アノマリー探索装置の使い方

投稿日 2023年5月22日
著者ホソノP
カテゴリー EA
カテゴリー Python

アプリの使い方

ドライブを開く

新規

これをインストール

起動

以下をコピーする

!pip install pandas
!pip install seaborn
!pip install matplotlib

import pandas as pd
from datetime import timedelta
import seaborn as sns
import matplotlib.pyplot as plt

# Get data from CSV file
def get_data(csv_filename):
    df = pd.read_csv(csv_filename, delimiter='\t')
    df['time'] = pd.to_datetime(df['<DATE>'] + ' ' + df['<TIME>'])
    df['time'] = df['time'] + timedelta(hours=9)  # タイムゾーンを+9時間する
    return df


# Calculate rate change
def calculate_rate_change(df_start, df_end):
    df_start['rate_change'] = (df_end['<CLOSE>'] - df_start['<OPEN>']) / df_start['<OPEN>']
    df_start['cumulative_return'] = (1 + df_start['rate_change']).cumprod() - 1
    return df_start

# Draw cumulative return graph
def draw_graph(df_start):
    plt.figure(figsize=(15, 7))
    plt.plot(df_start.index, df_start['cumulative_return'])
    plt.title('Cumulative Returns Over Time')
    plt.xlabel('Time')
    plt.ylabel('Cumulative Returns')
    plt.show()

# Calculate average return for each day and day of week
def calculate_avg_return(df_start):
    df_start.index = pd.to_datetime(df_start.index)
    df_start['day_of_week'] = df_start.index.dayofweek
    df_return = df_start.groupby([df_start.index, 'day_of_week'])['rate_change'].mean().unstack()
    df_return.index = pd.to_datetime(df_return.index)
    df_return['day_of_month'] = df_return.index.day
    df_return = df_return.groupby('day_of_month').mean()
    return df_return

# Draw heat map of return by day of week and day of month
def draw_heatmap(df_return):
    plt.figure(figsize=(10, 6))
    sns.heatmap(df_return, cmap='coolwarm', center=0)
    plt.title('Return by Day of Month and Day of Week')
    plt.xlabel('Day of Week')
    plt.ylabel('Day of Month')
    plt.xticks(ticks=range(7), labels=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])
    plt.show()

# Calculate hourly change rate
def calculate_hourly_change_rate(df):
    df['prev_close'] = df['<CLOSE>'].shift(12)
    df['hourly_change_rate'] = (df['<CLOSE>'] - df['prev_close']) / df['prev_close'] * 100
    df.dropna(inplace=True)
    return df

# Draw heatmap of hourly price change rate
def draw_heatmap_hourly_change_rate(df):
    heatmap_data = df.pivot_table(index=df['time'].dt.hour, columns=df['time'].dt.day, values='hourly_change_rate')
    plt.figure(figsize=(10, 6))
    sns.heatmap(heatmap_data, cmap='RdYlGn', cbar=False, annot=False)
    plt.title('Hourly Price Change Rate Heatmap')
    plt.xlabel('Day')
    plt.ylabel('Hour')
    plt.show()


csv_filename = 'mt5_data.csv'  # CSV file to read data from

df = get_data(csv_filename)
df_start, df_end = df.groupby(df['time'].dt.date).first(), df.groupby(df['time'].dt.date).last()

df_start = calculate_rate_change(df_start, df_end)
draw_graph(df_start)

df_return = calculate_avg_return(df_start)
draw_heatmap(df_return)

df = calculate_hourly_change_rate(df)
draw_heatmap_hourly_change_rate(df)

!pip install pandas

!pip install seaborn

!pip install matplotlib

import pandas as pd

from datetime import timedelta

import seaborn as sns

import matplotlib.pyplot as plt

# Get data from CSV file

def get_data(csv_filename):

df = pd.read_csv(csv_filename, delimiter='\t')

df['time'] = pd.to_datetime(df['<DATE>'] + ' ' + df['<TIME>'])

df['time'] = df['time'] + timedelta(hours=9) # タイムゾーンを+9時間する

return df

# Calculate rate change

def calculate_rate_change(df_start, df_end):

df_start['rate_change'] = (df_end['<CLOSE>'] - df_start['<OPEN>']) / df_start['<OPEN>']

df_start['cumulative_return'] = (1 + df_start['rate_change']).cumprod() - 1

return df_start

# Draw cumulative return graph

def draw_graph(df_start):

plt.figure(figsize=(15, 7))

plt.plot(df_start.index, df_start['cumulative_return'])

plt.title('Cumulative Returns Over Time')

plt.xlabel('Time')

plt.ylabel('Cumulative Returns')

plt.show()

