Python para negociação algorítmica - página 2

[MetaQuotes]

Analyze Broker Spreads with Pandas

Analyze Broker Spreads with Pandas | Trading with Python

In this video, the presenter uses pandas in Python to analyze broker spreads. Tick data exported from broker history using MetaTrader 5 is passed into a pandas dataframe, and spread and hourly-based data analyzed to plot changes in spreads over time. Spreads were found to be generally tight but could spike during news events or low liquidity periods, particularly around midnight broker time. The analysis advises traders to optimize their trading costs by considering the data presented for different symbols.

• 00:00:00 In this section, the video explores how to use pandas to analyze broker spreads. The video demonstrates how to export tick data from the broker history using MetaTrader 5 and analyzes the spread data using pandas. The tick data is then passed into a pandas dataframe and converted from a unix timestamp format to a datetime format. The spread column is then calculated using the difference between the ask and bid price. The time column is also converted to hourly-based data to analyze spreads hour by hour. The data is plotted using the 'plotline' library to analyze changes in spreads over time. The analysis shows that spreads are generally tight but can spike during news events or periods of low liquidity. During midnight broker time, liquidity is low, and spreads can be high.
  
  
• 00:05:00 In this section, the speaker shows how to analyze broker spreads using pandas in Python. The function groups rows with the same hour and calculates the average spread and max spread for each hour. The resulting table and bar chart reveal that spreads are usually high at midnight and 1 am, while they are very tight throughout the day on the EUR/USD pair. For the XAU/USD pair, the spreads are a bit wider, and there are bigger spikes in the afternoon during the American session. The speaker advises traders to consider such data to optimize their trading costs and use the Jupyter notebook to connect their platform and analyze different symbols.

[MetaQuotes]

Codifique uma estratégia de negociação de banda de Bollinger em Python

Codifique uma estratégia de negociação de banda de Bollinger em Python

Neste vídeo, o apresentador explica a estratégia de negociação Bollinger Bands em Python, onde uma média móvel simples, uma banda inferior e uma banda superior são usadas para conter 95% de todos os preços dentro das bandas. A estratégia envolve comprar quando o preço atinge a Banda de Bollinger inferior e vender quando o preço atinge a Banda de Bollinger superior. Um stop loss é definido como três desvios padrão abaixo da média, enquanto o take profit é definido como dois desvios padrão acima. O apresentador mostra a implementação em Python usando as plataformas Pandas e MetaTrader5 e fornece resultados de testes, explicando cada resultado da negociação. No entanto, ele desaconselha a implantação cega dessa estratégia em mercados de tendências e enfatiza a importância de analisar as condições do mercado.

• 00:00:00 Nesta seção do vídeo, aprendemos sobre Bollinger Bands e como negociar usando-as. As Bandas de Bollinger consistem em uma média móvel simples, uma banda inferior e uma banda superior. A média móvel simples é calculada tomando o valor médio dos preços recentes. Nas bandas de Bollinger, geralmente são usados dois desvios padrão, que contêm 95% de todos os preços dentro das bandas. Podemos comprar quando o preço está baixo e vender quando o preço está acima da média. A estratégia é comprarmos quando o preço fechar abaixo da banda inferior e vendermos quando o preço fechar acima da banda superior. Um stop loss é definido para três desvios padrão e take profit para dois desvios padrão. O tamanho da posição é permitido apenas um ao mesmo tempo.
  
  
• 00:05:00 Nesta seção, o palestrante explica como calcular as Bollinger Bands usando pandas em Python. Para calcular a média móvel simples, eles definiram df sma. O desvio padrão é calculado de forma semelhante, mas usando std em vez de média. A banda inferior é definida como dois desvios padrão abaixo do SMA, enquanto a banda superior é definida como o FSMA mais duas vezes o FSD. Para iniciar o backtesting, uma coluna de sinal é criada e um sinal de compra ou venda é gerado com base no fato de o preço de fechamento estar abaixo da banda inferior ou acima da banda superior. O palestrante também apresentou a posição e a estratégia das classes, que são criadas para executar o backtest e avaliar os lucros com base em dados históricos.
  
