📌"Умная сетка заявок с усреднением и Take Profit"
Описание:
Скрипт автоматически расставляет серию лимитных ордеров на покупку по убывающим ценам (сеткой), чтобы усреднять вход. После исполнения — выставляется общий Take Profit ордер на весь объём.
Подходит для трендовых откатов или накоплений.
---
💡 Принцип:
1. Проверяет текущую цену.
2. Выставляет, например, 5 лимиток ниже рынка (step, например -0.5%).
3. Когда ордера исполняются — рассчитывает среднюю цену и выставляет единый TP-ордер на продажу.
🧠 Чем полезен:💸
- Автоматизирует вход по частям.
- Снижает риск при входе в неудачную точку.
- Подходит для торговли в боковиках и в моменты сильных дампов.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Описание:
Скрипт автоматически расставляет серию лимитных ордеров на покупку по убывающим ценам (сеткой), чтобы усреднять вход. После исполнения — выставляется общий Take Profit ордер на весь объём.
Подходит для трендовых откатов или накоплений.
---
💡 Принцип:
1. Проверяет текущую цену.
2. Выставляет, например, 5 лимиток ниже рынка (step, например -0.5%).
3. Когда ордера исполняются — рассчитывает среднюю цену и выставляет единый TP-ордер на продажу.
🧠 Чем полезен:💸
- Автоматизирует вход по частям.
- Снижает риск при входе в неудачную точку.
- Подходит для торговли в боковиках и в моменты сильных дампов.
import ccxt
import time
# Настройки API
api_key = 'YOUR_API_KEY'
api_secret = 'YOUR_API_SECRET'
exchange = ccxt.binance({
'apiKey': api_key,
'secret': api_secret,
'enableRateLimit': True
})
symbol = 'BTC/USDT'
grid_levels = 5 # Количество уровней сетки
grid_step = 100 # Шаг в USD
order_size = 0.001 # Размер каждой заявки
profit_target = 150 # Профит в USD с одной позиции
def get_price():
ticker = exchange.fetch_ticker(symbol)
return ticker['last']
def place_limit_buy(price):
try:
order = exchange.create_limit_buy_order(symbol, order_size, price)
print(f"[BUY] Лимитный ордер размещён по {price}")
return order
except Exception as e:
print(f"[ERROR] BUY: {e}")
def place_limit_sell(price):
try:
order = exchange.create_limit_sell_order(symbol, order_size, price)
print(f"[SELL] Лимитный ордер размещён по {price}")
return order
except Exception as e:
print(f"[ERROR] SELL: {e}")
def get_open_orders():
return exchange.fetch_open_orders(symbol)
def cancel_all_orders():
orders = get_open_orders()
for o in orders:
exchange.cancel_order(o['id'], symbol)
# Главный цикл
def grid_bot():
base_price = get_price()
print(f"[INFO] Текущая цена: {base_price}, начинаем размещение ордеров...")
grid = []
for i in range(1, grid_levels + 1):
buy_price = round(base_price - i * grid_step, 2)
buy_order = place_limit_buy(buy_price)
if buy_order:
grid.append({'buy_price': buy_price, 'status': 'open'})
print("[INFO] Ожидание исполнения...")
while True:
time.sleep(10)
orders = get_open_orders()
for level in grid:
# Если ордер был исполнен
if level['status'] == 'open':
matching = [o for o in orders if abs(o['price'] - level['buy_price']) < 1e-2]
if not matching:
# BUY исполнен — размещаем SELL
sell_price = round(level['buy_price'] + profit_target, 2)
place_limit_sell(sell_price)
level['status'] = 'filled'
print(f"[FILLED] Куплено по {level['buy_price']} → выставлен SELL по {sell_price}")
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤4🔥2
📌Position Size Calculator CLI 🧑💻 (Калькулятор позиции в консоли)
Описание:🚀
Инструмент, который помогает рассчитывать оптимальный размер позиции на основе баланса, допустимого риска на сделку и стоп-лосса.
✅ Возможности:🛠️
- Поддержка расчёта для спота и фьючерсов.
- Ввод параметров с клавиатуры (CLI).
Рассчитывает:
- Размер позиции (в единицах актива)
- Объём сделки в долларах
- Кол-во допустимых лотов
#инструмент
📌 Подпишись Crypto Python❗️
Описание:🚀
Инструмент, который помогает рассчитывать оптимальный размер позиции на основе баланса, допустимого риска на сделку и стоп-лосса.
✅ Возможности:🛠️
- Поддержка расчёта для спота и фьючерсов.
- Ввод параметров с клавиатуры (CLI).
Рассчитывает:
- Размер позиции (в единицах актива)
- Объём сделки в долларах
- Кол-во допустимых лотов
def position_size_calculator():
print("\n📊 Position Size Calculator 📊")
balance = float(input("Введите баланс аккаунта (в USDT): "))
risk_percent = float(input("Риск на сделку (%) : "))
entry_price = float(input("Цена входа: "))
stop_loss = float(input("Цена стоп-лосса: "))
risk_amount = balance * (risk_percent / 100)
stop_size = abs(entry_price - stop_loss)
if stop_size == 0:
print("❌ Стоп не может быть 0")
return
position_size = risk_amount / stop_size
position_value = position_size * entry_price
print(f"\n✅ Размер позиции: {round(position_size, 4)} единиц")
print(f"💰 Объём сделки: {round(position_value, 2)} USDT")
print(f"🔒 Риск: {round(risk_amount, 2)} USDT")
if __name__ == "__main__":
position_size_calculator()
#инструмент
📌 Подпишись Crypto Python❗️
👍2🔥2❤1
📌Wick Trap Strategy — ловушка на длинные хвосты свечей🧑💻
📌 Описание:🚀
Стратегия ищет свечи с аномально длинными тенями (wicks), сигнализирующими о потенциальной ликвидации и развороте. Часто используется маркетмейкерами для выбивания стопов. Идея — заходить в противоположную сторону после "ложного" движения.
🔍 Условия входа (лонг):
- У свечи нижняя тень > 2× тела свечи.
- Закрытие свечи выше открытия (бычья).
- Предыдущая свеча была медвежьей.
- Объём выше среднего (опционально).
Условия для шорта — зеркальные.
🎯 Выход:💸
Take Profit: +1.5× риска.
Stop Loss: под (или над) экстремум тени.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
📌 Описание:🚀
Стратегия ищет свечи с аномально длинными тенями (wicks), сигнализирующими о потенциальной ликвидации и развороте. Часто используется маркетмейкерами для выбивания стопов. Идея — заходить в противоположную сторону после "ложного" движения.
🔍 Условия входа (лонг):
- У свечи нижняя тень > 2× тела свечи.
- Закрытие свечи выше открытия (бычья).
- Предыдущая свеча была медвежьей.
- Объём выше среднего (опционально).
Условия для шорта — зеркальные.
🎯 Выход:💸
Take Profit: +1.5× риска.
