رویکردی برای استفاده از پروفایل های حجم برای تجارت الگوریتمی

هنگام تجارت در بازارهایی مانند سهام یا ارز ، شناسایی مناطق ارزش برای اطلاع رسانی در مورد تصمیمات تجاری ما مهم است. یکی از راه های انجام این کار ، نگاه کردن به نمایه حجم است.

در این پست ، ما روشهای کمی را برای بررسی توزیع حجم در یک دوره زمانی بررسی می کنیم.

به طور خاص ، ما در مجموعه ماژول های Scipy از ابزارهای پایتون و آماری و پردازش سیگنال استفاده خواهیم کرد. توطئه های داده با طرح ریزی ارائه می شوند.

چگونه از حجم استفاده کنیم؟

این پست مفهوم پروفایل های حجم و نحوه تجارت آنها را در بر می گیرد.

به طور خلاصه ، حجم میزان دارایی های معامله شده در یک دوره زمانی را منتقل می کند. ابعاد دیگری که می توانیم به آن نگاه کنیم ، حجم معامله شده در حدود سطح قیمت است. این به عنوان یک پروفایل حجم شناخته می شود.

تصاویر زیر نشان می دهد که چگونه می توانیم در طول این دو بعد به حجم نگاه کنیم.

مناطقی که حجم قابل توجهی جمع می شود گره های حجم بالا (یا خوشه). این گره های حجم می توانند در تعیین سطح مهم قیمت برای تماشای مفید باشند.

تجزیه و تحلیل داده های حجم

به راحتی می توان گره های حجم را در نمودارهای بالا مشاهده کرد ، اما ایده اینجاست که این کار را با کد انجام دهید. بنابراین ببینیم چگونه می توانیم این کار را انجام دهیم.

داده ها را بارگیری کنید

ابتدا ، ما داده ها را برای دارایی و بازه زمانی نشان داده شده در نمودارهای بالا واکشی می کنیم. ما داده های دقیقه ای را به دست می آوریم تا به ما امکان دهد یک پروفایل حجم با دانه بندی کافی بسازیم.

در این مثال ، ما در حال نگاه کردن به SPOT FOREX هستیم و این بدان معنی است که ما داده های حجم واقعی نداریم. داده های حجم در اینجا حجم تیک است که به عنوان یک پروکسی برای حجم واقعی معامله شده عمل می کند.

اکنون بیایید نمایه حجم را که فقط یک هیستوگرام در امتداد محور قیمت است ، ترسیم کنیم.

هیستوگرام روش خوبی برای نمایش توزیع داده های ما است. با این حال ، بسیار خشن است و بسته به نحوه تعریف سطل ها می تواند متفاوت باشد. بیایید یک روش راحت تر برای مدل سازی توزیع خود پیدا کنیم.

برآوردگر چگالی هسته

برآوردگر چگالی هسته (KDE) یک روش غیر پارامتری برای برآورد عملکرد چگالی احتمال (PDF) از یک متغیر تصادفی است. این به ما امکان می دهد توزیع خود را به عنوان یک منحنی صاف و مداوم نشان دهیم.

ما از Gaussian_KDE Scipy برای دریافت PDF خود استفاده خواهیم کرد. ما می توانیم یک هیستوگرام نرمال را با منحنی ترسیم کنیم تا ببینیم چگونه متناسب است.

KDE_FACTOR بر صافی منحنی تأثیر می گذارد. من یک مقدار دلخواه را انتخاب کردم که به نظر می رسید مناسب در توزیع مولتییمال ما باشد.

یافتن گره های حجم

برای کمک به ما در تعیین ساختار مشخصات حجم خود ، از ماژول پردازش سیگنال Scipy از Find_peaks استفاده می کنیم.

در این مرحله ، ما در حال حاضر داده های مفیدی برای کار با آنها داریم. به عنوان مثال ، ما برخی از نقاط قیمت نسبتاً جالب را بر اساس مشخصات حجم خود داریم.

اما ما می توانیم بهتر عمل کنیم! FIND_PEAKS این امکان را برای ما فراهم می کند تا محدودیت هایی را برای فیلتر کردن نویز بیشتر مشخص کنیم.

برجستگی

برای مبتدیان ، می توانیم حداقل برجستگی را برای قله های خود مشخص کنیم. این می تواند به ما در شناسایی گره های حجم برجسته تر کمک کند. بیایید برخی از خطوط را نشان دهیم که برجستگی هر اوج را نشان می دهد تا ببینیم چه شکلی است.

برجستگی به عنوان فاصله عمودی بین قله و پایین ترین خط کانتور آن تعریف شده است. بیایید برای قله هایی که در آن برجستگی حداقل 30 ٪ از محدوده است ، فیلتر کنیم.

عرض اوج

حال بیایید بگوییم که ما به دنبال مناطقی با حجم زیاد و ادغام محکم هستیم. به عبارت دیگر ، ما به مناطقی علاقه مندیم که فعالیت های زیادی در یک محدوده کوچک اتفاق بیفتد. ما می توانیم با مشخص کردن محدودیت ها در عرض قله های خود ، این موضوع را پیدا کنیم.

ابتدا نشانگرهای ترسیم شده را نشان می دهیم که عرض قله ها را نشان می دهد. به طور پیش فرض ، عرض در نیمی از ارتفاع نسبی قله محاسبه می شود.

در نمودار ساعتی ، دامنه واقعی ما در طول هفته حدود 14 پیپ بود. بیایید عرض حداکثر خود را در 20 پیپ تنظیم کنیم. برای انجام این کار ، ما باید دامنه خود را در قیمت ها به تعداد نمونه ها تبدیل کنیم.

اکنون منطقه ای از ادغام محکم و حجم زیاد را مشاهده کرده ایم. از نظر تجزیه و تحلیل فنی ، این یک منطقه با ارزش کلیدی برای تماشای خواهد بود!

تراکم

شاید ما به عرض یا دامنه گره حجم خود اهمیت زیادی نداریم. چه می شود اگر در عوض ، ما بیشتر به چگالی کل گره حجم علاقه مند بودیم؟PDF یک منحنی مداوم است ، بنابراین برای به دست آوردن چگالی ، باید بین یک محدوده را به دست آوریم. ما از پایه قله ها برای تعیین دامنه برای ادغام استفاده خواهیم کرد.

از آنجا که این یک تابع چگالی احتمال است ، مقادیر چگالی ما عادی می شوند. به عنوان یک یادآوری ، انتگرال در کل محدوده برابر با 1 است.

نتیجه

تاکنون ما توانستیم داده های قیمت و حجم را در طی یک دوره زمانی بارگیری کنیم و توزیع را از طریق قیمت به عنوان یک پروفایل حجم مشاهده کنیم. ما از KDE Gaussian استفاده کردیم تا یک PDF را بر روی این داده ها قرار دهد و از برخی از ابزارهای پردازش سیگنال برای استخراج اطلاعات مفید استفاده کردیم.

امیدوارم این موضوع به خصوص برای علاقه مندان به تجارت الگوریتمی مفید باشد. این فقط یک نقطه شروع است و ما باید قبل از ترکیب در یک سیستم تحقیق یا تجارت ، آن را قوی تر کنیم.

در صورت داشتن هرگونه نظر یا پیشنهادی ، از خواندن و احساس راحتی در LinkedIn تشکر می کنم!