MetaTrader 5 / エキスパートアドバイザー
English Русский 中文 Español Deutsch Português
preview
時系列マイニングのためのデータラベル（第2回）：Pythonを使ってトレンドマーカー付きデータセットを作成する

時系列マイニングのためのデータラベル（第2回）：Pythonを使ってトレンドマーカー付きデータセットを作成する

MetaTrader 5 — エキスパートアドバイザー | 8 1月 2024, 14:55
186 0
Yuqiang Pan
Yuqiang Pan

はじめに

前回の記事では、チャートの傾向を観察してデータにラベルを付け、データを「csv」ファイルに保存する方法を紹介しました。今回は、考え方を変えて、データ自体から始めましょう。

Pythonを使用してデータを処理していきます。なぜPythonなのでしょうか。便利で速いとはいえ動作が速いわけではありませんが、Pythonの膨大なライブラリを利用すると、開発サイクルを大幅に短縮できます。

始めましょう。

目次

  1. Pythonライブラリの選択
  2. MetaTrader 5ライブラリを使用してMT5クライアントからデータを取得する
  3. データ形式変換
  4. ラベルデータ
  5. 手動校正
  6. まとめ


Pythonライブラリの選択

Pythonには多くの優秀な開発者がおり、多種多様なライブラリを提供しているため、開発が容易になり、開発時間を大幅に節約できることは誰もが知っています。以下は、私の関連するPythonライブラリのコレクションです。その一部は異なるアーキテクチャに基づいており、一部は取引に使用でき、一部はバックテストに使用できます。これにはラベル付きデータが含まれますが、これに限定されるものではありません。興味のある方は調べてみてください。この記事では詳細な紹介はおこないません。

  1. statsmodels：データを探索し、統計モデルを推定し、統計テストを実行するためのPythonモジュール：http://statsmodels.sourceforge.net
  2. dynts：時系列分析と操作のためのPythonパッケージ：https://github.com/quantmind/dynts
  3. PyFlux：モデルの時系列モデリングと推論（頻度主義およびベイジアン）のためのPythonライブラリ:https://github.com/RJT1990/pyflux
  4. tsfresh：時系列からの関連特徴の自動抽出：https://github.com/blue-yonder/tsfresh
  5. hasura/quandl-metabase：Metabaseを使用してQuandlの時系列データセットを視覚化するための Hasuraクイックスタート：https://platform.hasura.io/hub /projects/anirudhm/quandl-metabase-time-series
  6. Facebook Prophet - 線形または非線形の成長を伴う複数の季節性を持つ時系列データの高品質な予測を生成するツール：https://github.com/facebook/prophet
  7. tsmoothie：ベクトル化された方法で時系列平滑化と外れ値検出をおこなうためのPythonライブラリ：https://github.com/cerlymarco/tsmoothie
  8. pmdarima - Rの auto.arima 関数と同等のものを含む、Pythonの時系列分析機能の空白を埋めるために設計された統計ライブラリ：https://github.com/alkaline-ml/pmdarima
  9. gluon-ts：PythonでのvProbabilistic時系列モデリング：https://github.com/awslabs/gluon-ts
  10. gs-quant：定量的金融のためのPythonツールキット:https://github.com/goldmansachs/gs-quant
  11. willowtree：デリバティブ価格設定のためのウィローツリーラティスの堅牢かつ柔軟なPython実装：https://github.com/federicomariamassari/willowtree
  12. Financial-Engineering：モンテカルロ法の金融エンジニアリングプロジェクトへの応用 (Python)：https://github.com/federicomariamassari/financial-engineering
  13. optlib：Pythonで書かれた金融オプション価格設定用のライブラリ：https://github.com/dbrojas/optlib
  14. tf-quant-finance：定量的金融用の高性能 TensorFlowライブラリ：https://github.com/google/tf-quant-finance
  15. Q-Fin：数理ファイナンス用のPythonライブラリ：https://github.com/RomanMichaelPaolucci/Q-Fin
  16. Quantsbin：バニラオプション価格、ギリシャ、およびそれらに関するその他のさまざまな分析の価格設定とプロットのためのツール：https://github.com/quantsbin/Quantsbin
  17. finoptions：さまざまなオプションの価格設定をおこなうためのfExoticOptionsの部分実装を含む、RパッケージfOptionsの完全なPython実装：https://github.com/bbcho/finoptions-dev
  18. pypme：PME (Public Market Equivalent)の計算：https://github.com/ymyke/pypme
  19. Blankly：完全に統合されたバックテスト、ペーパー 取引、ライブデプロイメント：https://github.com/Blankly-Finance/Blankly
  20. TA-Lib：TA-LibのPythonラッパー (http://ta-lib.org/):https:// github.com/mrjbq7/ta-lib
  21. zipline：Pythonアルゴリズム取引ライブラリ：https://github.com/quantopian/zipline
  22. QuantSoftware Toolkit：ポートフォリオの構築と管理をサポートするために設計されたPythonベースのオープンソースソフトウェアフレームワーク：https://github.com/QuantSoftware/QuantSoftwareToolkit
  23. finta：Pandasに実装された一般的な金融テクニカル分析指標：https://github.com/peerchemist/finta
  24. Tulipy：金融テクニカル分析指標 ライブラリ（tulipindicatorsのPythonバインディング）：https://github.com/cirla/tulipy
  25. lppls：対数周期べき乗則特異点(LPPLS)モデルをフィッティングするためのPythonモジュール：https ://github.com/Boulder-Investment-Technologies/lpls
そこでは、pytrendseriesライブラリを使用してデータを処理し、傾向にラベルを付け、データセットを作成します。このライブラリには、簡単な操作と便利な視覚化という利点があるためです。データセットの作成を始めましょう。


