Backtestez comme un pro avec une API Forex

La nature dynamique des marchés financiers nécessite l'utilisation de données fiables pour développer et valider des stratégies de trading. L'intégration efficace de données de haute qualité dans des environnements de backtesting est cruciale pour les traders et les analystes. Les API TraderMade responsabilisent ces professionnels en fournissant des données de marché précises, détaillées et complètes.
Cette analyse exploite l'API Time Series de TraderMade pour obtenir des données historiques, exécuter une stratégie croisée simple de moyenne mobile (SMA) et évaluer ses performances historiques.

À propos de la stratégie croisée SMA

La stratégie croisée de moyenne mobile simple (SMA) est une technique d'analyse technique fondamentale. Cela implique l'observation de deux SMA : un SMA à court terme, qui présente une plus grande sensibilité aux variations de prix, et un SMA à long terme, qui atténue l'impact de la volatilité des prix à court terme.

Un signal d'achat est généré lorsque le SMA à court terme dépasse le SMA à long terme, ce qui signifie une tendance potentielle à la hausse. À l’inverse, un signal de vente est déclenché lorsque le SMA à court terme tombe en dessous du SMA à long terme, indiquant une tendance potentielle à la baisse.

Collecte de données

Commencez par installer le SDK de TraderMade comme suit :

!pip install tradermade

Nous utilisons le kit de développement logiciel (SDK) installé pour récupérer des données de séries chronologiques horaires pour les paires de devises (forex). Le code Python suivant illustre l'obtention de données pour la paire de devises EUR/USD.

import tradermade as tm
import pandas as pd
def fetch_forex_data(api_key, currency, start_date, end_date,    interval="hourly", fields=["open", "high", "low", "close"]):

   # Set API key
   tm.set_rest_api_key(api_key)
   # Fetch the data
   data = tm.timeseries(currency=currency, start=start_date, end=end_date, interval=interval, fields=fields)

   # Convert data directly to DataFrame
   df = pd.DataFrame(data)

   # Convert 'date' column to datetime
   df["date"] = pd.to_datetime(df["date"])

   # Set 'date' as the index
   df.set_index("date", inplace=True)

   return df

# Adjust as needed
api_key = "YOUR TRADERMADE API KEY"
currency = "EURUSD"
start_date = "2024-11-01-00:00"
end_date = "2024-11-27-05:12"

# Fetch the data and display the first few rows
forex_data = fetch_forex_data(api_key, currency, start_date, end_date)
forex_data = forex_data.rename(columns={"open": "Open", "high": "High", "low": "Low", "close": "Close"})
forex_data.head()

L'acquisition des données et le prétraitement pour le backtesting ont été terminés avec succès.

Mise en œuvre et backtesting d’une stratégie simple de crossover SMA

Cette section utilise la bibliothèque Python de backtesting pour définir et évaluer notre stratégie de crossover SMA. Pour ceux qui ne connaissent pas la bibliothèque de backtesting, elle est considérée comme un framework Python important et robuste pour le backtesting des stratégies de trading techniques. Ces stratégies englobent une gamme diversifiée, notamment le croisement SMA, le croisement RSI, les stratégies d'inversion de moyenne, les stratégies de dynamique et autres.

import numpy as np
from backtesting import Backtest, Strategy
from backtesting.lib import crossover
from backtesting.test import SMA

# Define the SMA crossover trading strategy
class SMACrossoverStrategy(Strategy):
       def init(self):
           # Calculate shorter-period SMAs for limited data
           price = self.data.Close
           self.short_sma = self.I(SMA, price, 20)  # Short window
           self.long_sma = self.I(SMA, price, 60)  # Long window

       def next(self):
           # Check for crossover signals
           if crossover(self.short_sma, self.long_sma):
               self.buy()
           elif crossover(self.long_sma, self.short_sma):
               self.sell()

   # Initialize and run the backtest
bt = Backtest(forex_data, SMACrossoverStrategy, cash=10000, commission=.002)
result = bt.run()

   # Display the backtest results
print("Backtest Results:")
print(result)

La stratégie utilise deux moyennes mobiles : une SMA sur 20 périodes et une SMA sur 60 périodes. Un ordre d'achat est exécuté lorsque le SMA à court terme dépasse le SMA à long terme. À l’inverse, un ordre de vente est déclenché lorsque le SMA à court terme tombe en dessous du SMA à long terme. Au cours d'une période de négociation de 25 jours, cette stratégie simple a généré un bénéfice de 243 $ sur six transactions.

Analyse de la courbe des actions et des SMA

Le code Python suivant évalue les performances de la stratégie de croisement SMA. Les SMA facilitent la visualisation des tendances des prix et identifient les points de croisement qui génèrent des signaux d'achat/vente. La courbe des actions sert de mesure de performance, illustrant l'impact de ces signaux sur la croissance du portefeuille.

En intégrant les deux courbes, les traders peuvent facilement observer la corrélation entre les événements de croisement et les changements dans la valeur du portefeuille, fournissant ainsi des informations cruciales sur l'efficacité de la stratégie de croisement SMA.

Plotly est utilisé pour visualiser les courbes d'actions et de SMA, permettant aux traders d'évaluer efficacement la rentabilité de leur stratégie.

!pip install tradermade

Remarques finales

Un backtesting réussi nécessite des données précises et à haute fréquence, et les API de TraderMade facilitent une intégration transparente. Quel que soit votre niveau d'expérience – que vous soyez un novice explorant diverses stratégies ou un analyste expérimenté développant des modèles sophistiqués – les offres de l'entreprise fournissent les outils nécessaires.
Êtes-vous prêt à intégrer les API de TraderMade dans votre flux de travail ? Commencez votre voyage aujourd'hui et transformez vos concepts en réalité.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!