Python para negociação algorítmica - página 7

[MetaQuotes]

Configuração do MetaTrader 5 para Python

Configuração do MetaTrader 5 para Python

O tutorial em vídeo cobre o processo de instalação do MetaTrader 5 para Python, que envolve inserir "pip install MetaTrader5" no prompt do Anaconda e verificar a instalação executando a função MT5Initialize() do pacote MT5 em Python.

[MetaQuotes]

Construindo um aplicativo web usando Python e Metatrader 5 com Streamlit

Construindo um aplicativo web usando Python e Metatrader 5 com Streamlit

Este vídeo demonstra como criar um gráfico em tempo real usando Python, Streamlit e Metatrader 5 que exibe taxas de câmbio e oferece opções de zoom e prazo. O apresentador usa Pandas para importar quadros de dados e Plotly para plotar dados, adicionando funções para calcular médias móveis e Índice de Força Relativa. O vídeo inclui encadeamento para lidar com zoom e atalhos de teclado para interatividade. O apresentador finaliza o vídeo explicando as diferentes funções do código e adicionando funcionalidades para desenhar objetos em gráficos, compartilhando o código na descrição do app. O tutorial oferece aos iniciantes uma introdução simples à construção de gráficos financeiros em tempo real.

• 00:00:00 Nesta seção, o criador do vídeo mostra um gráfico em tempo real construído usando MetaTrader 5, Python e Streamlit. O gráfico exibe as taxas de câmbio e oferece recursos para ampliar, reduzir e alternar entre os prazos. O código Python usa as bibliotecas Streamlit e MetaTrader 5, juntamente com Pandas para importar quadros de dados e Plotly para gráficos. O gráfico inclui funções para calcular a média móvel e o Índice de Força Relativa com parâmetros ajustáveis para os usuários. O criador também inclui encadeamento para lidar com zoom e atalhos de teclado para interatividade do usuário. No geral, o tutorial oferece uma introdução amigável ao uso dessas bibliotecas para criar gráficos financeiros em tempo real.
  
  
• 00:05:00 você deseja construir um aplicativo web usando Python e MetaTrader 5 com Streamlit, você precisará chamar funções específicas para fornecer os dados necessários. Para obter os símbolos, você pode usar a função "metatrader" para extrair seus nomes e depois retorná-los em formato de dicionário. A função de configuração do pacote definido permite que você personalize o layout do aplicativo da web, como o tamanho e o título da janela. Além disso, para calcular o lsi (índice de força relativa), você deve fornecer à função os dados e parâmetros necessários, como o quadro de dados e o valor rsi, que podem ser plotados.
  
  
• 00:10:00 Nesta seção, o palestrante explica como criou variáveis globais e adicionou o cálculo LSI ao quadro de dados e anexou o traço para que os valores RSI possam ser mostrados no gráfico. Ele também mostra como criou a função de loop infinito, que atualiza o gráfico a cada segundo, usando o período de tempo, símbolo, barras, média móvel e valores LSI. O período de tempo é obtido de um dicionário e as barras são obtidas usando a função mt5.copy_rates_from_pos(). O gráfico não é uma imagem, mas uma animação que é constantemente atualizada a cada segundo.
  
  
• 00:15:00 Nesta seção, o apresentador explica como converter o quadro de dados de barras para ser reduzido posteriormente e como converter o tempo em segundos para melhor legibilidade. A seção também aborda o uso de um gráfico de dispersão e como calcular a média móvel para plotá-la no gráfico. O apresentador atualiza o layout da figura com um intervalo fixo e cor de papel para ter o gráfico fixo no lugar e apresentar melhor os dados ao usuário.
  
  
• 00:20:00 Nesta seção, o palestrante explica como eles fizeram ajustes no tamanho da janela e no eixo x para eliminar lacunas no gráfico diário. Eles também adicionam uma linha horizontal do último preço usando um simples
  linha de código. O orador então demonstra a função de tecla ao pressionar que diminui ou aumenta o gráfico quando o usuário pressiona a tecla menos ou mais. O código inclui várias funções e espaços reservados para manter o aplicativo simples e fácil de navegar.
  
  
• 00:25:00 Nesta seção, o palestrante explica o código para inicializar a conexão entre o Metatrader5 e o gráfico e o uso de um thread de ouvinte de teclado para ajustar o tamanho do gráfico usando as teclas mais e menos. Eles também discutem o uso da função `st.title` e a criação de duas colunas para os controles deslizantes e opções através da função `st.connect`. O palestrante explica o uso de um espaço reservado para a coluna um e a seleção de uma média móvel por meio da função `sd.selectbox`. Eles também mencionam a disponibilidade de opções para escolher o símbolo ou par de ações, bem como o período de tempo.
  