Stop Loss: под (или над) экстремум тени.
import ccxt
import pandas as pd
import time
from datetime import datetime
# Настройка ccxt
exchange = ccxt.binance({
'enableRateLimit': True,
'options': {'defaultType': 'future'} # для фьючерсов
})
symbol = 'BTC/USDT'
timeframe = '15m'
limit = 100 # кол-во свечей
def fetch_ohlcv():
data = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=limit)
df = pd.DataFrame(data, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
return df
def check_wick_trap(df):
last = df.iloc[-1]
prev = df.iloc[-2]
body = abs(last['close'] - last['open'])
lower_wick = min(last['open'], last['close']) - last['low']
upper_wick = last['high'] - max(last['open'], last['close'])
ts = last['timestamp'].strftime('%Y-%m-%d %H:%M')
# LONG trap
if (lower_wick > 2 * body and
last['close'] > last['open'] and
prev['close'] < prev['open']):
print(f"[LONG SIGNAL] 🟢 at {ts} | Price: {last['close']:.2f}")
# SHORT trap
if (upper_wick > 2 * body and
last['close'] < last['open'] and
prev['close'] > prev['open']):
print(f"[SHORT SIGNAL] 🔴 at {ts} | Price: {last['close']:.2f}")
def run():
print(f"📡 Monitoring Wick Trap on {symbol} ({timeframe})")
while True:
try:
df = fetch_ohlcv()
check_wick_trap(df)
time.sleep(60)
except Exception as e:
print(f"Error: {e}")
time.sleep(10)
if __name__ == "__main__":
run()
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤2👍2🔥2
📌Volatility Range Estimator (оценка дневного диапазона по волатильности)🧑💻
📌 Описание:
Полезный инструмент для интрадей трейдеров — оценивает вероятный диапазон движения цены в течение текущего дня на основе исторической истинной волатильности (True Range). Это помогает:
- Планировать уровни входа/выхода
- Оценить риски для стопов и тейков
- Избегать входов в "выжатом" рынке
📊 Логика:🛠️
1. Рассчитывает средний True Range (ATR) за последние N дней.
2. На основе текущей цены строит вероятный дневной диапазон:
диапазон = цена ± ATR * коэффициент
3. Выводит зоны: "нижняя граница", "средняя", "верхняя граница"
#инструмент
📌 Подпишись Crypto Python❗️
📌 Описание:
Полезный инструмент для интрадей трейдеров — оценивает вероятный диапазон движения цены в течение текущего дня на основе исторической истинной волатильности (True Range). Это помогает:
- Планировать уровни входа/выхода
- Оценить риски для стопов и тейков
- Избегать входов в "выжатом" рынке
📊 Логика:🛠️
1. Рассчитывает средний True Range (ATR) за последние N дней.
2. На основе текущей цены строит вероятный дневной диапазон:
диапазон = цена ± ATR * коэффициент
3. Выводит зоны: "нижняя граница", "средняя", "верхняя граница"
import ccxt
import pandas as pd
import time
def fetch_ohlcv(symbol="BTC/USDT", timeframe="1d", limit=30):
exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")
return df
def calculate_atr(df, period=14):
df['H-L'] = df['high'] - df['low']
df['H-PC'] = abs(df['high'] - df['close'].shift(1))
df['L-PC'] = abs(df['low'] - df['close'].shift(1))
df['TR'] = df[['H-L', 'H-PC', 'L-PC']].max(axis=1)
df['ATR'] = df['TR'].rolling(window=period).mean()
return df
def estimate_range(symbol="BTC/USDT", atr_period=14, atr_mult=1.5):
df = fetch_ohlcv(symbol)
df = calculate_atr(df, period=atr_period)
latest_close = df['close'].iloc[-1]
latest_atr = df['ATR'].iloc[-1]
upper = latest_close + latest_atr * atr_mult
lower = latest_close - latest_atr * atr_mult
print(f"\n🎯 {symbol} — Прогноз дневного диапазона (Binance)")
print(f"Последняя цена : {latest_close:.2f}")
print(f"ATR ({atr_period}) : {latest_atr:.2f}")
print(f"📈 Верхняя граница : {upper:.2f}")
print(f"📉 Нижняя граница : {lower:.2f}")
if __name__ == "__main__":
estimate_range("BTC/USDT")
#инструмент
📌 Подпишись Crypto Python❗️
❤2👍2
📌"Divergent Latency Fade" — Торговля на запаздывании реакции между синхронизированными активами🧑💻
💡 Идея:🛠️
Эта стратегия основывается на концепции "асинхронной реакции" двух тесно связанных активов (например, BTC/USDT на разных биржах или пары ETH и LDO, или SPOT и PERP одного актива). Цель — ловить расхождения в реакции на одно и то же внешнее событие или движение и открывать позиции на возврат к синхронизации.
📌 Пример:💸
- BTC начинает резко расти на Binance.
- ETH на той же бирже с задержкой начинает движение.
- Стратегия фиксирует расхождение, открывает позицию на ETH в сторону BTC с малым SL и фиксированным TP на возврате спрэда.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
💡 Идея:🛠️
Эта стратегия основывается на концепции "асинхронной реакции" двух тесно связанных активов (например, BTC/USDT на разных биржах или пары ETH и LDO, или SPOT и PERP одного актива). Цель — ловить расхождения в реакции на одно и то же внешнее событие или движение и открывать позиции на возврат к синхронизации.
📌 Пример:💸
- BTC начинает резко расти на Binance.
- ETH на той же бирже с задержкой начинает движение.
- Стратегия фиксирует расхождение, открывает позицию на ETH в сторону BTC с малым SL и фиксированным TP на возврате спрэда.
import ccxt
import time
import numpy as np
binance = ccxt.binance()
symbol_1 = "BTC/USDT"
symbol_2 = "ETH/USDT"
timeframe = "1m"
lookback = 20
def fetch_close_prices(symbol):
ohlcv = binance.fetch_ohlcv(symbol, timeframe=timeframe, limit=lookback)
return [x[4] for x in ohlcv]
def calc_slope(prices):
x = np.arange(len(prices))
y = np.array(prices)
m, _ = np.polyfit(x, y, 1)
return m
def strategy():
prices_1 = fetch_close_prices(symbol_1)
prices_2 = fetch_close_prices(symbol_2)
slope_1 = calc_slope(prices_1)
slope_2 = calc_slope(prices_2)
divergence = slope_1 - slope_2
print(f"📉 BTC Slope: {slope_1:.4f}, ETH Slope: {slope_2:.4f}, Δ: {divergence:.4f}")
if abs(divergence) > 0.5:
if divergence > 0:
print("🔔 Signal: ETH BUY — отстаёт от BTC")
else:
print("🔔 Signal: ETH SELL — опережает BTC")
if __name__ == "__main__":
while True:
strategy()
time.sleep(60)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤5🔥3
📌"Sentiment Radar" — локальный Python-индикатор настроения рынка по новостям🧑💻
📌 Описание:🚀
Sentiment Radar — это лёгкий скрипт, который периодически анализирует упоминания выбранных криптовалют (например, BTC, ETH) в популярных крипто-новостях, оценивая настроение (позитив/негатив) на основе NLP.
Результат отображается в консоли и может быть использован в стратегиях как фильтр:
– "Не открывать позицию, если новостной фон негативный"
– "Открыть при всплеске позитивного настроения"
#инструмент
📌 Подпишись Crypto Python❗️
📌 Описание:🚀
Sentiment Radar — это лёгкий скрипт, который периодически анализирует упоминания выбранных криптовалют (например, BTC, ETH) в популярных крипто-новостях, оценивая настроение (позитив/негатив) на основе NLP.
