期货量化交易软件：时间序列挖掘使用Python制作带有趋势标记的数据集（2）

数据格式转换

虽然赫兹量化已经从客户那里获得了数据，但数据格式不是我们需要的。数据是“numpy.ndarray”，如下所示：

"[(1692368100, 1893.51, 1893.97,1893.08,1893.88,548, 35, 0) (1692369000, 1893.88, 1894.51, 1893.41, 1894.51, 665, 35, 0) (1692369900, 1894.5, 1894.91, 1893.25, 1893.62, 755, 35, 0) (1692370800, 1893.68, 1894.7 , 1893.16, 1893.49, 1108, 35, 0) (1692371700, 1893.5 , 1893.63, 1889.43, 1889.81, 1979, 35, 0) (1692372600, 1889.81, 1891.23, 1888.51, 1891.04, 2100, 35, 0) (1692373500, 1891.04, 1891.3 , 1889.75, 1890.07, 1597, 35, 0) (1692374400, 1890.11, 1894.03, 1889.2, 1893.57, 2083, 35, 0) (1692375300, 1893.62, 1894.94, 1892.97, 1894.25, 1692, 35, 0) (1692376200, 1894.25, 1894.88, 1890.72, 1894.66, 2880, 35, 0) (1692377100, 1894.67, 1896.69, 1892.47, 1893.68, 2930, 35, 0) ...(1693822500, 1943.97, 1944.28, 1943.24, 1943.31, 883, 35, 0) (1693823400, 1943.25, 1944.13, 1942.95, 1943.4 , 873, 35, 0) (1693824300, 1943.4, 1944.07, 1943.31, 1943.64, 691, 35, 0) (1693825200, 1943.73, 1943.97, 1943.73, 1943.85, 22, 35, 0)]"

因此，让我们使用pandas进行转换，添加的代码用绿色标记：

# Copyright 2021, MetaQuotes Ltd. # https://www.mql5.com import MetaTrader5 as mt import pandas as pd if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"): print('initialize() failed!') else: print(mt.version()) sb=mt.symbols_total() rts=None if sb > 0: rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,1000) mt.shutdown() rts_fm=pd.DataFrame(rts)

现在再次查看数据格式，如下所示：

print(rts_fm.head(10))

添加图片注释，不超过 140 字（可选）

输入数据必须是pandas的。DataFrame格式包含一列作为观测数据（float或int格式），因此我们必须将数据处理为pytrendseries要求的格式，如下所示：

td_data=rts_fm[['time','close']].set_index('time')

让赫兹量化看看前10行数据是什么样子的：

print(td_data.head(10))

添加图片注释，不超过 140 字（可选）

注意：“td_data”不是我们最后的数据样式，它只是我们获取数据趋势的过渡产品。

现在，赫兹量化的数据是完全可用的，但为了后续操作，最好将我们的日期格式转换为数据帧，因此我们应该在“td_data=rts_fom[['time'，'close']].set_index（'time'）”之前添加以下代码：

rts_fm['time']=pd.to_datetime(rts_fm['time'], unit='s')

我们的输出将如下所示：

time	close
2023-08-18 20:45:00	1888.82000
2023-08-18 21:00:00	1887.53000
2023-08-18 21:15:00	1888.10000
2023-08-18 21:30:00	1888.98000
2023-08-18 21:45:00	1888.37000
2023-08-18 22:00:00	1887.51000
2023-08-18 22:15:00	1888.21000
2023-08-18 22:30:00	1888.73000
2023-08-18 22:45:00	1889.12000
2023-08-18 23:00:00	1889.20000

本节的完整代码：

# Copyright 2021, MetaQuotes Ltd. # https://www.mql5.com import MetaTrader5 as mt import pandas as pd if not mt.initialize("D:\\Project\\mt\\MT5\\terminal64.exe"): print('initialize() failed!') else: print(mt.version()) sb=mt.symbols_total() rts=None if sb > 0: rts=mt.copy_rates_from_pos("GOLD_micro",mt.TIMEFRAME_M15,0,1000) mt.shutdown() rts_fm=pd.DataFrame(rts) rts_fm['time']=pd.to_datetime(rts_fm['time'], unit='s') td_data=rts_fm[['time','close']].set_index('time') print(td_data.head(10))

添加图片注释，不超过 140 字（可选）

标注数据

1. 获取趋势数据

首先导入“pytrendseries”包：

import pytrendseries as pts

赫兹量化使用“pts.detecttrend（）”函数来查找趋势，然后为该函数定义“td”变量，该参数有两个选项-“downtrend”或“uptrend”：

td='downtrend' # or "uptrend"

我们需要另一个参数“wd”作为趋势的最大周期：

wd=120

还有一个参数可以定义，也可以不定义，但我个人认为最好定义它，这个参数指定了趋势的最小周期：

limit=6

现在我们可以将参数填充到函数中以获得趋势：

trends=pts.detecttrend(td_data,trend=td,limit=limit,window=wd)

然后检查结果：

print(trends.head(15))

	from	to	price0	price1	index_from	index_to	time_span	drawdown
1	2023-08-21 01:00:00	2023-08-21 02:15:00	1890.36000	1889.24000	13	18	5	0.00059
2	2023-08-21 03:15:00	2023-08-21 04:45:00	1890.61000	1885.28000	22	28	6	0.00282
3	2023-08-21 08:00:00	2023-08-21 13:15:00	1893.30000	1886.86000	41	62	21	0.00340
4	2023-08-21 15:45:00	2023-08-21 17:30:00	1896.99000	1886.16000	72	79	7	0.00571
5	2023-08-21 20:30:00	2023-08-21 22:30:00	1894.77000	1894.12000	91	99	8	0.00034
6	2023-08-22 04:15:00	2023-08-22 05:45:00	1896.19000	1894.31000	118	124	6	0.00099
7	2023-08-22 06:15:00	2023-08-22 07:45:00	1896.59000	1893.80000	126	132	6	0.00147
8	2023-08-22 13:00:00	2023-08-22 16:45:00	1903.38000	1890.17000	153	168	15	0.00694
9	2023-08-22 19:00:00	2023-08-22 21:15:00	1898.08000	1896.25000	177	186	9	0.00096
10	2023-08-23 04:45:00	2023-08-23 06:00:00	1901.46000	1900.25000	212	217	5	0.00064
11	2023-08-23 11:30:00	2023-08-23 13:30:00	1904.84000	1901.42000	239	247	8	0.00180
12	2023-08-23 19:45:00	2023-08-23 23:30:00	1919.61000	1915.05000	272	287	15	0.00238
13	2023-08-24 09:30:00	2023-08-25 09:45:00	1921.91000	1912.93000	323	416	93	0.00467
14	2023-08-25 15:00:00	2023-08-25 16:30:00	1919.88000	1913.30000	437	443	6	0.00343
15	2023-08-28 04:15:00	2023-08-28 07:15:00	1916.92000	1915.07000	486	498	12	0.00097

您还可以通过函数“pts.vizplot.plot_trend（）”得到结果图：

pts.vizplot.plot_trend(td_data,trends)

添加图片注释，不超过 140 字（可选）

同样，我们可以通过代码来查看上升趋势：

td="uptrend" wd=120 limit=6 trends=pts.detecttrend(td_data,trend=td,limit=limit,window=wd) print(trends.head(15)) pts.vizplot.plot_trend(td_data,trends)