# Calculate average return for each day and day of week

def calculate_avg_return(df_start):

df_start.index = pd.to_datetime(df_start.index)

df_start['day_of_week'] = df_start.index.dayofweek

df_return = df_start.groupby([df_start.index, 'day_of_week'])['rate_change'].mean().unstack()

df_return.index = pd.to_datetime(df_return.index)

df_return['day_of_month'] = df_return.index.day

df_return = df_return.groupby('day_of_month').mean()

return df_return

# Draw heat map of return by day of week and day of month

def draw_heatmap(df_return):

plt.figure(figsize=(10, 6))

sns.heatmap(df_return, cmap='coolwarm', center=0)

plt.title('Return by Day of Month and Day of Week')

plt.xlabel('Day of Week')

plt.ylabel('Day of Month')

plt.xticks(ticks=range(7), labels=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])

plt.show()

# Calculate hourly change rate

def calculate_hourly_change_rate(df):

df['prev_close'] = df['<CLOSE>'].shift(12)

df['hourly_change_rate'] = (df['<CLOSE>'] - df['prev_close']) / df['prev_close'] * 100

df.dropna(inplace=True)

return df

# Draw heatmap of hourly price change rate

def draw_heatmap_hourly_change_rate(df):

heatmap_data = df.pivot_table(index=df['time'].dt.hour, columns=df['time'].dt.day, values='hourly_change_rate')

plt.figure(figsize=(10, 6))

sns.heatmap(heatmap_data, cmap='RdYlGn', cbar=False, annot=False)

plt.title('Hourly Price Change Rate Heatmap')

plt.xlabel('Day')

plt.ylabel('Hour')

plt.show()

csv_filename = 'mt5_data.csv' # CSV file to read data from

df = get_data(csv_filename)

df_start, df_end = df.groupby(df['time'].dt.date).first(), df.groupby(df['time'].dt.date).last()

df_start = calculate_rate_change(df_start, df_end)

draw_graph(df_start)

df_return = calculate_avg_return(df_start)

draw_heatmap(df_return)

df = calculate_hourly_change_rate(df)

draw_heatmap_hourly_change_rate(df)

貼り付ける

ヒストリカルデータを取りに行く

ヒストリカルデータの入手する

5分足で情報を取得

ファイル名を

mt5_data.csv

1	mt5_data.csv

保存する

ファイルから

さっきのファイルを選択

読み込み5秒待つ

この状態でOK

押すとおわりです。

この記事を書いた人

ホソノP

記事一覧

PythonとTradingViewを使った仮想通貨の自動売買にホソノP より2023年9月24日
BybitがGoogleのIPアドレス規制をしているためです。国内のVPSなら使…
PythonとTradingViewを使った仮想通貨の自動売買にわからないより2023年9月1日
自分のbotで使ってるAPIキーを使用しているんですが、 You have br…
PythonとTradingViewを使った仮想通貨の自動売買にホソノP より2023年4月23日
pybit 最新版にコードを変更しました。コードとrequirements.tx…
PythonとTradingViewを使った仮想通貨の自動売買に昨日からbot勉強始めましたより2023年4月23日
お返事ありがとうございます。はい。pybit==2.3.0になっております。
PythonとTradingViewを使った仮想通貨の自動売買にホソノP より2023年4月23日
コードはあっていると思います。rewuirements.txtは「pybit==…

アノマリー探索装置の使い方

アプリの使い方

ヒストリカルデータを取りに行く

ホソノＰ自作EA

もうやってるよね？　タリタリの自己アフィリエイト

この記事を書いた人

ホソノP

ChatGPTにTrading View のPine Scriptを書かせてFXRSI最強自動売買ツールを作る

FX機械学習その2「データベースの中身を確認する」

Chatgptは高い確率でミステイクするのでEA開発するには”資格”が必要

ChatGPTにTrading ViewからPythonへコードを書き換えてもらってみた

最近のコメント

アプリの使い方

ヒストリカルデータを取りに行く

ホソノＰ自作EA

もうやってるよね？ タリタリの自己アフィリエイト

この記事を書いた人

ホソノP

最近のコメント

もうやってるよね？　タリタリの自己アフィリエイト