📌"Open Range Fakeout" – стратегия на ложный пробой утреннего диапазона🧑‍💻

Суть стратегии:🛠️

Первые 30–60 минут торговой сессии формируют утренний диапазон (Open Range).

> Часто рынок имитирует пробой вверх или вниз, привлекая трейдеров в ловушку,
а затем разворачивается в противоположную сторону — туда, где реальная ликвидность.

Цель стратегии — войти в разворот после ложного пробоя утреннего диапазона💸

Условия:🚀

1. Строим диапазон по первым 2–4 свечам (например, 5m × 4 = 20 минут)

2. Ждём пробоя вверх или вниз

3. Следующая свеча закрывается обратно внутрь диапазона

4. Входим в противоположную сторону пробоя

5. Стоп — за экстремум ложного пробоя, тейк — внутрь диапазона или в 1.5× ширину

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"
tf = "5m"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, tf, limit=50),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Формируем Open Range по первым 4 свечам (пример — 20 минут)
open_range = df.iloc[:4]
high_range = open_range["high"].max()
low_range = open_range["low"].min()

# Последние 2 свечи
prev = df.iloc[4]
curr = df.iloc[5]

# Условия ложного пробоя вверх
fake_up = (
    prev["high"] > high_range and
    curr["close"] < high_range
)

# Ложный пробой вниз
fake_down = (
    prev["low"] < low_range and
    curr["close"] > low_range
)

print(f"Open Range: {low_range:.2f} – {high_range:.2f}")
if fake_up:
    print("🔻 Ложный пробой вверх — сигнал на ШОРТ")
elif fake_down:
    print("🔺 Ложный пробой вниз — сигнал на ЛОНГ")
else:
    print("Нет сигнала — диапазон не пробит или пробой подтверждён")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Intraday Range Compression Detector – детектор внутридневного сжатия волатильности🧑‍💻

Суть инструмента:🛠️

Перед сильными движениями рынок часто "сжимается" — диапазон между high/low уменьшается,
объём падает, волатильность падает. Это состояние часто предшествует импульсу или пробою.

> Этот инструмент отслеживает внутридневное сжатие диапазона и даёт сигнал,
когда оно достигает аномально низких значений по сравнению с предыдущими днями.

Что делает инструмент:💻

- Сравнивает текущий дневной диапазон с историческим (например, 10–20 последних дней)

- Считает % сжатия относительно среднего

- Выдаёт сигнал, если сжатие сильное (например, < 50% нормы)

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

# Получаем 1h свечи, группируем по дню
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "1h", limit=240),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["date"] = df["ts"].dt.date

daily = df.groupby("date").agg({
    "high": "max",
    "low": "min"
})
daily["range"] = daily["high"] - daily["low"]

# Анализ последнего дня
current_range = daily["range"].iloc[-1]
avg_range = daily["range"].iloc[:-1].mean()
compression = current_range / avg_range * 100

print(f"Сегодняшний диапазон: {current_range:.2f}")
print(f"Средний диапазон:     {avg_range:.2f}")
print(f"Сжатие диапазона:     {compression:.1f}%")

if compression < 50:
    print("⚠️ Внутридневное сжатие! Возможен пробой или сильный импульс.")
else:
    print("Диапазон в норме — рынок активен.")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Liquidity Gap Sniper" — стратегия входа в незаполненные ценовые разрывы🧑‍💻

Суть стратегии:🛠️

Иногда в течение дня возникает резкое движение, оставляющее после себя
“пустую” область в стакане (или на графике) — почти без касания цен.

> Такие зоны рынок часто возвращается закрыть, особенно на умеренной волатильности.

Цель стратегии — войти в сторону “заполнения” этой зоны,
ориентируясь на структуру предыдущих свечей и объёмов.

Что считается "gap":🚀

- 2 свечи подряд, где минимум текущей свечи выше максимума предыдущей (или наоборот)

- Расстояние между свечами больше X% (например, 0.3%)

- Отсутствие свечей, перекрывающих этот диапазон в течение N свечей

Условия входа:🧨

1. Обнаружен gap (разрыв между свечами)

2. Цена приближается к gap, но ещё не закрыла его полностью

3. Вход на возврат в gap, с целью закрытия

4. Стоп — за границу gap или за ближайший экстремум

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "5m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

gaps = []

for i in range(1, len(df)):
    prev = df.iloc[i - 1]
    curr = df.iloc[i]

