, o sinal Forex bot Python e Silicon está desabilitado e não está disponível.
O Provedor desativou esse sinal. No entanto, o enorme banco de dados de outros sinais e provedores ativos permanece à sua disposição. Selecione o mais apropriado, conecte-se a ele e deixe seu terminal copiar os negócios automaticamente.
Você pode verificar outros sinais de Paul Thatcher:
Ou selecione a partir de outros sinais do MetaTrader 4:
Não há sinais adequados?
para um dos 5794 sinais disponíveis.
para o MetaTrader 4.
O assinante aceita todos os riscos de execução ao se inscrever em um sinal. As estatísticas históricas não podem garantir qualquer rentabilidade no futuro.
O'Reilly.
Em nosso radar.
Em nosso radar.
Negociação algorítmica em menos de 100 linhas de código Python.
Se você está familiarizado com o comércio financeiro e conhece o Python, você pode começar com o comércio algorítmico básico em nenhum momento.
Se você quiser saber mais sobre a análise de dados financeiros com o Python, confira Python for Finance pela Yves Hilpisch.
Negociação Algorítmica.
A negociação algorítmica refere-se à negociação automatizada e automatizada de instrumentos financeiros (com base em algum algoritmo ou regra) com pouca ou nenhuma intervenção humana durante as horas de negociação. Quase qualquer tipo de instrumento financeiro - sejam ações, moedas, commodities, produtos de crédito ou volatilidade - pode ser negociado de tal forma. Não só isso, em certos segmentos de mercado, os algoritmos são responsáveis pela maior parte do volume comercial. Os livros The Quants de Scott Patterson e Mais dinheiro do que Deus por Sebastian Mallaby pintam uma imagem vívida dos começos do comércio algorítmico e das personalidades por trás do seu aumento.
As barreiras à entrada para negociação algorítmica nunca foram menores. Não muito tempo atrás, apenas investidores institucionais com orçamentos de TI em milhões de dólares poderiam participar, mas hoje mesmo indivíduos equipados apenas com um notebook e uma conexão com a Internet podem começar em poucos minutos. Algumas tendências principais estão por trás desse desenvolvimento:
Software de código aberto: cada pedaço de software que um comerciante precisa para começar na negociação algorítmica está disponível na forma de código aberto; especificamente, Python tornou-se o idioma e o ecossistema de escolha. Abrir fontes de dados: cada vez mais valiosos conjuntos de dados estão disponíveis a partir de fontes abertas e gratuitas, fornecendo uma grande quantidade de opções para testar hipóteses e estratégias de negociação. Plataformas de negociação on-line: existe um grande número de plataformas de negociação on-line que fornecem acesso fácil e padronizado aos dados históricos (através de APIs RESTful) e dados em tempo real (através de APIs de streaming de soquete) e também oferecem recursos comerciais e de portfólio (por meio de APIs programáticas ).
Este artigo mostra como implementar um projeto de negociação algorítmica completo, desde testar a estratégia até realizar negócios automatizados em tempo real. Aqui estão os principais elementos do projeto:
Estratégia: escolhi uma estratégia de impulso de séries temporais (ver Moskowitz, Tobias, Yao Hua Ooi e Lasse Heje Pedersen (2018): "Time Series Momentum". Journal of Financial Economics, Vol. 104, 228-250.), Que basicamente, pressupõe que um instrumento financeiro que tenha funcionado bem / mal continuará a fazê-lo. Plataforma: escolhi Oanda; Isso permite que você troque uma variedade de contratos de alavancagem por diferenças (CFDs), que essencialmente permitem apostas direcionais em um conjunto diversificado de instrumentos financeiros (por exemplo, moedas, índices de ações, commodities). Dados: obteremos todos os nossos dados históricos e dados de transmissão da Oanda. Software: Usaremos o Python em combinação com os poderosos pandas da biblioteca de análise de dados, além de alguns pacotes Python adicionais.
