如何使用 Python 自动化你的加密货币交易

与纽约证券交易所等具有固定交易时间的传统证券交易所不同，加密货币是 24/7 全天候交易的，这使得任何人都不可能独自监控市场。

过去，我经常需要处理与我的加密货币交易相关的以下问题：

• 隔夜发生了什么？
• 为什么没有日志条目？
• 为什么下了这个订单？
• 为什么没有下单？

通常的解决方案是使用加密货币交易机器人，当你在做其他事情时，比如睡觉、陪伴家人或享受空闲时间，它可以为你下单。有很多商业解决方案可用，但我想要一个开源选项，所以我创建了加密货币交易机器人 Pythonic。正如 我在去年的一篇介绍性文章中写道，“Pythonic 是一款图形化编程工具，使用户能够通过现成的功能模块轻松创建 Python 应用程序。”它最初是一个加密货币机器人，并具有广泛的日志记录引擎和经过良好测试的可重用部件，例如调度器和定时器。

入门指南

本实践<0xC2><0xA0>教程将教你如何开始使用 Pythonic 进行自动化交易。它以在 Binance 交易所平台上交易 Tron 对 Bitcoin 为例。我选择这些币种是因为它们彼此之间的波动性，而不是任何个人偏好。

该机器人将根据 指数移动平均线 (EMA) 做出决策。

图片来源：

^{TRX/BTC 1 小时蜡烛图}

EMA 指标通常是一个加权移动平均线，它赋予最近的价格数据更多的权重。虽然移动平均线可能是一个简单的指标，但我使用它获得了良好的经验。

上图中的紫色线显示了 EMA-25 指标（意味着考虑了最近 25 个值）。

机器人监控当前 EMA-25 值 (t0) 和前一个 EMA-25 值 (t-1) 之间的斜率。如果斜率超过某个值，则表示价格上涨，机器人将下买单。如果斜率低于某个值，机器人将下卖单。

斜率将是做出交易决策的主要指标。在本教程中，它将被称为交易因子。

工具链

本教程中使用以下工具：

• Binance 专业交易视图（可视化<0xC2><0xA0>数据已被许多其他人完成，因此无需重复造轮子自己完成）
• 用于数据科学任务的 Jupyter Notebook
• Pythonic，它是<0xC2><0xA0>整体框架
• PythonicDaemon 作为<0xC2><0xA0>纯运行时（仅限控制台和 Linux）

数据挖掘

为了让加密货币交易机器人做出好的决策，可靠地获取你的资产的开盘价-最高价-最低价-收盘价 (OHLC) 数据至关重要。你可以使用 Pythonic 的内置元素并用你自己的逻辑扩展它们。

一般工作流程是：

1. 与 Binance 时间同步
2. 下载 OHLC 数据
3. 将现有的 OHLC 数据从文件加载到内存中
4. 比较两个数据集，并用较新的行扩展现有数据集

这个工作流程可能有点过分，但它使该解决方案非常可靠，可以抵抗停机时间和断开连接。

首先，你需要 Binance OHLC 查询元素和一个 基本操作 元素来执行你自己的代码。

图片来源：

^{数据挖掘工作流程}

OHLC 查询设置为查询资产对 TRXBTC (Tron/Bitcoin) 的一小时间隔数据。

图片来源：

^{配置 OHLC 查询元素}

此元素的输出是一个 Pandas DataFrame。你可以使用 基本操作 元素中的 input 变量访问 DataFrame。在这里，基本操作 元素设置为使用 Vim 作为默认代码编辑器。

图片来源：

^{基本操作元素设置为使用 Vim}

以下是代码的样子：

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 类型。然后在用户的主目录 (~/) 中查找名为 TRXBTC_1h.bin 的文件。如果存在，则打开它，连接新行（try 部分中的代码），并删除重叠的重复项。如果该文件不存在，则触发一个异常并执行 except 部分中的代码，创建一个新文件。

只要启用 log output 复选框，你就可以使用命令行工具 tail 跟踪日志记录。

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

为了开发目的，现在跳过与 Binance 时间的同步和定期调度。这将在下面实现。

数据准备

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

在网格 2 中，通过将 DataFrame 传递到 基本技术分析 元素，用包含 EMA 值的列扩展 DataFrame。

配置技术分析元素以计算周期为 25 个值的 EMA。

图片来源：

^{配置<0xC2><0xA0>技术分析元素}

当你运行整个设置并激活 技术分析 元素的调试输出时，你会意识到 EMA-25 列的值似乎都相同。

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 字节浮点值的完整精度。

为了进一步处理，添加一个 基本操作 元素

图片来源：

^{网格 2 中的工作流程}

使用 基本操作 元素，转储具有附加 EMA-25 列的 DataFrame，以便可以将其加载到 Jupyter Notebook 中；

图片来源：

_{将扩展的 DataFrame 转储到文件}

评估逻辑

在 Juypter Notebook 中开发评估逻辑使你能够以更直接的方式访问代码。要加载 DataFrame，你需要以下几行：

图片来源：

^{以所有小数位表示}

你可以使用 iloc 和列名访问最新的 EMA-25 值。这保留了所有的小数位。

你已经知道如何获取最新值。上面的示例的最后一行仅显示该值。要将该值复制到单独的变量，你必须使用 .at 方法访问它，如下所示。

你还可以直接计算交易因子，你将在下一步中需要它。

确定交易因子

正如你在上面的代码中看到的，我选择 0.009 作为交易因子。但我如何知道 0.009 是否是用于决策的良好交易因子？实际上，这个因子非常糟糕，因此你可以改为暴力破解性能最佳的交易因子。