  
• 00:30:00 Nesta seção, o YouTuber conclui a demonstração de construção de um aplicativo web usando Python e MetaTrader 5 com Streamlit. Eles explicaram que o aplicativo exibia informações sobre sinais de negociação e adicionava funcionalidade para desenhar objetos nos gráficos. Também apontaram as diferentes funções e suas finalidades no código, finalizando com o compartilhamento do código na descrição do app. O YouTuber agradeceu aos espectadores por assistir e concluiu o vídeo.

[MetaQuotes]

BOT DE NEGOCIAÇÃO DE ÍNDICE SINTÉTICO PYTHON!! - RECEBENDO DADOS DA VELA DO MetaTrader 5

BOT DE NEGOCIAÇÃO DE ÍNDICE SINTÉTICO PYTHON!! - RECEBENDO DADOS DA VELA DO MetaTrader 5

O tutorial em vídeo explica como criar um bot de negociação Python que recebe dados de velas do MetaTrader 5 (MT5). O apresentador aborda o processo passo a passo, incluindo a configuração do MT5, a criação de uma classe para o bot, a inicialização de variáveis, a criação de threads e a definição da estratégia de negociação com parâmetros simples de take profit e stop loss. O apresentador também fornece instruções sobre como lidar com erros e depurar o código e conclui o vídeo destacando a simplicidade do processo e mencionando um próximo curso sobre o assunto. O tutorial é perspicaz e amigável para iniciantes, tornando-o um ótimo recurso para qualquer pessoa interessada em criar um bot de negociação Python.

• 00:00:00 Nesta seção do vídeo, o apresentador mostra como criar um bot de negociação de índice com Python, explicando as etapas envolvidas no processo. O primeiro passo é configurar a plataforma MetaTrader 5 habilitando a negociação algorítmica e permitindo solicitações da web para o host local. Depois disso, o apresentador abre o Visual Studio Code e começa a codificar criando uma classe para o bot com um construtor que recebe os parâmetros de borda do lote, período de tempo e mercado. O bot trabalhará com threads que compartilham informações por meio de um dicionário, portanto, o apresentador inicializa uma lista de threads e um dicionário para armazenar os dados compartilhados. Por fim, um evento é criado para interromper as threads. O apresentador fornece mais informações e explicações no repositório do GitHub.
  
  
• 00:05:00 Nesta seção, o apresentador inicializa todos os itens necessários, como variáveis de classe, constantes, filas, dicionários e threads para permitir que o bot comercial compartilhe dados entre threads. O apresentador também declara métodos para o bot iniciar e eliminar os threads. A função kill thread define o valor da variável peel como 'kill' e então chama a função join para parar as threads com segurança. Finalmente, o apresentador cria uma função de espera que permite ao usuário parar o bot pressionando enter.
  
  
• 00:10:00 Nesta seção do vídeo, o palestrante explica que criará um programa Python para receber dados de vela do MetaTrader 5 usando soquetes. Eles começam criando um arquivo chamado candles.py e importando as bibliotecas necessárias como socket e json para enviar e receber dados através de sockets. Eles também definem o endereço e a porta a serem usados para a conexão do soquete. O alto-falante então cria uma função para inicializar a conexão do soquete usando os soquetes do servidor e do cliente. Eles demonstram como vincular o soquete ao endereço e porta especificados e escutar as conexões de entrada. A função então aceita conexões e imprime o endereço do cliente.
  
  
• 00:15:00 Nesta seção, o YouTuber explica como criar a função que receberá as informações da vela chamando a função "thread_candles". Ele começa criando uma variável chamada "mensagem" para receber informações do MetaTrader5. Em seguida, o soquete é iniciado e um loop principal é criado que funcionará até que o usuário pressione enter, momento em que a pílula para matar é definida. O loop começa pegando a mensagem do soquete da conexão e decodificando-a. O código verifica se a mensagem pode ser impressa e, se puder, a imprimirá. Depois de mostrar como criar o arquivo principal, o YouTuber passa a explicar como criar um cliente dentro do MT5, mas enfatiza que não vai se aprofundar já que não é um tutorial do MT5.
  
  
• 00:20:00 Nesta seção, o apresentador fornece um guia passo a passo sobre como copiar o código do GitHub e usá-lo para criar um bot de negociação Python que recebe dados de vela do MT5. O apresentador explica que o código usa tokens para enviar informações sobre cada tick e cria uma string que contém o formato JSON para os preços de abertura e fechamento de cada vela. Para transformar a string em um dicionário, o apresentador sugere o uso da função json load. O apresentador também demonstra como iniciar e parar o bot e o cliente e como excluir o bot do menu do consultor especialista.
  