MetaTrader 5ライブラリを使用してMT5クライアントからデータを取得する

もちろん、最も基本的なことは、Pythonが既にPCにインストールされていることです。インストールされていない場合、Pythonの公式バージョンをインストールすることはお勧めしません。私はメンテナンスが簡単なAnacondaを使用することを好みます。ただし、Anacondaの通常バージョンは非常に大きく、ビジュアル管理、エディターなどを含む豊富なコンテンツが統合されているのですが、お恥ずかしいことに、私はそれらをほとんど使用しません。そのため、短く簡潔で、シンプルで実用的なminincondaを強くお勧めします。Miniconda公式Webサイトのアドレスは、 Miniconda ::Anaconda.orgです。


1.基本的な環境の初期化

    まず仮想環境を作成し、Anaconda Promoteタイプを開きます。

    conda create -n Data_label python=3.10

    環境

    「y」を入力し、環境が作成されるのを待ってから、次のように入力します。

    conda activate Data_label

    注：conda仮想環境を作成するときは、必ずpython=x.xxを追加してください。そうしないと、使用中に不可解なトラブルが発生します。これは、それに悩まされた人からの提案です。

    2. 必要なライブラリをインストールする

    重要なライブラリMetaTrader 5をインストールします。conda Promoteで次を入力します。

    pip install MetaTrader5

    pytrendseriesをインストールします。conda Promoteで次を入力します。

    pip install pytrendseries

    3.Pythonファイルを作成する

    MetaEditor を開き、[ツール]->[オプション] を見つけて、[コンパイラー] オプションのPython列にPythonのパスを入力します。私の場合はG:miniconda3\envs\Data_labelです。

    設定

    完了したら、[ファイル]->[新規]（または Ctrl + N）を選択して新しいファイルを作成し、次のようにポップアップ ウィンドウで[Pythonスクリプト]を選択します。

    f0

    [次へ]をクリックして、次のようにファイル名を入力します。

    f1

    [OK]をクリックすると、以下のウィンドウが表示されます。

    f3

    4. クライアントに接続してデータを取得する

    元の自動生成コードを削除し、次のコードに置き換えます。

    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt

if not mt.initialize():
    print('initialize() failed!')
else:
   print(mt.version())
   mt.shutdown()

    コンパイルして実行してエラーが報告されるかどうかを確認し、問題がない場合は次の出力が表示されます。

    アウト

    「initialize() failed!」というプロンプトが表示された場合は、次の色で強調されたコードに示すように、initialize()関数にパラメータパスを追加してください。これはクライアント実行可能ファイルへのパスです。