    # Проверка на gap вверх
    if curr["low"] > prev["high"]:
        gap_size = curr["low"] - prev["high"]
        gap_pct = gap_size / prev["high"] * 100
        if gap_pct > 0.3:
            gaps.append({
                "type": "up",
                "from": prev["high"],
                "to": curr["low"],
                "timestamp": curr["ts"]
            })

    # Gap вниз
    if curr["high"] < prev["low"]:
        gap_size = prev["low"] - curr["high"]
        gap_pct = gap_size / prev["low"] * 100
        if gap_pct > 0.3:
            gaps.append({
                "type": "down",
                "from": curr["high"],
                "to": prev["low"],
                "timestamp": curr["ts"]
            })

# Последний gap и текущая цена
if gaps:
    last_gap = gaps[-1]
    price = df.iloc[-1]["close"]

    print(f"Обнаружен GAP ({last_gap['type']}) от {last_gap['from']:.2f} до {last_gap['to']:.2f}")
    if last_gap["type"] == "up" and price < last_gap["from"]:
        print("📉 Возможен ретест GAP снизу → Сигнал на ЛОНГ")
    elif last_gap["type"] == "down" and price > last_gap["to"]:
        print("📈 Возможен ретест GAP сверху → Сигнал на ШОРТ")
    else:
        print("Цена ещё не вернулась в зону GAP")
else:
    print("GAP не найден")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Session Volume Splitter — распределение объёма по торговым сессиям🧑‍💻

Суть инструмента:🛠️

Инструмент анализирует, в какой части суток (Азия, Европа, США) формируется основной объём.

> Это помогает понять, кто контролирует рынок: азиатские покупатели, европейские продавцы или американские спекулянты.

Что делает инструмент:💻

- Делит сутки на три торговые сессии:

Азия: 00:00–08:00 UTC

Европа: 08:00–16:00 UTC

США: 16:00–00:00 UTC

- Считает объём и среднюю цену внутри каждой

- Выдаёт процентное распределение активности

Как использовать:💸

- Понимать, какая сессия доминирует и в какое время лучше торговать

- Настроить стратегии под сессию с максимальной активностью

- Избегать сессий с минимальной волатильностью (например, между 2:00–6:00 UTC)

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "1h", limit=72),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["hour"] = df["ts"].dt.hour

# Метки сессий
def label_session(hour):
    if 0 <= hour < 8:
        return "Asia"
    elif 8 <= hour < 16:
        return "Europe"
    else:
        return "US"

df["session"] = df["hour"].apply(label_session)
session_volume = df.groupby("session")["volume"].sum()
total_volume = session_volume.sum()
session_share = session_volume / total_volume * 100

print("Объём по сессиям (последние 3 дня):")
for s in ["Asia", "Europe", "US"]:
    print(f"{s}: {session_share.get(s, 0):.2f}%")

#инструмент

📌 Подпишись  Crypto Python❗️

📌Relative Volume Analyzer (RVol) — сравнение объёма текущей свечи с историческим🧑‍💻

Суть инструмента:🛠️

Объём сам по себе мало информативен — важно знать, насколько он необычный по сравнению с прошлым.

> Relative Volume (RVol) — это объём текущей свечи / средний объём за N свечей.

Инструмент показывает, когда объём резко выше нормы, что часто предшествует импульсам или разворотам.

Что делает:🚀

- Вычисляет RVol для каждой свечи

- Отмечает свечи с RVol > 2.0 (в 2+ раза выше среднего)

- Даёт сигнал: “⚠️ Аномальный объём — возможный импульс”

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Средний объём за последние 20 свечей
df["avg_volume"] = df["volume"].rolling(20).mean()
df["rvol"] = df["volume"] / df["avg_volume"]

# Последняя свеча
last = df.iloc[-1]
print(f"Объём: {last['volume']:.2f} | Средний: {last['avg_volume']:.2f} | RVol: {last['rvol']:.2f}")

if last["rvol"] > 2.0:
    print("⚠️ Аномальный объём — возможный сильный импульс!")
else:
    print("RVol в норме — рынок спокойный.")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Stop-Hunt Reversal" — стратегия разворота после сбора ликвидаций🧑‍💻

Суть стратегии:🛠️

Крупные игроки часто толкают рынок чуть за важные уровни, чтобы активировать:

- стоп-лоссы

- ликвидации с плечом

- отложенные ордера на импульсе

После чего рынок резко разворачивается, так как ликвидность уже собрана.
Эта стратегия ловит разворот сразу после “охоты за стопами”.

