如何使用 Python 来自动交易加密货币

2021-03-31 Linux中国 Stephan Avenwedde

在本教程中，教你如何设置和使用 Pythonic 来编程。它是一个图形化编程工具，用户可以很容易地使用现成的函数模块创建 Python 程序。

然而，不像纽约证券交易所这样的传统证券交易所一样，有一段固定的交易时间。对于加密货币而言，则是 7×24 小时交易，这使得任何人都无法独自盯着市场。

在以前，我经常思考与加密货币交易相关的问题：

一夜之间发生了什么？
为什么没有日志记录？
为什么下单？
为什么不下单？

通常的解决手段是使用加密交易机器人，当在你做其他事情时，例如睡觉、与家人在一起或享受空闲时光，代替你下单。虽然有很多商业解决方案可用，但是我选择开源的解决方案，因此我编写了加密交易机器人 Pythonic。正如去年我写过的文章一样，&ldquo

ythonic 是一种图形化编程工具，它让用户可以轻松使用现成的函数模块来创建 Python 应用程序。” 最初它是作为加密货币机器人使用，并具有可扩展的日志记录引擎以及经过精心测试的可重用部件，例如调度器和计时器。

开始

本教程将教你如何开始使用 Pythonic 进行自动交易。我选择币安Binance 交易所的波场Tron 与比特币Bitcoin 交易对为例。我之所以选择这个加密货币对，是因为它们彼此之间的波动性大，而不是出于个人喜好。

机器人将根据指数移动平均exponential moving averages （EMA）来做出决策。

TRX/BTC 1 小时 K 线图

EMA 指标通常是一个加权的移动平均线，可以对近期价格数据赋予更多权重。尽管移动平均线可能只是一个简单的指标，但我对它很有经验。

上图中的紫色线显示了 EMA-25 指标（这表示要考虑最近的 25 个值）。

机器人监视当前的 EMA-25 值（t0）和前一个 EMA-25 值（t-1）之间的差距。如果差值超过某个值，则表示价格上涨，机器人将下达购买订单。如果差值低于某个值，则机器人将下达卖单。

差值将是做出交易决策的主要指标。在本教程中，它称为交易参数。

工具链

将在本教程使用如下工具：

币安专业交易视图（已经有其他人做了数据可视化，所以不需要重复造轮子）
Jupyter 笔记本：用于数据科学任务
Pythonic：作为整体框架
PythonicDaemon ：作为终端运行（仅适用于控制台和 linux）

数据挖掘

为了使加密货币交易机器人尽可能做出正确的决定，以可靠的方式获取资产的美国线open-high-low-close chart（OHLC）数据是至关重要。你可以使用 Pythonic 的内置元素，还可以根据自己逻辑来对其进行扩展。

一般的工作流程：

与币安时间同步
下载 OHLC 数据
从文件中把 OHLC 数据加载到内存
比较数据集并扩展更新数据集

这个工作流程可能有点夸张，但是它能使得程序更加健壮，甚至在停机和断开连接时，也能平稳运行。

一开始，你需要 币安 OHLC 查询Binance OHLC Query 元素和一个基础操作Basic Operation 元素来执行你的代码。

数据挖掘工作流程

OHLC 查询设置为每隔一小时查询一次 TRXBTC资产对（波场/比特币）。

配置 OHLC 查询元素

其中输出的元素是 Pandas DataFrame。你可以在基础操作元素中使用输入input 变量来访问 DataFrame。其中，将 Vim 设置为基础操作元素的默认代码编辑器。

使用 Vim 编辑基础操作元素

具体代码如下：

import pickle, pathlib, os
import pandas as pd

outout = None

if isinstance(input, pd.DataFrame):
    file_name = 'TRXBTC_1h.bin'
    home_path = str(pathlib.Path.home)
    data_path = os.path.join(home_path, file_name)

    try:
        df = pickle.load(open(data_path, 'rb'))
        n_row_cnt = df.shape[0]
        df = pd.concat([df,input], ignore_index=True).drop_duplicates(['close_time'])
        df.reset_index(drop=True, inplace=True)
        n_new_rows = df.shape[0] - n_row_cnt
        log_txt = '{}: {} new rows written'.format(file_name, n_new_rows)
    except:
        log_txt = 'File error - writing new one: {}'.format(e)
        df = input

    pickle.dump(df, open(data_path, "wb" ))
    output = df

首先，检查输入是否为 DataFrame 元素。然后在用户的家目录（~/）中查找名为TRXBTC_1h.bin的文件。如果存在，则将其打开，执行新代码段（try部分中的代码），并删除重复项。如果文件不存在，则触发异常并执行except部分中的代码，创建一个新文件。

