Crypto Python

📌AI Market Regime Detector -
идентификатор рыночного режима с автоадаптацией стратегий 🧑‍💻

💡 Суть:🚀

Инструмент автоматически определяет текущий рыночный режим — тренд, флет, высокая волатильность, паника и пр. — и переключает используемую стратегию под этот режим в реальном времени. Использует технические индикаторы, волатильность, корреляции, объёмы и ML-модель (например, RandomForestClassifier или LSTM), чтобы определить:

🟢 Восходящий тренд → трендовая стратегия (breakout)

🔴 Нисходящий тренд → short-приоритет

🟡 Боковик → стратегия на возврат к среднему

🔵 Высокая волатильность → ожидание и широкий стоп

⚫ Паника (чёрный лебедь) → стоп всех торгов

⚙️ Что делает скрипт:🛠️

- Скачивает данные с Binance через ccxt

- Обрабатывает индикаторы (ATR, Bollinger Bands, EMA)

- Распознаёт режим рынка по ML-классификатору

- В консоли пишет: режим = "восходящий тренд" и предлагает подходящие действия

- Можно подключить к основному боту через API/файл

import ccxt
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from datetime import datetime
import time

symbol = 'BTC/USDT'
timeframe = '1h'
limit = 500

exchange = ccxt.binance()

def fetch_ohlcv(symbol, timeframe='1h', limit=500):
    data = exchange.fetch_ohlcv(symbol, 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 add_features(df):
    df['returns'] = df['close'].pct_change()
    df['volatility'] = df['returns'].rolling(window=10).std()
    df['ema'] = df['close'].ewm(span=20).mean()
    df.dropna(inplace=True)
    return df

def label_market(df):
    labels = []
    for i in range(len(df)):
        r = df['returns'].iloc[i]
        v = df['volatility'].iloc[i]
        if v > 0.01:
            labels.append("volatile")
        elif r > 0.002:
            labels.append("bullish")
        elif r < -0.002:
            labels.append("bearish")
        else:
            labels.append("sideways")
    df['label'] = labels
    return df

def train_model(df):
    features = df[['returns', 'volatility', 'ema']].copy()
    features = (features - features.mean()) / features.std()
    model = RandomForestClassifier(n_estimators=100)
    model.fit(features, df['label'])
    return model

def predict_current_state(model, df):
    last_row = df.iloc[-1:]
    features = last_row[['returns', 'volatility', 'ema']]
    features = (features - df[['returns', 'volatility', 'ema']].mean()) / df[['returns', 'volatility', 'ema']].std()
    prediction = model.predict(features)[0]
    return prediction

def main():
    df = fetch_ohlcv(symbol, timeframe, limit)
    df = add_features(df)
    df = label_market(df)
    model = train_model(df)

    while True:
        df = fetch_ohlcv(symbol, timeframe, limit)
        df = add_features(df)
        current_signal = predict_current_state(model, df)
        timestamp = datetime.utcnow().strftime('%Y-%m-%d %H:%M:%S')
        print(f"[{timestamp}] Текущий рыночный режим: {current_signal}")
        time.sleep(60 * 60)  # обновление каждый час

if __name__ == '__main__':
    main()

#инструмент

📌 Подпишись Crypto Python❗️

🔥4❤2

348 views13:15