Условия стратегии:🧨

1. Цена делает резкий пробой ключевого уровня (high/low)

2. Следующая свеча возвращается обратно под уровень

3. Формируется разворотный паттерн (например, пинбар)

4. Вход в обратную сторону пробоя

5. Стоп — за экстремум, тейк — до ближайшего диапазона

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "5m", limit=50),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Последние 20 свечей — диапазон
range_high = df["high"].iloc[-20:-2].max()
range_low = df["low"].iloc[-20:-2].min()

# Предыдущая и текущая свеча
prev = df.iloc[-2]
curr = df.iloc[-1]

# Ложный пробой вверх
hunt_up = prev["high"] > range_high and curr["close"] < range_high

# Ложный пробой вниз
hunt_down = prev["low"] < range_low and curr["close"] > range_low

print(f"Диапазон: {range_low:.2f} – {range_high:.2f}")
if hunt_up:
    print("🔻 Stop-hunt вверх — сигнал на ШОРТ")
elif hunt_down:
    print("🔺 Stop-hunt вниз — сигнал на ЛОНГ")
else:
    print("Нет сигнала по стратегии Stop-Hunt Reversal")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌"Inside Bar Breakout Trap" — стратегия на ложном пробое внутренней свечи🧑‍💻

📌 Суть стратегии:🛠️

Внутренняя свеча ("inside bar") — это свеча, которая полностью находится в диапазоне предыдущей свечи.
Обычно это означает затишье, но:

> часто рынок делает ложный пробой такой свечи, а затем — сильный разворот.
Эта стратегия ловит момент выхода обратно внутрь диапазона.

✅ Условия стратегии:

1. Предыдущая свеча (mother bar) — широкая

2. Следующая свеча — внутри диапазона mother bar (inside bar)

3. Третья свеча пробивает high/low, но закрывается обратно в диапазон

4. Вход в обратную сторону пробоя

5. Стоп — за экстремум пробоя, тейк — 1.5×-2× риск или к opposite уровням

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

mother = df.iloc[-3]
inside = df.iloc[-2]
curr = df.iloc[-1]

# Проверка: inside бар внутри mother
is_inside = (
    inside["high"] < mother["high"] and
    inside["low"] > mother["low"]
)

# Ложный пробой вверх
false_break_up = (
    curr["high"] > inside["high"] and
    curr["close"] < mother["high"]
)

# Ложный пробой вниз
false_break_down = (
    curr["low"] < inside["low"] and
    curr["close"] > mother["low"]
)

if is_inside:
    print("🔎 Обнаружен Inside Bar")
    if false_break_up:
        print("🔻 Ложный пробой вверх → сигнал на ШОРТ")
    elif false_break_down:
        print("🔺 Ложный пробой вниз → сигнал на ЛОНГ")
    else:
        print("Нет подтверждения ложного пробоя")
else:
    print("Нет Inside Bar — условий нет")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌ATR Squeeze Detector — детектор фаз сжатия волатильности по ATR🧑‍💻

🔍 Суть инструмента:🛠️

Когда рынок входит в фазу низкой волатильности, это часто предшествует взрывному движению (breakout).

> Индикатор ATR (Average True Range) показывает, насколько активно движется цена.
Сжатие ATR относительно его среднего — надёжный сигнал приближающегося импульса.

📐 Что делает инструмент:💻

- Считает ATR на заданном таймфрейме (например, 15m или 1h)

- Сравнивает его с историческим средним ATR

- Выдаёт алерт, если текущий ATR ниже X% от среднего (например, < 60%)

- Опционально — логирует “зоны сжатия”

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

# Загружаем данные
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Расчёт ATR вручную
df["tr"] = df["high"] - df["low"]
df["tr"] = df["tr"].combine_first((df["high"] - df["close"].shift()).abs())
df["tr"] = df["tr"].combine_first((df["low"] - df["close"].shift()).abs())
df["atr"] = df["tr"].rolling(14).mean()

current_atr = df["atr"].iloc[-1]
mean_atr = df["atr"].mean()
ratio = current_atr / mean_atr * 100

print(f"Текущий ATR: {current_atr:.2f} | Средний ATR: {mean_atr:.2f} | Отношение: {ratio:.1f}%")

if ratio < 60:
    print("📉 Внимание: Сжатие волатильности (ATR Squeeze) — возможен скорый breakout!")
else:
    print("✅ Волатильность в норме")

#инструмент

📌 Подпишись  Crypto Python❗️

📌Candle Strength Scanner — сканер силы свечей по телу и тени🧑‍💻

🔍 Суть инструмента:🛠️

Сила и структура свечей (длина тела и тени) могут подсказать:

- Продолжится ли импульс

- Насколько уверенно прошёл пробой

- Есть ли давление покупателей или продавцов

> Инструмент сканирует последние свечи и оценивает преобладание одной стороны (быков/медведей).