O seguinte pressupõe que você tenha uma instalação Python 3.5 disponível com as principais bibliotecas de análise de dados, como NumPy e pandas, incluídas. Caso contrário, você deve, por exemplo, baixar e instalar a distribuição do Anaconda Python.
Conta Oanda.
No oanda, qualquer pessoa pode se inscrever para uma demonstração de demonstração gratuita ("paper trading") em poucos minutos. Depois de ter feito isso, para acessar a API Oanda por meio de programação, você precisa instalar o pacote Python relevante:
Para trabalhar com o pacote, você precisa criar um arquivo de configuração com o nome do arquivo oanda. cfg que possui o seguinte conteúdo:
Substitua as informações acima com o ID e o token que você encontra em sua conta na plataforma Oanda.
A execução deste código o equipa com o objeto principal para trabalhar programaticamente com a plataforma Oanda.
Backtesting.
Nós já criamos tudo o que é necessário para começar com a análise da estratégia de impulso. Em particular, podemos recuperar dados históricos da Oanda. O instrumento que utilizamos é EUR_USD e é baseado na taxa de câmbio EUR / USD.
O primeiro passo no backtesting é recuperar os dados e convertê-lo em um objeto DataFrame de pandas. O conjunto de dados é para os dois dias 8 e 9 de dezembro de 2018, e tem uma granularidade de um minuto. A saída no final do seguinte bloco de código fornece uma visão geral detalhada do conjunto de dados. Ele é usado para implementar o backtesting da estratégia de negociação.
Em segundo lugar, formalizamos a estratégia de impulso ao dizer a Python que obtenha o retorno de registro médio nas últimas barras de 15, 30, 60 e 120 minutos para derivar a posição no instrumento. Por exemplo, o retorno do log médio para as últimas barras de 15 minutos dá o valor médio das últimas 15 observações de retorno. Se esse valor for positivo, vamos / ficamos longos o instrumento negociado; Se é negativo, vamos / ficamos curtos. Para simplificar o código que se segue, apenas confiamos nos valores closeAsk que recuperamos através do nosso bloco anterior de código:
Em terceiro lugar, para derivar o desempenho absoluto da estratégia momentum para os diferentes intervalos de momentum (em minutos), você precisa multiplicar os posicionamentos derivados acima (deslocados por um dia) pelos retornos do mercado. Veja como fazer isso:
A inspeção da parcela acima revela que, ao longo do período do conjunto de dados, o próprio instrumento negociado tem um desempenho negativo de cerca de -2%. Entre as estratégias de impulso, a baseada em 120 minutos é melhor com um retorno positivo de cerca de 1,5% (ignorando a propagação / oferta). Em princípio, essa estratégia mostra "alfa real": ele gera um retorno positivo mesmo quando o próprio instrumento mostra um negativo.
Negociação automatizada.
Depois de decidir qual estratégia de negociação implementar, você está pronto para automatizar a operação de negociação. Para acelerar as coisas, estou implementando a negociação automatizada com base em doze barras de cinco segundos para a estratégia de momentum da série temporal, em vez de barras de um minuto, como usadas para testes anteriores. Uma única e bastante concisa classe o truque:
O código abaixo permite que a classe MomentumTrader faça seu trabalho. O comércio automatizado ocorre no impulso calculado em 12 intervalos de comprimento cinco segundos. A classe automaticamente interrompe a negociação após 250 carrapatos de dados recebidos. Isso é arbitrário, mas permite uma demonstração rápida da classe MomentumTrader.
A saída acima mostra os negócios únicos executados pela classe MomentumTrader durante uma execução de demonstração. A captura de tela abaixo mostra a aplicação de área de trabalho fxTradePractice da Oanda, onde uma negociação da execução da classe MomentumTrader em EUR_USD está ativa.
Todos os exemplos de resultados apresentados neste artigo são baseados em uma conta demo (onde apenas o dinheiro do papel é usado em vez do dinheiro real) para simular o comércio algorítmico. Para mudar para uma operação comercial ao vivo com dinheiro real, você simplesmente precisa configurar uma conta real com a Oanda, fornecer fundos reais e ajustar o ambiente e os parâmetros da conta usados no código. O próprio código não precisa ser alterado.