  
• 00:10:00 Nesta seção do vídeo, o apresentador mostra os resultados do backtest da estratégia de negociação Bollinger Band em Python. Os resultados mostram uma lista de posições abertas e fechadas, juntamente com o lucro de cada posição e o P&L do saldo inicial. O gráfico mostra que a estratégia foi lucrativa, ganhando cerca de $ 7.500 negociando ao longo do ano. O apresentador então explica cada negociação que foi feita e como resultou em lucro ou prejuízo. Ele também menciona que o volume especificado no backtest é um pouco alto e arriscado, por isso pode ser necessário ajustá-lo. Por fim, ele explica como codificar a estratégia em Python usando a plataforma de negociação MetaTrader 5.
  
  
• 00:15:00 Nesta seção, o palestrante explica como criar uma função Signal em Python para gerar sinais para uma estratégia de negociação usando Bollinger Bands. A função solicita barras da plataforma MetaTrader5, calcula a média e o desvio padrão e os utiliza para calcular as bandas superior e inferior. O preço de fechamento da última barra é usado para comparar com as bandas superior e inferior para gerar um sinal de compra ou venda. O loop de estratégia dentro da função verifica os sinais e, em seguida, envia uma ordem de mercado com parâmetros específicos, como stop-loss e take-profit, quando um sinal é acionado. O palestrante testa a estratégia usando a plataforma MetaTrader5, mostrando como o código funciona em tempo real e aconselha ajustar o símbolo e o timeframe de acordo com a preferência dos usuários.
  
  
• 00:20:00 Nesta seção, o palestrante discute uma estratégia de negociação baseada em Bandas de Bollinger. Ele explica que essa estratégia envolve comprar quando o preço atinge a Bollinger Band inferior e obter lucros em dois desvios padrão acima do preço de compra. Ele observa que essa estratégia funciona bem em mercados variados, mas tem desempenho ruim em mercados de tendências e desaconselha a implantação de estratégias cegamente, enfatizando a importância de analisar as condições do mercado antes de implantá-las. O palestrante também fornece links para download do Jupyter Notebook e do código Python usado na estratégia e pede aos espectadores que curtam e se inscrevam se gostaram do vídeo.

[MetaQuotes]

Codifique uma estratégia de negociação cruzada de média móvel simples (SMA) em Python

Codifique uma estratégia de negociação cruzada de média móvel simples (SMA) em Python

Neste vídeo do YouTube, o apresentador explica como codificar uma estratégia de negociação cruzada de média móvel simples (SMA) em Python. A estratégia usa o cruzamento de dois SMA como um sinal para comprar e vender ativos. O apresentador demonstra como visualizar os dados de preços históricos usando as bibliotecas Pandas e Plotly, define os SMAs rápidos e lentos, encontra cruzamentos, calcula a coluna de cruzamento e plota os cruzamentos de alta. O vídeo continua mostrando como testar a estratégia de negociação cruzada SMA usando classes criadas anteriormente e discute os resultados usando um gráfico de linha de lucros e perdas ao longo do tempo. No geral, o vídeo fornece um guia passo a passo para criar e testar uma estratégia de negociação simples e eficaz usando Python.

• 00:00:00 Nesta seção do vídeo, o apresentador apresenta uma estratégia de negociação que usa o cruzamento de duas médias móveis simples como um sinal para comprar e vender ativos. Essa estratégia de acompanhamento de tendências permite capturar grandes movimentos no mercado sem qualquer limite de lucros. O apresentador passa a mostrar como codificar essa estratégia simples de cruzamento de média móvel no ambiente de notebook Júpiter e testá-la novamente no índice DAX usando dados históricos de preços. O apresentador usa as bibliotecas Pandas e Plotly para organizar e visualizar os dados obtidos da plataforma MetaTrader 5, e converte a coluna de hora em um formato de data e hora.
  
  
• 00:05:00 Nesta seção do vídeo, o instrutor começa visualizando os preços de fechamento para ver como os preços mudaram ao longo do tempo usando px.line. Também vemos que o DAX está se movendo em torno de 13 para dez mil e quinhentos no início, houve uma grande queda durante a crise do COVID, mas os preços agora estão voltando aos máximos de todos os tempos. As médias móveis são adicionadas ao gráfico para ajudar a gerar sinais, e um sma lento e um sma rápido são definidos. O sma lento é definido como 100 e o sma rápido é definido como 10, e ambos são adicionados ao gráfico. Por fim, o instrutor define algumas variáveis em outra célula para facilitar o ajuste de configurações no futuro.
  
