Jump to content
Tom Next - Daytrading Community

cxalgo

Developer
  • Posts

    502
  • Joined

  • Last visited

  • Days Won

    44

cxalgo last won the day on February 9 2019

cxalgo had the most liked content!

About cxalgo

  • Birthday 06/07/1979

Profile Information

  • Wohnsitz
    München
  • Interessen
    Programmieren

Kontaktinformationen

  • Yahoo
    cxalgo@yahoo.com

Community Informationen

  • Newsletter Abonnement
    abonniert
  • Typ Newsletter
    alle

Verschiedenes

  • auf die Community aufmerksam geworden durch
    -Please Select-

Recent Profile Visitors

1,282 profile views

cxalgo's Achievements

Newbie

Newbie (1/14)

264

Reputation

  1. schaue auch noch ab und zu mal rein, aber zu viele Projekte, Firma ausbauen und mein Nachwuchs braucht viel Zeit von Papa
  2. Danke sehr. Konverter steht auf alle Fälle auf meiner Liste und gebe hier gerne bescheid. MongoDB wegen NoSql und ArrayDB-Funktionalität bzw. In-Memory. Ich will ja nicht immer die Kursdaten als Primary-Key nehmen, sondern Titel zu bestimmte Szenarien indexieren lassen und passende HS via AI finden, bzw. Ableitungen von HS, so die Idee dahinter. Die """ stehen für Parser-Entries, damit sich das System selbst dokumentiert und hier neue Ableitungen eintragen kann, quasi als Text-Trigger
  3. Hier noch etwas für die Statistiker: Daily Returns in % # -*- coding: utf-8 -*- """ Created on Tue Jan 17 11:25:12 2017 @author: MarcusLencyzk """ """Compute daily returns.""" import os import pandas as pd import matplotlib.pyplot as plt def symbol_to_path(symbol, base_dir="data"): """Return CSV file path given ticker symbol.""" return os.path.join(base_dir, "{}.csv".format(str(symbol))) def get_data(symbols, dates): """Read stock data (adjusted close) for given symbols from CSV files.""" df = pd.DataFrame(index=dates) if 'SPY' not in symbols: # add SPY for reference, if absent symbols.insert(0, 'SPY') for symbol in symbols: df_temp = pd.read_csv(symbol_to_path(symbol), index_col='Date', parse_dates=True, usecols=['Date', 'Adj Close'], na_values=['nan']) df_temp = df_temp.rename(columns={'Adj Close': symbol}) df = df.join(df_temp) if symbol == 'SPY': # drop dates SPY did not trade df = df.dropna(subset=["SPY"]) return df def plot_data(df, title="Stock prices", xlabel="Date", ylabel="Price"): """Plot stock prices with a custom title and meaningful axis labels.""" ax = df.plot(title=title, fontsize=12) ax.set_xlabel(xlabel) ax.set_ylabel(ylabel) plt.show() def compute_daily_returns(df): """Compute and return the daily return values.""" daily_returns = df.copy() #copy given DateFrame to match size an dcolumn names #compute daily return for row 1 onwords daily_returns[1:] = (df[1:]/df[:-1].values)-1 daily_returns.ix[0,:] = 0 #set daily return for row 0 to 0 return daily_returns def test_run(): # Read data dates = pd.date_range('2012-07-01', '2012-07-31') # one month only symbols = ['SPY','TXN'] df = get_data(symbols, dates) plot_data(df) # Compute daily returns daily_returns = compute_daily_returns(df) plot_data(daily_returns, title="Daily returns", ylabel="Daily returns") if __name__ == "__main__": test_run()
