使用Python輕鬆取得Binance歷史交易

鑑於某些策略需要一定程度的技術數據，而其他數據可能只需要花費一個小時的時間，該過程並不總是那麼簡單，而基礎架構，可用性和連接性等元素可能會因資料類型的不同而大相徑庭。

但是為什麼本文只涉及取得「交易」數據，為什麼我們使用Binance API？你可能對我的文章內容有些疑問。

資料頻率和平衡

我想說，交易資料端點主要在99.99％的交易所中提供。它是細粒度的，提供了足夠的詳細資訊（在某些非常特殊的情況下）用於回測高頻交易（HFT）策略，並且可以用作OHLC candles（1S至24H或更多，如果你想要的話）的基礎。

交易資料是通用的，並且允許使用不同頻率的策略進行大量實驗。

為什麼選擇Binance？

那隻是因為它是我由於數量龐大而傾向於回溯的交易所之一。

我們將要進行的編碼

我們將建立一個Python腳本，該腳本接收對符號，開始日期和結束日期作為命令列參數。它將包含所有交易的CSV檔案輸出到磁碟。過程可以透過以下步驟進行詳細說明：

1、解析symbol，starting_date和ending_date論點。

2、取得開始日期發生的第一筆交易，以取得第一筆交易trade_id。

3、循環取得每個請求1000筆交易（Binance API限制），直到ending_date達到為止。

4、最後，將資料儲存到磁碟。對於範例，我們將其儲存為CSV，但是你還有其他選擇，不一定要儲存為CSV。

5、我們將使用pandas，requests，time，sys，和datetime。在程式碼段中，將不會顯示錯誤驗證，因為它不會為說明添加任何值。

編碼時間

此腳本將使用下列參數：

1、symbol：交易對的符號，由Binance定義。可以在此處查詢，也可以從Binance Web應用程式的URL複製（不包括 _ 字元）。

-starting_date and ending_date：不言自明。期望的格式為mm/dd/yyyy，或使用Python lang語為%m/%d/%Y。

為了取得參數，我們將使用內建函數sys（這裡沒有什麼花俏的地方），為了解析日期，我們將使用datetime函式庫。

我們將增加一天並減去一微秒，以使ending_date時間部分始終處於23:59:59.999，這使得獲取當天間隔更加實用。

提取交易

使用Binance的API並使用aggTrades端點，我們可以在一個請求中獲得最多1000 筆交易，如果我們使用開始和結束參數，則它們之間的間隔最多為一小時。

在出現一些失敗之後，透過使用時間間隔來獲取（在某個時間點或另一個時間點，流動性會變得瘋狂，我會失去一些寶貴的交易），我決定嘗試from_id策略。

將aggTrades選擇的端點，因為它回到壓縮產業。這樣，我們將不會失去任何寶貴的資訊。

獲得壓縮的總交易。在同一時間從同一訂單以相同價格執行的交易將匯總數量。

該from_id策略是這樣的：

我們要得到的第一筆交易starting_date 透過發送日期的時間間隔向終點。之後，我們將從第一個取得的交易ID開始取得1000個交易。然後，我們將檢查最後一筆交易是否發生在我們之後ending_date。

如果是這樣，我們已經遍歷了所有時間段，可以將結果儲存到檔案中。否則，我們將更新from_id變數以取得最後的交易ID，然後重新開始迴圈。

取得第一個交易編號

#首先，我們建立一個new_end_date。那是因為我們aggTrades是透過傳遞a startTime和endTime 參數來使用。

現在，我們只需要知道該期間的第一個交易編號，因此我們將增加60秒。在低流動性貨幣對中，可以更改此參數，因為不能保證在請求的第一天發生交易。

然後，使用我們的輔助函數解析日期，以使用該calendar.timegm函數將日期轉換為Unix毫秒錶示形式。此timegm函數是首選函數，因為它將日期保留為UTC。

請求的回應是按日期排序的貿易物件列表，格式如下：

因此，由於我們需要第一個交易ID ，因此我們將傳回該response[0]["a"]值。

主循環

現在我們有了第一個交易ID，我們可以一次提取1000個交易，直到達到ending_date。以下程式碼將在我們的主循環中呼叫。它將使用from_id參數，放棄startDate和endDate參數，並執行我們的請求。

現在，這是我們的主循環，它將執行請求並建立我們的DataFrame。

我們檢查是否current_time包含最近取得的交易日期大於to_date，如果是，則我們：

•  使用from_id參數取得交易
•  使用最新交易中取得的資訊來更新from_id和current_time參數
  
• 列印nice偵錯訊息
  
•  pd.concat 這些交易與我們之前的交易DataFrame
  
•  使用sleep讓Binance不會給我們一個429 HTTP回應
  

清潔與儲存

#組裝完之後DataFrame，我們需要執行簡單的資料清理。我們將刪除重複trim的交易和之後發生的交易to_date（我們有這個問題，因為我們要獲取1000筆交易中的大部分，因此，我們預計在目標結束日期之後執行一些交易）。

我們可以封裝我們的trim功能：

並執行我們的資料清理：

現在，我們可以使用以下to_csv方法將其保存到文件中：

我們還可以使用其他資料存儲機制，例如Arctic。

最後：驗證你的數據

在使用交易策略時，我們必須信任我們的數據，這一點很重要。透過應用以下驗證，我們可以輕鬆地利用獲取的交易資料來做到這一點：

#在程式碼片段中，我們將其轉換DataFrame為NumPy數組，並逐行迭代，檢查交易ID是否每行遞增1。

Binance交易ID是以遞增方式編號的，並且是為每個交易品種創建的，因此，很容易驗證資料是否正確。

PS：創建成功的交易策略的第一步是擁有正確的資料。

以上是使用Python輕鬆取得Binance歷史交易的詳細內容。更多資訊請關注PHP中文網其他相關文章！