    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt

if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"):
    print('initialize() failed!') 
else:
    print(mt.version())
    mt.shutdown()
    すべての準備が整ったので、データを取得しましょう。
    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt

if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"):
    print('initialize() failed!')
else:
   sb=mt.symbols_total()
   rts=None
   if sb > 0:    
     rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,10000) 
   mt.shutdown()
   print(rts[0:5])

    上記のコードでは、銘柄が検出されなかったためにエラーが報告されないように「sb=mt.symbols_total()」を追加しました。また、「copy_rates_from_pos("GOLD_micro", mt.TIMEFRAME_M15,0,10000)」は、GOLD_microのM15期間から10,000バーをコピーすることを意味します。コンパイル後に次の出力が生成されます。

    o0

    これまでのところ、クライアントからデータを取得することに成功しています。

    データ形式変換

    クライアントからデータを取得しましたが、データ形式は必要ありません。データは次のような「numpy.ndarray」です。

    "[(1692368100, 1893.51, 1893.97,1893.08,1893.88,548, 35, 0)

    (1692369000、1893.88、1894.51、1893.41、1894.51、665、35、0)

    (1692369900、1894.5、1894.91、1893.25、1893.62、755、35、0)

    (1692370800、1893.68、1894.7、1893.16、1893.49、1108、35、0)

    (1692371700、1893.5、1893.63、1889.43、1889.81、1979、35、0)

    (1692372600、1889.81、1891.23、1888.51、1891.04、2100、35、0)

    (1692373500、1891.04、1891.3、1889.75、1890.07、1597、35、0)

    (1692374400、1890.11、1894.03、1889.2、1893.57、2083、35、0)

    (1692375300、1893.62、1894.94、1892.97、1894.25、1692、35、0)

    (1692376200、1894.25、1894.88、1890.72、1894.66、2880、35、0)

    (1692377100、1894.67、1896.69、1892.47、1893.68、2930、35、0) 

    ...

    (1693822500、1943.97、1944.28、1943.24、1943.31、883、35、0)

    (1693823400、1943.25、1944.13、1942.95、1943.4、873、35、0)

    (1693824300、1943.4、1944.07、1943.31、1943.64、691、35、0)

    (1693825200、1943.73、1943.97、1943.73、1943.85、22、35、0)]"

    それでは、pandasを使用して変換しましょう。追加されたコードは緑色でマークされています。

    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt
import pandas as pd

if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"):
    print('initialize() failed!')
else:
   print(mt.version())
   sb=mt.symbols_total()
   rts=None
   if sb > 0:
     rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,1000) 
   mt.shutdown()
   rts_fm=pd.DataFrame(rts)

    ここで、以下のようにデータ形式をもう一度見てみましょう。

    print(rts_fm.head(10))

    d

    入力データはpandasである必要があります。DataFrame形式には観測データ（float形式またはint形式）として1つの列が含まれているため、次のようにpytrendseriesで要求された形式にデータを処理する必要があります。
    td_data=rts_fm[['time','close']].set_index('time')

    データの最初の10行がどのようになっているかを見てみましょう。

    print(td_data.head(10))


    o2


    注：    td_dataは最後のデータスタイルではなく、データの傾向を取得するための移行製品にすぎません。

    これで、データは完全に使用できるようになりましたが、その後の操作のために、日付形式をデータフレームに変換する方が良いため、「td_data=rts_fm[['time','close']].set_index('time')」の前に次のコードを追加する必要があります。

    rts_fm['time']=pd.to_datetime(rts_fm['time'], unit='s')

    出力は次のようになります。

    time close
    2023-08-18 20:45:00
    		1888.82000
    2023-08-18 21:00:00 1887.53000
    2023-08-18 21:15:00 1888.10000  
    2023-08-18 21:30:00 1888.98000  
    2023-08-18 21:45:00 1888.37000 
    2023-08-18 22:00:00 1887.51000  
    2023-08-18 22:15:00 1888.21000  
    2023-08-18 22:30:00 1888.73000  
    2023-08-18 22:45:00 1889.12000  
    2023-08-18 23:00:00 1889.20000  