📋 Что делает:🚀

- Анализирует последние N свечей на заданном таймфрейме

- Вычисляет долю тела от всей свечи

- Определяет "импульсные" свечи (большое тело, малая тень)

- Выводит вывод: "бычье давление", "медвежье давление", "баланс"

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=20),
                  columns=["ts", "open", "high", "low", "close", "volume"])

# Расчёт силы свечей
df["body"] = abs(df["close"] - df["open"])
df["range"] = df["high"] - df["low"]
df["body_ratio"] = df["body"] / df["range"]

# Считаем количество бычьих и медвежьих сильных свечей
threshold = 0.6
bulls = ((df["close"] > df["open"]) & (df["body_ratio"] > threshold)).sum()
bears = ((df["close"] < df["open"]) & (df["body_ratio"] > threshold)).sum()

print(f"🟩 Сильные бычьи свечи: {bulls}")
print(f"🟥 Сильные медвежьи свечи: {bears}")

if bulls > bears:
    print("📈 Преобладает покупательское давление")
elif bears > bulls:
    print("📉 Преобладает продавец")
else:
    print("⚖️ Баланс между сторонами")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"VWAP Magnet Reversal" — возврат к VWAP после экстремального отклонения🧑‍💻

📌 Суть стратегии:🛠️

Цена нередко резко отклоняется от VWAP (объёмно-взвешенной средней цены),
но затем "притягивается" обратно — как к магниту, особенно во флэтовом или балансном рынке.

> Эта стратегия ловит момент разворота обратно к VWAP, после сильного импульса в одну сторону.

✅ Условия стратегии:🧨

1. Цена отклоняется от VWAP более чем на X% (например, 1.5%)

2. Последующая свеча не подтверждает движение (ослабление тренда)

3. Объём не растёт — отсутствие продолжения

4. Вход в сторону возврата к VWAP

5. Стоп — за локальный экстремум, тейк — на VWAP или чуть раньше

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "5m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Расчёт VWAP
df["tp"] = (df["high"] + df["low"] + df["close"]) / 3
df["cum_vol"] = df["volume"].cumsum()
df["cum_vol_tp"] = (df["tp"] * df["volume"]).cumsum()
df["vwap"] = df["cum_vol_tp"] / df["cum_vol"]

# Последняя цена и отклонение
price = df["close"].iloc[-1]
vwap = df["vwap"].iloc[-1]
deviation = (price - vwap) / vwap * 100

print(f"Цена: {price:.2f} | VWAP: {vwap:.2f} | Отклонение: {deviation:.2f}%")

if deviation > 1.5:
    print("🔻 Сигнал на возврат к VWAP — ШОРТ (перекупленность)")
elif deviation < -1.5:
    print("🔺 Сигнал на возврат к VWAP — ЛОНГ (перепроданность)")
else:
    print("Отклонение в норме — сигнала нет")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Trade Setup Snapshot Logger — логгер рыночных условий при сигнале🧑‍💻

📌 Суть инструмента:🛠️

Во время входа по стратегии важно сохранять не только цену, но и контекст:

> какие были объёмы, волатильность, тренд, RSI, положение цены к VWAP и т.д.

Этот инструмент автоматически делает снимок рыночной ситуации при возникновении сигнала и сохраняет его в CSV.
→ Это позволяет потом анализировать эффективность сетапов.

🔧 Что сохраняется:

- Время сигнала

- Цена актива

- RSI, ATR, объём, отклонение от VWAP

- Направление сигнала (лонг/шорт)

- Доп. индикаторы (MACD, MA cross и т.п.)

- Результат (позже — win/loss)

import ccxt
import pandas as pd
from datetime import datetime

exchange = ccxt.binance()
symbol = "BTC/USDT"