Результат отображается в консоли и может быть использован в стратегиях как фильтр:
– "Не открывать позицию, если новостной фон негативный"
– "Открыть при всплеске позитивного настроения"
import requests
from textblob import TextBlob
import time
KEYWORDS = ["Bitcoin", "BTC", "Crypto"]
NEWS_SOURCES = [
"https://cryptopanic.com/api/posts/?auth_token=demo&public=true",
]
def fetch_headlines():
headlines = []
for url in NEWS_SOURCES:
try:
response = requests.get(url)
articles = response.json().get("results", [])
for a in articles:
headlines.append(a['title'])
except Exception as e:
print("Ошибка загрузки новостей:", e)
return headlines
def analyze_sentiment(texts):
polarity = [TextBlob(text).sentiment.polarity for text in texts]
avg = sum(polarity) / len(polarity) if polarity else 0
return avg
def sentiment_radar():
headlines = fetch_headlines()
relevant = [h for h in headlines if any(k.lower() in h.lower() for k in KEYWORDS)]
score = analyze_sentiment(relevant)
print(f"\n🛰 Sentiment Score: {score:.2f} | 📰 {len(relevant)} релевантных новостей")
if score > 0.2:
print("✅ Настроение: позитивное")
elif score < -0.2:
print("⚠️ Настроение: негативное")
else:
print("🔄 Настроение: нейтральное")
if __name__ == "__main__":
while True:
sentiment_radar()
time.sleep(600) # каждые 10 минут
#инструмент
📌 Подпишись Crypto Python❗️
🔥7
📌"VWAP Pressure Breakout"🧑💻
Идея:🛠️
Цена, долгое время торгующаяся ниже VWAP, но с нарастающим объёмом и быстрой попыткой пробоя VWAP вверх — потенциальный сигнал к лонгу. Аналогично для шорта. Это стратегия на прорыв после давления возле важного уровня (VWAP).
📌 Правила входа:💸
📥 Лонг:
- Цена минимум 20 свечей ниже VWAP.
- Объём за последние 3 свечи выше среднего.
- Цена пересекает VWAP вверх — сигнал к покупке.
📤 Шорт:
- Цена минимум 20 свечей выше VWAP.
- Объём за последние 3 свечи выше среднего.
- Цена пересекает VWAP вниз — сигнал к продаже.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Идея:🛠️
Цена, долгое время торгующаяся ниже VWAP, но с нарастающим объёмом и быстрой попыткой пробоя VWAP вверх — потенциальный сигнал к лонгу. Аналогично для шорта. Это стратегия на прорыв после давления возле важного уровня (VWAP).
📌 Правила входа:💸
📥 Лонг:
- Цена минимум 20 свечей ниже VWAP.
- Объём за последние 3 свечи выше среднего.
- Цена пересекает VWAP вверх — сигнал к покупке.
📤 Шорт:
- Цена минимум 20 свечей выше VWAP.
- Объём за последние 3 свечи выше среднего.
- Цена пересекает VWAP вниз — сигнал к продаже.
import ccxt
import pandas as pd
import numpy as np
symbol = "BTC/USDT"
timeframe = "5m"
limit = 100
exchange = ccxt.binance()
def fetch_data():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
return df
def calculate_vwap(df):
df['tp'] = (df['high'] + df['low'] + df['close']) / 3
df['vwap'] = (df['tp'] * df['volume']).cumsum() / df['volume'].cumsum()
return df
def detect_signal(df):
last = df.iloc[-1]
prev = df.iloc[-2]
below_vwap = (df['close'][-20:] < df['vwap'][-20:]).all()
above_vwap = (df['close'][-20:] > df['vwap'][-20:]).all()
avg_vol = df['volume'][-20:].mean()
recent_vol = df['volume'][-3:].mean()
if below_vwap and last['close'] > last['vwap'] and recent_vol > avg_vol:
print("📈 Лонг сигнал (пробой VWAP вверх после давления)")
elif above_vwap and last['close'] < last['vwap'] and recent_vol > avg_vol:
print("📉 Шорт сигнал (пробой VWAP вниз после давления)")
else:
print("— Сигналов нет")
if __name__ == "__main__":
df = fetch_data()
df = calculate_vwap(df)
detect_signal(df)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤2👍1🔥1
📌Multi-Timeframe Signal Scanner🧑💻
Описание:🛠️
Инструмент сканирует заданный торговый инструмент (или список) на нескольких таймфреймах и отображает сигналы по ключевым индикаторам — например, RSI, MACD, EMA crossover — одновременно. Это позволяет видеть совпадения или противоречия на разных ТФ.
#инструмент
📌 Подпишись Crypto Python❗️
Описание:🛠️
Инструмент сканирует заданный торговый инструмент (или список) на нескольких таймфреймах и отображает сигналы по ключевым индикаторам — например, RSI, MACD, EMA crossover — одновременно. Это позволяет видеть совпадения или противоречия на разных ТФ.
import ccxt
import pandas as pd
import talib
import time
symbol = "BTC/USDT"
timeframes = ["15m", "1h", "4h"]
limit = 100
exchange = ccxt.binance()
def fetch_ohlcv(symbol, timeframe):
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
return df
def analyze(df):
close = df['close'].values
rsi = talib.RSI(close, timeperiod=14)
macd, macdsignal, _ = talib.MACD(close)
ema_fast = talib.EMA(close, timeperiod=12)
ema_slow = talib.EMA(close, timeperiod=26)
signal = []
if rsi[-1] < 30:
signal.append("🔻 RSI перепроданность")
elif rsi[-1] > 70:
signal.append("🔺 RSI перекупленность")
if macd[-1] > macdsignal[-1] and macd[-2] < macdsignal[-2]:
signal.append("📈 MACD бычий кросс")
elif macd[-1] < macdsignal[-1] and macd[-2] > macdsignal[-2]:
signal.append("📉 MACD медвежий кросс")
if ema_fast[-1] > ema_slow[-1] and ema_fast[-2] < ema_slow[-2]:
signal.append("⚡ EMA бычий кросс")
elif ema_fast[-1] < ema_slow[-1] and ema_fast[-2] > ema_slow[-2]:
signal.append("💥 EMA медвежий кросс")
return signal
def scan():
for tf in timeframes:
print(f"\n⏱ Таймфрейм: {tf}")
df = fetch_ohlcv(symbol, tf)
signals = analyze(df)
if signals:
for s in signals:
print(s)
else:
print("— Нет сигналов")
if __name__ == "__main__":
scan()
#инструмент
📌 Подпишись Crypto Python❗️
❤4
📌"Shadow Price Reversion" 🧑💻
Идея:🛠️
Стратегия отслеживает разницу между текущей ценой актива и средней ценой закрытия за короткий период. При сильном отклонении происходит вход в противоположную сторону (mean reversion). Это "тень" цены — временный выброс, который, как предполагается, откатится назад.
Подходит для: внутридневной торговли на высоколиквидных парах.
⚙️ Условия входа:💸
- Если цена ниже SMA(n) более чем на X%, — покупка.
