В то время как у меня было так много работы, я вдруг оказался в совершенно другой теме и коде.
После процесса пандемии акции, торгуемые в Турции, как и во всем мире, внезапно упали, а затем быстро собрались в форме буквы V. После реализации политики «проценты вызывают инфляцию в результате» против ортодоксальной политики, проводимой в нашей стране, мы испытали инфляцию и шок обменного курса по всей стране. От туалетной бумаги до автомобиля, дома, всего, что вы покупаете, мы жили в дни, когда стоимость росла, и турецкий фондовый рынок получил свою долю от этого опыта. Хотя у меня нет прогнозов для других инвестиционных инструментов, я думаю, что эпоха заработка на фондовом рынке подошла к концу. Параллельно с этим я обнаружил, что повышаю финансовую грамотность и изучаю технические индикаторы. Изучая готовые индикаторы, я разработал фрагмент кода, которым хотел поделиться с вами, чтобы определить наиболее эффективную стратегию для акций, купленных на определенную дату, и представить доходность определенной стратегии и прогноз. на следующий день. Примечание не является инвестиционным советом.
import yfinance as yf
import pandas as pd
import numpy as np
import talib
import itertools
import plotly.graph_objects as go
import datetime
# Get the stock symbol and data range from the user
symbol = input("Enter the stock symbol: ")
start_date_str = input("Enter the start date (YYYY-MM-DD): ")
# Define the date format
date_format = "%Y-%m-%d"
# Convert the start date to a datetime object
start_date = datetime.datetime.strptime(start_date_str, date_format).date()
# Get today's date
end_date = datetime.date.today()
# Calculate the number of days
delta = end_date - start_date
initial_capital = 1000
# Retrieve data from Yahoo Finance
df = yf.download(symbol, start=start_date, end=end_date)
# Check if the "Close" column containing the closing prices exists
if "Close" not in df.columns:
raise ValueError("The dataframe does not contain the 'Close' column.")
# Convert the dataframe to the appropriate format for calculating technical indicators
close = df["Close"].values.astype(float)
high = df["High"].values.astype(float)
low = df["Low"].values.astype(float)
open_ = df["Open"].values.astype(float)
volume = df["Volume"].values.astype(float)
# Function to generate buy-sell strategies
def generate_strategies(df):
strategies = []
indicators = ["MACD", "RSI", "SMA9", "SMA21", "SMA50", "BollingerBands", "StochasticOscillator", "ADX", "OBV"]
strategy_names = []
for i in range(1, len(indicators) + 1):
strategy_names += list(itertools.combinations(indicators, i))
for strategy in strategy_names:
buy_condition = np.full_like(close, True, dtype=bool)
sell_condition = np.full_like(close, True, dtype=bool)
for indicator in strategy:
if indicator == "MACD":
macd, _, _ = talib.MACD(close)
buy_condition = buy_condition & (macd > 0)
sell_condition = sell_condition & (macd < 0)
elif indicator == "RSI":
rsi = talib.RSI(close)
buy_condition = buy_condition & (rsi < 35)
sell_condition = sell_condition & (rsi > 65)
elif indicator.startswith("SMA"):
period = int(indicator[3:])
sma = talib.SMA(close, timeperiod=period)
buy_condition = buy_condition & (close > sma)
sell_condition = sell_condition & (close < sma)
elif indicator == "BollingerBands":
upper, middle, lower = talib.BBANDS(close)
buy_condition = buy_condition & (close > lower)
sell_condition = sell_condition & (close < upper)
elif indicator == "StochasticOscillator":
slowk, slowd = talib.STOCH(high, low, close)
buy_condition = buy_condition & (slowk < 20) & (slowd < 20)
sell_condition = sell_condition & (slowk > 80) & (slowd > 80)
elif indicator == "ADX":