# Загрузка последних 100 свечей
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Простейшая логика сигнала — RSI ниже 30 (перепроданность)
df["rsi"] = df["close"].rolling(14).apply(
    lambda x: 100 - (100 / (1 + (x.diff().clip(lower=0).sum() / abs(x.diff().clip(upper=0).sum() or 1e-5))))
)

signal = df.iloc[-1]
if signal["rsi"] < 30:
    print("🔔 Сигнал: перепроданность — ЛОНГ")

    snapshot = {
        "timestamp": datetime.utcnow().strftime("%Y-%m-%d %H:%M"),
        "symbol": symbol,
        "price": signal["close"],
        "rsi": signal["rsi"],
        "volume": signal["volume"],
        "direction": "long"
    }

    df_log = pd.DataFrame([snapshot])
    df_log.to_csv("trade_snapshot_log.csv", mode="a", header=False, index=False)
    print("✅ Снимок условий записан в журнал trade_snapshot_log.csv")
else:
    print("Нет сигнала — запись не выполняется.")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Time-of-Day Momentum Bias" — стратегия по статистике силы движения в определённые часы🧑‍💻

📌 Суть стратегии:🛠️

На многих активах (особенно криптовалютах и индексах) наблюдаются повторяющиеся ценовые движения в определённые часы суток.

> Например, в 16:00 UTC часто начинается импульс (пересечение сессий, выход данных и т.д.)

Эта стратегия использует статистику направленного движения в заданный час — и входит в ту сторону, которая чаще приносила прибыль.

✅ Условия стратегии:🚀

1. Для каждого часа дня рассчитывается средний результат свечи за N дней

2. Строится профиль: в какие часы чаще идёт рост или падение

3. При наступлении "часа с положительным сдвигом" — вход в сторону этого смещения

4. Стоп и тейк — фиксированные (например, 0.5%/1%) или по ATR

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

# Получаем 1h свечи за последние 14 дней
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "1h", limit=24*14),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["hour"] = df["ts"].dt.hour
df["delta"] = df["close"] - df["open"]

# Средняя направленность по каждому часу
hour_bias = df.groupby("hour")["delta"].mean()

# Последний час
now_hour = pd.Timestamp.utcnow().hour
bias = hour_bias.get(now_hour, 0)

print("🔍 Среднее смещение по часу:")
print(hour_bias.round(2))
print(f"\n🕐 Сейчас: {now_hour}:00 | Средняя направленность: {bias:.2f}")

if bias > 20:
    print("📈 Час обычно бычий → сигнал на ЛОНГ")
elif bias < -20:
    print("📉 Час обычно медвежий → сигнал на ШОРТ")
else:
    print("⚖️ Смещение нейтральное — сигнала нет")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Real-Time Risk Calculator — калькулятор риска и размера позиции🧑‍💻

📌 Суть инструмента:🛠️

Перед каждой сделкой важно точно рассчитать:

Сколько можно потерять при стоп-лоссе (в $ или %)

Какой объём позиции соответствует допустимому риску

Где должен быть стоп, чтобы уложиться в параметры

> Этот инструмент помогает моментально вычислить размер позиции и риск, исходя из точки входа, стопа и капитала.

🔧 Что делает:🚀

Принимает:

- Капитал (в USDT)

- Размер стопа (в $ или % от входа)

- Процент риска на сделку (например, 1%)

Выдаёт:

- Размер позиции

- Кол-во монет

- Уровень ликвидации при использовании плеча (опционально)

def risk_calculator(capital_usdt, entry_price, stop_price, risk_percent):
    risk_usdt = capital_usdt * (risk_percent / 100)
    stop_size = abs(entry_price - stop_price)
    if stop_size == 0:
        raise ValueError("Stop size cannot be zero.")
    
    position_size = risk_usdt / stop_size
    cost = position_size * entry_price

    print(f"💰 Капитал: {capital_usdt}$")
    print(f"🎯 Вход: {entry_price} | Стоп: {stop_price}")
    print(f"⚖️ Риск на сделку: {risk_percent}% → {risk_usdt:.2f}$")
    print(f"📊 Размер позиции: {position_size:.4f} монет")
    print(f"💵 Стоимость позиции: {cost:.2f}$")

# Пример вызова:
risk_calculator(
    capital_usdt=1000,
    entry_price=27000,
    stop_price=26700,
    risk_percent=1
)

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Volume Dry-Up Breakout" — стратегия на прорыв после падения объёма🧑‍💻

📌 Суть стратегии:🛠️

Когда рынок долго стоит во флэте и объёмы высыхают, это часто предшествует мощному выходу в одну сторону.

> Эта стратегия отслеживает низкие объёмы и входит при их резком увеличении, указывающем на начало движения.