只要启用了复选框 日志输出log output，你就可以使用命令行工具tail查看日志记录：

$ tail -f ~/Pythonic_2020/Feb/log_2020_02_19.txt

出于开发目的，现在跳过与币安时间的同步和计划执行，这将在下面实现。

准备数据

下一步是在单独的网格Grid 中处理评估逻辑。因此，你必须借助返回元素Return element 将 DataFrame 从网格 1 传递到网格 2 的第一个元素。

在网格 2 中，通过使 DataFrame 通过 基础技术分析Basic Technical Analysis 元素，将 DataFrame 扩展包含 EMA 值的一列。

在网格 2 中技术分析工作流程

配置技术分析元素以计算 25 个值的 EMA。

配置技术分析元素

当你运行整个程序并开启 技术分析Technical Analysis 元素的调试输出时，你将发现 EMA-25 列的值似乎都相同。

输出中精度不够

这是因为调试输出中的 EMA-25 值仅包含六位小数，即使输出保留了 8 个字节完整精度的浮点值。

为了能进行进一步处理，请添加 基础操作元素：

网格 2 中的工作流程

使用 基础操作元素，将 DataFrame 与添加的 EMA-25 列一起转储，以便可以将其加载到 Jupyter 笔记本中；

将扩展后的 DataFrame 存储到文件中

评估策略

在 Juypter 笔记本中开发评估策略，让你可以更直接地访问代码。要加载 DataFrame，你需要使用如下代码：

用全部小数位表示

你可以使用 iloc和列名来访问最新的 EMA-25 值，并且会保留所有小数位。

你已经知道如何来获得最新的数据。上面示例的最后一行仅显示该值。为了能将该值拷贝到不同的变量中，你必须使用如下图所示的 .at方法方能成功。

你也可以直接计算出你下一步所需的交易参数。

买卖决策

确定交易参数

如上面代码所示，我选择 0.009 作为交易参数。但是我怎么知道 0.009 是决定交易的一个好参数呢？实际上，这个参数确实很糟糕，因此，你可以直接计算出表现最佳的交易参数。

假设你将根据收盘价进行买卖。

回测功能

在此示例中，buy_factor和sell_factor是预先定义好的。因此，发散思维用直接计算出表现最佳的参数。

嵌套的 for 循环，用于确定购买和出售的参数

这要跑 81 个循环（9x9），在我的机器（Core i7 267QM）上花费了几分钟。

在暴力运算时系统的利用率

在每个循环之后，它将 buy_factor、sell_factor元组和生成的profit元组追加到trading_factors列表中。按利润降序对列表进行排序。

将利润与相关的交易参数按降序排序

当你打印出列表时，你会看到 0.002 是最好的参数。

交易要素和收益的有序列表

当我在 2020 年 3 月写下这篇文章时，价格的波动还不足以呈现出更理想的结果。我在 2 月份得到了更好的结果，但即使在那个时候，表现最好的交易参数也在 0.002 左右。

分割执行路径

现在开始新建一个网格以保持逻辑清晰。使用返回元素将带有 EMA-25 列的 DataFrame 从网格 2 传递到网格 3 的 0A 元素。

在网格 3 中，添加 基础操作元素以执行评估逻辑。这是该元素中的代码：

实现评估策略

如果输出 1表示你应该购买，如果输出2则表示你应该卖出。输出0表示现在无需操作。使用分支Branch 元素来控制执行路径。

分支元素：网格 3，2A 位置

因为 0和-1的处理流程一样，所以你需要在最右边添加一个分支元素来判断你是否应该卖出。

分支元素：网格 3，3B 位置

网格 3 应该现在如下图所示：

网格 3 的工作流程

下单

由于无需在一个周期中购买两次，因此必须在周期之间保留一个持久变量，以指示你是否已经购买。

你可以利用栈Stack 元素来实现。顾名思义，栈元素表示可以用任何 Python 数据类型来放入的基于文件的栈。

你需要定义栈仅包含一个布尔类型，该布尔类型决定是否购买了（True）或（False）。因此，你必须使用False来初始化栈。例如，你可以在网格 4 中简单地通过将False传递给栈来进行设置。