    以下は、このセクションの完全なコードです。

    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt
import pandas as pd

if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"):
    print('initialize() failed!')
else:
   print(mt.version())
   sb=mt.symbols_total()
   rts=None
   if sb > 0:
     rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,1000) 
   mt.shutdown()
   rts_fm=pd.DataFrame(rts)
   rts_fm['time']=pd.to_datetime(rts_fm['time'], unit='s')
   td_data=rts_fm[['time','close']].set_index('time')
   print(td_data.head(10))


    ラベルデータ

    1. トレンドデータの取得

    まず、pytrendseriesパッケージをインポートします。

    import pytrendseries as pts

    pts.detecttrend()関数を使用してトレンドを見つけてから、この関数のtd変数を定義します。このパラメータにはdowntrendまたはuptrendの2つのオプションがあります。

    td='downtrend' # or "uptrend"

    トレンドの最大期間として別のパラメータwdが必要です。

    wd=120

    定義してもしなくてもよいパラメータもありますが、個人的には定義した方が良いと思います。このパラメータはトレンドの最小期間を指定します。

    limit=6

    これで、関数にパラメータを入力して傾向を取得できます。

    trends=pts.detecttrend(td_data,trend=td,limit=limit,window=wd)

    次に、結果を確認します。

    print(trends.head(15))

    from to price0 price1 index_from 終了インデックス time_span ドローダウン
    1 2023-08-21 01:00:00 2023-08-21 02:15:00 1890.36000 1889.24000 13 18 5 0.00059
    2 2023-08-21 03:15:00 2023-08-21 04:45:00 1890.61000 1885.28000 22 28 6 0.00282
    3 2023-08-21 08:00:00 2023-08-21 13:15:00 1893.30000 1886.86000 41 62 21 0.00340
    4 2023-08-21 15:45:00 2023-08-21 17:30:00 1896.99000 1886.16000 72 79 7 0.00571
    5 2023-08-21 20:30:00 2023-08-21 22:30:00 1894.77000 1894.12000 91 99 8 0.00034
    6 2023-08-22 04:15:00 2023-08-22 05:45:00 1896.19000 1894.31000 118 124 6 0.00099
    7 2023-08-22 06:15:00 2023-08-22 07:45:00 1896.59000 1893.80000 126 132 6 0.00147
    8 2023-08-22 13:00:00 2023-08-22 16:45:00 1903.38000 1890.17000 153 168 15 0.00694
    9 2023-08-22 19:00:00 2023-08-22 21:15:00 1898.08000 1896.25000 177 186 9 0.00096
    10 2023-08-23 04:45:00 2023-08-23 06:00:00 1901.46000 1900.25000 212 217 5 0.00064
    11 2023-08-23 11:30:00 2023-08-23 13:30:00 1904.84000 1901.42000 239 247 8 0.00180
    12 2023-08-23 19:45:00 2023-08-23 23:30:00 1919.61000 1915.05000 272 287 15 0.00238
    13 2023-08-24 09:30:00 2023-08-25 09:45:00 1921.91000 1912.93000 323 416 93 0.00467
    14 2023-08-25 15:00:00 2023-08-25 16:30:00 1919.88000 1913.30000 437 443 6 0.00343
    15 2023-08-28 04:15:00 2023-08-28 07:15:00 1916.92000 1915.07000 486 498 12 0.00097

    関数pts.vizplot.plot_trend()を使用して結果を視覚化することもできます。

    pts.vizplot.plot_trend(td_data,trends)

    f1

    同様に、コードによって上昇傾向を確認できます。

    td="uptrend"
wd=120
limit=6

trends=pts.detecttrend(td_data,trend=td,limit=limit,window=wd)
print(trends.head(15))
pts.vizplot.plot_trend(td_data,trends)