  
• 00:25:00 Nesta seção, o tutorial em vídeo percorre a atualização de um dicionário com dados recebidos do MT5 e a criação de um encadeamento de pedidos. O dicionário atualizado é enviado usando a função self.data, que converte os dados no formato correto. O tutorial inclui a definição de macros para o bot, como o número de velas entre as operações e os parâmetros de stop loss. A função de encadeamento de ordens recebe o evento de parada e os dados de negociação e cria uma estratégia de negociação básica com um simples take profit e stop loss. O tutorial também inclui o fechamento da conexão e do soquete do servidor, seguido pelo teste do bot com código de exemplo.
  
  
• 00:30:00 Nesta seção, o YouTuber discute as etapas necessárias para receber dados de velas do MT5 e usá-los para abrir operações com base em determinados critérios. O primeiro passo é declarar uma variável chamada hora da última operação e definir seu valor inicial como zero, que será usado posteriormente para rastrear quando uma operação foi aberta. Então, uma época é declarada usando a função datetime que usaremos mais tarde para converter a hora atual em segundos. Em seguida, esperamos o início do thread da vela para evitar erros. Uma vez finalizada, entramos em um loop onde verificamos se estão reunidas as condições para abertura de uma operação. Se a vela anterior for um boom (fechar > abrir) e o tempo atual for maior que o tempo da última operação mais o período dos dados de negociação, uma operação é aberta. O tempo da última operação é atualizado e a função de posição aberta é chamada. Finalmente, os dados de negociação (incluindo mercado e tamanho do lote) são definidos e passados como um argumento para a função de posição aberta.
  
  
• 00:35:00 Nesta seção, o criador explica como enviar operação de célula usando MT5 e dá um tutorial sobre como executar uma função de posição aberta. O usuário precisa inserir o mercado como uma string, o lotex como um float e tipo de operação. Esta função ajuda a definir as variáveis stop loss e take profit, que são definidas tomando o preço atual menos o valor do stop loss e adicionando o valor take profit ao preço atual. O criador recomenda o uso de vela celular e dados de negociação para testar e depurar o código. Por fim, o criador fornece um exemplo de quando a função é executada e as ordens são negociadas.
  
  
• 00:40:00 Nesta seção, o tutorial se concentra na depuração de erros. O processo passo a passo de depuração é mostrado, começando com a mensagem de erro exibida para pesquisar no Google para encontrar uma solução. O erro específico aqui é o tipo de preenchimento de pedido inválido, que depende do corretor que está sendo usado. A solução é tentar todos os três tipos de preenchimento de pedidos listados e ver qual deles funciona para o seu corretor. Uma vez corrigido o erro, o tutorial avança para abrir uma posição com sucesso.
  
  
• 00:45:00 Nesta seção, o palestrante conclui o vídeo fornecendo uma breve visão geral do bot de negociação de índice sintético Python, destacando a facilidade com que ele pode ser criado. Ele também menciona que criará um curso sobre esse tema, que será muito abrangente e com preços razoáveis em comparação com cursos semelhantes. Ele incentiva os espectadores a curtir, compartilhar e se inscrever em seu canal e a entrar em contato com ele em caso de dúvidas.

[MetaQuotes]

Como importar dados de preços de ações do MetaTrader 5 para Python?

Como importar dados de preços de ações do MetaTrader 5 para Python?

Neste vídeo do YouTube, são explicados diferentes métodos para importar dados de preços de ações do MetaTrader 5 para o Python. Os métodos incluem importar as bibliotecas necessárias, definir o período e fuso horário desejados, definir uma função chamada "obter dados", manipular o quadro de dados resultante, usar o pacote tqtndm, criar um quadro de taxas e utilizar dois quadros de dados para recuperar preços e informações de data/hora. O palestrante sugere colocar os loops em uma função para tornar o código mais limpo e, usando esses métodos, os usuários podem facilmente importar dados para vários símbolos sem muita dificuldade.

• 00:00:00 Nesta seção, o palestrante explica como importar dados de preços de ações do MetaTrader5 para o Python. O primeiro passo é importar todas as bibliotecas necessárias, incluindo pandas, pytz, datetime, tqdm e MetaTrader5. Em seguida, o alto-falante inicializa o MetaTrader5 e define o fuso horário e o período de tempo desejados. O alto-falante define uma função chamada "obter dados" que requer o símbolo, o número de velas necessárias e o período de tempo. A função retorna os dados desejados e o palestrante explica o que cada entrada e saída faz na função.
  