Conclusões.
Este artigo mostra que você pode iniciar uma operação básica de negociação algorítmica com menos de 100 linhas de código Python. Em princípio, todas as etapas de um projeto desse tipo são ilustradas, como recuperar dados para fins de backtesting, testar uma estratégia momentum e automatizar a negociação com base em uma especificação estratégica momentum. O código apresentado fornece um ponto de partida para explorar muitas direções diferentes: usando estratégias alternativas de negociação algorítmica, trocando instrumentos alternativos, trocando múltiplos instrumentos ao mesmo tempo, etc.
A popularidade do comércio algorítmico é ilustrada pelo aumento de diferentes tipos de plataformas. Por exemplo, a Quantopian - uma plataforma de teste back-test baseada em web e Python para estratégias de negociação algorítmica - informou no final de 2018 que atraiu uma base de usuários de mais de 100.000 pessoas. As plataformas de negociação on-line como a Oanda ou aquelas para criptografia como o Gemini permitem que você comece em mercados reais em poucos minutos e atenda a milhares de comerciantes ativos ao redor do globo.
Se você quiser saber mais sobre a análise de dados financeiros com o Python, confira Python for Finance pela Yves Hilpisch.
Yves Hilpisch.
O Dr. Yves J. Hilpisch é fundador e sócio-gerente da The Python Quants (tpq. io), um grupo que se concentra no uso de tecnologias de código aberto para ciência de dados financeiros, negociação algorítmica e finanças computacionais. Ele é o autor dos livros Python for Finance (O'Reilly, 2018), Derivatives Analytics com Python (Wiley, 2018) e Volatilidade e Derivados de Variância (Wiley, 2017). Yves palestras em finanças computacionais no Programa CQF (cqf), na ciência dos dados na Universidade de Ciências Aplicadas (htws.
Como posso passar parâmetros para um comando em C #?
Saiba como passar dados para um comando sem violar o padrão de comando em C #.
Como uso o padrão singleton em C #?
Saiba como criar instâncias thread-safe com o padrão singleton em C #.
Como eu deveria formatar consultas Transact-SQL?
Aprenda as possibilidades de formatação para consultas Transact-SQL e desenvolva sua própria estrutura de código.
Como localizar dados em minhas tabelas do SQL Server usando os diagramas do SQL Server Management Studio?
Localize os dados de forma rápida e fácil com a ferramenta de diagrama do SQL Server Management Studio.
QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 21 de janeiro de 2018.
Eu mencionei anteriormente no artigo QuantStart: 2018 In Review que eu estaria gastando algum escrito em 2018 sobre negociação forex automatizada.
Dado que eu mesmo geralmente realizo pesquisas em mercados de ações e futuros, pensei que seria divertido (e educativo!) Escrever sobre minhas experiências de entrar no mercado de divisas no estilo de um diário. Cada "entrada diária" tentará construir sobre todos aqueles antes, mas também deve ser relativamente autônoma.
Nesta primeira entrada do diário, descreverei como configurar uma nova conta de corretagem de prática com a OANDA, bem como a forma de criar um motor de negociação básico baseado em múltiplos processos que possa executar negócios automaticamente em uma configuração prática e ao vivo.
No ano passado, passamos muito tempo olhando o backtester baseado em eventos, principalmente para ações e ETFs. O que eu apresento abaixo é orientado para o forex e pode ser usado para negociação de papel ou negociação ao vivo.
Eu escrevi todas as instruções a seguir para o Ubuntu 14.04, mas elas devem ser facilmente traduzidas para Windows ou Mac OS X, usando uma distribuição Python, como Anaconda. A única biblioteca adicional usada para o mecanismo comercial Python é a biblioteca de solicitações, que é necessária para a comunicação HTTP para a API OANDA.