- Если цена выше SMA(n) более чем на X%, — продажа.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Идея:🛠️
Стратегия отслеживает разницу между текущей ценой актива и средней ценой закрытия за короткий период. При сильном отклонении происходит вход в противоположную сторону (mean reversion). Это "тень" цены — временный выброс, который, как предполагается, откатится назад.
Подходит для: внутридневной торговли на высоколиквидных парах.
⚙️ Условия входа:💸
- Если цена ниже SMA(n) более чем на X%, — покупка.
- Если цена выше SMA(n) более чем на X%, — продажа.
import ccxt
import pandas as pd
import time
symbol = "BTC/USDT"
timeframe = "5m"
sma_period = 20
threshold = 0.005 # 0.5%
def fetch_ohlcv():
exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=sma_period + 1)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")
return df
def check_signal():
df = fetch_ohlcv()
df["SMA"] = df["close"].rolling(window=sma_period).mean()
current_price = df["close"].iloc[-1]
sma = df["SMA"].iloc[-1]
deviation = (current_price - sma) / sma
print(f"\n🔍 {symbol} | Цена: {current_price:.2f} | SMA({sma_period}): {sma:.2f} | Отклонение: {deviation*100:.2f}%")
if deviation <= -threshold:
print("📈 Сигнал: ПОКУПКА (Цена ниже SMA)")
elif deviation >= threshold:
print("📉 Сигнал: ПРОДАЖА (Цена выше SMA)")
else:
print("⏳ Нет сигнала")
if __name__ == "__main__":
while True:
try:
check_signal()
time.sleep(60) # 1 минута
except KeyboardInterrupt:
break
except Exception as e:
print(f"Ошибка: {e}")
time.sleep(60)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
👍3❤2
📌"Cluster Anomaly Radar" – Радар кластерных аномалий объёма и дельты🧑💻
💡 Описание:🚀
Инструмент в реальном времени или в режиме бэктеста анализирует поток данных по цене, объёму и дельте в кластерном разрезе (по свечам или меньшим таймфреймам), чтобы выявлять нетипичные всплески активности, не совпадающие с изменением цены.
📍Цель — обнаружение скрытых действий маркет-мейкеров или крупных игроков, таких как:
- агрессивное накопление/разгрузка без движения цены,
- резкие вбросы дельты на уровнях,
- "ложные" всплески объёма перед разворотом.
#инструмент
📌 Подпишись Crypto Python❗️
💡 Описание:🚀
Инструмент в реальном времени или в режиме бэктеста анализирует поток данных по цене, объёму и дельте в кластерном разрезе (по свечам или меньшим таймфреймам), чтобы выявлять нетипичные всплески активности, не совпадающие с изменением цены.
📍Цель — обнаружение скрытых действий маркет-мейкеров или крупных игроков, таких как:
- агрессивное накопление/разгрузка без движения цены,
- резкие вбросы дельты на уровнях,
- "ложные" всплески объёма перед разворотом.
import ccxt
import pandas as pd
import numpy as np
exchange = ccxt.binance()
symbol = "BTC/USDT"
timeframe = "1m"
limit = 500
def fetch_data():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")
return df
def detect_anomalies(df):
df["delta"] = df["close"] - df["open"]
df["abs_delta"] = abs(df["delta"])
vol_mean = df["volume"].rolling(50).mean()
vol_std = df["volume"].rolling(50).std()
df["vol_zscore"] = (df["volume"] - vol_mean) / vol_std
df["delta_ratio"] = df["abs_delta"] / df["volume"]
for i in range(-30, 0):
if df["vol_zscore"].iloc[i] > 2 and df["delta_ratio"].iloc[i] < 0.001:
print(f"⚠️ Аномалия: {df['timestamp'].iloc[i]} — высокий объём без движения (возможное накопление/разгрузка)")
if __name__ == "__main__":
df = fetch_data()
detect_anomalies(df)
#инструмент
📌 Подпишись Crypto Python❗️
❤5👍2
📌"High Volume Squeeze Entry" — вход после сжатия с объёмным прорывом🧑💻
🧠 Описание:🛠️
Эта стратегия основана на идее того, что длительное сужение диапазона (волатильности) часто предшествует резкому движению, особенно если оно сопровождается всплеском объёма. Мы ищем периоды "затишья", после которых цена пробивает уровень с аномальным объёмом, что сигнализирует о выходе крупных игроков.
📊 Условия входа:🚀
Лонг:
1. Цена находится в узком диапазоне последние N свечей (например, 20).
2. Волатильность (например, ATR или разница high-low) падает ниже заданного порога.
3. Происходит пробой вверх диапазона с резким увеличением объёма (более X% от среднего).
4. Объём подтверждает движение (больше среднего за 20 свечей).
Шорт: зеркально, при пробое вниз.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
🧠 Описание:🛠️
Эта стратегия основана на идее того, что длительное сужение диапазона (волатильности) часто предшествует резкому движению, особенно если оно сопровождается всплеском объёма. Мы ищем периоды "затишья", после которых цена пробивает уровень с аномальным объёмом, что сигнализирует о выходе крупных игроков.
📊 Условия входа:🚀
Лонг:
1. Цена находится в узком диапазоне последние N свечей (например, 20).
2. Волатильность (например, ATR или разница high-low) падает ниже заданного порога.
3. Происходит пробой вверх диапазона с резким увеличением объёма (более X% от среднего).
4. Объём подтверждает движение (больше среднего за 20 свечей).
Шорт: зеркально, при пробое вниз.
import ccxt
import pandas as pd
import time
symbol = 'BTC/USDT'
timeframe = '5m'
range_window = 20
vol_multiplier = 1.5
volatility_threshold = 0.005
exchange = ccxt.binance()
def fetch_data():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=range_window + 2)
df = pd.DataFrame(ohlcv, columns=['timestamp','open','high','low','close','volume'])
return df
def check_signal(df):
recent = df.iloc[-range_window:]
avg_volume = recent['volume'].mean()
avg_range = (recent['high'] - recent['low']).mean()
latest = df.iloc[-1]
squeeze = avg_range / latest['close'] < volatility_threshold
breakout_up = latest['close'] > recent['high'].max()
breakout_down = latest['close'] < recent['low'].min()
vol_spike = latest['volume'] > avg_volume * vol_multiplier
if squeeze and vol_spike:
if breakout_up:
print("🔼 LONG Signal! Пробой вверх с объёмом.")
elif breakout_down:
print("🔽 SHORT Signal! Пробой вниз с объёмом.")
else:
print("💤 Сжатие и объём есть, но пробоя нет.")
else:
print("⌛ Нет сигнала.")
while True:
try:
df = fetch_data()
check_signal(df)
time.sleep(300) # 5 минут
except Exception as e:
print("Ошибка:", e)
time.sleep(60)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤4👍2🔥2
📌"Fear-Greed Multi-Asset Radar" — мульти-рыночный радар страха и жадности🧑💻
🧠 Что делает:🚀
Создаёт реальный индекс страха и жадности в реальном времени по нескольким криптовалютам, а не только по BTC.
Он комбинирует:🛠️
- долю зелёных/красных свечей,
- всплески объёма,
- волатильность,
- соотношение лонгов/шортов,
-активность Twitter/Reddit (опционально)
- визуализирует результат в виде таблицы или консольной панели.