  
• 00:05:00 Nesta seção, o palestrante explica uma função usada para importar dados de preços de ações do MetaTrader5 para o Python. A função recebe um símbolo, um período de tempo e uma data e retorna um quadro de dados contendo os dados solicitados. O alto-falante passa por etapas para manipular o quadro de dados resultante, incluindo converter a coluna de hora para dia e descartar colunas desnecessárias. Além disso, o uso de um loop for é sugerido para facilitar a chamada de dados para vários ativos.
  
  
• 00:10:00 Nesta seção, o palestrante explica como importar dados de preços de ações do MetaTrader5 para Python usando o pacote tqtndm. Eles usam a função try e a função accept para chamar uma função de taxas previamente definida que recebe o símbolo e o número de dias definido como 400. Os dados retornados são anexados a um dicionário e quaisquer dados não disponíveis são descartados. O palestrante sugere colocar o loop em uma função para deixar o código mais limpo. No geral, o processo envolve criar um quadro de taxas, anexar os dados a um dicionário e, em seguida, executar o script.
  
  
• 00:15:00 Nesta seção, o palestrante explica que, com o uso de dois quadros de dados, os usuários podem facilmente importar dados de preços de ações do metatrader5 para Python, recuperando os preços e as informações de data/hora. Este método pode ser usado para vários símbolos sem muita dificuldade.

[MetaQuotes]

Negociação on-line por Python no MetaTrader 5 + obtenha dados do MQL5

Negociação on-line por Python no MetaTrader 5 + obtenha dados do MQL5

O tutorial demonstra como baixar um conjunto de dados do MetaTrader e realizar negócios de negociação online usando Python. O instrutor importa as bibliotecas MetaTrader5, pandas e datetime, especifica o ativo e o período de tempo para o conjunto de dados e baixa os últimos cem pontos de dados. Eles explicam como gerenciar uma posição no MetaTrader5 definindo stop loss, take profit e usando o comando GTC por um período especificado. Embora a seção forneça uma compreensão básica dos diferentes comandos necessários para gerenciar uma posição, não está claro qual é a estratégia geral de negociação empregada.

• 00:00:00 Nesta seção do tutorial, o instrutor demonstra o download de um conjunto de dados do MetaTrader 5 e a realização de transações comerciais online simples usando Python. A biblioteca MetaTrader5 é importada e o caminho de atalho do software é endereçado ao Python. As bibliotecas pandas e datetime também são importadas e a hora atual é usada para especificar a hora dos últimos dados no conjunto de dados. A chave do símbolo do ativo desejado é escrita e o período de tempo (neste caso, período de tempo diário) é selecionado para o conjunto de dados. Os últimos cem pontos de dados são baixados e um comando de formato é usado para armazenar os dados no sistema pessoal do usuário. A negociação on-line é realizada determinando os ativos e o volume da transação, definindo a unidade de preço como um pip e usando o preço de compra ou venda, dependendo da posição inserida.
  
  
• 00:05:00 Nesta seção, o vídeo explica como definir stop loss e take profit para uma posição usando comandos Python no MetaTrader5. Também mostra como fechar a posição especificando o número do ticket da posição. O comando GTC é explicado para manter uma transação ativa por um período especificado. O vídeo também mostra um exemplo de uma transação USDJPY com um stop loss ativo e take profit. No geral, esta seção fornece uma compreensão básica dos diferentes comandos necessários para gerenciar uma posição no MetaTrader5 por meio do Python.
  
  
• 00:10:00 Nesta seção, aprendemos que a posição comprada foi fechada com sucesso. Infelizmente, sem mais contexto, não está claro a que se refere a posição comprada ou qual é a estratégia geral de negociação empregada.

[MetaQuotes]

Python MetaTrader 5 Copy Trade

Python MetaTrader 5 Copy Trade

Este aplicativo pode copiar o comércio do MetaTrader 5 para outro MetaTrader 5 controlado pelo painel da web que também pode controlar quem pode copiar o seu comércio, definir par/ticker, definir o volume, parar a perda e obter lucro em cada um dos seus sinais de copiadora.
A tolerância de tempo para cópia é de 5 segundos, se mais de 5 segundos o sinal não for copiado, o Windows cmd às vezes trava, é recomendável usar outro aplicativo de terminal no Windows.

perguntas e respostas
-----------------------------------
P: Pode ser executado usando MT4
R: Não, MT4 não suporta python

P: Pode rodar no Linux?
R: Não, na verdade o mt5 é projetado para windows, se rodar no mac ou linux, ele só rodará usando como emulador do windows, ou algo parecido para forçar a execução do aplicativo windows rodando no mac ou linux

P: Existe alguma garantia de que o sinal será copiado?
R: o sucesso ou a falha do sinal a ser copiado depende de vários fatores, o mais frequente é a condição do seu vps, pode lidar com a conexão do mestre ou clientes, conexão instável do cliente, atraso do script, terminal, trava, etc.