    結果はこうなります。

    from to price0 price1 index_from index_to time_span drawup
    1 2023-08-18 22:00:00 2023-08-21 03:15:00 1887.51000 1890.61000 5 22 17 0.00164
    2 2023-08-21 04:45:00 2023-08-22 10:45:00 1885.28000 1901.35000 28 144 116 0.00852
    3 2023-08-22 11:15:00 2023-08-22 13:00:00 1898.78000 1903.38000 146 153 7 0.00242
    4 2023-08-22 16:45:00 2023-08-23 19:45:00 1890.17000 1919.61000 168 272 104 0.01558
    5 2023-08-23 23:30:00 2023-08-24 09:30:00 1915.05000 1921.91000 287 323 36 0.00358
    6 2023-08-24 15:30:00 2023-08-24 17:45:00 1912.97000 1921.24000 347 356 9 0.00432
    7 2023-08-24 23:00:00 2023-08-25 01:15:00 1916.41000 1917.03000 377 382 5 0.00032
    8 2023-08-25 03:15:00 2023-08-25 04:45:00 1915.20000 1916.82000 390 396 6 0.00085
    9 2023-08-25 09:45:00 2023-08-25 17:00:00 1912.93000 1920.03000 416 445 29 0.00371
    10 2023-08-25 17:45:00 2023-08-28 18:30:00 1904.37000 1924.86000 448 543 95 0.01076
    11 2023-08-28 20:00:00 2023-08-29 06:30:00 1917.74000 1925.41000 549 587 38 0.00400
    12 2023-08-29 10:00:00 2023-08-29 12:45:00 1922.00000 1924.21000 601 612 11 0.00115
    13 2023-08-29 15:30:00 2023-08-30 17:00:00 1914.98000 1947.79000 623 721 98 0.01713
    14 2023-08-30 23:45:00 2023-08-31 04:45:00 1942.09000 1947.03000 748 764 16 0.00254
    15 2023-08-31 09:30:00 2023-08-31 15:00:00 1943.52000 1947.00000 783 805 22 0.00179

    f2


    2. データにラベルを付ける

    1). データ形式を解析する
      _

    ①はデータの始まりから最初の下降トレンドの始まりまでを意味します。これが上昇トレンドであると仮定します。

    ②は下降トレンドを意味します。

    ③はデータの途中で上昇トレンドを意味します。

    ④は最後の下降トレンドの終了を意味します。

    したがって、これら 4 つの部分にラベルロジックを実装する必要があります。

    2). ラベルロジック 

    いくつかの基本的な変数を定義することから始めましょう。

    rts_fm['trend']=0
rts_fm['trend_index']=0
max_len_rts=len(rts_fm)
max_len=len(trends)
last_start=0
last_end=0

    forループを使用してtrends変数を走査し、各データ部分の先頭と末尾を取得します。

    for trend in trends.iterrows():
        pass

    各セグメントの開始インデックスと終了インデックスを取得します。

    for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    rts_fm["trend"]自体は0に初期化されているため、上昇トレンドのtrend列を変更する必要はありませんが、データの始まりが下降トレンドかどうかを確認する必要があります。下降トレンドではない場合、上昇トレンドと仮定しました。

    for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))

    データの開始時と同様に、データの終了時に下降トレンドで終了するかどうかを確認する必要があります。

    for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))
    elif trend[0]==max_len and end!=max_len_rts-1:
	#we need to see if it ends in a downtrend at the end of the data
        rts_fm['trend_index'][last_end+1:len(rts_fm)]=list(range(0,max_len_rts-last_end-1))

    データの先頭と末尾以外の上昇トレンド部分を処理します。

    for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))
    elif trend[0]==max_len and end!=max_len_rts-1:
        #we need to see if it ends in a downtrend at the end of the data
        rts_fm['trend_index'][last_end+1:len(rts_fm)]=list(range(0,max_len_rts-last_end-1))
    else:
        #Process the uptrend segments other than the beginning and end of the data
        rts_fm["trend_index"][last_end+1:start]=list(range(0,start-last_end-1))

    下降トレンドの各セグメントを処理します。

    for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))
    elif trend[0]==max_len and end!=max_len_rts-1:
        #we need to see if it ends in a downtrend at the end of the data
        rts_fm['trend_index'][last_end+1:len(rts_fm)]=list(range(0,max_len_rts-last_end-1))
    else:
        #Process the uptrend segments other than the beginning and end of the data
        rts_fm["trend_index"][last_end+1:start]=list(range(0,start-last_end-1))
    
    #Process each segments of the downtrend
    rts_fm["trend"][start:end+1]=1
    rts_fm["trend_index"][start:end+1]=list(range(0,end-start+1))
    last_start=start
    last_end=end