Uma vez que este é o primeiro post diretamente sobre o comércio cambial, e o código apresentado abaixo pode ser direto para um ambiente de negociação ao vivo, gostaria de apresentar as seguintes isenções:
Isenção de responsabilidade: a negociação de câmbio na margem possui um alto nível de risco e pode não ser adequada para todos os investidores. O desempenho passado não é indicativo de resultados futuros. O alto grau de alavancagem pode funcionar contra você, bem como para você. Antes de decidir investir em divisas, você deve considerar cuidadosamente seus objetivos de investimento, nível de experiência e apetite de risco. Existe a possibilidade de que você possa sustentar uma perda de algum ou todo seu investimento inicial e, portanto, você não deve investir dinheiro que não pode perder. Você deve estar ciente de todos os riscos associados à negociação cambial e procurar o aconselhamento de um consultor financeiro independente se tiver dúvidas.
Este software é fornecido "tal como está" e quaisquer garantias expressas ou implícitas, incluindo, mas não limitado a, as garantias implícitas de comercialização e adequação para um propósito específico são negadas. Em nenhum caso, os regentes ou contribuidores serão responsáveis por quaisquer danos diretos, indiretos, incidentais, especiais, exemplares ou conseqüentes (incluindo, mas não limitado a, aquisição de bens ou serviços de substituição, perda de uso, dados ou lucros, ou interrupção do negócio), no entanto, causou e em qualquer teoria da responsabilidade, seja no contrato, responsabilidade restritiva ou delito (incluindo negligência ou outra) decorrente de qualquer uso do software, mesmo que seja avisado da possibilidade de tal dano.
Configurando uma conta com OANDA.
A primeira pergunta que vem à mente é "Por que escolher OANDA?". Simplificando, depois de um pouco de Googling em torno de corretores de Forex que possuíam APIs, vi que a OANDA havia lançado recentemente uma API REST adequada que poderia ser facilmente comunicada com quase qualquer idioma de uma maneira extremamente direta. Depois de ler a documentação da API do desenvolvedor, eu decidi fazer uma tentativa, pelo menos com uma conta prática.
Para ser claro - não tenho relação anterior ou existente com a OANDA e estou fornecendo apenas esta recomendação com base em minha experiência limitada ao brincar com sua API prática e algum uso breve (para download de dados de mercado) enquanto empregado em um fundo anteriormente. Se alguém se deparou com outros corretores forex que também tenham uma API similarmente moderna, então eu ficaria feliz em dar-lhes um olhar também.
Antes de utilizar a API, é necessário se inscrever para uma conta prática. Para fazer isso, vá para o link de inscrição. Você verá a seguinte tela:
Você poderá fazer login com suas credenciais de login. Certifique-se de selecionar a guia "fxTradePractice" na tela de login:
Uma vez que você precisa fazer uma anotação da sua identificação da conta. Ele está listado abaixo do cabeçalho preto "Meus fundos" ao lado de "Primário". O meu é um número de 7 dígitos. Além disso, você também precisará gerar um token de API pessoal. Para fazer isso, clique em "Gerenciar Acesso da API" abaixo da guia "Outras Ações" no canto inferior esquerdo:
Nesta fase, você poderá gerar um token de API. Você precisará da chave para o uso mais tarde, então certifique-se de anotá-la também.
Agora você deseja iniciar o aplicativo FXTrade Practice, o que nos permitirá ver as ordens executadas e nosso (paper!) Profit & amp; perda.
Se você estiver executando um sistema Ubuntu, você precisará instalar uma versão ligeiramente diferente do Java. Em particular, a versão Oracle do Java 8. Se você não fizer isso, o simulador de prática não será carregado a partir do navegador. Executei esses comandos no meu sistema:
Agora você poderá iniciar o ambiente comercial da prática. Volte para o painel de controle OANDA e clique no link verde "Lançar FXTrade Practice". Ele abrirá uma caixa de diálogo Java perguntando se deseja executá-lo. Clique em "Executar" e a ferramenta FxTrade Practice será carregada. O meu padrão foi ajustado para um gráfico de velas de 15 minutos de EUR / USD com o Painel de Citações à esquerda:
Tela de prática OANDA fxTrade.