Se você tiver algum problema, como congelar o prompt de comando ao executar o script python, acesse https://stackoverflow.com/questions/591047/command-line-windows-hanging-in-rdp-windows

roteiros
------------
criar ambiente virtual:
python -m venv .venv

ativar ambiente virtual:
.venv/Scripts/ativar

biblioteca de requisitos de instalação:
pip install -r requisitos.txt

script mestre em execução:
python master.py

script escravo em execução:
python trade.py

[MetaQuotes]

Python & MetaTrader Back Testing Systems | Desenvolver e testar estratégias de ML de negociação

Python & Metatrader Back Testing Systems | Desenvolver e testar estratégias de ML de negociação

O vídeo discute o desenvolvimento de uma plataforma de backtesting estável para avaliar várias estratégias de negociação e empregar aprendizado de máquina para negociação forex. O palestrante demonstra como criar uma nova plataforma de backtesting usando MetaTrader 5 que interage com corretores para extrair dados de entrada. Eles também explicam como codificar um consultor especialista para extrair dados, processá-los usando estratégias Python e iniciar negociações com base em parâmetros predeterminados. O vídeo também mostra como gerar dados de rótulos e extrair recursos para criar e treinar algoritmos de aprendizado de máquina. Por fim, o palestrante discute vários algoritmos usados para backtesting, com a floresta aleatória identificada como a mais precisa. No geral, o sistema de backtesting forneceu resultados confiáveis e eficientes, com um desempenho de 96%, e o trabalho futuro inclui a integração de algoritmos de aprendizado de máquina em ambientes de negociação ao vivo.

• 00:00:00 Nesta seção, o palestrante apresenta o conceito de negociação forex e por que ela se tornou tão popular entre instituições, governos, corporações multinacionais e investidores individuais. O mercado está aberto 24 horas por dia, de segunda a sexta-feira, tornando-o acessível a qualquer pessoa. Uma das razões de sua popularidade é o imenso potencial de lucro. No entanto, a previsão precisa da direção da troca forex é importante. Para tanto, o objetivo do palestrante era criar uma plataforma de backtesting estável para avaliar várias estratégias de negociação, determinar quais pares de moedas e prazos tiveram melhor desempenho e usar o aprendizado de máquina para melhorar as previsões. O palestrante também menciona pesquisas anteriores que usaram máquinas de vetores de suporte e redes neurais artificiais para previsão.
  
  
• 00:05:00 Nesta seção, o palestrante discute a abordagem para desenvolver uma plataforma de backtesting para treinamento e teste de algoritmos, que é a primeira etapa no desenvolvimento de algoritmos de aprendizado de máquina. Eles examinam as plataformas de backtesting disponíveis, como o MK Backtesting, mas acabam decidindo criar uma nova que se integre perfeitamente às estratégias Python existentes e atenda aos critérios de consistência e integridade de dados. A nova plataforma conta com a plataforma MetaTrader 5 padrão do setor, que faz interface com as corretoras para extrair dados de entrada para a plataforma de backtesting. A plataforma de backtesting usa um conjunto de parâmetros como stop loss e take profit para avaliar dados e gerar arquivos de saída com base no sinal gerado por estratégias de negociação, como a classe de estratégia de negociação. No geral, a abordagem envolve preparar dados de nível, desenvolver uma plataforma de backtesting e, em seguida, construir um algoritmo de aprendizado de máquina com base nos dados preparados.
  
  
• 00:10:00 Nesta seção, o palestrante descreve como um consultor especialista é codificado para estender os dados do MetaTrader 5 em uma base de negociação ao vivo toda vez que uma nova vela é gerada. O consultor especialista extrai dados do MetaTrader 5 e os grava em um arquivo de planilha externo, que é lido por um mecanismo Python para processá-lo usando diferentes estratégias para obter um sinal de negociação. O sinal é então gravado em um arquivo de ação, que é lido pelo consultor especialista e inicia negociações no ambiente MetaTrader 5. O ambiente de negociação pode fazer negociações ao vivo executando negociações com base em margens determinadas de lucro e stop loss, e o consultor especialista modifica e fecha negociações com base em vários parâmetros.
  
  
• 00:15:00 Nesta seção, o palestrante explica o processo de backtesting e geração de relatório na plataforma MetaTrader. Eles mostram como ajustar a velocidade do backtesting e importar as estratégias necessárias para fazer previsões. Em seguida, eles discutem as diferentes funções do programa, incluindo o editor de ações, que lida com tarefas domésticas, como criar e salvar arquivos de saída. Por fim, eles demonstram o relatório produzido pelo backtesting, que inclui um resumo de todas as negociações realizadas junto com detalhes sobre o par de moedas, período de tempo e período.
  