    3). 補足
    データの先頭と末尾が上昇傾向であると想定していますが、これでは十分な精度が得られないと思われる場合は、先頭と末尾の部分を削除することもできます。これをおこなうには、forループの終了後に次のコードを追加します。

    rts_fm['trend']=0
rts_fm['trend_index']=0
max_len_rts=len(rts_fm)
max_len=len(trends)
last_start=0
last_end=0
for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))
    elif trend[0]==max_len and end!=max_len_rts-1:
        #we need to see if it ends in a downtrend at the end of the data
        rts_fm['trend_index'][last_end+1:len(rts_fm)]=list(range(0,max_len_rts-last_end-1))
    else:
        #Process the uptrend segments other than the beginning and end of the data
        rts_fm["trend_index"][last_end+1:start]=list(range(0,start-last_end-1))
    
    #Process each segments of the downtrend
    rts_fm["trend"][start:end+1]=1
    rts_fm["trend_index"][start:end+1]=list(range(0,end-start+1))
    last_start=start
    last_end=end
rts_fm=rts_fm.iloc[trends.iloc[0,:]['index_from']:end,:]

    3. 確認

    それが完了したら、データが期待を満たしているかどうかを確認してみましょう（この例では、最初の25個のデータのみを調べています）。

    rts_fm.head(25)
    time open high low close tick_volume spread real_volume trend trend_index
    0 2023-08-22 11:30:00 1898.80000 1899.72000 1898.22000 1899.30000 877 35 0 0 0
    1 2023-08-22 11:45:00 1899.31000 1899.96000 1898.84000 1899.81000 757 35 0 0 1
    2 2023-08-22 12:00:00 1899.86000 1900.50000 1899.24000 1900.01000 814 35 0 0 2
    3 2023-08-22 12:15:00 1900.05000 1901.26000 1899.99000 1900.48000 952 35 0 0 3
    4 2023-08-22 12:30:00 1900.48000 1902.44000 1900.17000 1902.19000 934 35 0 0 4
    5 2023-08-22 12:45:00 1902.23000 1903.59000 1902.21000 1902.64000 891 35 0 0 5
    6 2023-08-22 13:00:00 1902.69000 1903.94000 1902.24000 1903.38000 873 35 0 1 0
    7 2023-08-22 13:15:00 1903.40000 1904.29000 1901.71000 1902.08000 949 35 0 1 1
    8 2023-08-22 13:30:00 1902.10000 1903.37000 1902.08000 1902.63000 803 35 0 1 2
    9 2023-08-22 13:45:00 1902.64000 1902.75000 1901.75000 1901.80000 1010 35 0 1 3
    10 2023-08-22 14:00:00 1901.79000 1902.47000 1901.33000 1901.96000 800 35 0 1 4
    11 2023-08-22 14:15:00 1901.94000 1903.04000 1901.72000 1901.73000 785 35 0 1 5
    12 2023-08-22 14:30:00 1901.71000 1902.62000 1901.66000 1902.38000 902 35 0 1 6
    13 2023-08-22 14:45:00 1902.38000 1903.23000 1901.96000 1901.96000 891 35 0 1 7
    14 2023-08-22 15:00:00 1901.94000 1903.25000 1901.64000 1902.41000 1209 35 0 1 8
    15 2023-08-22 15:15:00 1902.39000 1903.00000 1898.97000 1899.87000 1971年 35 0 1 9
    16 2023-08-22 15:30:00 1899.86000 1901.17000 1896.72000 1896.85000 2413 35 0 1 10
    17 2023-08-22 15:45:00 1896.85000 1898.15000 1896.12000 1897.26000 2010年 35 0 1 11
    18 2023-08-22 16:00:00 1897.29000 1897.45000 1895.52000 1895.97000 2384 35 0 1 12
    19 2023-08-22 16:15:00 1895.96000 1896.31000 1893.87000 1894.48000 1990年 35 0 1 13
    20 2023-08-22 16:30:00 1894.43000 1894.60000 1892.64000 1893.38000 2950 35 0 1 14
    21 2023-08-22 16:45:00 1893.48000 1894.17000 1888.94000 1890.17000 2970 35 0 1 15
    22 2023-08-22 17:00:00 1890.19000 1894.53000 1889.94000 1894.20000 2721 35 0 0 0
    23 2023-08-22 17:15:00 1894.18000 1894.73000 1891.51000 1891.71000 1944年 35 0 0 1
    24 2023-08-22 17:30:00 1891.74000 1893.70000 1890.91000 1893.59000 2215 35 0 0 2

