Crypto Python

📌Genetic Strategy Generator – Генерация торговых стратегий с помощью генетических алгоритмов🧑‍💻

Суть стратегии:🚀

- Генетический алгоритм (GA) используется для поиска оптимальных правил входа/выхода в рынок, основываясь на:

- технических индикаторах,

- логических операторах (AND, OR, >, <),

- целевой функции (например, максимизация доходности или Sharpe Ratio).

Такой подход имитирует естественный отбор:
→ лучшие "особи" (стратегии) выживают и улучшаются из поколения в поколение.

Что делает Genetic Strategy Generator:🛠️

1. Генерирует случайные стратегии из набора правил и индикаторов

2. Применяет их к историческим данным

3. Оценивает результат (fitness) — прибыль, стабильность, drawdown

4. Оставляет лучшие стратегии и мутирует их

5. Повторяет до достижения лучших результатов

Пример Python-структуры: стратегия на базе RSI и MACD

import numpy as np
import pandas as pd
import talib
import ccxt
import random

# Получение данных
exchange = ccxt.binance()
PAIR = "BTC/USDT"
TIMEFRAME = "1h"
LOOKBACK = 300

def fetch_data():
    ohlcv = exchange.fetch_ohlcv(PAIR, timeframe=TIMEFRAME, limit=LOOKBACK)
    df = pd.DataFrame(ohlcv, columns=["ts", "open", "high", "low", "close", "volume"])
    df["rsi"] = talib.RSI(df["close"], timeperiod=14)
    macd, signal, _ = talib.MACD(df["close"])
    df["macd"] = macd
    df["signal"] = signal
    df.dropna(inplace=True)
    return df

# Генерация случайной стратегии
def generate_strategy():
    return {
        "rsi_threshold": random.randint(20, 80),
        "macd_relation": random.choice([">", "<"])
    }

# Применение стратегии
def apply_strategy(df, strategy):
    signals = []
    for i in range(len(df)):
        rsi = df["rsi"].iloc[i]
        macd = df["macd"].iloc[i]
        signal = df["signal"].iloc[i]

        cond1 = rsi < strategy["rsi_threshold"]
        cond2 = (macd > signal) if strategy["macd_relation"] == ">" else (macd < signal)

        if cond1 and cond2:
            signals.append(1)  # BUY
        else:
            signals.append(0)  # NO ACTION
    df["signal"] = signals
    return df

# Подсчёт PnL (доходности)
def evaluate(df):
    df["returns"] = df["close"].pct_change().fillna(0)
    df["strategy_return"] = df["returns"] * df["signal"].shift(1)
    total_return = (df["strategy_return"] + 1).prod() - 1
    return total_return

# Генетический цикл
def genetic_optimizer(pop_size=20, generations=10):
    population = [generate_strategy() for _ in range(pop_size)]
    df = fetch_data()

    for gen in range(generations):
        scores = []
        for strat in population:
            test_df = apply_strategy(df.copy(), strat)
            score = evaluate(test_df)
            scores.append((score, strat))

        scores.sort(reverse=True, key=lambda x: x[0])
        print(f"🧬 Поколение {gen}: лучшая доходность = {scores[0][0]:.2%}")

        # Отбор + мутация
        best = [x[1] for x in scores[:pop_size // 2]]
        new_generation = []
        for s in best:
            new = s.copy()
            if random.random() < 0.5:
                new["rsi_threshold"] += random.randint(-5, 5)
                new["rsi_threshold"] = max(10, min(new["rsi_threshold"], 90))
            if random.random() < 0.3:
                new["macd_relation"] = ">" if s["macd_relation"] == "<" else "<"
            new_generation.append(new)
        population = best + new_generation

    return scores[0][1]

if __name__ == "__main__":
    best_strategy = genetic_optimizer()
    print(f"\n🏆 Лучшая стратегия: {best_strategy}")

#торговые_стратегии

📌 Подпишись Crypto Python❗️

🔥11👍3❤‍🔥1

499 views04:36