  
• 00:20:00 Nesta seção, o vídeo explica o uso de uma plataforma de backtesting projetada para criar dados de etiquetas e extração de recursos para construir e treinar algoritmos de ML para negociação. Essa plataforma simplifica o processo, pegando todo o período de dados extraídos e gerando os sinais e indicadores necessários para a negociação, iniciando e rastreando as negociações para obter os resultados reais. Usando esta plataforma, o vídeo mostra como gerar dados de rótulos que representam o verdadeiro resultado da negociação e os vários recursos extraídos dos dados, como RSI, TSI e estocástico. Ao criar dados mais equilibrados, esta plataforma pode gerar algoritmos de aprendizado de máquina mais confiáveis para negociação.
  
  
• 00:25:00 Nesta seção, o palestrante discute os diferentes algoritmos de aprendizado de máquina usados para backtesting, incluindo máquina de vetor de suporte, regressão logística, xgboost, MLP e floresta aleatória. A precisão de cada algoritmo é registrada e analisada, e o palestrante identifica a floresta aleatória como a mais precisa com 96% de precisão. Os dados também são rotulados e rastreados para criar um arquivo de planilha para uso posterior. No geral, o processo de backtesting com esses algoritmos é rápido e eficiente.
  
  
• 00:30:00 Nesta seção, o palestrante resume os resultados do sistema de backtesting e o desenvolvimento de estratégias de ML de negociação usando indicadores técnicos e algoritmos de aprendizado de máquina. A plataforma de backtesting estável forneceu resultados confiáveis e eficientes, com um desempenho de 96% em comparação com a estratégia de benchmark SMAEMA, que teve apenas 25% de desempenho. A plataforma de backtesting era capaz de negociação automatizada sem a necessidade de intervenção manual. O trabalho futuro inclui a integração de algoritmos de aprendizado de máquina em backtesting ao vivo e ambientes de negociação para melhorar a precisão da previsão e maximizar o lucro, usando várias estratégias e algoritmos mais sofisticados, como auto-atenção RNN e LSTM.

[MetaQuotes]

Como criar estratégias de negociação algorítmica com Python - processo passo a passo

Como criar estratégias de negociação algorítmica com Python - processo passo a passo

O vídeo fornece um guia passo a passo sobre como criar estratégias de negociação algorítmica usando Python. O primeiro passo envolve definir as regras do sistema, eliminar emoções da negociação e realizar backtesting para otimizar a lucratividade. O apresentador então demonstra como criar uma estratégia de negociação usando uma hipótese e indicadores técnicos, como cruzamentos de média móvel. A estratégia é então codificada e o backtesting é conduzido repetidamente para garantir a otimização. A segunda seção se concentra na codificação da estrutura algorítmica e na criação de uma função de sinal que determina se deve comprar ou vender com base em uma comparação de médias móveis simples. A terceira seção discute como processar dados de mercado ao vivo usando funções, enquanto a quarta descreve como implantar a estratégia no WPS. O apresentador conclui aconselhando os iniciantes a manter suas estratégias de negociação simples e claras.

• 00:00:00 Nesta seção do vídeo, o apresentador explica o processo de criação de estratégias algorítmicas de negociação com Python. Em primeiro lugar, eles definem negociação algorítmica como um sistema com regras explicitamente definidas e sem exceções. As vantagens disso são que podemos codificar estratégias de negociação com base em dados quantificáveis e as emoções são retiradas da equação. Eles também mencionam que o backtesting é feito facilmente para otimizar e testar a lucratividade do sistema. Em seguida, o apresentador mostra como criar uma estratégia de negociação usando uma hipótese e indicadores técnicos, principalmente cruzamentos de média móvel. Com as informações coletadas, um conjunto de regras é criado e, em seguida, a estratégia passa por um backtesting. Este processo pode ser repetido até que a estratégia seja considerada ótima.
  
  
• 00:05:00 Nesta seção, o palestrante discute o processo passo a passo de criação de estratégias de negociação algorítmica com Python. Eles explicam como o backtesting permite que os traders entendam como seus lucros e perdas estão se desenvolvendo e, se forem bem-sucedidos, os traders podem passar para um teste avançado com um bot de negociação ao vivo em uma conta de demonstração. O palestrante também recomenda o uso de Python para negociação, pois é uma linguagem fácil de aprender e possui muitas bibliotecas para backtesting e negociação algorítmica, como pandas e plotly. Por fim, o palestrante percorre o processo de criação de uma estratégia de cruzamento de média móvel simples no índice de ações alemão, usando uma média móvel rápida de 10 e uma média móvel lenta de 100. Eles enfatizam a importância de codificar a estrutura algorítmica, que pode ser encontrado em sua página do GitHub.
  
