Python金融K線圖模式辨識與回測

– 12 分鐘閱讀

金融市場的程式交易仰賴資料分析和策略回測。本文利用 Python 結合 yfinance 和 MetaTrader 5 平台，提供讀者從資料擷取、K 線圖模式辨識到策略回測的完整流程。讀者將學習如何運用 Python 建構演算法，自動辨識各種 K 線圖型態，並結合技術指標，產生交易訊號。最終透過回測驗證策略績效，並進行引數最佳化，開發更精準的交易模型。本文適合具備 Python 基礎和金融交易知識的讀者，並提供實務程式碼範例，引導讀者逐步建構自己的交易策略。

精通金融模式辨識：利用Python尋找與回測K線圖型態

在金融交易領域中，辨識模式是智慧的精髓。隨著科技的進步和金融資訊的去中心化，程式設計和自動化研究已成為交易世界不可或缺的一部分。任何掌握交易和程式設計藝術的人在市場中都擁有巨大的優勢。

為什麼這本文很重要？

本文作者Sofien Kaabar在金融領域投入了數年的時間研究交易策略、模式以及其他相關事務。他對K線圖型態有著特殊的熱情，不僅因為它們被廣泛採用，還因為它們展現出有趣的績效結果。在多年的研究中，他發現了一些新的K線圖型態，並在本文中與讀者分享。

本文的主要目標是全面介紹K線圖型態，包括作者個人發現的新型態，並展示如何使用Python編寫系統來對這些型態進行回測，跨越多種市場。

書籍內容與目標讀者

本文適合對K線圖型態辨識及其在金融領域的應用感興趣的學生、學者、好奇的讀者以及金融從業者。讀者將從本文中學習如何使用Python開發策略和技術指標。

本文假設讀者具備Python程式設計和金融交易的基本背景知識。作者採用清晰簡潔的方法，專注於關鍵概念，以便讀者理解每個思想的目的。

本文結構與內容

本文首先建立K線圖型態辨識演算法的結構，接著探討各種型態和策略。讀者將學習如何自動化資料匯入過程，並測試經典的K線圖型態，以客觀地評估它們的預測能力。

K線圖型態辨識演算法的建立

import pandas as pd
import yfinance as yf

# 下載資料
data = yf.download('AAPL', start='2020-01-01', end='2022-01-01')

# 計算K線圖
data['Open'] = data['Open']
data['High'] = data['High']
data['Low'] = data['Low']
data['Close'] = data['Close']

#### 內容解密：
此段程式碼首先匯入必要的函式庫，包括pandas和yfinance。然後，使用yfinance下載蘋果公司（AAPL）從2020年1月1日到2022年1月1日的股價資料。接著，將下載的資料分別指定給Open、High、Low和Close欄位，以準備進行K線圖的計算。

測試經典K線圖型態

# 定義一個函式來辨識特定的K線圖型態
def identify_pattern(data):
    # 在這裡實作型態辨識邏輯
    pass

# 使用函式來辨識資料中的型態
pattern_identified = identify_pattern(data)

#### 內容解密：
此函式identify_pattern用於辨識特定的K線圖型態。讀者需要根據所要辨識的型態，自行實作型態辨識邏輯。然後，將準備好的資料傳入此函式，以獲得型態辨識的結果。

結合技術指標與K線圖型態

讀者將學習如何編寫技術指標，並將其與K線圖型態結合，建立交易訊號。最後，將對這些訊號進行回測，並最佳化引數，以獲得一個完整的模式辨識策略。

# 定義一個簡單的移動平均線指標
def simple_moving_average(data, window):
    return data['Close'].rolling(window=window).mean()

# 結合K線圖型態與移動平均線指標
data['SMA_50'] = simple_moving_average(data, 50)

#### 內容解密：
此段程式碼定義了一個簡單的移動平均線指標函式simple_moving_average，它計算收盤價在指定視窗期的平均值。然後，將這個指標應用於資料，生成50日移動平均線，並將結果儲存在新的欄位SMA_50中。

在Python中匯入與處理金融資料

本章旨在為透過程式設計分析金融資料奠定基礎。這需要一些準備工作，例如下載正確的軟體和建立能夠自動擷取歷史資料的演算法。 在本章結束時，您應該瞭解如何使用Python自動匯入歷史金融資料，這一技能應該能為您節省時間。讓我們開始吧。