  
• 00:10:00 Nesta seção do vídeo, o apresentador explica como encontrar cruzamentos em uma estratégia de negociação de cruzamento de Média Móvel Simples (SMA) usando Python e Pandas. O apresentador define o período para os SMAs rápidos e lentos como 10 e 100, respectivamente. Para encontrar cruzamentos, os valores SMA rápidos anteriores são comparados com os valores SMA lentos, e se o valor SMA rápido anterior for menor e o valor SMA rápido atual for maior, é considerado um cruzamento de alta. Por outro lado, se o valor SMA rápido anterior for maior e o valor SMA rápido atual for menor, é considerado um cruzamento de baixa. O apresentador cria uma função chamada "find_crossover" para automatizar esse processo.
  
  
• 00:15:00 Nesta seção, o vídeo explica como calcular uma coluna cruzada usando os valores de SMA rápido e lento calculados anteriormente. A função np.vectorize é usada para passar a função e as colunas que representam as entradas, e então os resultados são eliminados dos valores None. Após a criação da coluna de cruzamento, o vídeo mostra como encontrar os cruzamentos de alta e plotá-los como linhas verticais no gráfico usando pick.dot na linha v com x igual a row.time.
  
  
• 00:20:00 Nesta seção, o instrutor percorre o processo de backtesting da estratégia de negociação cruzada SMA comprando quando a linha vermelha cruza acima da linha verde e vendendo quando cruza abaixo da média lenta. O instrutor usa classes previamente criadas, posição de classe e estratégia de classe, para criar um backtest. A classe position possui métodos para abrir e fechar posições, bem como um método para retornar os resultados como um dicionário. Enquanto na estratégia de classe, o instrutor inicializa o saldo inicial da conta de negociação, especifica o volume de negociação e adiciona o quadro de dados com os dados históricos e as colunas de sinal. No método run da estratégia de classe, a lógica da estratégia é definida usando instruções if para abrir e fechar posições com base em valores cruzados. Finalmente, a classe é instanciada e executada para obter os resultados.
  
  
• 00:25:00 Nesta seção, o apresentador discute os resultados do backtest da estratégia de negociação cruzada de média móvel simples (SMA) que codificamos usando Python. Eles mostram o gráfico de linha dos lucros e perdas ao longo do tempo usando o Plotly Express e o objeto Figure para analisar visualmente o desempenho. Eles mencionam que a estratégia tem principalmente pequenos lucros e perdas, mas, eventualmente, um grande lucro vem com uma grande tendência. O apresentador então agradece aos espectadores por assistir e os convida a fazer perguntas, se tiverem alguma, e se gostarem do vídeo, a curtir e se inscrever.

[MetaQuotes]

Codifique uma estratégia de negociação Buy-Hold para índices de ações em Python

Codifique uma estratégia de negociação Buy-Hold para índices de ações em Python

Neste vídeo, o apresentador discute como escrever uma estratégia de negociação buy-hold para índices de ações em Python usando o código Jupyter Notebook para escrever indicadores, estratégias e backtests. A estratégia baseia-se na identificação de 5%, 15% ou 35% de rebaixamento e compra quando um rebaixamento é atingido, posteriormente vendendo ao atingir a máxima histórica anterior. O palestrante explicou como adicionar e verificar posições usando o método get position, que usa uma lista de posições e acrescenta a classe de posição para cada nova posição. A estratégia de saída também foi explicada pela qual cada posição aberta é fechada quando o drawdown se aproxima de zero. Finalmente, é enfatizada a importância de negociações de alta qualidade e longos períodos para permitir a recuperação dos preços, e o apresentador mostra os resultados do backtest representados em um gráfico.

