Crypto Python

📌 Powered Trading Bot – Бот с машинным обучением (XGBoost) 🧑‍💻

Смысл стратегии:

Используем XGBoost – одну из самых мощных библиотек машинного обучения для анализа ценовых данных.
Модель обучается на исторических данных, используя RSI, MACD, Bollinger Bands, Volume, ATR и другие индикаторы для предсказания направлений рынка (лонг / шорт).

Этапы работы:

1. Сбор данных (Binance, CCXT).

2. Формирование признаков (features) – технические индикаторы.

3. Обучение модели XGBoost на исторических данных.

4. Применение модели на новых данных для прогнозирования сигналов.

⚠️ Важно: Модель нуждается в постоянном обновлении данных и тестировании перед торговлей! 🚀

import ccxt
import pandas as pd
import talib
import time
import xgboost as xgb
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Параметры
EXCHANGE_NAME = "binance"
PAIR = "BTC/USDT"
TIMEFRAME = "1h"
TRAIN_SIZE = 200  # Количество свечей для обучения
FEATURES = ["rsi", "macd", "boll_upper", "boll_lower", "volume", "atr"]

# Инициализация биржи
exchange = getattr(ccxt, EXCHANGE_NAME)()

# Получение исторических данных
def fetch_ohlcv(symbol, limit=TRAIN_SIZE + 50):
    ohlcv = exchange.fetch_ohlcv(symbol, timeframe=TIMEFRAME, limit=limit)
    df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
    return df

# Генерация признаков
def generate_features(df):
    df["rsi"] = talib.RSI(df["close"], timeperiod=14)
    macd, signal, _ = talib.MACD(df["close"], fastperiod=12, slowperiod=26, signalperiod=9)
    df["macd"] = macd - signal
    upper, _, lower = talib.BBANDS(df["close"], timeperiod=20, nbdevup=2, nbdevdn=2)
    df["boll_upper"] = upper
    df["boll_lower"] = lower
    df["atr"] = talib.ATR(df["high"], df["low"], df["close"], timeperiod=14)
    df.dropna(inplace=True)
    return df

# Создание метки для предсказания
def generate_labels(df):
    df["target"] = np.where(df["close"].shift(-1) > df["close"], 1, 0)  # 1 = рост, 0 = падение
    return df

# Обучение модели
def train_model(df):
    X = df[FEATURES]
    y = df["target"]
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
    
    model = xgb.XGBClassifier(use_label_encoder=False, eval_metric="logloss")
    model.fit(X_train, y_train)
    
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f"🔹 Точность модели: {accuracy:.2f}")
    
    return model

# Логика прогнозирования
def ai_trading_bot(model):
    df = fetch_ohlcv(PAIR)
    df = generate_features(df)
    X_live = df[FEATURES].iloc[-1:].values
    prediction = model.predict(X_live)[0]
    
    print(f"🔹 Прогноз: {'📈 Лонг' if prediction == 1 else '📉 Шорт'}")

# Запуск
if __name__ == "__main__":
    df = fetch_ohlcv(PAIR)
    df = generate_features(df)
    df = generate_labels(df)
    model = train_model(df)

    while True:
        ai_trading_bot(model)
        time.sleep(60)  # Проверка раз в минуту

#торговые_стратегии

📌 Подпишись Crypto Python❗️

🔥14👍3

496 views15:24