将 False 变量传输到后续的栈元素中

在分支树后的栈实例可以进行如下配置：

设置栈元素

在栈元素设置中，将对输入的操作Do this with input 设置成无Nothing。否则，布尔值将被 1或0覆盖。

该设置确保仅将一个值保存于栈中（True或False），并且只能读取一个值（为了清楚起见）。

在栈元素之后，你需要另外一个分支元素来判断栈的值，然后再放置币安订单Binance Order 元素。

判断栈中的变量

将币安订单元素添加到分支元素的 True路径。网格 3 上的工作流现在应如下所示：

网格 3 的工作流程

币安订单元素应如下配置：

编辑币安订单元素

你可以在币安网站上的帐户设置中生成 API 和密钥。

在币安账户设置中创建一个 API 密钥

在本文中，每笔交易都是作为市价交易执行的，交易量为 10,000 TRX（2020 年 3 月约为 150 美元）（出于教学的目的，我通过使用市价下单来演示整个过程。因此，我建议至少使用限价下单。）

如果未正确执行下单（例如，网络问题、资金不足或货币对不正确），则不会触发后续元素。因此，你可以假定如果触发了后续元素，则表示该订单已下达。

这是一个成功的 XMRBTC 卖单的输出示例：

成功卖单的输出

该行为使后续步骤更加简单：你可以始终假设只要成功输出，就表示订单成功。因此，你可以添加一个 基础操作元素，该元素将简单地输出True并将此值放入栈中以表示是否下单。

如果出现错误的话，你可以在日志信息中查看具体细节（如果启用日志功能）。

币安订单元素中的输出日志信息

调度和同步

对于日程调度和同步，请在网格 1 中将整个工作流程置于币安调度器Binance Scheduler 元素的前面。

在网格 1，1A 位置的币安调度器

由于币安调度器元素只执行一次，因此请在网格 1 的末尾拆分执行路径，并通过将输出传递回币安调度器来强制让其重新同步。

网格 1：拆分执行路径

5A 元素指向网格 2 的 1A 元素，并且 5B 元素指向网格 1 的 1A 元素（币安调度器）。

部署

你可以在本地计算机上全天候 7×24 小时运行整个程序，也可以将其完全托管在廉价的云系统上。例如，你可以使用 Linux/FreeBSD 云系统，每月约 5 美元，但通常不提供图形化界面。如果你想利用这些低成本的云，可以使用 PythonicDaemon，它能在终端中完全运行。

PythonicDaemon 控制台

PythonicDaemon 是基础程序的一部分。要使用它，请保存完整的工作流程，将其传输到远程运行的系统中（例如，通过安全拷贝协议Secure Copy SCP），然后把工作流程文件作为参数来启动 PythonicDaemon：

$ PythonicDaemon trading_bot_one

为了能在系统启动时自启 PythonicDaemon，可以将一个条目添加到 crontab 中：

# crontab -e

在 Ubuntu 服务器上的 Crontab

下一步

正如我在一开始时所说的，本教程只是自动交易的入门。对交易机器人进行编程大约需要 10％的编程和 90％的测试。当涉及到让你的机器人用金钱交易时，你肯定会对编写的代码再三思考。因此，我建议你编码时要尽可能简单和易于理解。

如果你想自己继续开发交易机器人，接下来所需要做的事：

收益自动计算（希望你有正收益！）
计算你想买的价格
比较你的预订单（例如，订单是否填写完整？）

你可以从 GitHub上获取完整代码。

via: https://opensource.com/article/20/4/python-crypto-trading-bot

作者：Stephan Avenwedde 选题：lujun9972译者：wyxplus校对：wxy

本文由 LCTT原创编译，Linux中国荣誉推出