Можно применять как для оценки глобального настроения рынка, так и для поиска перекупленных/перепроданных активов.
#инструмент
📌 Подпишись Crypto Python❗️
🧠 Что делает:🚀
Создаёт реальный индекс страха и жадности в реальном времени по нескольким криптовалютам, а не только по BTC.
Он комбинирует:🛠️
- долю зелёных/красных свечей,
- всплески объёма,
- волатильность,
- соотношение лонгов/шортов,
-активность Twitter/Reddit (опционально)
- визуализирует результат в виде таблицы или консольной панели.
Можно применять как для оценки глобального настроения рынка, так и для поиска перекупленных/перепроданных активов.
import ccxt
import pandas as pd
import time
from datetime import datetime
symbols = ['BTC/USDT', 'ETH/USDT', 'SOL/USDT', 'BNB/USDT']
exchange = ccxt.binance()
timeframe = '1h'
window = 24 # 24 часа
def calculate_sentiment(df):
green_ratio = (df['close'] > df['open']).sum() / len(df)
avg_volume = df['volume'].mean()
volume_spike = df.iloc[-1]['volume'] / avg_volume
atr = (df['high'] - df['low']).mean()
atr_pct = atr / df['close'].iloc[-1]
# Условная формула индекса страха/жадности
score = green_ratio * 50 + min(volume_spike, 3) * 20 - atr_pct * 100
return round(score, 2)
def fetch_data(symbol):
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=window)
df = pd.DataFrame(ohlcv, columns=['timestamp','open','high','low','close','volume'])
return df
def print_dashboard():
print(f"\nFear-Greed Radar — {datetime.utcnow().strftime('%Y-%m-%d %H:%M UTC')}")
print("-" * 60)
for sym in symbols:
try:
df = fetch_data(sym)
score = calculate_sentiment(df)
mood = "😱 FEAR" if score < 40 else "😐 NEUTRAL" if score < 60 else "🚀 GREED"
print(f"{sym:<10} | Score: {score:<6} | Mood: {mood}")
except Exception as e:
print(f"{sym:<10} | Error: {e}")
while True:
print_dashboard()
time.sleep(3600) # обновление каждый час
#инструмент
📌 Подпишись Crypto Python❗️
🔥6
📌“Volume Delta Heatmap” – Тепловая карта дисбаланса объёмов покупки и продажи🧑💻
Полезный аналитический инструмент для трейдеров, особенно на фьючерсах и в кластерном анализе.
📌 Что делает инструмент:🛠️
Анализирует дисбаланс между объёмами ask (покупок) и bid (продаж) на каждой свече.
Визуализирует результат в виде цветной тепловой карты, где:
🔴 Красные ячейки — доминируют продажи (продавцы агрессивны).
🟢 Зелёные ячейки — доминируют покупки (покупатели давят вверх).
Используется для выявления локальных зон давления ликвидности и возможных разворотных точек.
#инструмент
📌 Подпишись Crypto Python❗️
Полезный аналитический инструмент для трейдеров, особенно на фьючерсах и в кластерном анализе.
📌 Что делает инструмент:🛠️
Анализирует дисбаланс между объёмами ask (покупок) и bid (продаж) на каждой свече.
Визуализирует результат в виде цветной тепловой карты, где:
🔴 Красные ячейки — доминируют продажи (продавцы агрессивны).
🟢 Зелёные ячейки — доминируют покупки (покупатели давят вверх).
Используется для выявления локальных зон давления ликвидности и возможных разворотных точек.
import ccxt
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
symbol = 'BTC/USDT'
timeframe = '1m'
limit = 100
exchange = ccxt.binance()
def fetch_ohlcv():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['delta'] = (df['close'] - df['open']) * df['volume']
return df
def plot_heatmap(df):
data = df['delta'].values.reshape(10, 10) # 10x10 сетка
plt.figure(figsize=(8, 6))
plt.title("Volume Delta Heatmap")
plt.imshow(data, cmap='RdYlGn', interpolation='nearest')
plt.colorbar(label='Delta (close - open) * volume')
plt.show()
df = fetch_ohlcv()
plot_heatmap(df)
#инструмент
📌 Подпишись Crypto Python❗️
🔥2❤1👍1
📌“Адаптивный RSI-Баланс на импульсах ликвидности”
Оригинальная внутридневная стратегия, сочетающая адаптивные зоны RSI с ликвидными всплесками объёма🧑💻
🧩 Идея🛠️
Большинство стратегий на RSI используют фиксированные уровни 30/70. Эта стратегия делает уровни RSI динамическими, в зависимости от волатильности, и ищет точки входа на разворотах после всплесков объёма, когда цена отскакивает от локального дисбаланса спроса/предложения.
⚙️ Принцип работы🚀
1. Адаптивный RSI:
Уровни перекупленности/перепроданности вычисляются как:
overbought = 70 + std(RSI, n)
oversold = 30 - std(RSI, n) где n — окно (например, 14 свечей).
2. Объёмный фильтр:
Только когда объём последней свечи > средний * 1.5.
3. Точка входа:
Покупка: RSI пробивает адаптивную нижнюю границу снизу вверх.
Продажа: RSI пробивает верхнюю границу сверху вниз.
- Только при всплеске объёма.
4. Выход:
TP: фиксированная цель в процентах (например, 1%)
SL: по обратному сигналу RSI или волатильному стопу (ATR)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Оригинальная внутридневная стратегия, сочетающая адаптивные зоны RSI с ликвидными всплесками объёма🧑💻
🧩 Идея🛠️
Большинство стратегий на RSI используют фиксированные уровни 30/70. Эта стратегия делает уровни RSI динамическими, в зависимости от волатильности, и ищет точки входа на разворотах после всплесков объёма, когда цена отскакивает от локального дисбаланса спроса/предложения.
⚙️ Принцип работы🚀
1. Адаптивный RSI:
Уровни перекупленности/перепроданности вычисляются как:
overbought = 70 + std(RSI, n)
oversold = 30 - std(RSI, n) где n — окно (например, 14 свечей).
2. Объёмный фильтр:
Только когда объём последней свечи > средний * 1.5.
3. Точка входа:
Покупка: RSI пробивает адаптивную нижнюю границу снизу вверх.
Продажа: RSI пробивает верхнюю границу сверху вниз.
- Только при всплеске объёма.