Neste ponto, estamos prontos para começar a projetar e codificar nosso sistema automatizado de trading forex contra a API OANDA.
Visão geral da arquitetura comercial.
Se você acompanha a série de backtester com base em eventos para ações e ETFs que eu criei no ano passado, você estará ciente de como esse sistema de negociação baseado em eventos funciona. Para aqueles que são novos para o software dirigido a eventos, eu sugeriria fortemente a leitura do artigo, a fim de obter informações sobre como eles funcionam.
Em essência, todo o programa é executado em um loop infinte while que só termina quando o sistema comercial é desligado. O mecanismo de comunicação central do programa é fornecido através de uma fila que contém eventos.
A fila é constantemente consultada para verificar novos eventos. Uma vez que um evento foi retirado do topo da fila, ele deve ser tratado por um componente apropriado do programa. Portanto, um feed de dados do mercado pode criar o TickEvent s que são colocados na fila quando um novo preço de mercado chega. Um objeto de estratégia gerador de sinal pode criar OrderEvent s que devem ser enviados para uma corretora.
A utilidade de tal sistema é dada pelo fato de que não importa qual ordem ou tipos de eventos são colocados na fila, pois eles sempre serão tratados corretamente pelo componente certo dentro do programa.
Além disso, diferentes partes do programa podem ser executadas em segmentos separados, o que significa que nunca há espera por nenhum componente específico antes de processar qualquer outro. Isso é extremamente útil em situações de negociação algorítmica, onde manipuladores de feed de dados de mercado e geradores de sinal de estratégia possuem características de desempenho muito diferentes.
O principal ciclo de negociação é dado pelo seguinte pseudo-código Python:
Como afirmamos acima, o código é executado em um loop infinito. Em primeiro lugar, a fila é polida para recuperar um novo evento. Se a fila estiver vazia, o loop simplesmente será reiniciado após um período de sono curto conhecido como "batimento cardíaco". Se um evento for encontrado, seu tipo é avaliado e, em seguida, o módulo relevante (seja a estratégia ou o manipulador de execução) é chamado a lidar com o evento e possivelmente gerar novos que voltem para a fila.
Os componentes básicos que criaremos para o nosso sistema comercial incluem o seguinte:
Manipulador de preços de transmissão - Isso manterá uma conexão de longa duração aberta aos servidores OANDAs e enviará dados de marca (por exemplo, lance / pedido) em toda a conexão para quaisquer instrumentos nos quais estamos interessados. Estratégia Gerador de Sinal - Isso levará uma seqüência de tiques eventos e use-os para gerar ordens de negociação que serão executadas pelo manipulador de execução. Manipulador de Execução - Executa um conjunto de eventos de ordem e depois os executa cegamente com OANDA. Eventos - Esses objetos constituem as "mensagens" que são transmitidas na fila de eventos. Exigimos apenas dois para esta implementação, nomeadamente o TickEvent e o OrderEvent. Ponto de entrada principal - O ponto de entrada principal também inclui o loop "trade" que pesquisa continuamente a fila de mensagens e envia mensagens para o componente correto. Isso geralmente é conhecido como "loop de eventos" ou "manipulador de eventos".
Vamos agora discutir a implementação do código em detalhes. Na parte inferior do artigo está a listagem completa de todos os arquivos de código fonte. Se você colocá-los no mesmo diretório e executar o python trading. py, você começará a gerar ordens, assumindo que você tenha preenchido o ID da sua conta e o token de autenticação da OANDA.
Implementação do Python.
É uma prática ruim armazenar senhas ou chaves de autenticação dentro de uma base de códigos, pois você nunca pode prever quem será, eventualmente, permitido o acesso a um projeto. Em um sistema de produção, nós armazenamos essas credenciais como variáveis de ambiente com o sistema e, em seguida, consultamos esses "envvars" cada vez que o código é redistribuído. Isso garante que as senhas e os tokens de autenticação nunca sejam armazenados em um sistema de controle de versão.