安裝環境

第一步是準備環境和演算法成功所需的一切。為此，您需要兩個程式：

  1. 用於編寫和執行程式碼的Python直譯器
  2. 用作資料函式庫的圖表和金融軟體

讓我們從Python直譯器開始。我使用一個名為SPYDER的軟體。有些人可能更熟悉其他軟體，如Jupyter和PyCharm，但過程是相同的。您可以從官方網站下載SPYDER，或者更好的是，將其作為名為Anaconda的更大套件的一部分下載，這有助於安裝並提供更多工具。請注意，它是開源、免費使用的軟體。

SPYDER介面介紹

SPYDER的介面分為三個視窗，如圖1-1所示。左側的視窗用於編寫稍後執行的程式碼（告訴演算法執行並應用程式碼）。通常，您會在該區域看到多行程式碼。 右上方的視窗是變數資源管理器。每次儲存變數時，都可以在那裡看到它。右下方的視窗是控制檯，顯示程式碼的結果，無論是錯誤還是輸出。

資料型別

您可以在程式碼中定義和使用的資料型別分為幾類別：

  • 整數（Integers）：這些是整數，可以是正數或負數。例如-8和745。它們僅限於-2147483648和2147483647之間的範圍。任何超出此範圍的數字都被視為不同的資料型別，稱為長整數（long）。資料型別之間的差異與記憶體有關。整數的寬度為32位元，而長整數的寬度為64位元。
  • 浮點數（Floats）：這些是帶有小數點的實數，如18.54和311.52。
  • 字串（Strings）：這些是儲存在變數中的單詞。更科學地說，它們是一組結構化的字元（文字）。在Python中，您在單引號或雙引號之間寫入字串。

在圖1-1的程式碼第1行中，我定義了一個名為age的變數，並將其設定為13。當您執行此程式碼時，您應該在變數資源管理器中看到age的建立，其型別為int（整數），值為13。在第3行中，我執行了定義height變數並將其設定為184.50（因此，浮點數資料型別）的程式碼。

請注意，在變數定義旁邊，我寫了短語“in centimeters”，前面有一個井號（#）。這被稱為註解。註解在Python中對於解釋程式碼非常重要。因此，任何以#開頭的內容都不會被執行。在變數資源管理器中，您可以看到height變數，其型別為float。第5行定義了一個字串，在變數資源管理器中顯示為str型別（字串）。在控制檯中，您可以看到程式碼已成功執行，因為沒有錯誤，錯誤會以紅色顯示。

安裝圖表軟體

準備環境的下一步是安裝圖表軟體，以便將歷史資料匯入SPYDER。在本文中，我使用MetaTrader 5，這是一個被全球許多交易者使用的基準圖表程式。請按照以下步驟進行：

  1. 下載SPYDER並熟悉其操作方式。
  2. 下載MetaTrader 5軟體。
# 以下是一個簡單的Python範例，用於演示如何定義變數
age = 13  # 定義一個整數變數
height = 184.50  # 定義一個浮點數變數
name = "Sofien Kaabar"  # 定義一個字串變數

print(age)
print(height)
print(name)

內容解密：

  1. age = 13：這行程式碼定義了一個名為age的變數，並將其值設定為13。這是一個整數變數，因為它儲存了一個整數值。
  2. height = 184.50：這行程式碼定義了一個名為height的變數，並將其值設定為184.50。這是一個浮點數變數，因為它儲存了一個帶有小數點的實數。
  3. name = "Sofien Kaabar"：這行程式碼定義了一個名為name的字串變數，並將其值設定為"Sofien Kaabar"。字串必須用引號括起來。
  4. print()函式用於輸出變數的值。這裡分別輸出age、height和name的值。

本章介紹瞭如何準備環境以進行金融資料分析，包括安裝Python直譯器和圖表軟體，並演示瞭如何在Python中定義和使用不同型別的變數。接下來的章節將探討如何使用Python匯入和處理金融資料。

使用SPYDER從MetaTrader 5匯入歷史價格資料

要使用SPYDER從MetaTrader 5匯入歷史價格，首先需要從官方網站下載並安裝MetaTrader 5。接著，建立一個模擬賬戶，這是一個使用虛擬貨幣的賬戶。模擬賬戶的特點是它不使用真實貨幣進行交易。

步驟一：安裝MetaTrader 5並建立模擬賬戶

  1. 下載並安裝MetaTrader 5。
  2. 開啟MetaTrader 5，選擇「檔案」>「開設賬戶」，然後選擇「MetaQuotes Software Corp」。
  3. 選擇第一個選項以開設模擬賬戶，這將允許您使用虛擬貨幣進行交易。
  4. 輸入基本資訊，如姓名、電子郵件和賬戶型別。

