如何使用 Python 來自動交易加密貨幣

然而，不像紐約證券交易所這樣的傳統證券交易所一樣，有一段固定的交易時間。對於加密貨幣而言，則是 7×24 小時交易，這使得任何人都無法獨自盯著市場。

在以前，我經常思考與加密貨幣交易相關的問題：

• 一夜之間發生了什麼？
• 為什麼沒有日誌記錄？
• 為什麼下單？
• 為什麼不下單？

通常的解決手段是使用加密交易機器人，當在你做其他事情時，例如睡覺、與家人在一起或享受空閑時光，代替你下單。雖然有很多商業解決方案可用，但是我選擇開源的解決方案，因此我編寫了加密交易機器人 Pythonic。 正如去年 我寫過的文章 一樣，「Pythonic 是一種圖形化編程工具，它讓用戶可以輕鬆使用現成的函數模塊來創建 Python 應用程序。」 最初它是作為加密貨幣機器人使用，並具有可擴展的日誌記錄引擎以及經過精心測試的可重用部件，例如調度器和計時器。

開始

本教程將教你如何開始使用 Pythonic 進行自動交易。我選擇 幣安 Binance 交易所的 波場 Tron 與 比特幣 Bitcoin 交易對為例。我之所以選擇這個加密貨幣對，是因為它們彼此之間的波動性大，而不是出於個人喜好。

機器人將根據 指數移動平均 exponential moving averages （EMA）來做出決策。


TRX/BTC 1 小時 K 線圖

EMA 指標通常是一個加權的移動平均線，可以對近期價格數據賦予更多權重。儘管移動平均線可能只是一個簡單的指標，但我對它很有經驗。

上圖中的紫色線顯示了 EMA-25 指標（這表示要考慮最近的 25 個值）。

機器人監視當前的 EMA-25 值（t0）和前一個 EMA-25 值（t-1）之間的差距。如果差值超過某個值，則表示價格上漲，機器人將下達購買訂單。如果差值低於某個值，則機器人將下達賣單。

差值將是做出交易決策的主要指標。在本教程中，它稱為交易參數。

工具鏈

將在本教程使用如下工具：

• 幣安專業交易視圖（已經有其他人做了數據可視化，所以不需要重複造輪子）
• Jupyter 筆記本：用於數據科學任務
• Pythonic：作為整體框架
• PythonicDaemon ：作為終端運行（僅適用於控制台和 Linux）

數據挖掘

為了使加密貨幣交易機器人儘可能做出正確的決定，以可靠的方式獲取資產的 美國線 open-high-low-close chart （OHLC）數據是至關重要。你可以使用 Pythonic 的內置元素，還可以根據自己邏輯來對其進行擴展。

一般的工作流程：

1. 與幣安時間同步
2. 下載 OHLC 數據
3. 從文件中把 OHLC 數據載入到內存
4. 比較數據集並擴展更新數據集

這個工作流程可能有點誇張，但是它能使得程序更加健壯，甚至在停機和斷開連接時，也能平穩運行。

一開始，你需要 幣安 OHLC 查詢 Binance OHLC Query 元素和一個 基礎操作 Basic Operation 元素來執行你的代碼。


數據挖掘工作流程

OHLC 查詢設置為每隔一小時查詢一次 TRXBTC 資產對（波場/比特幣）。


配置 OHLC 查詢元素

其中輸出的元素是 Pandas DataFrame。你可以在 基礎操作 元素中使用 輸入 input 變數來訪問 DataFrame。其中，將 Vim 設置為 基礎操作 元素的默認代碼編輯器。


使用 Vim 編輯基礎操作元素

具體代碼如下：

import pickle, pathlib, os
import pandas as pd

outout = None

if isinstance(input, pd.DataFrame):
    file_name = 'TRXBTC_1h.bin'
    home_path = str(pathlib.Path.home())
    data_path = os.path.join(home_path, file_name)

    try:
        df = pickle.load(open(data_path, 'rb'))
        n_row_cnt = df.shape[0]
        df = pd.concat([df,input], ignore_index=True).drop_duplicates(['close_time'])
        df.reset_index(drop=True, inplace=True)
        n_new_rows = df.shape[0] - n_row_cnt
        log_txt = '{}: {} new rows written'.format(file_name, n_new_rows)
    except:
        log_txt = 'File error - writing new one: {}'.format(e)
        df = input

    pickle.dump(df, open(data_path, "wb" ))
    output = df

首先，檢查輸入是否為 DataFrame 元素。然後在用戶的家目錄（~/）中查找名為 TRXBTC_1h.bin 的文件。如果存在，則將其打開，執行新代碼段（try 部分中的代碼），並刪除重複項。如果文件不存在，則觸發異常並執行 except 部分中的代碼，創建一個新文件。