✅ Условия стратегии:🧨

1. Объём падает и остаётся ниже 50% среднего за последние N свечей

2. Цена сужается в узком диапазоне

3. Происходит всплеск объёма + выход за локальный high/low

4. Вход в сторону пробоя

5. Стоп — за противоположной границей флэта

6. Тейк — по фиксированному R:R или трейлинг

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=100),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Расчёт среднего объёма и диапазона
df["avg_volume"] = df["volume"].rolling(20).mean()
df["range"] = df["high"] - df["low"]

# Проверка условий
last = df.iloc[-1]
low_vol = last["volume"] < df["avg_volume"].iloc[-1] * 0.5
tight_range = df["range"].iloc[-5:].mean() < df["range"].mean() * 0.7

# Предыдущий high/low
local_high = df["high"].iloc[-6:-1].max()
local_low = df["low"].iloc[-6:-1].min()

break_up = last["high"] > local_high
break_down = last["low"] < local_low

print(f"Объём: {last['volume']:.2f} | Средний: {df['avg_volume'].iloc[-1]:.2f}")
print(f"Диапазон последних свечей сжат: {tight_range}")

if low_vol and tight_range:
    if break_up:
        print("📈 Всплеск объёма и пробой вверх — сигнал на ЛОНГ")
    elif break_down:
        print("📉 Всплеск объёма и пробой вниз — сигнал на ШОРТ")
    else:
        print("⚠️ Сжатие есть, но пробоя пока нет")
else:
    print("Условия сжатия объёма/диапазона не выполнены")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Historical Strategy Validator — тестер торговых правил на исторических данных🧑‍💻

📌 Суть инструмента:🛠️

Этот инструмент позволяет быстро проверить простую торговую логику на исторических свечах,
без использования громоздких фреймворков типа Backtrader.

> Особенно полезен для тестирования простых идей:
«что если покупать, когда RSI < 30 и цена выше MA100»?

import ccxt
import pandas as pd

def test_strategy(symbol="BTC/USDT", timeframe="1h", limit=500, rsi_period=14, rsi_entry=30, rsi_exit=50):
    exchange = ccxt.binance()
    df = pd.DataFrame(exchange.fetch_ohlcv(symbol, timeframe, limit=limit),
                      columns=["ts", "open", "high", "low", "close", "volume"])
    df["ts"] = pd.to_datetime(df["ts"], unit="ms")

    # RSI
    delta = df["close"].diff()
    gain = delta.clip(lower=0).rolling(rsi_period).mean()
    loss = (-delta.clip(upper=0)).rolling(rsi_period).mean()
    rs = gain / (loss + 1e-9)
    df["rsi"] = 100 - (100 / (1 + rs))

    # Торговая логика
    position = False
    entry_price = 0
    trades = []

    for i in range(rsi_period, len(df)):
        row = df.iloc[i]
        if not position and row["rsi"] < rsi_entry:
            position = True
            entry_price = row["close"]
            entry_time = row["ts"]
        elif position and row["rsi"] > rsi_exit:
            position = False
            exit_price = row["close"]
            exit_time = row["ts"]
            profit_pct = (exit_price - entry_price) / entry_price * 100
            trades.append({
                "entry_time": entry_time, "exit_time": exit_time,
                "entry": entry_price, "exit": exit_price,
                "profit_pct": round(profit_pct, 2)
            })

    # Результаты
    results = pd.DataFrame(trades)
    if not results.empty:
        print(f"📊 Совершено сделок: {len(results)}")
        print(f"✅ Win-rate: {(results['profit_pct'] > 0).mean() * 100:.2f}%")
        print(f"📈 Средняя доходность: {results['profit_pct'].mean():.2f}%")
        print(f"📉 Max просадка: {results['profit_pct'].min():.2f}%")
        results.to_csv("strategy_backtest_log.csv", index=False)
    else:
        print("Нет сработавших условий")

# Пример вызова:
test_strategy()

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Gap Fill Strategy" — торговля на закрытие гэпа после резкого открытия🧑‍💻

📌 Суть стратегии:🛠️

Если рынок открывается с сильным гэпом вверх или вниз (разрыв между закрытием и открытием), часто происходит возврат в зону предыдущего закрытия — особенно в первые часы.

> Это поведение связано с коррекцией цены к справедливой стоимости после ночных/внебиржевых движений.