No entanto, uma vez que estamos apenas interessados em construir um sistema de comércio de "brinquedos" e não nos preocupamos com detalhes de produção neste artigo, em vez disso, separaremos estes tokens de autenticação em um arquivo de configurações.
No seguinte arquivo de configuração settings. py, temos um dicionário chamado AMBIENTES que armazena os pontos finais da API tanto para a API de transmissão de preços OANDA como para a API de negociação. Cada subdiretor contém três pontos de extremidade de API diferentes: real, prática e sandbox.
A API do sandbox é puramente para testar o código e verificar se não há erros ou erros. Não possui as garantias de tempo de atividade das APIs reais ou de prática. A API prática, em essência, oferece a capacidade de comércio de papel. Ou seja, ele fornece todos os recursos da API real em uma conta de prática simulada. A API real é apenas isso - é uma negociação ao vivo! Se você usa esse ponto final em seu código, ele será negociado contra o saldo da sua conta ao vivo. SEJA EXTREMAMENTE CUIDADOSO!
IMPORTANTE: quando negociar contra a prática, lembre-se de que um custo de transação importante, o impacto de mercado, não é considerado. Uma vez que nenhum negócio é realmente colocado no meio ambiente, esse custo deve ser contabilizado de outra maneira em outro lugar usando um modelo de impacto de mercado, se você deseja avaliar de forma realista o desempenho.
No seguinte, estamos usando a conta prática conforme a configuração DOMAIN. Precisamos de dois dicionários separados para os domínios, um para os componentes da API de transmissão e transmissão. Finalmente, temos ACCESS_TOKEN e ACCOUNT_ID. Eu preenchi os dois abaixo com IDs fofos, então você precisará usar o seu próprio, que pode ser acessado a partir da página da conta OANDA:
O próximo passo é definir os eventos que a fila usará para ajudar todos os componentes individuais a se comunicarem. Precisamos de dois: TickEvent e OrderEvent. O primeiro armazena informações sobre dados do mercado de instrumentos, como o (melhor) lance / pedido e o tempo de troca. O segundo é usado para transmitir ordens ao manipulador de execução e, portanto, contém o instrumento, o número de unidades a negociar, o tipo de ordem ("mercado" ou "limite") e o "lado" (ou seja, "comprar" e "vender" ).
Para o futuro do nosso código de eventos, vamos criar uma classe base chamada Evento e ter todos os eventos herdados disto. O código é fornecido abaixo em events. py:
A próxima classe que vamos criar irá lidar com a estratégia de negociação. Nesta demonstração, vamos criar uma estratégia bastante absurda que simplesmente receba todos os carrapatos do mercado e, em cada 5º tick, compra ou vende de maneira aleatória 10 mil unidades de EUR / USD.
Claramente, esta é uma "estratégia" ridícula. No entanto, é fantástico para fins de teste porque é direto codificar e entender. Em futuras entradas no diário, estaremos substituindo isso por algo significativamente mais emocionante que (espero) gire um lucro!
O arquivo strategy. py pode ser encontrado abaixo. Vamos trabalhar com isso e ver o que está acontecendo. Em primeiro lugar, importamos a biblioteca aleatória e o objeto OrderEvent de events. py. Precisamos da libação aleatória para selecionar uma ordem de compra ou venda aleatória. Precisamos do OrderEvent, pois é assim que o objeto de estratégia enviará ordens para a fila de eventos, que posteriormente será executada pelo manipulador de execução.
A classe TestRandomStrategy simplesmente leva o instrumento (neste caso EUR / USD), o número de unidades e a fila de eventos como um conjunto de parâmetros. Em seguida, cria um contador de tiques que é usado para contar quantas instâncias do TickEvent já viu.
A maior parte do trabalho ocorre no método calculate_signals, que simplesmente leva um evento, determina se é um TickEvent (ignore) e incrementa o contador de tiques. Em seguida, verifica se a contagem é divisível em 5 e, em seguida, compra ou vende aleatoriamente, com uma ordem de mercado, o número especificado de unidades. Certamente, não é a maior estratégia de negociação do mundo, mas será mais do que adequada para os nossos testes de API de corretagem da OANDA!