步驟二：組態MetaTrader 5介面

預設情況下，MetaTrader 5不會顯示所有可用的市場資料。因此，您需要使它們可存取以便匯入和視覺化。

  1. 點選「檢視」，然後選擇「市場監視」。
  2. 在新開啟的標籤頁中，右鍵單擊任何符號，然後選擇「顯示全部」。

建立匯入演算法

能夠自動取得任何時間框架的歷史資料是一項節省時間的功能，因為它允許您專注於研究和分析，而不是浪費寶貴的時間來取得和清理資料。

安裝MetaTrader 5 Python整合函式庫

在進行編碼之前，您需要在SPYDER中使用MetaTrader 5 Python整合函式庫。為此，請開啟Anaconda提示符並輸入以下命令：

pip install MetaTrader5

匯入必要的函式庫

import datetime
import pytz
import pandas as pd
import MetaTrader5 as mt5
import numpy as np

詳細解說：

  • datetime模組提供了處理日期和時間的工具。
  • pytz函式庫提供了跨平台時區計算功能，這對於匯入資料是必要的。
  • pandas和numpy函式庫用於資料操作和分析。
  • MetaTrader5函式庫匯入了與MetaTrader 5軟體模組相關的功能，是匯入金融歷史資料的關鍵函式庫。

定義時間框架和資產

frame_M15 = mt5.TIMEFRAME_M15  # 15分鐘時間框架
frame_M30 = mt5.TIMEFRAME_M30  # 30分鐘時間框架
frame_H1 = mt5.TIMEFRAME_H1    # 小時時間框架
frame_H4 = mt5.TIMEFRAME_H4    # 4小時時間框架
frame_D1 = mt5.TIMEFRAME_D1    # 每日時間框架
frame_W1 = mt5.TIMEFRAME_W1    # 每週時間框架
frame_M1 = mt5.TIMEFRAME_MN1   # 每月時間框架

now = datetime.datetime.now()  # 取得當前時間

assets = ['EURUSD', 'USDCHF', 'GBPUSD', 'USDCAD', 'BTCUSD', 
          'ETHUSD', 'XAUUSD', 'XAGUSD', 'SP500m', 'UK100']  # 定義資產列表

詳細解說：

  • 定義了不同時間框架的變數，例如15分鐘、30分鐘、1小時等。
  • now變數儲存了當前日期和時間，用作匯入資料的參考點。
  • assets列表包含了要進行回測的資產，包括貨幣對、加密貨幣、商品和股指。

匯入演算法結構

def get_quotes(time_frame, year=2005, month=1, day=1, asset="EURUSD"):
    if not mt5.initialize():
        print("initialize() failed, error code =", mt5.last_error())

詳細解說：

  • get_quotes函式用於取得指定資產和時間框架的報價資料。
  • 函式首先嘗試初始化MetaTrader 5連線。如果初始化失敗，則列印錯誤程式碼。

透過以上步驟，您可以成功地從MetaTrader 5匯入歷史價格資料到SPYDER中，並進行進一步的分析和回測。

資料匯入技術詳解：自動化與手動匯入方法

在金融資料分析領域，高效且準確的資料匯入技術至關重要。本文將探討使用Python進行金融資料匯入的兩種主要方法：自動化匯入與手動匯入，並詳細解析相關函式實作與技術細節。

自動化資料匯入實作

自動化資料匯入主要依賴MetaTrader 5（MT5）平台的Python API進行資料擷取。以下為關鍵函式的實作細節：

1. 匯入必要函式庫與初始化設定

import MetaTrader5 as mt5
import pytz
import pandas as pd
import numpy as np

# 初始化MT5連線
if not mt5.initialize():
    print("MT5初始化失敗")
    mt5.shutdown()
    quit()

2. 資料擷取核心函式：get_quotes()

def get_quotes(time_frame, year, month, day, asset):
    timezone = pytz.timezone("Europe/Paris")
    time_from = datetime.datetime(year, month, day, tzinfo=timezone)
    time_to = datetime.datetime.now(timezone) + datetime.timedelta(days=1)
    rates = mt5.copy_rates_range(asset, time_frame, time_from, time_to)
    rates_frame = pd.DataFrame(rates)
    return rates_frame

內容解密：

  1. 使用pytz函式庫設定時區，確保時間戳的正確性
  2. time_from與time_to變數定義了資料擷取的時間範圍
  3. mt5.copy_rates_range()函式用於擷取指定時間範圍內的歷史資料
  4. 將擷取的資料轉換為Pandas DataFrame格式