✅ Условия стратегии:🚀

1. Обнаружен гэп между закрытием предыдущего дня и открытием текущего дня

2. Размер гэпа превышает X% (например, 0.5–1%)

3. Вход в сторону закрытия гэпа — т.е. в противоположную сторону от открытия

4. Стоп — за экстремум гэпа

5. Тейк — в районе предыдущего close

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

# Получаем 1h данные за 2 дня
ohlcv = exchange.fetch_ohlcv(symbol, "1h", limit=48)
df = pd.DataFrame(ohlcv, columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["date"] = df["ts"].dt.date

# Последнее закрытие вчера и первое открытие сегодня
yesterday = df[df["date"] == df["date"].iloc[-2]]
today = df[df["date"] == df["date"].iloc[-1]]

if not yesterday.empty and not today.empty:
    prev_close = yesterday["close"].iloc[-1]
    today_open = today["open"].iloc[0]
    gap = today_open - prev_close
    gap_pct = gap / prev_close * 100

    print(f"📊 Вчерашний close: {prev_close:.2f}")
    print(f"🕘 Сегодняшний open: {today_open:.2f}")
    print(f"🔍 Гэп: {gap:.2f} ({gap_pct:.2f}%)")

    if gap_pct > 0.5:
        print("📉 Гэп вверх — сигнал на ШОРТ (ожидание возврата к закрытию)")
    elif gap_pct < -0.5:
        print("📈 Гэп вниз — сигнал на ЛОНГ (ожидание возврата к закрытию)")
    else:
        print("⚠️ Гэп незначителен — сигнала нет")
else:
    print("Недостаточно данных для анализа")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Price Level Touch Counter — счётчик касаний ценовых уровней🧑‍💻

📌 Суть инструмента:🛠️

Часто важные уровни сопротивления/поддержки формируются там, где цена многократно касалась определённого уровня.

> Этот инструмент ищет ценовые уровни, которые часто тестировались, и считает количество таких касаний.

🔧 Что делает:💻

- Загружает исторические свечи

- Округляет цену до заданного шага (например, 10 или 50$)

- Считает, сколько раз цена попадала в этот диапазон (касалась)

- Находит уровни с наибольшим количеством касаний

- Выводит их в консоль

import ccxt
import pandas as pd
from collections import Counter

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=500),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Округляем цену до ближайших уровней по шагу
step = 50  # шаг в $
levels = []

for _, row in df.iterrows():
    for price in [row["high"], row["low"]]:
        rounded = round(price / step) * step
        levels.append(rounded)

level_counts = Counter(levels)
most_touched = level_counts.most_common(10)

print("🔍 Топ 10 уровней с наибольшим количеством касаний:")
for level, count in most_touched:
    print(f"📏 Уровень: {level}$ — касаний: {count}")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Acceleration Reversal" — разворот после резкого ускорения цены🧑‍💻

📌 Суть стратегии:🛠️

Когда цена резко ускоряется вверх или вниз (движение с ускорением), это часто неустойчивый импульс,
который может закончиться резким разворотом — особенно если нет поддержки объёмом или трендом.

> Стратегия ловит "перегрев" движения, измеряя ускорение (изменение дельты между свечами).

✅ Условия стратегии:🚀

1. Вычисляется скорость и ускорение изменения цены

2. Если ускорение превышает заданный порог, и следующая свеча закрывается против движения — сигнал на разворот

3. Вход — в противоположную сторону от ускорения

4. Стоп — за экстремум импульса

5. Тейк — по фиксированному R:R или возврат к среднему

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"

df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "5m", limit=50),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Скорость изменения цены
df["delta"] = df["close"].diff()
df["velocity"] = df["delta"].rolling(3).mean()
df["acceleration"] = df["velocity"].diff()

# Последняя свеча
last = df.iloc[-1]
prev = df.iloc[-2]

accel = df["acceleration"].iloc[-1]

print(f"🧮 Ускорение: {accel:.2f}")

if accel > 50 and last["close"] < last["open"]:
    print("📉 Резкое ускорение вверх и откат — сигнал на ШОРТ")
elif accel < -50 and last["close"] > last["open"]:
    print("📈 Резкое ускорение вниз и откат — сигнал на ЛОНГ")
else:
    print("⚠️ Ускорения недостаточно или нет отката — сигнала нет")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌Range Consolidation Detector — детектор консолидации в диапазоне🧑‍💻

📌 Суть инструмента:🛠️

Перед сильными движениями рынок часто входит в фазу сужающегося диапазона — консолидации.

> Обнаружив такие участки, трейдер может подготовиться к пробою или использовать стратегии внутри флэта.