• 00:00:00 Nesta seção do vídeo, o palestrante explica a estratégia de buy-hold no índice de ações alemão, mostrando instâncias anteriores entre 2015 e 2018 em que a estratégia foi implementada e como ela foi afetada por mercados de baixa e eventuais recuperações. Embora a estratégia funcione melhor com o tempo como recurso e possa gerar lucro ao comprar a preços baratos, ela também apresenta um risco significativo, pois envolve a compra em baixas. O palestrante também apresenta o código Jupyter Notebook para escrever seus próprios indicadores, estratégia e backtest seus resultados. O código está disponível para download em TraderPi.com.
  
  
• 00:05:00 Nesta seção do vídeo, o apresentador explica como criar uma estratégia de negociação buy-hold para índices de ações usando Python. A estratégia é baseada na identificação dos níveis de rebaixamento e na compra quando o rebaixamento atinge 5%, 15% ou 35% e na venda quando o recorde anterior é atingido. O apresentador mostra como definir uma coluna de sinal no quadro de dados usando a função apply e como usar as classes de posição e estratégia para realizar um backtest. O apresentador também explica como recuperar dados da classe de posição usando o método as dict.
  
  
• 00:10:00 Nesta seção do vídeo, o palestrante explica o método usado para adicionar e verificar posições para a estratégia de negociação buy and hold. O método get position é usado para retornar um dataframe com o lucro e a perda calculados. O código usa uma lista de posições e acrescenta a classe de posição dentro dessa lista quando uma nova posição é adicionada. A estratégia verifica os sinais para abrir uma negociação e itera através dos dados HLC para rebaixamentos de 5%, 15% e 35%. A estratégia de saída também é explicada, em que quando o rebaixamento é zero, todas as posições abertas são fechadas. Os resultados do backtest são mostrados e o palestrante destaca a importância de negociações de alta qualidade e períodos longos para permitir que os preços se recuperem eventualmente. Os resultados são então plotados em um gráfico para representar as negociações.

[MetaQuotes]

Código 10 Indicadores Técnicos de Negociação com Python

Código 10 Indicadores Técnicos de Negociação com Python

O vídeo discute dez indicadores técnicos de negociação com Python, começando com a média móvel simples (SMA), que é usada para determinar tendências. O intervalo verdadeiro médio (ATR) mede a volatilidade, enquanto o índice de força relativa (RSI) identifica os preços de sobrecompra e sobrevenda. A alta baixa e o desvio padrão de ontem podem ajudar a identificar mercados de variação, fuga e voláteis. As Bandas de Bollinger usam uma média móvel simples (SMA) e um desvio padrão para indicar estratégias de reversão ou rompimento à média. O cruzamento MACD e SMA indica uma mudança na tendência calculando EMAs ou SMAs rápidos e lentos. O cruzamento da média móvel combina médias móveis rápidas e lentas para identificar potenciais reversões de tendência, enquanto o oscilador estocástico considera os valores mais altos e mais baixos de um período para identificar condições de sobrecompra e sobrevenda.

• 00:00:00 Nesta seção, o palestrante apresenta os 10 indicadores técnicos que serão calculados usando Python, começando com a média móvel simples (SMA). Os dados históricos são solicitados da biblioteca MetaTrader5 e depois processados usando o Pandas. O SMA é um indicador popular usado para determinar tendências, que é calculado usando os últimos 10 preços de fechamento. O SMA resultante é visualizado usando o Plotly Express.
  
  
• 00:05:00 Nesta seção, o vídeo explica o cálculo e o uso dos indicadores Média Móvel Simples (SMA) e Média Móvel Exponencial (EMA) na negociação técnica. A SMA considera a média dos últimos 10 preços e a EMA dá mais peso aos preços recentes. O vídeo compara os dois indicadores e observa que os traders que desejam sinais mais rápidos podem preferir o EMA, que reage a mudanças imediatas de preço muito mais rapidamente do que o SMA. O vídeo apresenta o indicador Average True Range (ATR), que mede a volatilidade e ajuda os traders a avaliar o risco e possíveis mudanças de tendência. O ATR é calculado tomando o intervalo da vela (alta - baixa) por um período específico e, em seguida, calculando a média. O vídeo observa que uma diminuição no ATR pode indicar o início de uma fase de retração. O ATR é mostrado em um gráfico e é mais alto durante os períodos mais voláteis.
  