adx = talib.ADX(high, low, close)
buy_condition = buy_condition & (adx > 25)
sell_condition = sell_condition & (adx < 20)
elif indicator == "OBV":
obv = talib.OBV(close, volume)
buy_condition = buy_condition & (obv > 0)
sell_condition = sell_condition & (obv < 0)
strategies.append({
"strategy": strategy,
"buy_condition": buy_condition,
"sell_condition": sell_condition
})
return strategies
# Function to calculate returns for the strategies
def calculate_returns(df, strategy, initial_capital):
returns = []
buy_prices = []
sell_prices = []
positions = []
position = 0
capital = initial_capital
for i in range(len(df)):
if strategy["buy_condition"][i]:
if position == 0:
position = 1
buy_prices.append(close[i])
positions.append(position)
elif strategy["sell_condition"][i]:
if position == 1:
position = 0
sell_prices.append(close[i])
positions.append(position)
return_pct = (sell_prices[-1] - buy_prices[-1]) / buy_prices[-1]
capital *= (1 + return_pct)
returns.append(return_pct)
if len(buy_prices) > len(sell_prices):
sell_prices.append(close[-1])
positions.append(0)
return_pct = (sell_prices[-1] - buy_prices[-1]) / buy_prices[-1]
capital *= (1 + return_pct)
returns.append(return_pct)
return returns, positions, capital
# Generate strategies
strategies = generate_strategies(df)
# Add the buy-and-hold strategy to the list of strategies
strategies.append({
"strategy": ("Buy and Hold",),
"buy_condition": np.full_like(close, True, dtype=bool),
"sell_condition": np.full_like(close, False, dtype=bool)
})
returns = []
capitals = []
for strategy in strategies:
strategy_returns, _, strategy_capital = calculate_returns(df, strategy, initial_capital)
returns.append(sum(strategy_returns))
capitals.append(strategy_capital)
# Find the strategy with the highest return
max_return_index = np.argmax(returns)
best_strategy = strategies[max_return_index]
best_returns, best_positions, best_capital = calculate_returns(df, best_strategy, initial_capital)
# Determine today's strategy
if len(best_positions) > 0:
last_position = best_positions[-1]
if last_position == 0:
today_strategy = "Sell"
else:
today_strategy = "Buy"
else:
today_strategy = "No data"
# If the best strategy is the buy-and-hold strategy, set today's strategy to "Hold"
if best_strategy["strategy"] == ("Buy and Hold",):
today_strategy = "Hold"
# Show the returns and today's strategy
import plotly.graph_objects as go
# Determine the top 5 strategies with the highest returns
top_5_strategies = sorted(strategies, key=lambda x: sum(calculate_returns(df, x, initial_capital)[0]), reverse=True)[:5]
# Get the names and returns of the top 5 strategies
strategy_names = [f"Strategy {i+1}: {strategy['strategy']}" for i, strategy in enumerate(top_5_strategies)]
strategy_returns = [sum(calculate_returns(df, strategy, initial_capital)[0]) for strategy in top_5_strategies]
# Create a visualization
fig = go.Figure(data=[go.Bar(x=strategy_names, y=strategy_returns)])
fig.update_layout(title='Top 5 Strategies and Returns',
xaxis_title='Strategies',
yaxis_title='Return Rate')
fig.show()
print("\nStrategy with the Highest Return out of 512 Strategies:")
print(f"Strategy: {best_strategy['strategy']} - Return Rate: {sum(best_returns):.4f} - \nInitial Capital of 1000 Turkish Liras has become {best_capital:.4f} Turkish Liras in {delta.days} days since {start_date_str}")
print("\nToday's Strategy:")
print(f"{today_strategy}")
Strategy with the Highest Return out of 512 Strategies:
Strategy: ('RSI', 'OBV') - Return Rate: 9.5657 -
Initial Capital of 1000 Turkish Liras has become 10565.7374 Turkish Liras
in 716 days since 2021-06-04
Today's Strategy:
Sell