3. 大量資料匯入函式：mass_import()

def mass_import(asset, time_frame):
    if time_frame == 'H1':
        data = get_quotes(frame_H1, 2013, 1, 1, asset=assets[asset])
        data = data.iloc[:, 1:5].values
        data = data.round(decimals=5)
    if time_frame == 'D1':
        data = get_quotes(frame_D1, 2000, 1, 1, asset=assets[asset])
        data = data.iloc[:, 1:5].values
        data = data.round(decimals=5)
    return data

內容解密：

  1. 根據不同的時間框架（H1或D1）呼叫get_quotes()函式
  2. 資料擷取後，選取需要的欄位（開盤價、最高價、最低價、收盤價）
  3. 將資料轉換為NumPy陣列並進行小數點精確度處理

手動資料匯入方法

對於無法使用MT5 Python API的情況（如macOS環境），可採用手動匯入方式：

  1. 將金融資料儲存為Excel檔案
  2. 使用Pandas讀取Excel檔案：
    my_data = pd.read_excel('my_data.xlsx')
  3. 將DataFrame轉換為NumPy陣列：
    my_data = np.array(my_data)
    或直接使用：
    my_data = pd.read_excel('my_data.xlsx').values

技術實務考量

  • 自動化匯入方法依賴MT5平台的Python API，在Windows環境下運作最佳
  • 資料匯入的時間範圍受限於MT5可擷取的歷史資料上限
  • 手動匯入方法提供跨平台相容性，但需要手動下載資料

程式碼處理與基本函式設計

在進行金融資料分析和回測時，Python 提供了強大且快速的工具來自動化處理歷史 OHLC（開盤、最高、最低、收盤）資料。掌握這些技術可以大幅提升研究效率。

基本函式的重要性

基本函式（Primal Functions）是一組自定義函式，用於簡化資料陣列的操作。這些函式在分析和回測過程中發揮著重要作用。

新增欄位到陣列的函式

有時候需要在陣列中新增欄位來存放技術指標或交易訊號。例如，給定一個包含四個欄位（OHLC）的陣列，可以新增一個額外的欄位來存放計算出的技術指標，如簡單移動平均線，或是買賣訊號的代理值（例如，使用 1 表示買入訊號，-1 表示賣出訊號）。

import numpy as np

def add_column(data, times):
    for i in range(1, times + 1):
        new = np.zeros((len(data), 1), dtype=float)
        data = np.append(data, new, axis=1)
    return data

# #### 內容解密：
# 1. `add_column` 函式接受兩個引數：`data`（原始陣列）和 `times`（要新增的欄位數量）。
# 2. 使用 `np.zeros` 建立一個新的零值陣列，其大小與原始資料的列數相同。
# 3. 使用 `np.append` 將新陣列新增到原始資料的右側，從而增加欄位數量。
# 4. `axis=1` 表示沿著欄位方向進行操作，即新增欄位。
# 5. 該函式透過迴圈重複新增欄位，直到達到指定的 `times` 數量。

# 使用範例：
my_data = np.random.rand(10, 4)  # 假設有10筆資料，每筆資料有4個欄位（OHLC）
my_data = add_column(my_data, 5)  # 新增5個欄位
print(my_data.shape)  # 輸出：(10, 9)，表示10筆資料現在有9個欄位

從陣列中刪除欄位的函式

在計算複雜指標時，可能會產生一些中間計算結果的欄位，這些欄位在最終結果中並不需要。可以使用 delete_column 函式來刪除這些多餘的欄位，以保持陣列的整潔。

def delete_column(data, index, times):
    for i in range(1, times + 1):
        data = np.delete(data, index, axis=1)
    return data

# #### 內容解密：
# 1. `delete_column` 函式接受三個引數：`data`（原始陣列）、`index`（要刪除的欄位索引）和 `times`（要刪除的欄位數量）。
# 2. 使用 `np.delete` 刪除指定索引的欄位，`axis=1` 表示沿著欄位方向進行操作。
# 3. 該函式透過迴圈重複刪除欄位，直到達到指定的 `times` 數量。
# 4. 注意：刪除欄位後，後續欄位的索引會自動調整，因此每次刪除都是針對當前狀態下的索引。

# 使用範例：
my_data = np.random.rand(10, 9)  # 假設有10筆資料，每筆資料有9個欄位
my_data = delete_column(my_data, 4, 3)  # 從索引4開始刪除3個欄位
print(my_data.shape)
玄貓 BlackCat

玄貓 BlackCat

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。