Discussão do artigo "Testador rápido de estratégias de trading em Python usando Numba" - página 6

[[Excluído]]

bestvishes #:
Olá, maxim, acho que você é a pessoa mais inteligente do fórum, espero ver uma descrição detalhada no segundo artigo.

Obrigado pelo feedback elogioso, tentarei escrever algo interessante para você.

[pulsar86]

def get_prices() -> pd.DataFrame:

Try:

# Carregar um arquivo CSV separado por vírgula

p = pd.read_csv(f"files/{hyper_params['symbol']}.csv" )

# Verificar se há colunas obrigatórias

required_columns = ['time', 'close' ]

for col in required_columns:

if col not in p.columns:

raise KeyError(f"A coluna'{col}' está faltando no arquivo." )

# Converta a coluna 'time' para o formato datetime

p ['time'] = pd.to_datetime(p['time'], errors='coerce' )

# Definir o índice de tempo

p. set_index('time', inplace=True )

# Deixar apenas a coluna "close" e remover as linhas com dados incorretos

pFixed = p[[['close']].dropna( )

return pFixed

except Exception as e:

print(f"Erro ao processar dados: {e}" )

return pd.DataFrame() #Retorna um DataFrame vazio em caso de erro

[[Excluído]]

Tenho algum tempo e quase terminei o treinamento do modelo + otimização do hiperparâmetro em uma única garrafa.

Será possível treinar muitos modelos de uma só vez, otimizá-los e selecionar o melhor modelo com os melhores parâmetros de otimização, por exemplo:

models = []
for i in range(20):
    print(f'Iteration: {i}')
    models.append(learnANDoptimize())

models.sort(key=lambda x: x[0][0]['score'])


index = -1
test_model(models[index][0][0]['dataframe'],
            [models[index][-1]],
            hyper_params['stop_loss'],
            hyper_params['take_profit'],
            hyper_params['forward'],
            hyper_params['backward'],
            hyper_params['markup'],
            True)

E gerar o resultado.

Em seguida, o modelo pode ser exportado para o terminal com os hiperparâmetros ideais. Ou usar o próprio otimizador do terminal.

Começarei o artigo mais tarde, não me esqueci.