    トレンドタイプとトレンドインデックスマーカーがデータに正常に追加されたことがわかります。

    4. ファイルを保存します

    データは必要なほとんどのファイル形式で保存できます。to_json()メソッドを使用してJSONファイルとして保存したり、to_html()メソッドを使用してHTMLファイルとして保存したりできます。ファイルはここではデモンストレーションとして使用されており、CSVとしてのみ保存します。コードの最後に次を追加します。

    rts_fm.to_csv('GOLD_micro_M15.csv')


    手動校正

    この時点で基本的な作業は完了しましたが、より正確なデータを取得したい場合は、さらに人間の介入が必要です。ここではいくつかの方向性を指摘するだけで、詳細なデモンストレーションはおこないません。

    1. データの整合性確認

    完全性とは、データ情報が欠落しているかどうかを指します。これには、データ全体が欠落しているか、データ内のフィールドが欠落している可能性があります。データの完全性はデータ品質の最も基本的な評価基準の1つです。たとえば、M15期間の株式市場データの前のデータが次のデータと2時間異なる場合、対応するツールを使用してデータを完成させる必要があります。もちろん、クライアント端末から外国為替データや株式市場データを取得することは一般的に困難ですが、交通データや気象データなど、他のソースから時系列データを取得する場合は、特に注意する必要があります。

    データ品質の完全性は比較的簡単に評価でき、通常はデータ統計に記録された一意の値によって評価できます。たとえば、前の期間の株価データの終値が1000だったが、次の期間の始値が10になった場合、データが欠落していないか確認する必要があります。


    2. データラベルの正確性を確認する

    この記事の観点から見ると、上記で実装したデータ ラベル付けメソッドには特定の脆弱性がある可能性があります。正確なラベル付けデータを取得するには、pytrendseriesライブラリで提供されるメソッドに依存するだけでなく、データを視覚化し、傾向があるかどうかを観察する必要もあります。データの分類があまりにも影響を受けやすい、または鈍いため、いくつかの重要な情報が失われています。現時点では、データを分析する必要があります。分割する必要がある場合は分割し、結合する必要がある場合は結合する必要があります。この作業には、完了するには多大な労力と時間がかかるため、ここでは具体的な例は当面提供しません。

    正確性とは、データに記録されている情報が正しいかどうか、データに記録されている情報に異常や間違いがないかを指します。一貫性とは異なり、精度に問題があるデータは、単なるルールの不一致ではありません。一貫性の問題は、データ ログのルールの不一致によって発生する可能性がありますが、必ずしもエラーが原因であるとは限りません。

    3. ラベルが合理的かどうかを確認するために、基本的な統計検証を実行します。

    • 整合性の配布：データセットの完全性を迅速かつ直観的に確認します。
    • ヒートマップ：ヒートマップを使用すると、2 つの変数間の相関関係を簡単に観察できます。
    • 階層的クラスタリング：データのさまざまなクラスが密接に関連しているか、分散しているかを確認できます。
    もちろん、上記の方法だけではありません。


    まとめ

    参考文献GitHub - rafa-rod/pytrendseries

    完全なコードを以下に示します。

    # Copyright 2021, MetaQuotes Ltd.
# https://www.mql5.com

import MetaTrader5 as mt
import pandas as pd
import pytrendseries as pts

if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"):
    print('initialize() failed!')
else:
   print(mt.version())
   sb=mt.symbols_total()
   rts=None
   if sb > 0:
     rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,1000) 
   mt.shutdown()
   rts_fm=pd.DataFrame(rts)
   rts_fm['time']=pd.to_datetime(rts_fm['time'], unit='s')
   td_data=rts_fm[['time','close']].set_index('time')
   # print(td_data.head(10))