只要啟用了複選框 日誌輸出 log output ，你就可以使用命令行工具 tail 查看日誌記錄：

$ tail -f ~/Pythonic_2020/Feb/log_2020_02_19.txt

出於開發目的，現在跳過與幣安時間的同步和計劃執行，這將在下面實現。

準備數據

下一步是在單獨的 網格 Grid 中處理評估邏輯。因此，你必須藉助 返回元素 Return element 將 DataFrame 從網格 1 傳遞到網格 2 的第一個元素。

在網格 2 中，通過使 DataFrame 通過 基礎技術分析 Basic Technical Analysis 元素，將 DataFrame 擴展包含 EMA 值的一列。


在網格 2 中技術分析工作流程

配置技術分析元素以計算 25 個值的 EMA。


配置技術分析元素

當你運行整個程序並開啟 技術分析 Technical Analysis 元素的調試輸出時，你將發現 EMA-25 列的值似乎都相同。


輸出中精度不夠

這是因為調試輸出中的 EMA-25 值僅包含六位小數，即使輸出保留了 8 個位元組完整精度的浮點值。

為了能進行進一步處理，請添加 基礎操作 元素：


網格 2 中的工作流程

使用 基礎操作 元素，將 DataFrame 與添加的 EMA-25 列一起轉儲，以便可以將其載入到 Jupyter 筆記本中；


將擴展後的 DataFrame 存儲到文件中

評估策略

在 Juypter 筆記本中開發評估策略，讓你可以更直接地訪問代碼。要載入 DataFrame，你需要使用如下代碼：


用全部小數位表示

你可以使用 iloc 和列名來訪問最新的 EMA-25 值，並且會保留所有小數位。

你已經知道如何來獲得最新的數據。上面示例的最後一行僅顯示該值。為了能將該值拷貝到不同的變數中，你必須使用如下圖所示的 .at 方法方能成功。

你也可以直接計算出你下一步所需的交易參數。


買賣決策

確定交易參數

如上面代碼所示，我選擇 0.009 作為交易參數。但是我怎麼知道 0.009 是決定交易的一個好參數呢？ 實際上，這個參數確實很糟糕，因此，你可以直接計算出表現最佳的交易參數。

假設你將根據收盤價進行買賣。


回測功能

在此示例中，buy_factor 和 sell_factor 是預先定義好的。因此，發散思維用直接計算出表現最佳的參數。


嵌套的 for 循環，用於確定購買和出售的參數

這要跑 81 個循環（9x9），在我的機器（Core i7 267QM）上花費了幾分鐘。


在暴力運算時系統的利用率

在每個循環之後，它將 buy_factor、sell_factor 元組和生成的 profit 元組追加到 trading_factors 列表中。按利潤降序對列表進行排序。


將利潤與相關的交易參數按降序排序

當你列印出列表時，你會看到 0.002 是最好的參數。


交易要素和收益的有序列表

當我在 2020 年 3 月寫下這篇文章時，價格的波動還不足以呈現出更理想的結果。我在 2 月份得到了更好的結果，但即使在那個時候，表現最好的交易參數也在 0.002 左右。

分割執行路徑

現在開始新建一個網格以保持邏輯清晰。使用 返回 元素將帶有 EMA-25 列的 DataFrame 從網格 2 傳遞到網格 3 的 0A 元素。

在網格 3 中，添加 基礎操作 元素以執行評估邏輯。這是該元素中的代碼：


實現評估策略

如果輸出 1 表示你應該購買，如果輸出 2 則表示你應該賣出。 輸出 0 表示現在無需操作。使用 分支 Branch 元素來控制執行路徑。


分支元素：網格 3，2A 位置

因為 0 和 -1 的處理流程一樣，所以你需要在最右邊添加一個分支元素來判斷你是否應該賣出。


分支元素：網格 3，3B 位置

網格 3 應該現在如下圖所示：


網格 3 的工作流程

下單

由於無需在一個周期中購買兩次，因此必須在周期之間保留一個持久變數，以指示你是否已經購買。

你可以利用 棧 Stack 元素來實現。顧名思義，棧元素表示可以用任何 Python 數據類型來放入的基於文件的棧。

你需要定義棧僅包含一個布爾類型，該布爾類型決定是否購買了（True）或（False）。因此，你必須使用 False 來初始化棧。例如，你可以在網格 4 中簡單地通過將 False 傳遞給棧來進行設置。