4. Выход:
TP: фиксированная цель в процентах (например, 1%)
SL: по обратному сигналу RSI или волатильному стопу (ATR)
import ccxt
import pandas as pd
import time
import numpy as np
symbol = 'BTC/USDT'
timeframe = '5m'
limit = 100
rsi_period = 14
vol_multiplier = 1.5
exchange = ccxt.binance()
def fetch_data():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=['ts','open','high','low','close','volume'])
return df
def rsi(series, period=14):
delta = series.diff()
gain = (delta.where(delta > 0, 0)).rolling(period).mean()
loss = (-delta.where(delta < 0, 0)).rolling(period).mean()
rs = gain / loss
return 100 - (100 / (1 + rs))
def check_signal(df):
df['RSI'] = rsi(df['close'], rsi_period)
std_rsi = df['RSI'].rolling(rsi_period).std()
df['overbought'] = 70 + std_rsi
df['oversold'] = 30 - std_rsi
avg_volume = df['volume'].rolling(rsi_period).mean()
last = df.iloc[-1]
prev = df.iloc[-2]
signal = None
if last['volume'] > avg_volume.iloc[-1] * vol_multiplier:
if prev['RSI'] < prev['oversold'] and last['RSI'] > last['oversold']:
signal = f"🔼 LONG | Цена: {last['close']:.2f} | RSI: {last['RSI']:.2f}"
elif prev['RSI'] > prev['overbought'] and last['RSI'] < last['overbought']:
signal = f"🔽 SHORT | Цена: {last['close']:.2f} | RSI: {last['RSI']:.2f}"
return signal
while True:
try:
df = fetch_data()
signal = check_signal(df)
if signal:
print(f"[{time.strftime('%H:%M:%S')}] {signal}")
else:
print(f"[{time.strftime('%H:%M:%S')}] — сигналов нет")
time.sleep(60)
except Exception as e:
print("Ошибка:", e)
time.sleep(60)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
🔥3👍2
📌"Market Memory Heatmap"🧑💻
Карта памяти рынка — тепловая визуализация уровней, где рынок «запомнил» цену через реакцию объёмов и остановок движения. Полезен для поиска уровней входа и выхода.
📌 Что делает:🛠️
Анализирует историю свечей и объёмов.🚀
Находит ценовые зоны, где🧨:
- происходили резкие развороты,
- был резкий рост объёмов,
- происходило зависание цены (высокое время пребывания).
- Выводит тепловую карту уровней, которые рынок часто «уважает».
🎯 Для чего это полезно трейдеру:
- Помогает определять ключевые уровни поддержки/сопротивления.
- Позволяет не входить в сделку в «памятную» для рынка цену, где может быть откат.
- Отличная основа для отложенных ордеров, тейк-профитов и стоп-лоссов.
#инструмент
📌 Подпишись Crypto Python❗️
Карта памяти рынка — тепловая визуализация уровней, где рынок «запомнил» цену через реакцию объёмов и остановок движения. Полезен для поиска уровней входа и выхода.
📌 Что делает:🛠️
Анализирует историю свечей и объёмов.🚀
Находит ценовые зоны, где🧨:
- происходили резкие развороты,
- был резкий рост объёмов,
- происходило зависание цены (высокое время пребывания).
- Выводит тепловую карту уровней, которые рынок часто «уважает».
🎯 Для чего это полезно трейдеру:
- Помогает определять ключевые уровни поддержки/сопротивления.
- Позволяет не входить в сделку в «памятную» для рынка цену, где может быть откат.
- Отличная основа для отложенных ордеров, тейк-профитов и стоп-лоссов.
import ccxt
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# --- Настройки ---
symbol = 'BTC/USDT'
timeframe = '15m'
limit = 500
bins = 50 # Кол-во уровней на ценовой оси
# --- Загрузка данных ---
exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
# --- Считаем плотность нахождения цены ---
all_prices = []
for _, row in df.iterrows():
levels = np.linspace(row['low'], row['high'], 10) # разбиваем свечу по уровням
all_prices.extend(levels)
# --- Гистограмма плотности ---
hist, edges = np.histogram(all_prices, bins=bins)
# --- Отображаем как тепловую карту ---
plt.figure(figsize=(8, 6))
plt.barh(range(len(hist)), hist, height=1, color=plt.cm.inferno(hist / max(hist)))
plt.yticks(range(len(hist)), [f"{e:.2f}" for e in edges[:-1]])
plt.title(f"🧠 Market Memory Heatmap — {symbol}")
plt.xlabel("Memory Strength (Hits)")
plt.tight_layout()
plt.gca().invert_yaxis()
plt.show()
#инструмент
📌 Подпишись Crypto Python❗️
❤7
📌"Volatility Cluster Compression & Release"
Анализ сжатий волатильности в виде кластеров и их последующих импульсных разгрузок. Основана на механике накопления энергии рынком и пробоя.🧑💻
⚙️ Идея стратегии:🛠️
Рынок имеет свойства чередовать фазы спокойствия и всплесков активности. При длительных сжатиях (низкой волатильности в узком диапазоне) происходит накопление ордеров. Выход из такого диапазона часто сопровождается сильным движением.
📌 Ключевые принципы:🚂
- Выделяем "волатильные кластеры": зоны, где цена двигалась в узком диапазоне с пониженной волатильностью.
- Меряем волатильность через ATR или стандартное отклонение.
- Пробой уровня кластера в любую сторону с увеличением объема — сигнал на вход.
✅ Условия входа:💸
1. Последние N свечей имеют низкую волатильность (ниже медианы).
2. Цена движется в узком диапазоне (канал не шире X% от цены).
3. Объём начинает увеличиваться.
4. Свеча закрывается за пределами диапазона.
💡 Фильтры:💻
- Учитывать часы сессии (например, пробои чаще на пересечении Лондон/Нью-Йорк).
- Исключать ложные пробои через подтверждение следующей свечи.
🔁 Выход из позиции:🧨
Take Profit — фиксированный % или на первом уровне Fibo.
Stop Loss — внутри зоны кластера или за середину канала
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Анализ сжатий волатильности в виде кластеров и их последующих импульсных разгрузок. Основана на механике накопления энергии рынком и пробоя.🧑💻
⚙️ Идея стратегии:🛠️
Рынок имеет свойства чередовать фазы спокойствия и всплесков активности. При длительных сжатиях (низкой волатильности в узком диапазоне) происходит накопление ордеров. Выход из такого диапазона часто сопровождается сильным движением.
📌 Ключевые принципы:🚂
- Выделяем "волатильные кластеры": зоны, где цена двигалась в узком диапазоне с пониженной волатильностью.
- Меряем волатильность через ATR или стандартное отклонение.
- Пробой уровня кластера в любую сторону с увеличением объема — сигнал на вход.
✅ Условия входа:💸
1. Последние N свечей имеют низкую волатильность (ниже медианы).
2. Цена движется в узком диапазоне (канал не шире X% от цены).
3. Объём начинает увеличиваться.
4. Свеча закрывается за пределами диапазона.
💡 Фильтры:💻
- Учитывать часы сессии (например, пробои чаще на пересечении Лондон/Нью-Йорк).
- Исключать ложные пробои через подтверждение следующей свечи.
🔁 Выход из позиции:🧨
Take Profit — фиксированный % или на первом уровне Fibo.
Stop Loss — внутри зоны кластера или за середину канала
import ccxt
import pandas as pd
symbol = 'BTC/USDT'
timeframe = '5m'
limit = 100
exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['range'] = df['high'] - df['low']
df['atr'] = df['range'].rolling(window=14).mean()
# Выделим последние 10 свечей как кластер
cluster = df[-10:]
max_range = cluster['range'].max()
avg_range = df['atr'].mean()
if max_range < avg_range * 0.7:
high = cluster['high'].max()
low = cluster['low'].min()
last_close = df['close'].iloc[-1]
if last_close > high:
print("🔔 BUY breakout signal")
elif last_close < low:
print("🔔 SELL breakout signal")
else:
print("⌛ Внутри кластера, ждем пробоя.")
else:
print("❌ Нет сжатия, нет сигнала.")