  
• 00:10:00 Nesta seção, o apresentador demonstra como usar o Python para criar uma estratégia de negociação algorítmica usando a estratégia de cruzamento de média móvel discutida anteriormente. Eles fornecem dois arquivos: um arquivo de backtested e um arquivo de bot de negociação ao vivo. O arquivo testado inclui análise de dados de como a estratégia foi executada para o ano de 2032. O arquivo de bot de negociação ao vivo requer a criação de um arquivo com credenciais de login e permite que os usuários negociem usando cruzamentos de média móvel. O apresentador então mostra seu ambiente de desenvolvimento integrado em Python e explica o código, que usa bibliotecas como pandas, blockly e datetime para recuperar dados históricos, calcular médias móveis simples e aplicar a lógica de negociação. Por fim, o apresentador cria uma função de sinal que determina se deve comprar ou vender com base na comparação das médias móveis simples.
  
  
• 00:15:00 Nesta seção, o palestrante explica o processo de cálculo da coluna de sinal que indicaria quando comprar ou vender um determinado título. A coluna de sinal é derivada aplicando a função "obter sinal" às barras do quadro de dados, que então verifica linha por linha se as condições para compra ou venda são atendidas. Além disso, as colunas anteriores de alteração de preço e alteração de sinal também são calculadas para determinar os lucros hipotéticos, levando em consideração o volume de negócios e a comissão paga ao corretor. O palestrante então mostra um gráfico usando os lucros bruto e líquido ao longo de um período de seis meses, demonstrando que a estratégia produziu um lucro líquido de € 2.380, com alguns períodos de saque. Por fim, o palestrante menciona o compartilhamento de código de exemplo da estratégia de backtesting caso o espectador queira testá-lo por conta própria para um histórico mais longo.
  
  
• 00:20:00 Nesta seção, o apresentador explica como processar dados de mercado ao vivo usando funções para criar uma estratégia de negociação em Python. Eles sugerem importar MetaTrader5, pandas, time, datetime e princípios de conta com os parâmetros padrão de sua estratégia. O apresentador criou funções de negociação para fechar posições e consultar os horários de negociação dos pregões de Londres e Nova York. Eles também criaram uma função para enviar uma ordem de mercado usando um sinal de negociação no loop e, se o SMA rápido estiver acima do SMA lento, eles sugerem fechar as posições de venda. O apresentador demonstra como usar essas funções e verificar o número de posições abertas com a função MT5 Positions Total para fornecer uma visão geral da conta ao fazer login na conta de negociação.
  
  
• 00:25:00 Nesta seção, o palestrante explica a etapa final do processo que é a implantação da estratégia no WPS (Web Processing Service). Ele sugere o uso de um DP (Cloud Desktop Provider) chamado Countable, para o qual fornece configurações básicas. Ele também observa que o MT5 funciona apenas no Windows e recomenda selecionar um data center hospedado no Reino Unido se o corretor estiver localizado em Londres. O palestrante então passa a dar dicas e recomendações aos iniciantes, aconselhando-os a manter suas estratégias simples e claras, para depois adicionar mais ao longo do tempo. Ele conclui agradecendo ao telespectador e incentivando-o a fazer perguntas nos comentários.

[MetaQuotes]

Backtesting da configuração de 3 velas com Python

Backtesting da configuração de 3 velas com Python

O vídeo demonstra como usar o Python para testar a lucratividade de uma configuração de três velas. O apresentador obtém dados OHLC semanais para o par de moedas EUR/USD do Metatrader5 e os converte em um quadro de dados Pandas, visualizando-o usando o Plotly Express. Eles identificam velas de alta e baixa usando uma função de tipo de vela especificada e definem a condição de configuração de três velas de alta. Ao calcular a probabilidade da quarta vela subir ou descer para cada ocorrência da configuração, eles testam a lucratividade de comprar essas configurações. O apresentador conclui que entrar em compra em cada configuração de alta teria gerado alguma receita, mas enfatiza a importância de ser paciente, pois o lucro vem em um período rápido.

