رویکردی برای استفاده از پروفایل های حجم برای تجارت الگوریتمی

هنگام تجارت در بازارهایی مانند سهام یا ارز ، شناسایی مناطق ارزش برای اطلاع رسانی در مورد تصمیمات تجاری ما مهم است. یکی از راه های انجام این کار با دیدن مشخصات حجم است.

در این پست ، ما روشهای کمی را برای بررسی توزیع حجم در یک دوره زمانی بررسی می کنیم.

به طور خاص ، ما از ابزارهای پایتون و آماری و پردازش سیگنال در مجموعه ماژول های Scipy استفاده خواهیم کرد. توطئه های داده با طرح ریزی ارائه می شوند.

چگونه از حجم استفاده کنیم؟

این پست مفهوم پروفایل های حجم و نحوه تجارت آنها را در بر می گیرد.

به طور خلاصه ، حجم میزان دارایی های معامله شده در یک دوره زمانی را منتقل می کند. بعد دیگری که می توانیم به آن نگاه کنیم ، حجم معامله شده در حدود سطح قیمت است. این به عنوان یک پروفایل حجم شناخته می شود.

تصاویر زیر نشان می دهد که چگونه می توانیم در طول این دو بعد به حجم نگاه کنیم.

مناطقی که حجم قابل توجهی جمع می شود گره های حجم بالا (یا خوشه). این گره های حجم می توانند در تعیین سطح مهم قیمت برای تماشای مفید باشند.

تجزیه و تحلیل داده های حجم

به راحتی می توان گره های حجم را در نمودارهای بالا مشاهده کرد ، اما ایده اینجاست که آن را با کد انجام دهید. بنابراین ببینیم چگونه می توانیم این کار را انجام دهیم.

داده ها را بارگیری کنید

ابتدا داده ها را برای دارایی و بازه زمانی نشان داده شده در نمودارهای بالا واکشی می کنیم. ما داده های دقیقه ای را به دست می آوریم تا به ما امکان دهد یک پروفایل حجم با دانه بندی کافی بسازیم.

در این مثال ، ما در حال نگاه کردن به SPOT FOREX هستیم و این بدان معنی است که ما داده های حجم واقعی نداریم. داده های حجم در اینجا حجم تیک است که به عنوان یک پروکسی برای حجم واقعی معامله شده عمل می کند.

اکنون بیایید نمایه حجم را که فقط یک هیستوگرام در امتداد محور قیمت است ، ترسیم کنیم.

هیستوگرام روش خوبی برای نمایش توزیع داده های ما است. با این حال ، بسیار خشن است و بسته به نحوه تعریف سطل ها متفاوت است. بیایید یک روش راحت تر برای مدل سازی توزیع خود پیدا کنیم.

برآوردگر چگالی هسته

برآوردگر چگالی هسته (KDE) یک روش غیر پارامتری برای برآورد عملکرد چگالی احتمال (PDF) از یک متغیر تصادفی است. این به ما امکان می دهد توزیع خود را به عنوان یک منحنی صاف و مداوم نشان دهیم.

ما از Gaussian_KDE Scipy برای دریافت PDF خود استفاده خواهیم کرد. ما می توانیم یک هیستوگرام نرمال را با منحنی ترسیم کنیم تا ببینیم چگونه متناسب است.

KDE_FACTOR بر صافی منحنی تأثیر می گذارد. من یک مقدار دلخواه را انتخاب کردم که به نظر می رسید مناسب در توزیع چندمدی ما باشد.

پیدا کردن گره های حجم

برای کمک به ما در تعیین ساختار نمایه حجم خود، از find_peaks از ماژول پردازش سیگنال SciPy استفاده می کنیم.

در این مرحله، ما قبلاً داده های مفیدی برای کار با آنها داریم. به عنوان مثال، ما بر اساس مشخصات حجم خود، برخی از قیمت های نسبتاً جالب را داریم.

اما ما می توانیم بهتر عمل کنیم! find_peaks این امکان را به ما می دهد تا محدودیت هایی را برای فیلتر کردن بیشتر نویز مشخص کنیم.

برجستگی

برای شروع، می توانیم حداقل برجستگی را برای قله های خود تعیین کنیم. این می تواند به ما در شناسایی گره های حجمی برجسته تر کمک کند. بیایید خطوطی را ترسیم کنیم که نمایانگر برجستگی هر قله است تا ببینیم که چگونه به نظر می رسد.

برجستگی به عنوان فاصله عمودی بین قله و پایین ترین خط کانتور آن تعریف می شود. بیایید قله هایی را فیلتر کنیم که برجستگی آنها حداقل 30٪ محدوده است.

عرض اوج

حال فرض کنید ما به دنبال مناطقی با حجم بالا و تثبیت فشرده هستیم. به عبارت دیگر، ما به مناطقی علاقه مند هستیم که در آن فعالیت های زیادی در محدوده کوچکی اتفاق افتاده است. ما می توانیم این را با تعیین محدودیت در عرض قله های خود پیدا کنیم.

ابتدا نشانگرهایی را ترسیم می کنیم که عرض قله ها را نشان می دهند. به طور پیش فرض، عرض در نصف ارتفاع نسبی قله محاسبه می شود.

در نمودار ساعتی، میانگین محدوده واقعی ما در طول هفته حدود 14 پیپ بود. بیایید حداکثر عرض خود را روی 20 پیپ تنظیم کنیم. برای انجام این کار، ما باید محدوده قیمت های خود را به تعداد نمونه تبدیل کنیم.

ما اکنون منطقه ای با یکپارچگی و حجم بالا را مشاهده کرده ایم. از نظر تحلیل تکنیکال، این یک منطقه ارزشی کلیدی برای تماشا خواهد بود!

تراکم

شاید ما چندان به عرض یا محدوده گره حجم خود اهمیتی نمی دهیم. اگر در عوض، ما بیشتر به چگالی کل گره حجم علاقه مند بودیم، چه؟PDF یک منحنی پیوسته است، بنابراین برای بدست آوردن چگالی باید انتگرال بین یک محدوده را بگیریم. ما از پایه قله ها برای تعیین محدوده مورد نظر برای ادغام استفاده می کنیم.

از آنجایی که این تابع چگالی احتمال است، مقادیر چگالی ما نرمال شده است. به عنوان یادآوری، انتگرال در کل محدوده برابر با 1 است.

نتیجه

تاکنون توانستیم داده های قیمت و حجم را در یک بازه زمانی بارگیری کنیم و توزیع بین قیمت را به عنوان نمایه حجمی مشاهده کنیم. ما از یک KDE Gaussian برای قرار دادن یک PDF روی این داده ها استفاده کردیم و از برخی ابزارهای پردازش سیگنال برای استخراج اطلاعات مفید استفاده کردیم.

امیدوارم این به ویژه برای کسانی که به تجارت الگوریتمی علاقه مند هستند مفید بوده باشد. این تنها یک نقطه شروع است و ما باید قبل از ادغام در یک سیستم تحقیقاتی یا تجاری، آن را قوی تر کنیم.

ممنون که خواندید و اگر نظر یا پیشنهادی دارید با لینکدین تماس بگیرید!