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤3🔥3👍1
📌"Asymmetrical Cluster Trap"
Использование несимметричных кластеров объёма для выявления ловушек маркет-мейкеров.🧑💻
🧠 Идея:🧨
Определять объёмные всплески с несимметричным распределением покупок и продаж в ограниченном ценовом диапазоне. Это может указывать на:
Ловушку для покупателей (резкий рост объёма с преобладанием покупок вверху диапазона перед разворотом вниз).
Ловушку для продавцов (аналогично, но внизу диапазона).
Такие ситуации часто встречаются перед агрессивными разворотами, когда маркет-мейкер "наполняет" ликвидность, чтобы двигать цену в обратную сторону.
⚙️ Принцип работы:🛠️
1. Получаем данные с кластерной платформы (или проксируем с торговых данных через расчёт дельты по стакану).
2. Обнаруживаем участки с:
- узким диапазоном цен;
- резко возрастающим объёмом;
- дельтой сильно смещённой в одну сторону (более 80% покупок или продаж).
3. Сигнал на разворот против толпы.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
Использование несимметричных кластеров объёма для выявления ловушек маркет-мейкеров.🧑💻
🧠 Идея:🧨
Определять объёмные всплески с несимметричным распределением покупок и продаж в ограниченном ценовом диапазоне. Это может указывать на:
Ловушку для покупателей (резкий рост объёма с преобладанием покупок вверху диапазона перед разворотом вниз).
Ловушку для продавцов (аналогично, но внизу диапазона).
Такие ситуации часто встречаются перед агрессивными разворотами, когда маркет-мейкер "наполняет" ликвидность, чтобы двигать цену в обратную сторону.
⚙️ Принцип работы:🛠️
1. Получаем данные с кластерной платформы (или проксируем с торговых данных через расчёт дельты по стакану).
2. Обнаруживаем участки с:
- узким диапазоном цен;
- резко возрастающим объёмом;
- дельтой сильно смещённой в одну сторону (более 80% покупок или продаж).
3. Сигнал на разворот против толпы.
import ccxt
import time
exchange = ccxt.binance()
symbol = 'BTC/USDT'
interval = '1m'
def fetch_candles():
candles = exchange.fetch_ohlcv(symbol, timeframe=interval, limit=20)
return candles
def detect_cluster_trap(candles):
volumes = [c[5] for c in candles]
highs = [c[2] for c in candles]
lows = [c[3] for c in candles]
range_avg = sum(h - l for h, l in zip(highs, lows)) / len(candles)
vol_avg = sum(volumes) / len(candles)
last = candles[-1]
last_range = last[2] - last[3]
last_volume = last[5]
if last_range < 0.6 * range_avg and last_volume > 2 * vol_avg:
print(f"[!] Потенциальная ловушка маркет-мейкера. Объёмный кластер на {symbol}")
print(f"Цена: {last[4]} | Объём: {last_volume:.2f} | Дата: {time.strftime('%Y-%m-%d %H:%M:%S', time.gmtime(last[0]/1000))}")
while True:
try:
candles = fetch_candles()
detect_cluster_trap(candles)
time.sleep(60)
except Exception as e:
print("Ошибка:", e)
time.sleep(10)
#торговые_стратегии
📌 Подпишись Crypto Python❗️
❤5🔥4
📌"Whale Shadow Tracker"
Отслеживание "теневых" действий крупных кошельков по задержке поступлений на биржи — до появления в стакане🧑💻
🧠 Идея:
Перед крупными движениями часто можно заметить массовые переводы средств на биржи, но эти средства могут попасть в стакан с задержкой.
Whale Shadow Tracker — инструмент, который:
- Отслеживает крупные входящие транзакции на биржи (например, > 100 BTC).
- Сравнивает время поступления на биржу с изменениями ликвидности в стакане.
- Сигнализирует, если активы уже пришли, но ещё не выставлены ордерами — возможная подготовка к резкому движению.
⚙️ Что делает инструмент:💸
1. Подключается к публичным блокчейн-источникам.
2. Находит крупные транзакции на биржевые адреса (выборка whitelist биржевых адресов).
3. Анализирует, когда активы пришли, и отслеживает ликвидность этих пар через ccxt.
4. Если ликвидность не изменилась через X минут → сигнал: крупный капитал в режиме ожидания → возможен импульс.
#инструмент
📌 Подпишись Crypto Python❗️
Отслеживание "теневых" действий крупных кошельков по задержке поступлений на биржи — до появления в стакане🧑💻
🧠 Идея:
Перед крупными движениями часто можно заметить массовые переводы средств на биржи, но эти средства могут попасть в стакан с задержкой.
Whale Shadow Tracker — инструмент, который:
- Отслеживает крупные входящие транзакции на биржи (например, > 100 BTC).
- Сравнивает время поступления на биржу с изменениями ликвидности в стакане.
- Сигнализирует, если активы уже пришли, но ещё не выставлены ордерами — возможная подготовка к резкому движению.
⚙️ Что делает инструмент:💸
1. Подключается к публичным блокчейн-источникам.
2. Находит крупные транзакции на биржевые адреса (выборка whitelist биржевых адресов).
3. Анализирует, когда активы пришли, и отслеживает ликвидность этих пар через ccxt.
4. Если ликвидность не изменилась через X минут → сигнал: крупный капитал в режиме ожидания → возможен импульс.
import ccxt
import time
import requests
from datetime import datetime
# Настройки Binance
symbol = 'BTC/USDT'
binance = ccxt.binance()
depth_limit = 10
interval_sec = 300
threshold_usd = 1_000_000
# Настройки Arkham
ARKHAM_API_KEY = 'YOUR_ARKHAM_API_KEY' # 🔐 Вставь свой API ключ
ARKHAM_API_URL = 'https://api.arkhamintelligence.com/v1/labels/activity'
def get_orderbook_snapshot():
orderbook = binance.fetch_order_book(symbol, limit=depth_limit)
bids = orderbook['bids']
asks = orderbook['asks']
bid_liquidity = sum([price * amount for price, amount in bids])
ask_liquidity = sum([price * amount for price, amount in asks])
return {
'timestamp': datetime.utcnow().isoformat(),
'bid_liquidity': bid_liquidity,
'ask_liquidity': ask_liquidity
}
def check_arkham_whale_activity():
headers = {'x-api-key': ARKHAM_API_KEY}
params = {
"entityType": "whale", # можно менять на 'exchange', 'fund' и т.д.