  4. heute noch etwas Zeit gehabt um das Beispiel mal mit den Bollinger Band(20) zu coden und gleichzeitig zu zeigen, wie genial einfach es mit der Python Bibliothek pandas und matplotlib zu programmieren ist. # -*- coding: utf-8 -*- """ Created on Tue Jan 17 11:11:22 2017 @author: MarcusLencyzk """ """Bollinger Bands.""" import os import pandas as pd import matplotlib.pyplot as plt def symbol_to_path(symbol, base_dir="data"): """Return CSV file path given ticker symbol.""" return os.path.join(base_dir, "{}.csv".format(str(symbol))) def get_data(symbols, dates): """Read stock data (adjusted close) for given symbols from CSV files.""" df = pd.DataFrame(index=dates) if 'SPY' not in symbols: # add SPY for reference, if absent symbols.insert(0, 'SPY') for symbol in symbols: df_temp = pd.read_csv(symbol_to_path(symbol), index_col='Date', parse_dates=True, usecols=['Date', 'Adj Close'], na_values=['nan']) df_temp = df_temp.rename(columns={'Adj Close': symbol}) df = df.join(df_temp) if symbol == 'SPY': # drop dates SPY did not trade df = df.dropna(subset=["SPY"]) return df def plot_data(df, title="Stock prices"): """Plot stock prices with a custom title and meaningful axis labels.""" ax = df.plot(title=title, fontsize=12) ax.set_xlabel("Date") ax.set_ylabel("Price") plt.show() def get_rolling_mean(values, window): """Return rolling mean of given values, using specified window size.""" return pd.rolling_mean(values, window=window) def get_rolling_std(values, window): """Return rolling standard deviation of given values, using specified window size.""" return pd.rolling_std(values, window=window) def get_bollinger_bands(rm, rstd): """Return upper and lower Bollinger Bands.""" upper_band = rm + rstd *2 lower_band = rm - rstd *2 return upper_band, lower_band def test_run(): # Read data dates = pd.date_range('2012-01-01', '2012-12-31') symbols = ['SPY'] df = get_data(symbols, dates) # Compute Bollinger Bands # 1. Compute rolling mean rm_SPY = get_rolling_mean(df['SPY'], window=20) # 2. Compute rolling standard deviation rstd_SPY = get_rolling_std(df['SPY'], window=20) # 3. Compute upper and lower bands upper_band, lower_band = get_bollinger_bands(rm_SPY, rstd_SPY) # Plot raw SPY values, rolling mean and Bollinger Bands ax = df['SPY'].plot(title="Bollinger Bands", label='SPY') rm_SPY.plot(label='Rolling mean', ax=ax) upper_band.plot(label='upper band', ax=ax) lower_band.plot(label='lower band', ax=ax) # Add axis labels and legend ax.set_xlabel("Date") ax.set_ylabel("Price") ax.legend(loc='upper left') plt.show() if __name__ == "__main__": test_run() hier das visuelle Ergebnis in Steps:
  5. Hallo Zusammen, nach 2 Monaten habe ich frustriert aufgegeben, mit MQL5 und Ctrader eine saubere Lösung zu programmieren, weil einfach die Anbindung für GPU-Power, genügend freie AI, etc. Bibliotheken fehlen. Fazit: nach einiger Recherche lerne ich eine neue Programmiersprache und baue hier auf die freien Bibliotheken auf. Da ich wirklich von 0 anfange, muss ich natürlich erstmal Finanzdaten visualisieren. Ich habe mich entschlossen, erstmal mit Aktien EOD (Yahoo Finance Histories) anzufangen und will den Fortschritt hier mit euch teilen, soweit Interesse besteht. Ziel ist es, Lifedaten von MT4 & 5, cTrader und L&P Daten live in eine Mongo-DB zu laden, die Daten automatisch aufzubereiten, zu slicen und anschließend zu plotten (Charts). Danach werden die Bibliotheken von R, Python, Anaconda und Mathlab angezapft und via Matrix-KPI-Metering und anderen mathematischen & statistischen Verfahren gewertet und der