  
• 00:10:00 Nesta seção, o vídeo discute dois indicadores técnicos de negociação: o Average True Range (ATR) e o Relative Strength Index (RSI). O ATR mede a volatilidade de um mercado comparando a diferença entre preços altos e baixos em um período específico, enquanto o RSI ajuda a identificar preços de sobrecompra e sobrevenda. O vídeo demonstra como calcular o RSI usando uma configuração de 14 períodos e explica a fórmula para gerar o valor do RSI. O vídeo também fornece um código de amostra para plotar o indicador RSI, que pode ajudar os traders a identificar possíveis sinais de compra ou venda com base no fato de o RSI estar em território de sobrevenda ou sobrecompra. Além disso, o vídeo discute brevemente os valores altos e baixos do dia anterior e como eles podem ser utilizados em estratégias de negociação.
  
  
• 00:15:00 Nesta seção, o vídeo discute dois indicadores técnicos de negociação com Python: alta mínima de ontem e desvio padrão. A máxima mínima de ontem pode ser um indicador valioso para negociação intradiária, pois pode mostrar se o mercado está variando ou se há uma quebra, o que pode indicar um mercado em tendência. O desvio padrão é usado para medir a variância, e um desvio padrão alto pode significar que o mercado é volátil, enquanto um desvio padrão baixo pode indicar que o mercado não está se movendo muito. O vídeo discute as Bandas de Bollinger, que são compostas por uma média móvel simples (SMA) com um período de 20, uma banda superior dois desvios padrão acima da SMA e uma banda inferior dois desvios padrão abaixo da SMA. Bandas de Bollinger podem ser usadas para estratégias de reversão média ou estratégias de fuga.
  
  
• 00:20:00 Nesta seção, o vídeo explica dois indicadores técnicos de negociação adicionais, MACD e SMA crossover, e como calculá-los e plotá-los usando Python. O MACD é um indicador de tendência que prevê reversões calculando a EMA rápida com período 20 e a EMA lenta com período 26 e observando a relação entre essas duas EMAs. O cruzamento SMA, por outro lado, está usando um conceito muito mais fácil e envolve simplesmente uma média móvel simples rápida e uma média móvel simples lenta que indicam uma mudança na tendência sempre que se cruzam. O vídeo fornece o código para calcular e plotar ambos os indicadores e explica como eles podem ser usados para identificar reversões na tendência.
  
  
• 00:25:00 Nesta seção, o apresentador discute o cruzamento da média móvel e os indicadores do oscilador estocástico. Para o cruzamento da média móvel, o apresentador combina uma média móvel rápida e lenta para identificar possíveis reversões de tendência. Um cruzamento é identificado quando a média móvel rápida cruza ou fica abaixo da média móvel lenta, caso em que uma coluna cruzada é criada. O apresentador demonstra a eficácia do indicador traçando as médias móveis junto com o preço de fechamento e adicionando linhas verticais para marcar cada cruzamento. O oscilador estocástico é semelhante ao RSI, mas ao invés de utilizar apenas os preços de fechamento para seu cálculo, considera os valores máximo e mínimo de um período. O oscilador é definido usando uma fórmula e, como o RSI, é usado para identificar possíveis condições de sobrecompra e sobrevenda. O apresentador convida os espectadores a baixar e testar o código por conta própria e sugere deixar comentários sobre indicadores favoritos para um possível vídeo futuro.

[MetaQuotes]

Como codificar uma estratégia de negociação RSI em Python

Como codificar uma estratégia de negociação RSI em Python

O vídeo fornece uma explicação detalhada sobre como codificar e testar uma estratégia de negociação RSI em Python. A estratégia baseia-se na compra quando o RSI está sobrevendido e na venda quando está sobrecomprado, com os sinais de entrada sendo quando o RSI cai abaixo de 30 e quando ultrapassa 70, é hora de vender. A estratégia de saída envolve o uso do indicador Average True Range (ATR) para definir take profit e stop loss a 280 pips do preço de compra ou venda. O vídeo aborda o uso das bibliotecas MetaTrader5, Pandas e Plotly para solicitações de dados históricos, cálculo de indicadores, backtesting e visualização de resultados. Ele conclui incentivando os espectadores a baixar o notebook Jupiter para implementar a estratégia de negociação RSI em Python.

