[FIXED] Python – wie kann man Zahlenbereiche in einem OHLC-Datensatz identifizieren?

Ausgabe

Ich arbeite an einem Nebenprojekt, in dem ich versuche, Unterstützungszonen in einem OHLCV-Datensatz historischer Bitcoin-Preise zu identifizieren. So sehen meine Daten in einem Pandas-Datenrahmen aus:

                                    startTime          time     open     high      low    close        volume                date direction
date
2022-04-08 21:00:00  2022-04-08T21:00:00+00:00  1.649452e+09  42802.0  42856.0  42439.0  42560.0  6.051324e+07 2022-04-08 21:00:00      down
2022-04-08 22:00:00  2022-04-08T22:00:00+00:00  1.649455e+09  42560.0  42664.0  42228.0  42297.0  1.318070e+08 2022-04-08 22:00:00      down
2022-04-08 23:00:00  2022-04-08T23:00:00+00:00  1.649459e+09  42297.0  42359.0  42101.0  42258.0  1.252274e+08 2022-04-08 23:00:00      down
2022-04-09 00:00:00  2022-04-09T00:00:00+00:00  1.649462e+09  42258.0  42457.0  42144.0  42435.0  8.506876e+07 2022-04-09 00:00:00        up
2022-04-09 01:00:00  2022-04-09T01:00:00+00:00  1.649466e+09  42435.0  42461.0  42284.0  42428.0  4.037635e+07 2022-04-09 01:00:00      down
...                                        ...           ...      ...      ...      ...      ...           ...                 ...       ...
2022-06-10 04:00:00  2022-06-10T04:00:00+00:00  1.654834e+09  30094.0  30126.0  30030.0  30069.0  3.618291e+07 2022-06-10 04:00:00      down
2022-06-10 05:00:00  2022-06-10T05:00:00+00:00  1.654837e+09  30069.0  30170.0  30061.0  30078.0  4.745932e+07 2022-06-10 05:00:00        up
2022-06-10 06:00:00  2022-06-10T06:00:00+00:00  1.654841e+09  30078.0  30212.0  30045.0  30076.0  6.220629e+07 2022-06-10 06:00:00      down
2022-06-10 07:00:00  2022-06-10T07:00:00+00:00  1.654844e+09  30076.0  30114.0  30030.0  30030.0  2.871507e+07 2022-06-10 07:00:00      down
2022-06-10 08:00:00  2022-06-10T08:00:00+00:00  1.654848e+09  30030.0  30092.0  29965.0  30005.0  5.683842e+07 2022-06-10 08:00:00      down

Mein Ziel ist einfach: Berechnen Sie für jedes „Tief“ in meinen Daten eine Spanne von 0,5 % über und 0,5 % unter dieser Spanne und finden Sie heraus, wie viele andere Tiefs es in diesem Bereich gibt.

Was ich versucht habe:

1. Gruppieren Sie alle lowPreise in einer Liste namenslows
2. Schleife durch lows: Berechnen Sie für jeden lowin lowseinen Bereich, der 0,5% über und unter dem Wert von liegtlow
3. Schleife innerhalb der ersten Schleife erneut durch lowsund für jedes Element, wenn der Wert dieses Elements innerhalb dieses Bereichs liegt, hänge es an eine Liste an.

Hier ist mein ganzer Code:

import httpx
import json
import pandas as pd

def get_ohlc(market):
    req = httpx.get(f'https://ftx.com/api/markets/{market}/candles?resolution=3600')
    data = req.json()['result']
    ohlcv = pd.DataFrame(data)
    ohlcv['time'] = ohlcv['time'].astype('int64')
    ohlcv['time'] = ohlcv['time']/1000
    ohlcv['date'] = pd.to_datetime(ohlcv['time'], unit='s')
    ohlcv = ohlcv.set_index(pd.DatetimeIndex(ohlcv['date']))
    return ohlcv

ohlcv = get_ohlc('BTC-PERP')
supports = {}
lows = ohlcv['low'].tolist()

for low in lows:
    low_up = low + (low/100)*0.5
    low_down = low - (low/100)*0.5
    supports.update({low: []})

    for sub_low in lows:
        if sub_low < low_up and sub_low > low_down:
            supports[low].append(sub_low)

print(supports)

What’s wrong with my current code: i feel it’s not very efficient since i’m looping multiple times through the same list. Is there a more efficient way to do this? Are there other algorithms that allow me to cluster values in a similar way, maybe with scipy or other packages?

Solution

First, the up and dn columns are created. Then the list generator checks the conditions and counts the number of elements for each row. The results are stored in an array that populates the ‘count’ column.

ohlcv['up'] = ohlcv['low'] + ((ohlcv['low']/100)*0.5)
ohlcv['dn'] = ohlcv['low'] - ((ohlcv['low']/100)*0.5)
aaa = [ohlcv[(ohlcv.loc[ohlcv.index[i], 'low'] <= ohlcv['up'])
             & (ohlcv.loc[ohlcv.index[i], 'low'] >= ohlcv['dn'])].count()[0] for i in range(0, len(ohlcv))]

ohlcv['count'] = aaa

Update

Can also suggest the detection of local minimums. Description here here.

In short, then: the minimum is taken and it is checked whether there are minimums on the right and on the left below minimum(the setting is set by the period, the period is how many on the left and on the right correspond to this criterion).

Angebote werden von pandas_datareader erbeten. Die BBB-Liste wird mit Indizes gefüllt, bei denen dieses Kriterium erfüllt ist. Die „Scatter“-Spalte wird mit Nullen und dann mit lokalen Minima gefüllt, sofern verfügbar.

import pandas_datareader.data as web
import numpy as np
import matplotlib.pyplot as plt
import mplfinance as mpf

ohlcv = web.DataReader('^GSPC', 'yahoo', start='2022-01-01', end='2022-05-10')

period = 3

bbb = [ohlcv.index[i] for i in range(period, len(ohlcv) - period - 1) if (ohlcv.loc[ohlcv.index[i], 'low'] < ohlcv.loc[ohlcv.index[i-period:i], 'low']).all() == True
       and (ohlcv.loc[ohlcv.index[i], 'low'] < ohlcv.loc[ohlcv.index[i+1:i+period + 1], 'low']).all() == True]


ohlcv['scatter'] = np.nan
ohlcv.loc[bbb, 'scatter'] = ohlcv.loc[bbb, 'low']

Weiter unten ist der Code, um das Ergebnis anzuzeigen (mplfinance wird verwendet).

scat = ohlcv['scatter'].values
apdict = mpf.make_addplot(scat, type='scatter')
mpf.plot(ohlcv, type='candle',addplot=apdict)

plt.show()

Beantwortet von – Fragesteller

Antwort geprüft von – Pedro (FixError Volunteer)