假设你将根据收盘价买入或卖出。

在本示例中，buy_factor 和 sell_factor 是预定义的。因此，扩展逻辑以暴力破解性能最佳的值。

图片来源：

^{用于确定买入和卖出因子的嵌套 for 循环}

这有 81 个循环要处理 (9x9)，在我的机器（Core i7 267QM）上需要几分钟。

图片来源：

^{暴力破解时的系统利用率}

在每个循环之后，它将 buy_factor、sell_factor 和结果 profit 的元组附加到 trading_factors 列表中。按利润降序排列列表。

图片来源：

^{按利润降序排列具有相关交易因子的利润}

当你打印列表时，你可以看到 0.002 是最有希望的因子。

当我在 2020 年 3 月写这篇文章时，价格波动不够大，无法呈现更有希望的结果。我在 2 月份获得了更好的结果，但即使在那时，表现最佳的交易因子也在 0.002 左右。

拆分执行路径

现在启动一个新的网格以保持清晰。使用 返回 元素将具有 EMA-25 列的 DataFrame 从网格 2 传递到网格 3 的元素 0A。

在网格 3 中，添加一个 基本操作 元素来执行评估逻辑。这是该元素的代码：

该元素输出 1（如果你应该买入）或 -1（如果你应该卖出）。输出 0 表示现在无事可做。使用 分支 元素来控制执行路径。

由于 0 和 -1 的处理方式相同，因此你需要在最右侧的执行路径上添加一个额外的分支元素，以决定是否应该卖出。

网格 3 现在应该看起来像这样：

执行订单

由于你不能买入两次，因此你必须在周期之间保留一个持久变量，指示你是否已经买入。

你可以使用 堆栈元素 来做到这一点。顾名思义，堆栈元素是基于文件的堆栈的表示，可以填充任何 Python 数据类型。

你需要定义堆栈仅包含一个布尔元素，该元素确定你是否已买入（True）或未买入（False）。因此，你必须用一个 False 预设堆栈。例如，你可以在网格 4 中通过简单地将 False 传递到堆栈来设置它。

分支树之后的堆栈实例可以配置如下：

图片来源：

^{配置堆栈元素}

在堆栈元素配置中，将 对输入执行此操作 设置为 无操作。否则，布尔值将被 1 或 0 覆盖。

此配置确保堆栈中始终只保存一个值（True 或 False），并且始终只能读取一个值（为了清晰起见）。

紧接在堆栈元素之后，你需要一个额外的 分支 元素来评估堆栈值，然后再放置 Binance 订单 元素。

图片来源：

^{评估<0xC2><0xA0>来自堆栈的变量}

将 Binance 订单元素附加到分支元素的 True 路径。网格 3 上的工作流程现在应该看起来像这样：

Binance 订单元素配置如下：

图片来源：

^{配置<0xC2><0xA0>Binance 订单元素}

你可以在 Binance 网站上的帐户设置下生成 API 密钥和密钥。

图片来源：

^{在 Binance 帐户设置中创建 API 密钥}

在本教程中，每笔交易都作为市价单执行，交易量为 10,000 TRX（2020 年 3 月约为 150 美元）。（为了本教程的目的，我正在演示使用市价单的整个过程。因此，我建议至少使用限价单。）

如果订单未正确执行（例如，连接问题、资金不足或错误的货币对），则不会触发后续元素。因此，你可以假设如果触发了后续元素，则订单已下达。

以下是来自 XMRBTC 的成功卖单输出示例：

图片来源：

^成功卖单

此行为使后续步骤更加舒适：你可以始终假设只要输出正确，订单就已下达。因此，你可以附加一个 基本操作 元素，该元素只需将输出写入 True 并将此值写入堆栈，以指示订单是否已下达。

如果出现问题，你可以在日志消息中找到详细信息（如果启用了日志记录）。

图片来源：

^{来自<0xC2><0xA0>Binance 订单元素的日志输出}

计划和同步

对于定期调度和同步，请在网格 1 中的整个工作流程前面加上 Binance 调度器 元素。

图片来源：

^{网格 1 中位置 1A 的 Binance 调度器}

Binance 调度器元素仅执行一次，因此在网格 1 的末尾拆分执行路径，并通过将输出传递回 Binance 调度器元素来强制其重新同步自身。

元素 5A 指向网格 2 的元素 1A，元素 5B 指向网格 1 的元素 1A（Binance 调度器）。

部署

你可以在本地机器上 24/7 全天候运行整个设置，或者你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，但它们通常不提供窗口系统。如果你想利用这些低成本云，你可以使用 PythonicDaemon，它完全在终端内部运行。

图片来源：

^{PythonicDaemon 控制台}

PythonicDaemon 是基本安装的一部分。要使用它，请保存你的完整工作流程，将其传输到远程运行系统（例如，通过安全复制 [SCP]），并使用工作流程文件作为参数启动 PythonicDaemon

$ PythonicDaemon trading_bot_one

要在系统启动时自动启动 PythonicDaemon，你可以向 crontab 添加一个条目

# crontab -e

下一步

正如我在开头写的那样，本教程只是自动化交易的起点。编程交易机器人大约是 10% 的编程和 90% 的测试。当涉及到让你的机器人用你的钱进行交易时，你肯定会对你编程的代码三思而后行。因此，我建议你尽可能保持代码简单易懂。

如果你想继续自己开发你的交易机器人，接下来要设置的是：

• 自动利润计算（希望只有正数！）
• 计算你想买入的价格
• 与你的订单簿进行比较（即，订单是否已完全成交？）

你可以在 GitHub 上下载整个示例。