Computer soll mit GPU-Power möglichst präzise Vorhersagen (Predictions) errechnen können. Hier die ersten Codesnippets zum visualisieren von EOD-CSV-Daten. # -*- coding: utf-8 -*- """ Created on Tue Jan 17 09:30:18 2017 @author: MarcusLencyzk """ """Slice and plot""" import os import pandas as pd import matplotlib.pyplot as plt def plot_selected(df, columns, start_index, end_index): """Plot the desired columns over index values in the given range.""" plot_data(df.ix[start_index:end_index, columns], title="Selected Data") def symbol_to_path(symbol, base_dir="data"): """Return CSV file path given ticker symbol.""" return os.path.join(base_dir, "{}.csv".format(str(symbol))) def get_data(symbols, dates): """Read stock data (adjusted close) for given symbols from CSV files.""" df = pd.DataFrame(index=dates) if 'SPY' not in symbols: # add SPY for reference, if absent symbols.insert(0, 'SPY') for symbol in symbols: df_temp = pd.read_csv(symbol_to_path(symbol), index_col='Date', parse_dates=True, usecols=['Date', 'Adj Close'], na_values=['nan']) df_temp = df_temp.rename(columns={'Adj Close': symbol}) df = df.join(df_temp) if symbol == 'SPY': # drop dates SPY did not trade df = df.dropna(subset=["SPY"]) return df def normalize_data(df): """Nomalize stock prices using the first row of the dataframe.""" return df/ df.ix[0,:] def plot_data(df, title="Stock prices"): """Plot stock prices with a custom title and meaningful axis labels.""" ax = df.plot(title=title, fontsize=12) ax.set_xlabel("Date") ax.set_ylabel("Price") plt.show() def test_run(): # Define a date range dates = pd.date_range('2012-01-01', '2016-12-31') # Choose stock symbols to read symbols = ['MSFT', 'IBM', 'TXN'] # SPY will be added in get_data() # Get stock data df = get_data(symbols, dates) # Slice and plot plot_selected(df, ['SPY', 'IBM', 'MSFT', 'TN'], '2012-03-01', '2016-04-01') if __name__ == "__main__": test_run() Sieht noch sehr "simple" aus, funktioniert aber schon mal, siehe hier das Ergebnis:
  6. japp, ist schon ein seltsames Gefühl, nach einer "Ewigkeit" mal wieder ein HS zu coden .... macht aber mit noch Spass @Microsoft AML: Die Anbindung von cAlgo per API zu AML ist ja wirklich kinderleicht ... die GUI in AML erkennt mit ein wenig Hilfe sofort die Inputwerte und schlägt passen "Vorlagen" für Input-Kind-Eltern-Kind-Outpout-NetzSysteme mit Gewichtungsmatrix und Optionen vor (Evolution Modell, etc.) ... sind sehr interessante "Konzepte" dabei .... aber genug der langen Worte ... nach einem Tag mal einen groben Überblick: in 1 Tag und ~1,24 Std. sind 590 Ergebnisse gelaufen. Range trotz AML als "Worst-Case-Szenario" netto 378 Trades mit einem NetProfit siehe Bild unten, derzeitiges max siehe Bild oben Als Hardware laufen derzeit 24 Xeon x3 CPU mit 512 GB DDR4 und 2 SSD-Platten von WD + MAML auf 2 verteilten virt. Servern ...
  7. Die ersten Schritte sind vollbracht und 2 Systeme laufen mal auf einem "TestAccount". Was sehr interessant ist, dass ich ein "Basicsystem" coden kann und dieses auf alle gewählten Timeframes auf zum Beispiel 1Minute open Bars quertesten ... -> Was sehr übersichtlich in cTrader respektive cAlgo ... gleiches System für alle verfügbaren Währungspaare /Rohstoffe und Indices aktivieren und läuft ... -> Was ein riesen Vorteil beim Optimieren ist: Hast du 24 Prozessoren, werden diese auch genutzt und du kannst die Auslastung in % (0-100) einstellen, geht zwar bei MT5 auch, aber ich wollte nie Pakete auf fremden Rechnern oder in der Cloud haben und der Aufwand, jedem Server & Rechner die Verteilung von MT5 zu installieren ist schon aufwendig, vor allem wenn neue Releases rauskommen. Basissystem steht, jetzt kommt die eigentliche Arbeit, die Parameter via Neuronen und Netzwerke als Inputdaten zu gewichten und dann trainieren zu lassen, damit auch was sinnvollen rauskommt