td='downtrend' # or "uptrend"
wd=120
limit=6

trends=pts.detecttrend(td_data,trend=td,limit=limit,window=wd)
# print(trends.head(15))
# pts.vizplot.plot_trend(td_data,trends)

rts_fm['trend']=0
rts_fm['trend_index']=0
max_len_rts=len(rts_fm)
max_len=len(trends)
last_start=0
last_end=0
for trend in trends.iterrows():
    start=trend[1]['index_from']
    end=trend[1]['index_to']

    if trend[0]==1 and start!=0:
        # Since the rts_fm["trend"] itself has been initialized to 0, there is no need to change the "trend" column
        rts_fm['trend_index'][0:start]=list(range(0,start))
    elif trend[0]==max_len and end!=max_len_rts-1:
        #we need to see if it ends in a downtrend at the end of the data
        rts_fm['trend_index'][last_end+1:len(rts_fm)]=list(range(0,max_len_rts-last_end-1))
    else:
        #Process the uptrend segments other than the beginning and end of the data
        rts_fm["trend_index"][last_end+1:start]=list(range(0,start-last_end-1))
    
    #Process each segments of the downtrend
    rts_fm["trend"][start:end+1]=1
    rts_fm["trend_index"][start:end+1]=list(range(0,end-start+1))
    last_start=start
    last_end=end
#rts_fm=rts_fm.iloc[trends.iloc[0,:]['index_from']:end,:]
rts_fm.to_csv('GOLD_micro_M15.csv')

    注：

    1. mt.initialize()関数に、mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe") のようにパスを追加する場合は、必ず自分のクライアント実行ファイルのパスに置き換えてください。

    2.GOLD_micro_M15.csvファイルが見つからない場合は、クライアントルートで探します。たとえば、私のファイルはパス「D:\\Project\\mt\\MT5\\」にあります。


    辛抱強く読んでいただきありがとうございました。何か得るものがあれば幸いです。


    MetaQuotes Ltdにより英語から翻訳されました。
    元の記事: https://www.mql5.com/en/articles/13253

    添付されたファイル |
    ZIPをダウンロード
    Label_data.py (1.84 KB)
    警告: これらの資料についてのすべての権利はMetaQuotes Ltd.が保有しています。これらの資料の全部または一部の複製や再プリントは禁じられています。

    この著者による他の記事

    ディスカッションに移動
    MQL5の圏論（第20回）：セルフアテンションとTransformerへの回り道 MQL5の圏論（第20回）：セルフアテンションとTransformerへの回り道
    ちょっと寄り道して、chatGPTのアルゴリズムの一部について考えてみたいとおもいます。自然変換から借用した類似点や概念はあるのでしょうか。シグナルクラス形式のコードを用いて、これらの疑問やその他の質問に楽しく答えようと思います。
    MQL5の圏論（第19回）：自然性の正方形の帰納法 MQL5の圏論（第19回）：自然性の正方形の帰納法
    自然性の正方形の帰納法を考えることで、自然変換について考察を続けます。MQL5ウィザードで組み立てられたエキスパートアドバイザー(EA)の多通貨の実装には若干の制約があるため、スクリプトでデータ分類能力を紹介しています。主な用途は、価格変動の分類とその予測です。
    エキスパートアドバイザーのQ値の開発 エキスパートアドバイザーのQ値の開発
    この記事では、エキスパートアドバイザー(EA)がストラテジーテスターで表示できる品質スコアを開発する方法を見ていきます。Van TharpとSunny Harrisという2つの有名な計算方法を見てみましょう。
    時系列マイニングのためのデータラベル（第1回）：EA操作チャートでトレンドマーカー付きデータセットを作成する 時系列マイニングのためのデータラベル（第1回）：EA操作チャートでトレンドマーカー付きデータセットを作成する
    この連載では、ほとんどの人工知能モデルに適合するデータを作成できる、いくつかの時系列のラベル付け方法を紹介します。ニーズに応じて的を絞ったデータのラベル付けをおこなうことで、訓練済みの人工知能モデルをより期待通りの設計に近づけ、モデルの精度を向上させ、さらにはモデルの質的飛躍を助けることができます。