turns-00030.parquet:8176
b1bda94b2cdf9851f19ade3adegenerate_repetitionAbsentFinal dense release
USER
Представь, что ты трейдер крипты и талантливый программист на Python. Какой бы ты скрипт написал для себя ,чтобы упростить ежедневную рутину при отборе монет, не торговлю, а именно отбор, какие индикаторы использовал, по каким параметрам определял что сегодня выстрелит, как бы расставлял уровни, если они нужны, короче, весь процесс подготовки и отбора до момента принятия решения о входе в сделку.
ASSISTANT
Конечно! Создание эффективного скрипта для отбора криптовалют требует комбинации правильных инструментов, индикаторов и логики фильтрации. Ниже я опишу структуру такого скрипта, включая используемые библиотеки, индикаторы, критерии отбора и пример реализации на Python.
## 1. Планирование Скрипта
### **Основные задачи:**
1. **Получение данных:** Скачивание исторических и текущих данных по выбранным криптовалютам.
2. **Вычисление индикаторов:** Применение технических индикаторов для анализа рынка.
3. **Фильтрация монет:** Выбор монет, соответствующих заданным критериям.
4. **Определение уровней:** Установка ключевых уровней поддержки и сопротивления.
5. **Создание отчетов:** Генерация списка потенциальных монет для торговли с визуализацией.
## 2. Используемые Библиотеки
- **Pandas:** Для обработки и анализа данных.
- **NumPy:** Для числовых операций.
- **TA-Lib или ta:** Для вычисления технических индикаторов.
- **CCXT:** Для взаимодействия с криптовалютными биржами и получения данных.
- **Matplotlib/Plotly:** Для визуализации данных и индикаторов.
- **SQLite или другие базы данных:** Для хранения исторических данных (опционально).
## 3. Технические Индикаторы и Параметры
### **Рекомендуемые Индикаторы:**
1. **Скользящие Средние (Moving Averages):**
- **50-дневная SMA и 200-дневная SMA:** Для определения долгосрочных трендов (Golden Cross и Death Cross).
2. **Индекс относительной силы (RSI):**
- Значения ниже 30 могут указывать на перепроданность.
- Значения выше 70 могут указывать на перекупленность.
3. **MACD (Moving Average Convergence Divergence):**
- Для определения направленности и силы тренда.
4. **Объемы торгов (Volume):**
- Увеличение объема может подтверждать силу текущего тренда.
5. **Bollinger Bands:**
- Для оценки волатильности и потенциальных точек разворота.
### **Критерии Отбора:**
- **Тренд:** Монета должна находиться в бычьем тренде (SMA50 > SMA200).
- **RSI:** RSI ниже 30 и затем начинает подниматься, сигнализируя о возможном развороте.
- **MACD:** Линия MACD пересекает сигнальную линию снизу вверх.
- **Объем:** Увеличение текущего объема по сравнению с предыдущими периодами.
- **Цена:** Цена близка к нижней полосе Bollinger Bands.
## 4. Структура Скрипта
### **Шаг 1: Импорт Библиотек и Настройка**
```python
import ccxt
import pandas as pd
import numpy as np
import ta
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
# Инициализация биржи (например, Binance)
exchange = ccxt.binance()
```
### **Шаг 2: Получение Списка Криптовалют**
Можно использовать API биржи или создать заранее определенный список монет.
```python
def get_symbols(exchange):
markets = exchange.load_markets()
symbols = [symbol for symbol in markets if '/USDT' in symbol]
return symbols
symbols = get_symbols(exchange)
```
### **Шаг 3: Получение Исторических Данных**
```python
def fetch_ohlcv(symbol, timeframe='1d', since=None, limit=500):
ohlcv = exchange.fetch_ohlcv(symbol, timeframe=timeframe, since=since, limit=limit)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
return df
# Пример получения данных за последние 500 дней
since = exchange.parse8601((datetime.utcnow() - timedelta(days=600)).isoformat())
```
### **Шаг 4: Вычисление Индикаторов**
```python
def add_indicators(df):
# Скользящие Средние
df['SMA50'] = ta.trend.sma_indicator(df['close'], window=50)
df['SMA200'] = ta.trend.sma_indicator(df['close'], window=200)
# RSI
df['RSI'] = ta.momentum.rsi(df['close'], window=14)
# MACD
macd = ta.trend.MACD(df['close'])
df['MACD'] = macd.macd()
df['MACD_Signal'] = macd.macd_signal()
# Bollinger Bands
bollinger = ta.volatility.BollingerBands(df['close'], window=20, window_dev=2)
df['Bollinger_High'] = bollinger.bollinger_hband()
df['Bollinger_Low'] = bollinger.bollinger_lband()
return df
```
### **Шаг 5: Фильтрация Монет по Критериям**
```python
def filter_coins(df):
latest = df.iloc[-1]
previous = df.iloc[-2]
# Критерии
criteria = (
(latest['SMA50'] > latest['SMA200']) and
(latest['RSI'] < 30) and
(latest['RSI'] > previous['RSI']) and
(latest['MACD'] > latest['MACD_Signal']) and
(latest['volume'] > df['volume'].rolling(window=20).mean().iloc[-1]) and
(latest['close'] <= latest['Bollinger_Low'])
)
return criteria
```
### **Шаг 6: Обход и Отбор Монет**
```python
potential_coins = []
for symbol in symbols:
try:
df = fetch_ohlcv(symbol, since=since)
df = add_indicators(df)
if filter_coins(df):
potential_coins.append(symbol)
except Exception as e:
print(f"Error processing {symbol}: {e}")
```
### **Шаг 7: Визуализация Результатов (Опционально)**
Можно построить графики для каждой потенциальной монеты.