• 00:00:00 O vídeo detalha como codificar e testar uma estratégia de negociação RSI em Python. A estratégia se concentra na compra quando o RSI está sobrevendido e na venda quando está sobrecomprado, tornando-se uma estratégia de reversão à média. Os sinais de entrada são quando o RSI cai abaixo de 30 e quando ultrapassa 70, é hora de vender. A estratégia de saída envolve o uso do indicador Average True Range (ATR) para definir take profit e stop loss a 280 pips do preço de compra ou venda. O vídeo também aborda como usar as bibliotecas MetaTrader5, Pandas e Plotly para solicitações de dados históricos, cálculo de indicadores, backtesting e visualização de resultados.
  
  
• 00:05:00 nesta seção do vídeo, o palestrante explica como eles plotaram o RSI e criaram níveis de sobrecompra e sobrevenda usando o Plotly. Eles mostram que os sinais de compra ocorrem quando o RSI cai abaixo de uma linha horizontal específica, enquanto os sinais de venda ocorrem quando está acima de 70. Além disso, o indicador ATR (average true range) é introduzido como uma medida de volatilidade, que é calculada encontrando o alcance da vela e tomando a média das últimas 14 velas. O ATR é então plotado em um gráfico, mostrando o pico de volatilidade no início de 2020. Por fim, o palestrante mostra como realizar um backtest e criar uma classe de estratégia com condições lógicas para entrar e sair de negociações. As condições incluem a verificação de posições abertas, o uso de valores de RSI para determinar os sinais de compra e a definição dos níveis de stop loss e take profit.
  
  
• 00:10:00 Nesta seção, o palestrante explica como executar o backtest para a estratégia de negociação RSI em Python. O backtest é criado iterando pelo conjunto de dados históricos e as posições são salvas em uma lista que contém classes de posições. O stop loss e take profit são definidos a 280 horas dos preços de compra e venda. A lógica para o backtest é que quando o RSI excede o valor de 70, é um sinal de venda e uma posição curta é adicionada à lista de posições na estratégia. Depois de percorrer todos os dados históricos, o backtest retorna uma lista de posições e seus lucros. Usando esses dados, os resultados do backtest podem ser visualizados plotando as posições fechadas usando o Plotly Express, e os lucros e perdas podem ser plotados usando o mesmo método. O palestrante mostra um exemplo da trama resultante para indicar quando a estratégia funciona bem ou mal.
  
  
• 00:15:00 Nesta seção, o palestrante conclui o vídeo, agradecendo a atenção do público e convidando-os a baixar o notebook Júpiter para implementar a estratégia de negociação RSI em Python. Ele observa que, após uma grande queda no período discutido, o piano agora está oscilando em torno do mesmo nível. Ele assina e promete voltar em breve com outro vídeo.

[MetaQuotes]

Aprenda Pandas em exemplos comerciais

Aprenda Pandas em exemplos comerciais

O vídeo ensina aos usuários como aplicar várias funções do Pandas para analisar dados de negociação em Python para responder a questões analíticas, como determinar as durações de negociação mais longas e mais curtas, calcular os meses mais lucrativos e perdedores, identificar os meses mais ativos, analisar ordens de compra e venda, e calculando o maior rebaixamento absoluto. Além disso, abrange o cálculo da taxa de vitórias, recompensa em relação ao risco e fator de lucro, que mede a relação entre lucro bruto e perda. O palestrante fornece um arquivo CSV e exemplos reais para guiar os espectadores no processo de análise e oferece um notebook Júpiter para quem deseja praticar pandas.

• 00:00:00 Nesta seção, o palestrante explica como usar a biblioteca Pandas para analisar dados comerciais em Python. Eles fornecem um arquivo CSV com dados comerciais e orientam os visualizadores respondendo a seis perguntas analíticas sobre esses dados. Eles demonstram como calcular o número de negociações, o lucro e a perda gerais, a data e a hora da primeira e da última negociação, o maior lucro e perda e a duração de cada negociação. Eles usam várias funções do Pandas, como "forma", "soma", "iloc" e "loc" para realizar esses cálculos e fornecer exemplos reais da saída.
  