🔧 Что делает:🧨

- Анализирует последние N свечей (например, 20–50)

- Сравнивает текущий диапазон (High - Low) со средним за период

- Оценивает сжатие (волатильность падает)

- Выдаёт алерт при обнаружении узкого флэта

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=50),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")

# Вычисляем диапазон свечей
df["range"] = df["high"] - df["low"]
avg_range = df["range"].rolling(20).mean().iloc[-1]
curr_range = df["range"].iloc[-1]

compression = curr_range < avg_range * 0.5  # текущий диапазон меньше 50% среднего

print(f"📏 Средний диапазон: {avg_range:.2f}")
print(f"📉 Текущий диапазон: {curr_range:.2f}")

if compression:
    print("🔍 Обнаружена консолидация — рынок во флэте (возможен пробой)")
else:
    print("📈 Волатильность в норме — флет не зафиксирован")

#инструмент

📌 Подпишись  Crypto Python❗️

📌"Session Fade Strategy" — контртренд в конце торговой сессии🧑‍💻

📌 Суть стратегии:🛠️

Многие активы (особенно BTC, индексы, золото) имеют поведение, при котором в последние 1–2 часа сессии происходит разворот от основного внутридневного тренда — т.н. "fade".

> Особенно часто это наблюдается при перегретом движении в течение дня:
трейдеры фиксируют прибыль, ликвидность снижается → коррекция.

✅ Условия стратегии:🚀

1. Определяется тренд дня (например, сравнивается текущая цена с open дня)

2. Если дневной тренд +1% или больше, и цена начинает разворачиваться в последнем часу — шорт

3. Если дневной тренд -1% или больше (сильное падение), и появляется разворот — лонг

4. Время входа — за 1 час до окончания основной сессии (например, 22:00 UTC)

import ccxt
import pandas as pd
from datetime import datetime

exchange = ccxt.binance()
symbol = "BTC/USDT"
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "1h", limit=30),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["date"] = df["ts"].dt.date
df["hour"] = df["ts"].dt.hour

# Определяем open дня и текущую цену
today = df[df["date"] == df["date"].iloc[-1]]
if len(today) < 4:
    print("Недостаточно данных за сегодня")
else:
    open_price = today["open"].iloc[0]
    current_price = today["close"].iloc[-1]
    day_change = (current_price - open_price) / open_price * 100

    current_hour = datetime.utcnow().hour
    print(f"📅 Изменение за день: {day_change:.2f}% | Сейчас: {current_hour}:00 UTC")

    if 21 <= current_hour <= 23:  # ближе к закрытию дня
        if day_change > 1.0:
            print("📉 Сильный рост за день — сигнал на шорт (контртренд)")
        elif day_change < -1.0:
            print("📈 Сильное падение — сигнал на лонг (отскок)")
        else:
            print("⚠️ Изменение в пределах нормы — сигнала нет")
    else:
        print("⏳ Не конец сессии — стратегия не активна")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️

📌"Time-Decay Reversion" — стратегия возврата после новостного импульса🧑‍💻

📌 Суть стратегии:🛠️

После выхода новостей или всплеска волатильности рынок часто делает импульс в одну сторону,
а затем в течение 30–90 минут постепенно возвращается к точке равновесия — особенно если движение было эмоциональным.

> Стратегия использует время как фактор: если цена не продолжает рост/падение в течение определённого времени — открывается позиция на возврат.

✅ Условия стратегии:🧨

1. Обнаружен сильный импульс по цене и объёму (например, свеча > 1.5x среднего диапазона)

2. Следующие 2–3 свечи показывают затухание — отсутствие продолжения

3. Вход в противоположную сторону импульса (на возврат к MA, VWAP или центру диапазона)

4. Стоп — за хай/лоу импульса

5. Тейк — VWAP, MA, midpoint свечи импульса

import ccxt
import pandas as pd

exchange = ccxt.binance()
symbol = "BTC/USDT"
df = pd.DataFrame(exchange.fetch_ohlcv(symbol, "15m", limit=60),
                  columns=["ts", "open", "high", "low", "close", "volume"])
df["ts"] = pd.to_datetime(df["ts"], unit="ms")
df["range"] = df["high"] - df["low"]

# Средний диапазон и последняя свеча
avg_range = df["range"].rolling(20).mean().iloc[-4]
impulse = df.iloc[-4]

# Условия: свеча больше 1.5x среднего и следующие свечи слабые
is_impulse = impulse["range"] > avg_range * 1.5
no_follow_through = all(df["range"].iloc[-3:] < avg_range * 0.7)

if is_impulse and no_follow_through:
    direction = "short" if impulse["close"] > impulse["open"] else "long"
    print(f"⚠️ Импульс зафиксирован без продолжения — сигнал на {direction.upper()}")
else:
    print("⏳ Импульсного сигнала или затухания не обнаружено")

#торговые_стратегии

📌 Подпишись  Crypto Python❗️