O próximo componente é o manipulador de execução. Esta classe é encarregada de atuar sobre as instâncias do OrderEvent e fazer solicitações ao corretor (neste caso, OANDA) de forma "burra". Ou seja, não há gerenciamento de risco ou sobreposição de construção de potfolio. O manipulador de execução simplesmente executará qualquer ordem que tenha sido dada.
Devemos passar todas as informações de autenticação para a classe Execution, incluindo o "domínio" (prática, real ou sandbox), o token de acesso e identificação da conta. Em seguida, criamos uma conexão segura com o httplib, um dos Pythons criados em bibliotecas.
A maior parte do trabalho ocorre em execute_order. O método requer um evento como um parâmetro. Em seguida, constrói dois dicionários - os cabeçalhos e os params. Esses dicionários serão corretamente codificados (parcialmente por urllib, outra biblioteca Python) para serem enviados como uma solicitação HTTP POST para a API OANDAs.
Passamos os parâmetros de cabeçalho do tipo de conteúdo e autorização, que incluem nossas informações de autenticação. Além disso, codificamos os parâmetros, que incluem o instrumento (EUR / USD), unidades, tipo de ordem e lado (compra / venda). Finalmente, fazemos o pedido e salvamos a resposta:
O componente mais complexo do sistema de negociação é o objeto StreamingForexPrices, que lida com as atualizações de preços de mercado da OANDA. Existem dois métodos: connect_to_stream e stream_to_queue.
O primeiro método usa a biblioteca de solicitações Python para se conectar a um soquete de transmissão com os cabeçalhos e parâmetros apropriados. Os parâmetros incluem o ID da conta e a lista de instrumentos necessários que devem ser ouvidos para atualizações (neste caso, é apenas EUR / USD). Observe a seguinte linha:
Isso diz que a conexão deve ser transmitida e, portanto, mantida aberta de uma maneira longa.
O segundo método, stream_to_queue, realmente tenta se conectar ao fluxo. Se a resposta não for bem sucedida (ou seja, o código de resposta não é HTTP 200), então simplesmente retornamos e saímos. Se for bem sucedido, tentamos carregar o pacote JSON retornado para um dicionário Python. Finalmente, convertemos o dicionário Python com o instrumento, lance / perguntar e timestamp em um TickEvent que é enviado para a fila de eventos:
Agora temos todos os principais componentes no local. O passo final é encerrar tudo o que escrevemos até agora em um programa "principal". O objetivo deste arquivo, conhecido como trading. py, é criar dois segmentos separados, um dos quais executa o manipulador de preços e o outro que administra o manipulador de negociação.
Por que precisamos de dois segmentos separados? Simplificando, estamos executando dois pedaços de código "separados", ambos em execução contínua. Se formássemos um programa não-threaded, o soquete de transmissão usado para as atualizações de preços nunca mais "liberaria" de volta para o caminho do código principal e, portanto, nunca realizaríamos nenhuma negociação. Da mesma forma, se corremos o loop de comércio (veja abaixo), nunca retornaríamos o caminho do fluxo para o soquete de transmissão de preços. Portanto, precisamos de múltiplos tópicos, um para cada componente, para que eles possam ser realizados de forma independente. Ambos se comunicarão entre si através da fila de eventos.
Vamos examinar isso um pouco mais. Criamos dois segmentos separados com as seguintes linhas:
Passamos o nome da função ou do método para o argumento de palavra-chave alvo e passamos uma iterável (como uma lista ou uma tupla) para o argumento de palavras-chave args, que passa esses argumentos para o método / função real.
Finalmente, começamos os dois tópicos com as seguintes linhas:
Assim, somos capazes de executar dois, efetivamente infinitos looping, segmentos de código independentemente, que ambos se comunicam através da fila de eventos. Observe que a biblioteca de threading do Python não produz um ambiente multi-core multi-core real devido à implementação do CPython do Python e do Bloqueio do Intérprete Global (GIL). Se você quiser ler mais sobre multithreading no Python, veja este artigo.