  
• 00:05:00 Nesta seção, o vídeo aborda diferentes questões de análise comercial e como obter as respostas usando as funções do Pandas. As perguntas incluem encontrar as durações de negociação mais longas e mais curtas, calcular os meses mais lucrativos e perdedores com base nos lucros comerciais, identificar os meses mais ativos em termos de contagem de negociações e analisar ordens de compra e venda. O método groupby do Pandas é utilizado para agregar e classificar os valores do quadro de dados de acordo. As funções usadas incluem contagem e soma para calcular contagens e lucros de negociações e data e hora para extrair valores de mês das horas de data de negociação.
  
  
• 00:10:00 Nesta seção, o vídeo abrange vários cálculos e análises, incluindo o cálculo do número total de negociações para cada tipo de ordem e a determinação de que as ordens de compra tiveram melhor desempenho do que as ordens de venda. O vídeo também explica como calcular o maior rebaixamento absoluto, que é a perda acumulada máxima incorrida durante a negociação, e como calcular o lucro ou prejuízo médio agrupando negociações com base no tipo de lucro. Além disso, o vídeo demonstra como calcular a taxa de ganho, que é a probabilidade de uma negociação ser ganha ou perdida, e como calcular a relação entre recompensa e risco tomando o valor médio de vencedores e perdedores.
  
  
• 00:15:00 Nesta seção, o palestrante discute o fator de lucro, que é a razão entre o lucro bruto e o prejuízo bruto. O lucro líquido é calculado somando todos os lucros e perdas separadamente com base no tipo de lucro (ganho ou perda). O fator de lucro é então determinado dividindo o lucro bruto pela perda bruta. O resultado desse cálculo é uma métrica que determina quanto as vitórias superam as perdas. O fator de lucro neste caso é 1,34. O palestrante também menciona que disponibilizará um notebook Júpiter em seu site para quem quiser praticar pandas.

[MetaQuotes]

Gerenciar dados em CSV e bancos de dados (SQLite)

Gerenciar dados em CSV e bancos de dados (SQLite)

No vídeo "Gerenciar dados em CSV e bancos de dados (SQLite)", o palestrante demonstra como salvar e ler dados em um arquivo CSV usando pandas DataFrame e como trabalhar com bancos de dados usando SQLite3. Os visualizadores veem como os dados OHLC são salvos em um DataFrame pandas, salvos como um arquivo CSV e, posteriormente, lidos e convertidos em um DataFrame pandas. O palestrante também mostra aos espectadores como trabalhar com bancos de dados em Python usando SQLite3, incluindo criar um banco de dados ou conectar-se a um existente, salvar dados dentro do banco de dados e ler os dados usando consultas simples. O palestrante conclui o vídeo oferecendo aos espectadores acesso ao código usado no tutorial e expressando a esperança de que o tutorial tenha sido útil.

• 00:00:00 Nesta seção, o palestrante mostra como salvar e ler dados em um arquivo CSV usando pandas DataFrame. Depois de recuperar alguns dados OHLC de um corretor, os dados são salvos em um Pandas DataFrame e, em seguida, salvos como um arquivo CSV. Ao usar `pd.read_csv`, os dados CSV podem ser lidos posteriormente e convertidos em um Pandas DataFrame. Posteriormente, o palestrante demonstra como trabalhar com bancos de dados em Python usando o SQLite3, que faz parte da biblioteca padrão do Python. O método `sqlite3.connect` é usado para criar um banco de dados ou conectar a um já existente. Os dados OHLC são salvos dentro do banco de dados usando `ohlcdf.to_sql` e então são lidos usando consultas simples executando `pd.read_sql_query`.
  
  
• 00:05:00 Nesta seção, o palestrante conclui o vídeo agradecendo a atenção dos espectadores e se oferecendo para compartilhar o código usado no tutorial. O palestrante fornece um link para seu site onde os espectadores podem acessar o código. Eles expressam a esperança de que os espectadores tenham achado o vídeo útil e prometem voltar com outro tutorial em breve.

