Backtest wie ein Profi mit einer Forex-API

Die dynamische Natur der Finanzmärkte erfordert die Nutzung zuverlässiger Daten zur Entwicklung und Validierung von Handelsstrategien. Für Händler und Analysten ist die effiziente Integration hochwertiger Daten in Backtesting-Umgebungen von entscheidender Bedeutung. TraderMade-APIs unterstützen diese Fachleute, indem sie präzise, ​​detaillierte und umfassende Marktdaten bereitstellen.
Diese Analyse nutzt die Zeitreihen-API von TraderMade, um historische Daten zu erhalten, eine einfache Crossover-Strategie für den einfachen gleitenden Durchschnitt (SMA) auszuführen und ihre historische Leistung zu bewerten.

Über die SMA Crossover-Strategie

Die Simple Moving Average (SMA) Crossover-Strategie ist eine grundlegende technische Analysetechnik. Dabei werden zwei SMAs beobachtet: ein kurzfristiger SMA, der eine höhere Empfindlichkeit gegenüber Preisänderungen aufweist, und ein langfristiger SMA, der die Auswirkungen kurzfristiger Preisvolatilität abschwächt.

Ein Kaufsignal wird generiert, wenn der kurzfristige SMA den langfristigen SMA übertrifft, was auf einen möglichen Aufwärtstrend hinweist. Umgekehrt wird ein Verkaufssignal ausgelöst, wenn der kurzfristige SMA unter den langfristigen SMA fällt, was auf einen möglichen Abwärtstrend hindeutet.

Datenerfassung

Beginnen Sie mit der Installation des SDK von TraderMade wie folgt:

!pip install tradermade

Wir verwenden das installierte Software Development Kit (SDK), um stündliche Zeitreihendaten für Devisenpaare (Forex) abzurufen. Der nachfolgende Python-Code veranschaulicht den Erhalt von Daten für das Währungspaar 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()

Datenerfassung und Vorverarbeitung für das Backtesting wurden erfolgreich abgeschlossen.

Implementierung und Backtesting einer einfachen SMA-Crossover-Strategie

In diesem Abschnitt wird die Backtesting-Python-Bibliothek verwendet, um unsere SMA-Crossover-Strategie zu definieren und zu bewerten. Für diejenigen, die mit der Backtesting-Bibliothek nicht vertraut sind: Sie gilt als herausragendes und robustes Python-Framework für das Backtesting technischer Handelsstrategien. Diese Strategien umfassen ein vielfältiges Spektrum, einschließlich SMA-Crossover, RSI-Crossover, Mean-Reversal-Strategien, Momentum-Strategien und andere.

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)

Die Strategie verwendet zwei gleitende Durchschnitte: einen 20-Perioden- und einen 60-Perioden-SMA. Eine Kauforder wird ausgeführt, wenn der kurzfristige SMA den langfristigen SMA überschreitet. Umgekehrt wird ein Verkaufsauftrag ausgelöst, wenn der kurzfristige SMA unter den langfristigen SMA fällt. Innerhalb eines 25-tägigen Handelszeitraums erzielte diese unkomplizierte Strategie bei sechs Trades einen Gewinn von 243 $.

Aktien- und SMA-Kurvenanalyse

Der nachfolgende Python-Code bewertet die Leistung der SMA-Crossover-Strategie. SMAs erleichtern die Visualisierung von Preistrends und identifizieren Kreuzungspunkte, die Kauf-/Verkaufssignale generieren. Die Aktienkurve dient als Leistungskennzahl und veranschaulicht die Auswirkung dieser Signale auf das Portfoliowachstum.

Durch die Integration beider Kurven können Händler die Korrelation zwischen Crossover-Ereignissen und Änderungen im Portfoliowert leicht beobachten und so wichtige Einblicke in die Wirksamkeit der SMA-Crossover-Strategie liefern.

Plotly wird verwendet, um die Aktien- und SMA-Kurven zu visualisieren, sodass Händler die Rentabilität ihrer Strategie effektiv bewerten können.

!pip install tradermade

Abschließende Bemerkungen

Erfolgreiches Backtesting erfordert genaue, hochfrequente Daten, und die APIs von TraderMade ermöglichen eine nahtlose Integration. Unabhängig von Ihrem Erfahrungsniveau – ob Sie ein Neuling sind, der verschiedene Strategien erforscht, oder ein erfahrener Analyst, der anspruchsvolle Modelle entwickelt – die Angebote des Unternehmens bieten die notwendigen Werkzeuge.
Sind Sie bereit, die APIs von TraderMade in Ihren Workflow zu integrieren? Beginnen Sie noch heute Ihre Reise und setzen Sie Ihre Konzepte in die Realität um.

Das obige ist der detaillierte Inhalt vonBacktest wie ein Profi mit einer Forex-API. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!