• 00:00:00 Nesta seção, o palestrante discute como usar o Python para testar a configuração de três velas. Para fazer isso, eles primeiro se conectam à plataforma Metatrader5 e solicitam dados OHLC para o par de moedas EUR/USD em um período semanal de 1º de janeiro de 2019 a novembro de 2021. Os dados são então convertidos em um dataframe Pandas e visualizados usando o Plotly Express . O palestrante então mostra como rotular as velas no dataframe como de alta ou baixa usando uma função de tipo de vela especificada. Eles usam isso para atender à condição de uma configuração de três velas de alta, deslocando a coluna do tipo de vela para frente em uma, duas e três velas, criando uma condição em que todas as três velas são de alta. Eles então calculam a probabilidade da quarta vela subir ou descer para cada ocorrência dessa configuração e testar a lucratividade de comprar essas configurações.
  
  
• 00:05:00 Nesta seção do vídeo, o apresentador discute como testar uma configuração de três velas usando Python. A configuração envolve a identificação de velas onde a primeira, segunda e terceira vela são todas de alta. O apresentador cria um dataframe com o fechamento anterior e compara o resultado com a vela anterior para calcular o número de pontos ganhos ou perdidos. Eles então analisam os dados estatisticamente para determinar se seria uma boa ideia comprar ou vender. Ao iterar cada configuração individual e adicionar as três configurações de velas em um gráfico, eles mostram que comprar no final de cada configuração e vender imediatamente após o fechamento da próxima vela seria lucrativo em algumas situações. O apresentador calcula o número de vezes que a configuração ocorre e quanto seria ganho ou perdido em média por configuração. Eles concluem que operar comprado em cada configuração de alta teria gerado alguma receita.
  
  
• 00:10:00 Nesta seção, o vídeo apresenta um exemplo de backtesting da configuração de 3 velas com Python. Depois de redefinir o eixo, mostra o período de tempo com perdas e lucros em 2019 com a curva de lucro de pontos acumulados. O lucro vem em um período rápido, exigindo paciência até que esse período chegue. O vídeo também demonstra como analisar XA USD no gráfico diário e visualizar seu desempenho solicitando dados históricos e plotando o quadro de dados. A curva de lucro é usada para ver os altos e baixos nos lucros e perdas. Por fim, o vídeo conclui que esse método de teste pode ser usado em qualquer número de mercados e prazos e implica que os usuários podem escrever suas próprias estratégias algorítmicas.

[MetaQuotes]

Codificar gráficos de velas em tempo real em Python

Codificar gráficos de velas em tempo real em Python

Neste vídeo, o autor cria um aplicativo da web em Python usando Dash, pandas e plotly para gerar um gráfico de dados de castiçal em tempo real para negociação FOREX. O aplicativo usa a biblioteca MetaTrader 5 para coletar dados e permite que os usuários alterem o símbolo, período de tempo e número de velas a serem exibidas. O vídeo mostra o processo de criação do layout e callbacks para o aplicativo, incluindo a solicitação de barras históricas do MetaTrader 5 e a criação de um objeto figure com go.candlestick. O aplicativo resultante é atualizado a cada 20 milissegundos e tem um intervalo de atualização de 200 milissegundos. Os espectadores são convidados a visitar a página do GitHub para baixar o aplicativo.

• 00:00:00 Nesta seção, o YouTuber responde à pergunta de um visualizador sobre a criação de um gráfico de dados forex ao vivo com dados de castiçal de streaming em tempo real. O vídeo explica como o YouTuber codifica um aplicativo da web em Python usando Dash, pandas e plotly para análise e visualização de dados enquanto usa a biblioteca MetaTrader5 para coletar dados do MetaTrader 5. Eles também explicam o processo de obter uma lista de símbolos e traduzir o prazos usando um dicionário. A saída resultante do aplicativo é um gráfico onde os usuários podem alterar o símbolo, período de tempo e número de velas para exibir dados em tempo real com um intervalo de atualização de 200 milissegundos.
  
  
• 00:05:00 Nesta seção do vídeo, o palestrante explica a criação do layout para o aplicativo gráfico de velas em tempo real. Os componentes suspensos para símbolo e período de tempo são importados das funções MT5 e os valores são definidos como padrão. A entrada do número de barras é criada usando o campo de entrada DBC, que tem um valor padrão de 20. O layout do aplicativo consiste em um div HTML, que inclui a lista suspensa de símbolos, a lista suspensa de quadro de tempo e a entrada do número de barras. Um pequeno separador é adicionado, seguido pelo componente de intervalo DCC que cria um novo retorno de chamada a cada 200 milissegundos para atualizar o gráfico em tempo real. O conteúdo da página inclui um retorno de chamada que atualiza o gráfico a cada 20 milissegundos, considerando o estado do menu suspenso do símbolo, o menu suspenso do quadro de tempo e o número de barras de entrada. O callback solicita barras históricas do MetaTrader 5 e cria um objeto figure com go.candlestick. Por fim, o palestrante agradece a atenção dos espectadores e os convida a visitar a página do GitHub para baixar o aplicativo.