```python
def plot_coin(df, symbol):
plt.figure(figsize=(14,7))
plt.plot(df['timestamp'], df['close'], label='Close Price')
plt.plot(df['timestamp'], df['SMA50'], label='SMA50')
plt.plot(df['timestamp'], df['SMA200'], label='SMA200')
plt.fill_between(df['timestamp'], df['Bollinger_High'], df['Bollinger_Low'], color='grey', alpha=0.1)
plt.title(f"{symbol} Price Chart")
plt.legend()
plt.show()
for coin in potential_coins:
df = fetch_ohlcv(coin, since=since)
df = add_indicators(df)
plot_coin(df, coin)
```
### **Шаг 8: Генерация Отчета**
Можно сохранить результаты в CSV-файл.
```python
df_results = pd.DataFrame(potential_coins, columns=['Symbol'])
df_results.to_csv('potential_coins.csv', index=False)
print("Отбор завершен. Результаты сохранены в potential_coins.csv")
```
## 5. Дополнительные Улучшения
1. **Уведомления:** Интеграция с Telegram или электронной почтой для уведомления о новых потенциальных монетах.
2. **Графический Интерфейс:** Использование библиотек типа Streamlit для создания простого интерфейса.
3. **Автоматизация:** Настройка планировщика задач (например, cron) для ежедневного выполнения скрипта.
4. **База Данных:** Хранение исторических данных в базе для более быстрого доступа и анализа.
## 6. Пример Полного Скрипта
Ниже представлен упрощенный вариант полного скрипта, объединяющего описанные шаги:
```python
import ccxt
import pandas as pd
import ta
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
exchange = ccxt.binance()
def get_symbols(exchange):
markets = exchange.load_markets()
symbols = [symbol for symbol in markets if '/USDT' in symbol]
return symbols
def fetch_ohlcv(symbol, timeframe='1d', since=None, limit=500):
ohlcv = exchange.fetch_ohlcv(symbol, timeframe=timeframe, since=since, limit=limit)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
return df
def add_indicators(df):
df['SMA50'] = ta.trend.sma_indicator(df['close'], window=50)
df['SMA200'] = ta.trend.sma_indicator(df['close'], window=200)
df['RSI'] = ta.momentum.rsi(df['close'], window=14)
macd = ta.trend.MACD(df['close'])
df['MACD'] = macd.macd()
df['MACD_Signal'] = macd.macd_signal()
bollinger = ta.volatility.BollingerBands(df['close'], window=20, window_dev=2)
df['Bollinger_High'] = bollinger.bollinger_hband()
df['Bollinger_Low'] = bollinger.bollinger_lband()
return df
def filter_coins(df):
if len(df) < 200:
return False
latest = df.iloc[-1]
previous = df.iloc[-2]
criteria = (
(latest['SMA50'] > latest['SMA200']) and
(latest['RSI'] < 30) and
(latest['RSI'] > previous['RSI']) and
(latest['MACD'] > latest['MACD_Signal']) and
(latest['volume'] > df['volume'].rolling(window=20).mean().iloc[-1]) and
(latest['close'] <= latest['Bollinger_Low'])
)
return criteria
def plot_coin(df, symbol):
plt.figure(figsize=(14,7))
plt.plot(df['timestamp'], df['close'], label='Close Price')
plt.plot(df['timestamp'], df['SMA50'], label='SMA50')
plt.plot(df['timestamp'], df['SMA200'], label='SMA200')
plt.fill_between(df['timestamp'], df['Bollinger_High'], df['Bollinger_Low'], color='grey', alpha=0.1)
plt.title(f"{symbol} Price Chart")
plt.legend()
plt.show()
def main():
symbols = get_symbols(exchange)
since = exchange.parse8601((datetime.utcnow() - timedelta(days=600)).isoformat())
potential_coins = []
for symbol in symbols:
try:
df = fetch_ohlcv(symbol, since=since)
df = add_indicators(df)
if filter_coins(df):
potential_coins.append(symbol)
print(f"Найдена потенциальная монета: {symbol}")
except Exception as e:
print(f"Ошибка при обработке {symbol}: {e}")
# Сохранение результатов
df_results = pd.DataFrame(potential_coins, columns=['Symbol'])
df_results.to_csv('potential_coins.csv', index=False)
print("Отбор завершен. Результаты сохранены в potential_coins.csv")
# Визуализация
for coin in potential_coins:
df = fetch_ohlcv(coin, since=since)
df = add_indicators(df)
plot_coin(df, coin)
if __name__ == "__main__":
main()
```
## 7. Заключение
Данный скрипт предоставляет базовую структуру для автоматизированного отбора криптовалют на основе технических индикаторов. Важно регулярно тестировать и адаптировать критерии отбора в зависимости от изменений на рынке и собственной торговой стратегии. Кроме того, рекомендуется добавить механизмы управления рисками и оптимизации показателей для повышения эффективности отбора.