شناخت بیش از 50 الگوی شمعدانی با پایتون

راهنمای آسان برای استفاده از الگوهای شمعدانی برای ML

اجرای زنده را می توان در www. cryptodashapp.com یافت

با تصمیم گیری در مورد تجارت ، ما می توانیم از چندین منبع اطلاعاتی مختلف در مورد تجزیه و تحلیل فنی خود استفاده کنیم. یکی از این منابع داده های OHLC (باز ، زیاد ، کم ، نزدیک) است. نمودارهای شمعدانی را می توان برای استخراج الگوهای از داده های OHLC برای هر ابزار قابل معامله ترسیم کرد.

یک الگوی شمعدانی حرکتی در قیمت هایی است که به صورت گرافیکی در یک نمودار شمعدانی نشان داده شده است که برخی معتقدند می توانند یک حرکت خاص بازار را پیش بینی کنند.

لیست کامل الگوهای شمعدانی ساده و پیچیده با نمونه های بصری را می توان در این مقاله ویکی پدیا یافت.

الگوهای شمعدانی کاندیداهای خوبی برای آموزش مدل های یادگیری ماشین برای تلاش برای پیش بینی قیمت های آینده هستند. در این مقاله ، ما مراحل مهندسی ویژگی ایجاد پیش بینی کننده را با استفاده از الگوهای شمعدانی و سپس تجسم نتایج خود خواهیم گذراند. ما از ماژول Python ، Ta-Lib و رتبه بندی عملکرد از www. thepattesite.com استفاده خواهیم کرد

سه مرحله از روند عبارتند از:

1. با استفاده از TA-Lib الگوها را استخراج کنید
2. با استفاده از "رتبه کلی عملکرد" از الگوهای الگوها ، الگوهای را رتبه بندی کنید
3. بهترین شمع عملکرد را انتخاب کنید

استخراج الگوهای با استفاده از TA-Lib

با TA-Lib ، الگوهای استخراج بسیار ساده است. ما می توانیم با نصب ماژول از https://github.com/mrjbq7/ta-lib شروع کنیم. مخزن حاوی دستورالعمل های آسان برای فرآیند نصب است.

بعد از نصب ، ما با وارد کردن ماژول شروع می کنیم:

سپس ، ما لیستی از الگوهای موجود را با اجرا دریافت می کنیم:

لیست "Candle_Names" باید به شرح زیر باشد:

ما آماده استخراج شمع هستیم! ما فقط به یک مجموعه داده نمونه با مقادیر باز ، بالا ، کم و نزدیک احتیاج داریم.

ولامجموعه داده بیت کوین آماده است. بیایید داده های OHLC را استخراج کنیم و ستون های الگوی ایجاد کنیم.

TA-Lib ستون های جداگانه ای را برای هر الگوی ایجاد می کند. در حالی که 0 با هیچ الگوی مطابقت دارد ، مقادیر مثبت نشان دهنده الگوهای صعودی و مقادیر منفی الگوهای نزولی است.

تبریک می گویم! ما فقط اولین مجموعه داده خود را با الگوریتم های استخراج شده به دست آوردیم.

رتبه بندی الگوها

ما با موفقیت الگوهای شمعدانی را با استفاده از TA-Lib استخراج کردیم. با چند خط کد ، می توانیم این اطلاعات پراکنده را به یک ستون واحد با برچسب های الگوی متراکم کنیم. اما ابتدا باید مواردی را که چندین الگوی برای یک شمع معین یافت می شود ، کنترل کنیم. برای انجام این کار ، ما برای مقایسه الگوها به یک متریک عملکرد نیاز داریم. ما از "رتبه عملکرد کلی" از الگوی استفاده خواهیم کرد.

پس از برخی از اسکریپت های دستی ، الگوهای در فرهنگ لغت "شمع_رانک" ترکیب می شوند. هنگامی که چندین الگوی وجود دارد ، ما از مقادیر موجود در فرهنگ لغت فوق برای تصمیم گیری در مورد بهترین الگوی عملکرد استفاده خواهیم کرد. فرهنگ لغت کامل الگوهای و توضیحات تصمیمات نامگذاری و رتبه بندی را می توان در اینجا یافت.

انتخاب بهترین شمع عملکرد

در اینجا قسمت سرگرم کننده است. ما منطق ایجاد برچسب ها را کدگذاری خواهیم کرد. ما اساساً 3 مورد داریم.

• بدون الگوی: سلول را با "no_patte" پر کنید
• الگوی تک: سلول را با نام الگوی پر کنید
• الگوهای چندگانه: سلول را با کمترین (بهترین) نام الگوی رتبه بندی پر کنید

در زیر کد ایجاد برچسب های الگوی و تعداد الگوی یافت شده است.

تجسم و اعتبارسنجی نتایج

تاکنون ، ما بسیاری از الگوهای شمعدان را با استفاده از TA-LIB استخراج کردیم (از فوریه 2020 از 61 الگوی پشتیبانی می کند). ما آنها را بر اساس "رتبه کلی عملکرد" رتبه بندی کردیم و بهترین الگوی عملکرد را برای هر شمع انتخاب کردیم. در مرحله بعد ، ما می توانیم با ترسیم شمع ها نتایج خود را تأیید کنیم و بصری را در برابر الگوهای موجود بررسی کنیم. در زیر یک اسکریپت نمونه برای تجسم داده ها با استفاده از طرح ریزی آورده شده است. مجموعه داده ها و طرح را می توان در کنار هم مقایسه کرد و الگوهای را می توان به راحتی با تطبیق شاخص ها تأیید کرد.

شما ممکن است این تابلو را راحت تر برای بازرسی از الگوهای با حاشیه نویسی به سرعت پیدا کنید.

هنگامی که الگوهای موجود در مجموعه داده ما با الگوهای واقعی مقایسه می شوند ، نتایج به نظر می رسد. ما می توانیم به عنوان بخشی از کارهای آینده روی مجموعه داده های بزرگتر آزمایش کنیم. همچنین ، از آنجا که برخی از الگوهای فقط یک نسخه واحد دارند ، می توان برچسب های "گاو نر" و "خرس" را از آنها حذف کرد.

تمام اسکریپت ها و محتویات این پست از جمله عملکرد RECIDISE_CANDLESTICK ، را می توان در https://github.com/canerirfanoglu/medium یافت.

همچنین می توانید به عنوان بخشی از داشبورد تحلیل فنی ارز Crypto "Crypto Dash" در https://youtu. be/hs3gamtet9k؟t=121 به رسمیت شناختن شمعدان در عمل مشاهده کنید.

محتوا در اینجا عمدتاً بر اساس کار سازندگان ماژول TA-Lib و مطالعات طولانی مدت توماس Bulkowsi در مورد الگوهای شمعدانی است. من می خواهم از آنها تشکر کنم که کارشان را در دسترس عموم قرار داده اند.

اگر کار من را با ارزش لذت بردید یا پیدا کرده اید ، لطفاً همگام باشید و برای اتصال در LinkedIn احساس راحتی کنید. من از شنیدن نظرات و پیشنهادات شما خوشحال می شوم. به سلامتی!