"chain": "bitcoin",
"timeframe": "last_hour"
}
try:
response = requests.get(ARKHAM_API_URL, headers=headers, params=params)
if response.status_code == 200:
data = response.json()
if data.get('data'):
print(f"🐋 Найдена ончейн-активность whale-адресов на BTC-сети ({len(data['data'])} записей)")
return True
else:
print("🤫 Нет активности крупных адресов за последний час.")
else:
print(f"Ошибка запроса Arkham: {response.status_code}")
except Exception as e:
print(f"Ошибка при проверке Arkham: {e}")
return False
def main():
print("🚀 Запуск Whale Shadow Tracker...")
snapshot_before = get_orderbook_snapshot()
print("🕒 Снимок #1 получен. Ожидание 5 минут...\n")
time.sleep(interval_sec)
snapshot_after = get_orderbook_snapshot()
delta_bid = abs(snapshot_after['bid_liquidity'] - snapshot_before['bid_liquidity'])
delta_ask = abs(snapshot_after['ask_liquidity'] - snapshot_before['ask_liquidity'])
if delta_bid < threshold_usd and delta_ask < threshold_usd:
print("\n⚠️ Обнаружено стабильное состояние ликвидности. Проверяем ончейн-активность...")
if check_arkham_whale_activity():
print(f"🔔 ALERT: Whale Shadow — стакан спокоен, но whale-активность зафиксирована.")
else:
print("✅ Никаких признаков скрытой активности не найдено.")
else:
print(f"{datetime.utcnow().isoformat()} — Ликвидность изменилась значительно. Всё в порядке.")
if __name__ == "__main__":
main()
#инструмент
📌 Подпишись Crypto Python❗️
👍3❤2🔥2
📌"Sleeping Cluster Breakout"🧑💻
💡 Идея:🚀
На низких таймфреймах часто формируются плотности — “спящие кластеры” — уровни, где долгое время не было пробоя (цена касалась, но отскакивала). Когда крупные лимитные ордера около этих зон внезапно исчезают или съедаются — это часто приводит к резкому пробою.
📈 Логика:🛠️
1. Находим ценовой уровень, где несколько раз касалась цена, но не было пробоя (кластер).
2. Мониторим изменения ликвидности в ордербуке вокруг этого уровня.
3. Если:
- цена подходит к уровню;
- лимитная поддержка или сопротивление резко исчезают;
- объём увеличивается —
→ это может быть триггер на вход в позицию по пробою.
#торговые_стратегии
📌 Подпишись Crypto Python❗️
💡 Идея:🚀
На низких таймфреймах часто формируются плотности — “спящие кластеры” — уровни, где долгое время не было пробоя (цена касалась, но отскакивала). Когда крупные лимитные ордера около этих зон внезапно исчезают или съедаются — это часто приводит к резкому пробою.
📈 Логика:🛠️
1. Находим ценовой уровень, где несколько раз касалась цена, но не было пробоя (кластер).
2. Мониторим изменения ликвидности в ордербуке вокруг этого уровня.
3. Если:
- цена подходит к уровню;
- лимитная поддержка или сопротивление резко исчезают;
- объём увеличивается —
→ это может быть триггер на вход в позицию по пробою.
import ccxt
import time
from datetime import datetime
symbol = 'BTC/USDT'
exchange = ccxt.binance()
level_price = 110000 # 👈 Уровень, за которым следим
cluster_zone = 10 # Погрешность в $
liquidity_threshold = 500000 # Ликвидность в стакане, USD
check_interval = 10 # секунд
def get_orderbook():
orderbook = exchange.fetch_order_book(symbol, limit=20)
bids = orderbook['bids']
asks = orderbook['asks']
return bids, asks
def scan_liquidity_near_level(bids, asks):
near_bids = [b for b in bids if abs(b[0] - level_price) <= cluster_zone]
near_asks = [a for a in asks if abs(a[0] - level_price) <= cluster_zone]
total_bid_liquidity = sum([b[0] * b[1] for b in near_bids])
total_ask_liquidity = sum([a[0] * a[1] for a in near_asks])
return total_bid_liquidity, total_ask_liquidity
def main():
print(f"🛡 Мониторинг уровня {level_price}$ с зоной ±{cluster_zone}$")
while True:
bids, asks = get_orderbook()
bid_liq, ask_liq = scan_liquidity_near_level(bids, asks)
price = exchange.fetch_ticker(symbol)['last']
print(f"\n[{datetime.utcnow().strftime('%H:%M:%S')}] Цена: {price:.2f}")
print(f" 🔹 Ликвидность BUY: ${bid_liq:,.0f}")
print(f" 🔸 Ликвидность SELL: ${ask_liq:,.0f}")
# Условие пробоя уровня
if level_price - cluster_zone <= price <= level_price + cluster_zone:
if bid_liq < liquidity_threshold and ask_liq < liquidity_threshold:
print("🚨 ALERT: Спящий кластер исчез. Возможен пробой уровня!")
time.sleep(check_interval)
if __name__ == "__main__":
main()
#торговые_стратегии
📌 Подпишись Crypto Python❗️
🔥8
📌"Volatility-Weighted Signal Combiner"🧑💻
💡 Описание:🧨
Это модуль, который комбинирует сигналы из нескольких стратегий (например: импульс, откат, пробой уровня) — но взвешивает их в зависимости от текущей волатильности рынка. То есть, если рынок в фазе высокой волатильности — предпочтение отдается импульсным стратегиям, в фазе низкой — откатным и mean-reversion.
✅ Что делает:💸
- Получает волатильность по ATR или стандартному отклонению.
- Оценивает силу сигналов по каждой стратегии.
- Взвешивает силу с учётом волатильности.
- Выводит финальный алерт на вход в позицию, если итоговый вес выше порога.
#инструмент
📌 Подпишись Crypto Python❗️
💡 Описание:🧨
Это модуль, который комбинирует сигналы из нескольких стратегий (например: импульс, откат, пробой уровня) — но взвешивает их в зависимости от текущей волатильности рынка. То есть, если рынок в фазе высокой волатильности — предпочтение отдается импульсным стратегиям, в фазе низкой — откатным и mean-reversion.
✅ Что делает:💸
- Получает волатильность по ATR или стандартному отклонению.
- Оценивает силу сигналов по каждой стратегии.
- Взвешивает силу с учётом волатильности.
- Выводит финальный алерт на вход в позицию, если итоговый вес выше порога.
import ccxt
import time
import statistics
# Настройки
symbol = 'BTC/USDT'
timeframe = '1m'
limit = 30 # Количество свечей для анализа
exchange = ccxt.binance()
def fetch_prices():
ohlcv = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=limit)
return [candle[4] for candle in ohlcv] # Закрытия
def momentum_signal(prices):
return 1 if prices[-1] > prices[-2] * 1.002 else 0
def mean_reversion_signal(prices):
return 1 if prices[-1] < min(prices[-5:]) else 0
def calc_volatility(prices):
return statistics.stdev(prices)
def weighted_combiner(momentum, reversion, volatility):
if volatility > 30:
return momentum * 0.7 + reversion * 0.3
else:
return momentum * 0.3 + reversion * 0.7
while True:
try:
prices = fetch_prices()
momentum = momentum_signal(prices)
reversion = mean_reversion_signal(prices)
vol = calc_volatility(prices)
signal_strength = weighted_combiner(momentum, reversion, vol)
print(f"🟡 Цена: {round(prices[-1], 2)} | Волатильность: {round(vol, 2)} | Сигнал: {round(signal_strength, 2)}")
if signal_strength > 0.6:
print("✅ Сигнал на вход в ЛОНГ!\n")
time.sleep(60)
except Exception as e:
print(f"Ошибка: {e}")
time.sleep(60)
#инструмент
📌 Подпишись Crypto Python❗️
🔥7❤1👍1