[MetaQuotes]

Negociação ao vivo MetaTrader 5 com Python em 2021 (Modelo incluído)

MetaTrader 5 negociação ao vivo com Python

O vídeo "Negociação ao vivo MetaTrader 5 com Python em 2021 (Modelo incluído)" apresenta um guia útil para traders que desejam personalizar suas estratégias de negociação e melhorar a lucratividade usando MetaTrader5 e Python. Apresenta um modelo que pode ser modificado conforme a necessidade do trader, destacando as seções de código necessárias. O vídeo também abrange diferentes funções, como inicialização de funções, importação de dados e realização de ordens de negociação. Entre as ferramentas úteis demonstradas está a função de retomada, que permite que os traders monitorem as posições abertas mesmo depois de desligar a planilha Python. Ao enfatizar a necessidade de um dispositivo Windows para usar a biblioteca MetaTrader 5, o palestrante também sugere algumas opções para usuários de Mac.

• 00:00:00 Nesta seção, Lucas da Control mostra como colocar uma estratégia de negociação em negociação ao vivo usando MetaTrader5 e Python. Ele fornece um modelo e mostra como personalizar o código com base nas necessidades de cada um. O vídeo também demonstra diferentes funções, incluindo inicializar a função, importar dados e fazer ordens de negociação. A função retomar é destacada como uma ferramenta útil para monitorar as posições abertas atuais, mesmo depois de desligar a planilha Python. No geral, o vídeo fornece um guia útil para traders que desejam personalizar suas estratégias de negociação e maximizar a lucratividade.
  
  
• 00:05:00 Nesta seção, o palestrante aborda uma função que permite o acesso a posições abertas a qualquer momento para, eventualmente, fechá-las. Esta função utiliza um algoritmo que abre uma posição dentro de um intervalo fixo e não usa uma estratégia de momento. A função inclui muitos comentários e é simples, mas essencial, pois retorna todas as informações sobre o algoritmo. O palestrante também fornece um modelo que pode ser facilmente personalizado alterando algumas linhas de código, permitindo que os usuários coloquem seu próprio algoritmo em produção. No entanto, o palestrante destaca que é importante ter um dispositivo Windows para usar a biblioteca MetaTrader 5 e fornece algumas opções para usuários de Mac que não têm acesso a um dispositivo Windows.

[MetaQuotes]

Trailing stop loss: força da fraqueza?

Trailing stop loss: força da fraqueza?

Lucas, da Control, discute os pontos fortes e fracos de uma estratégia trailing stop-loss, que visa reduzir o risco na negociação usando limites contínuos de stop-loss ou lucro. Um ponto forte é que ele permite que os traders explorem variações de tendência e gerenciem riscos, mas uma fraqueza é que pode fazer com que os traders percam lucros potenciais. O palestrante aconselha os traders a considerar a volatilidade dos ativos e usar estratégias personalizadas de acordo. Ele também oferece um curso sobre como usar stop-loss e outras estratégias de negociação.

• 00:00:00 Nesta seção, Lucas da Control discute os pontos fortes e fracos de uma estratégia de stop loss. O objetivo do stop-loss de negociação é reduzir o risco e pode ser construído de várias maneiras diferentes, como um stop-loss contínuo ou usando limites para lucro. O primeiro ponto forte do stop-loss de negociação é que ele permite que os traders explorem não apenas as variações de tendência, e o segundo ponto forte é que ele permite que os traders gerenciem seus riscos. No entanto, a fraqueza do stop-loss de negociação é que ele vem com o risco de buscar alguns dos benefícios dos comerciantes e também pode fazer com que os comerciantes percam lucros potenciais.
  
  
• 00:05:00 Nesta seção, o palestrante discute como a volatilidade de um ativo afeta o uso do trailing stop loss como uma estratégia de negociação. O palestrante orienta que os traders precisam levar em consideração a volatilidade de um ativo e não aplicar a mesma estratégia para ativos diferentes, como Forex ou cripto. O palestrante também fornece um link de curso que ensina como fazer pedidos, importar dados, criar estruturas complexas, gerenciar riscos e criar modelos para o projeto específico de um trader, incluindo trailing stop loss.