Vamos examinar o resto do código em detalhes. Em primeiro lugar, importamos todas as bibliotecas necessárias, incluindo Fila, encadeamento e tempo. Em seguida, importamos todos os arquivos de código acima. Pessoalmente, eu prefiro capitalizar quaisquer configurações, o que é um hábito que eu tirei do trabalho com o Django!
Depois disso, definimos a função comercial, que foi explicada em pseudocódigo Python acima. Um loop while infinito é executado (enquanto True:) que pesquisa continuamente a partir da fila de eventos e apenas ignora o loop se ele for encontrado vazio. Se um evento for encontrado, então é um TickEvent ou um OrderEvent e, em seguida, o componente apropriado é chamado para executá-lo. Nesse caso, é uma estratégia ou um manipulador de execução. O loop, em seguida, simplesmente dorme para "heartbeat" segundos (neste caso, 0,5 segundos) e continua.
Finalmente, definimos o ponto de entrada principal do código na função __main__. É bem comentado abaixo, mas vou resumir aqui. Em essência, instanciamos a fila de eventos e definimos os instrumentos / unidades. Em seguida, criamos a classe de transmissão de preços StreamingForexPrices e, posteriormente, o processador de execução Execução. Ambos recebem os detalhes de autenticação necessários fornecidos pela OANDA ao criar uma conta.
Em seguida, criamos a instância TestRandomStrategy. Finalmente, definimos os dois tópicos e depois os iniciamos:
Para executar o código, você simplesmente precisa colocar todos os arquivos no mesmo diretório e chamar o seguinte no terminal:
Note-se que, para parar o código nesta fase, é necessária uma dura matança do processo Python, através de "Ctrl-Z" ou equivalente! Eu não adicionei um tópico adicional para lidar com a procura do sys. exit () que seria necessário para parar o código com segurança. Uma maneira potencial de parar o código em uma máquina Ubuntu / Linux é digitar:
E depois passar a saída deste (um número de processo) para o seguinte:
Onde PROCESS_ID deve ser substituído pela saída de pgrep. Observe que esta não é particularmente boa prática!
Em artigos posteriores, estaremos criando um mecanismo de parada / início mais sofisticado que faz uso da supervisão do processo do Ubuntu para que o sistema comercial seja executado 24/7.
A saída após 30 segundos ou mais, dependendo da hora do dia em relação ao horário de negociação principal para EUR / USD, para o código acima, é dada abaixo:
As primeiras cinco linhas mostram os dados de marca JSON retornados de OANDA com os preços de lances / pedidos. Posteriormente, você pode ver a ordem de execução! saída, bem como a resposta JSON retornou da OANDA confirmando a abertura de um comércio de compra por 10.000 unidades de EUR / USD e o preço alcançado em.
Isso continuará funcionando indefinidamente até você matar o programa com um comando "Ctrl-Z" ou similar.
Qual é o próximo?
Em artigos posteriores, vamos realizar algumas melhorias tão necessárias, incluindo:
Estratégias reais - Estratégias forex adequadas que geram sinais lucrativos. Infraestrutura de produção - Implementação de servidor remoto e sistema de comércio monitorado 24/7, com capacidade de parada / início. Gerenciamento de portfólio e risco - Carteira e sobreposições de risco para todas as encomendas sugeridas da estratégia. Múltiplas estratégias - Construindo um portfólio de estratégias que se integram na sobreposição de gerenciamento de riscos.
Tal como acontece com o backtester baseado em eventos de ações, também precisamos criar um módulo forex backtesting. Isso nos permitirá realizar pesquisas rápidas e facilitar a implantação de estratégias.
settings. py (lembre-se de alterar ACCOUNT_ID e ACCESS_TOKEN!):
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever para a lista de e-mails QuantStart:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.
Comments
Post a Comment