تا به حال فکر کرده اید که چگونه الگوهای فنی را به صورت برنامه ای در داده های قیمت تعریف کنید؟

در سطح اساسی ، الگوهای فنی از حداقل و حداکثر امتیاز در قیمت محلی حاصل می شود. از آنجا ، الگوهای فنی ممکن است با مقایسه نسبی در این نقاط حداقل/حداکثر تعریف شود.

بیایید ببینیم که آیا ما می توانستیم این کار را با الگوریتمی با شناسایی هرگونه الگوی سر و شانه معکوس انجام دهیم!

samchaaa/alpaca_tech_screener

با ایجاد یک حساب در GitHub در توسعه Samchaaa/Alpaca_Tech_Screener مشارکت کنید.

کد زیر را می توان به راحتی برای کار به عنوان یک صفحه نمایش ، پشتی یا تجارت Algo با هرگونه بازه زمانی یا الگویی که تعریف می کنید ، دوباره انجام داد.

سلب مسئولیت: این کد به عنوان نقطه شروع برای یافتن الگوهای فنی در نظر گرفته شده است ، فقط برای اهداف آموزشی است. چارچوب این کد از اینجا آمده است.

ارزیابی الگوریتمی تجربی از تجزیه و تحلیل فنی

در جلسه اخیر باشگاه ژورنال کارمندان کوانتوپیایی ، من مقاله ای از اندرو لو ، هری مامیسکی و جیانگ ارائه دادم ...

مرحله 1.) در داده ها بخوانید

من در حال خواندن داده ها با استفاده از ALPACA API (که بعداً برای قرار دادن معاملات نیز استفاده خواهم کرد).

من این تابع را نوشتم تا داده ها را فراتر از حد درخواست 2،000 میله دقیقه بدست آورم. بعداً ما به بازه زمانی انتخاب خود نمونه می گیریم.

مرحله 3.) الگوها را پیدا کنید

برای یافتن الگوهای ، ما به سادگی در تمام نقاط حداقل حداقل حداکثر خود تکرار می کنیم و ویندوزهایی را پیدا می کنیم که نقاط آن برخی از معیارهای الگوی را برآورده می کنند.

به عنوان مثال ، یک سر و شانه های معکوس تقریباً می تواند به این صورت تعریف شود:

برای فیلتر کردن سر و شانه ها با گردنبندها:

(تفاوت بین گردنبندها نباید بیش از 5 ٪ باشد.)

همانطور که می بینید ، ما بیشتر از آنچه لازم داریم الگوهای بیشتری می گیریم. پارامترهای ما (هموار سازی و دامنه پنجره) برای این بازه زمانی (60 دقیقه) بسیار حساس هستند.

مرحله 4.) برای یافتن بهترین پارامترها سازماندهی و تکرار

برای یافتن بهترین پارامترها ، من کد خود را در توابع سازماندهی کردم و از طریق چندین سهام ، هموار سازی و پارامترهای پنجره تکرار کردم.

اکنون می توانیم ببینیم که بازه های زمانی ، الگوهای و پارامترهای ما چگونه پخش می شوند!

مرحله 5.) برو زنده!

برای استفاده از این زنده ، من تغییرات زیر را برای Screener () ایجاد کردم:

DEF Screener (Stock_data ، EMA_LIST ، WINDOW_LIST): محرک = [] all_results = pd. dataframe () برای سهام موجود در Stock_Data:قیمت = Stock_data [سهام] برای ema_ در ema_list:برای Window_ در Window_List:max_min = get_max_min (قیمت ، هموار سازی = ema_ ، windows_range = windows_)pat = find_pattes (max_min) if len(pat)>0:Triggers. Append (سهام) بازگشت محرک ها

و همینطور دوید:

لیست سهام = ['aa' ، 'aal' ، 'aapl' ، 'amzn'] # لیست طولانی سهام در اینجاstock_data = get_stock_data (لیست سهام ، 2)resampled_stock_data = resample (stock_data ، '360t')ema_list = [5]windows_list = [5]نتایج = صفحه نمایش (resampled_stock_data ، ema_list ، windows_list)برای X در نتایج:api. submit_order (x ، 100 ، "خرید" ، "بازار" ، "روز")

پیدا کردن پارامترهای مناسب برای بازی کردن الگوی شما ممکن است آزمایش انجام شود. برای تأیید اینکه آیا الگوهای شما دارای لبه مثبت هستند یا خیر ، عملکرد () نتایج () را در نوت بوک مشاهده کنید.

فناوری و خدمات توسط Alpacadb ، Inc. خدمات کارگزاری توسط Alpaca Securities LLC (Alpaca. markets) ، عضو FINRA/SIPC ارائه شده است. Alpaca Securities LLC یک شرکت تابعه کاملاً متعلق به Alpacadb ، Inc.

اگر از توییتر استفاده می کنید ، می توانید ما را alpacahq پیدا کنید.< Pan> سهام = ['aa' ، 'aal' ، 'aapl' ، 'amzn'] # لیست طولانی سهام در اینجا