Backtest Seperti Pro dengan API Forex

Sifat dinamik pasaran kewangan memerlukan penggunaan data yang boleh dipercayai untuk membangunkan dan mengesahkan strategi dagangan. Memasukkan data berkualiti tinggi dengan cekap dalam persekitaran ujian belakang adalah penting untuk pedagang dan penganalisis. TraderMade API memperkasakan profesional ini dengan menyediakan data pasaran yang tepat, terperinci dan komprehensif.
Analisis ini memanfaatkan API Siri Masa TraderMade untuk mendapatkan data sejarah, melaksanakan strategi silang Purata Pergerakan Mudah (SMA) yang mudah dan menilai prestasi sejarahnya.

Mengenai Strategi Crossover SMA

Strategi Persilangan Purata Pergerakan Mudah (SMA) ialah teknik analisis teknikal asas. Ia melibatkan pemerhatian dua SMA: SMA jangka pendek, yang mempamerkan sensitiviti yang lebih tinggi terhadap peralihan harga dan SMA jangka panjang, yang mengurangkan kesan turun naik harga jangka pendek.

Isyarat beli dijana apabila SMA jangka pendek mengatasi SMA jangka panjang, menandakan aliran menaik yang berpotensi. Sebaliknya, isyarat jual dicetuskan apabila SMA jangka pendek jatuh di bawah SMA jangka panjang, menunjukkan potensi aliran menurun.

Pengumpulan Data

Mulakan dengan memasang SDK TraderMade seperti berikut:

!pip install tradermade

Kami menggunakan Kit Pembangunan Perisian (SDK) yang dipasang untuk mendapatkan semula data siri masa setiap jam untuk pasangan pertukaran asing (forex). Kod Python seterusnya mencontohkan mendapatkan data untuk pasangan mata wang EUR/USD.

import tradermade as tm
import pandas as pd
def fetch_forex_data(api_key, currency, start_date, end_date,    interval="hourly", fields=["open", "high", "low", "close"]):

   # Set API key
   tm.set_rest_api_key(api_key)
   # Fetch the data
   data = tm.timeseries(currency=currency, start=start_date, end=end_date, interval=interval, fields=fields)

   # Convert data directly to DataFrame
   df = pd.DataFrame(data)

   # Convert 'date' column to datetime
   df["date"] = pd.to_datetime(df["date"])

   # Set 'date' as the index
   df.set_index("date", inplace=True)

   return df

# Adjust as needed
api_key = "YOUR TRADERMADE API KEY"
currency = "EURUSD"
start_date = "2024-11-01-00:00"
end_date = "2024-11-27-05:12"

# Fetch the data and display the first few rows
forex_data = fetch_forex_data(api_key, currency, start_date, end_date)
forex_data = forex_data.rename(columns={"open": "Open", "high": "High", "low": "Low", "close": "Close"})
forex_data.head()

Pemerolehan data dan prapemprosesan untuk ujian balik telah berjaya diselesaikan.

Pelaksanaan dan Pengujian Balik Strategi Silang SMA Mudah

Bahagian ini menggunakan perpustakaan Python ujian belakang untuk menentukan dan menilai strategi silang SMA kami. Bagi mereka yang tidak biasa dengan perpustakaan ujian belakang, ia dianggap sebagai rangka kerja Python yang menonjol dan mantap untuk ujian balik strategi perdagangan teknikal. Strategi ini merangkumi julat yang pelbagai, termasuk silang SMA, silang RSI, strategi pembalikan min, strategi momentum dan lain-lain.

import numpy as np
from backtesting import Backtest, Strategy
from backtesting.lib import crossover
from backtesting.test import SMA

# Define the SMA crossover trading strategy
class SMACrossoverStrategy(Strategy):
       def init(self):
           # Calculate shorter-period SMAs for limited data
           price = self.data.Close
           self.short_sma = self.I(SMA, price, 20)  # Short window
           self.long_sma = self.I(SMA, price, 60)  # Long window

       def next(self):
           # Check for crossover signals
           if crossover(self.short_sma, self.long_sma):
               self.buy()
           elif crossover(self.long_sma, self.short_sma):
               self.sell()

   # Initialize and run the backtest
bt = Backtest(forex_data, SMACrossoverStrategy, cash=10000, commission=.002)
result = bt.run()

   # Display the backtest results
print("Backtest Results:")
print(result)

Strategi ini menggunakan dua purata bergerak: SMA 20 dan 60 tempoh. Pesanan belian dilaksanakan apabila SMA jangka pendek mengatasi SMA jangka panjang. Sebaliknya, pesanan jual dicetuskan apabila SMA jangka pendek jatuh di bawah SMA jangka panjang. Dalam tempoh dagangan 25 hari, strategi mudah ini menghasilkan keuntungan sebanyak $243 melalui enam dagangan.

Analisis Keluk Ekuiti dan SMA

Kod Python seterusnya menilai prestasi strategi silang silang SMA. SMA memudahkan visualisasi arah aliran harga dan mengenal pasti titik silang yang menjana isyarat beli/jual. Keluk ekuiti berfungsi sebagai metrik prestasi, menggambarkan kesan isyarat ini pada pertumbuhan portfolio.

Dengan menyepadukan kedua-dua lengkung, peniaga boleh melihat korelasi antara peristiwa silang dan perubahan dalam nilai portfolio, memberikan pandangan penting tentang keberkesanan strategi silang silang SMA.

Plotly digunakan untuk menggambarkan keluk ekuiti dan SMA, membolehkan pedagang menilai keuntungan strategi mereka dengan berkesan.

!pip install tradermade

Ucapan Penutup

Ujian belakang yang berjaya memerlukan data yang tepat, frekuensi tinggi dan API TraderMade memudahkan penyepaduan yang lancar. Tidak kira tahap pengalaman anda – sama ada anda seorang pemula yang meneroka pelbagai strategi atau penganalisis berpengalaman membangunkan model yang canggih – tawaran syarikat menyediakan alatan yang diperlukan.
Adakah anda bersedia untuk memasukkan API TraderMade ke dalam aliran kerja anda? Mulakan perjalanan anda hari ini dan ubah konsep anda menjadi realiti.

Atas ialah kandungan terperinci Backtest Seperti Pro dengan API Forex. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!