  8. also das handling ist etwas gewöhnungsbedürftig, aber das coden in visual studio mit c# ist super. Sehr verständliche API Referenz und einige gute Beispiele. mit http://2calgo.com kann ich meine ganzen Indikatoren aus MT4 in cAlgo konvertieren und was ich bisher probiert habe, läuft und zeigt es auch so an. Mein erstes HS is am optimieren und schaut auch relativ gut aus. Nächster Schritt wird die Implementierung für deep learning via Microsoft AML oder Nvidia Cuda SDK
  9. Hallo nach langer Zeit mal wieder, hat wer schon mal mit cTrader getradet bzw. mit cAlgo (alles in C#) HS programmiert. Spiele seit letzter Woche wieder ein bisschen und mich würden eure Erfahrungen interessieren. Schönen Abend noch
  10. per DLL-Injection geht das in MetaTrader auch und du kannst sogar, soweit in der DLL alles definiert, deine Indikatoren, Crosses, Arrows, etc. ... in die NN´s aus MT4 laden für einen definierten Zeitraum (Trainingszeitraum) und das trainierte NN im Anschluß für einen Forward-Test hernehmen. Geht in C/C++, C#, R oder anderen Algo-NN-Sprachen. Für Multithreading sollten dann aber die entsprechenden Prozessor-und GPU-CUDA-Bibliotheken mit kompiliert werden und in dieser DLL-Injection nur beim Training ausserhalb von MT4 laufen. Multicore mit GPU macht halt auch nur Sinn, wenn du mehr als 1 Mrd. Kombinationen, Kursmuster oder sonstige Vorhersage-Parameter hast. Da bringt es enorm was, in Bezug auf Dauer der Eltern-Kind-Input-Kind-Neuronen. Aber nicht vergessen, dass du auch ein Rauschen der Kurse von mind. 3-5% per Random-Engine mit einbaust, damit die NN´s nicht "auswendig" lernen, weil diese immer die gleichen Kursreihen bekommen. Eine zusätzliche Dämpfung von Indikatoren macht auch Sinn um hier das maximale Potential aus den NN´s ziehen kannst. Wenn du NN´s trainierst, dann kannst du ja die NN´s nicht nur auf die Kursreihen beziehen sondern auch auf Indikatoren oder Kursmuster. Mit etwas Geschickt und Rechenpower kommen teilweise super Kombinationen heraus, wo Kursmuster mit technischen Indi´s hervorragend zusammenspielen in bestimmten Märkten. Willkommen und viel Spaß und Ausdauer in der "Unendlichkeit" der Kombinationen mit NN´s
  11. Wünsche Euch auch allen ein gesegnetes und besinnliches Weihnachtsfest und einen guten Rutsch.
  12. INV ist ein sehr mächtiges Tool, habe dich dir aber auch so glaub vor ca. 2 Jahren gesagt. Macht aber Spass, wenn man mal drin ist und die Möglichkeiten sind endlos ...
  13. Vote ist raus ... hast du schon eine Idee, wie deine Seite als Endversion aussehen soll und ob du die Seite/Shop auch multilingual haben willst? könntest ja gleich für DACH (gesamten deutschsprachigen Raum machen) und bischen gutes SEO und Content bist gleich dabei etwas mehr zu machen?
  14. interessant, was hier abgeht, gut dass auch Newsletter geschickt werden Mein Tipp: 6419,17
×
×
  • Create New...