將 False 變數傳輸到後續的棧元素中

在分支樹後的棧實例可以進行如下配置：


設置棧元素

在棧元素設置中，將 對輸入的操作 Do this with input 設置成 無 Nothing 。否則，布爾值將被 1 或 0 覆蓋。

該設置確保僅將一個值保存於棧中（True 或 False），並且只能讀取一個值（為了清楚起見）。

在棧元素之後，你需要另外一個 分支 元素來判斷棧的值，然後再放置 幣安訂單 Binance Order 元素。


判斷棧中的變數

將幣安訂單元素添加到分支元素的 True 路徑。網格 3 上的工作流現在應如下所示：


網格 3 的工作流程

幣安訂單元素應如下配置：


編輯幣安訂單元素

你可以在幣安網站上的帳戶設置中生成 API 和密鑰。


在幣安賬戶設置中創建一個 API 密鑰

在本文中，每筆交易都是作為市價交易執行的，交易量為 10,000 TRX（2020 年 3 月約為 150 美元）（出於教學的目的，我通過使用市價下單來演示整個過程。因此，我建議至少使用限價下單。）

如果未正確執行下單（例如，網路問題、資金不足或貨幣對不正確），則不會觸發後續元素。因此，你可以假定如果觸發了後續元素，則表示該訂單已下達。

這是一個成功的 XMRBTC 賣單的輸出示例：


成功賣單的輸出

該行為使後續步驟更加簡單：你可以始終假設只要成功輸出，就表示訂單成功。因此，你可以添加一個 基礎操作 元素，該元素將簡單地輸出 True 並將此值放入棧中以表示是否下單。

如果出現錯誤的話，你可以在日誌信息中查看具體細節（如果啟用日誌功能）。


幣安訂單元素中的輸出日誌信息

調度和同步

對於日程調度和同步，請在網格 1 中將整個工作流程置於 幣安調度器 Binance Scheduler 元素的前面。


在網格 1，1A 位置的幣安調度器

由於幣安調度器元素只執行一次，因此請在網格 1 的末尾拆分執行路徑，並通過將輸出傳遞迴幣安調度器來強制讓其重新同步。


網格 1：拆分執行路徑

5A 元素指向 網格 2 的 1A 元素，並且 5B 元素指向網格 1 的 1A 元素（幣安調度器）。

部署

你可以在本地計算機上全天候 7×24 小時運行整個程序，也可以將其完全託管在廉價的雲系統上。例如，你可以使用 Linux/FreeBSD 雲系統，每月約 5 美元，但通常不提供圖形化界面。如果你想利用這些低成本的雲，可以使用 PythonicDaemon，它能在終端中完全運行。


PythonicDaemon 控制台

PythonicDaemon 是基礎程序的一部分。要使用它，請保存完整的工作流程，將其傳輸到遠程運行的系統中（例如，通過 安全拷貝協議 Secure Copy SCP），然後把工作流程文件作為參數來啟動 PythonicDaemon：

$ PythonicDaemon trading_bot_one

為了能在系統啟動時自啟 PythonicDaemon，可以將一個條目添加到 crontab 中：

# crontab -e


在 Ubuntu 伺服器上的 Crontab

下一步

正如我在一開始時所說的，本教程只是自動交易的入門。對交易機器人進行編程大約需要 10％ 的編程和 90％ 的測試。當涉及到讓你的機器人用金錢交易時，你肯定會對編寫的代碼再三思考。因此，我建議你編碼時要儘可能簡單和易於理解。

如果你想自己繼續開發交易機器人，接下來所需要做的事：

• 收益自動計算（希望你有正收益！）
• 計算你想買的價格
• 比較你的預訂單（例如，訂單是否填寫完整？）

你可以從 GitHub 上獲取完整代碼。

via: https://opensource.com/article/20/4/python-crypto-trading-bot

作者：Stephan Avenwedde 選題：lujun9972 譯者：wyxplus 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive