Python 中的 VWAP 算法策略

[文献精汇]Python 中的 VWAP 算法策略

使用 Python 中的 VWAP 和移动平均线策略进行比特币算法交易回测。我们将深入探讨算法交易的 VWAP（成交量加权平均价格）和移动平均线 （MA） 指标的详细比较。

VWAP 和移动平均线是交易者中流行的工具，每种工具都提供独特的见解。移动平均线提供了简单的价格平均值，而 VWAP 通过结合交易量提供了更微妙的视角。这种区别对于确定证券是被高估还是被低估至关重要。我们将讨论为什么 VWAP 经常受到交易者的青睐，以及它如何作为动态支撑位和阻力位。

我将指导您完成 VWAP 的计算，强调由于其成交量加权性质，它相对于移动平均线的重要性。

第 1 步：数据导入和预处理

第一步，我们导入并预处理比特币交易数据，为分析做准备。该过程涉及以下操作：

import pandas as pd

# Load the Bitcoin trading data from a CSV file
df = pd.read_csv("BTCUSD_Candlestick_15_M_ASK_05.08.2019-29.04.2022.csv")

# Clean the "Gmt time" column by removing the ".000" suffix
df["Gmt time"] = df["Gmt time"].str.replace(".000", "")

# Convert the "Gmt time" column to datetime format
df['Gmt time'] = pd.to_datetime(df['Gmt time'], format='%d.%m.%Y %H:%M:%S')

# Set the "Gmt time" column as the index of the DataFrame
df.set_index("Gmt time", inplace=True)

# Remove rows where the high and low prices are equal
df = df[df.High != df.Low]

• Clean the "Gmt time" column 清理时间列：通过从时间戳字符串中删除".000"后缀来清理"Gmt 时间"列，以确保日期时间格式正确。
• Convert the "Gmt time" column 转换为日期时间：使用 pd.to_datetime 函数将清理后的"Gmt 时间"列转换为日期时间格式，并指定正确的解析格式。
• Remove rows 过滤数据：从 DataFrame 中删除最高价和最低价相等的行，以确保交易数据有意义。

第 2 步：计算指标

第二步，我们使用 pandas_ta 库计算 VWAP （成交量加权平均价格） 和 EMA （指数移动平均线） 指标。

import pandas_ta as ta

# Calculate VWAP (Volume Weighted Average Price) and add it to the DataFrame
df["VWAP"] = ta.vwap(df.High, df.Low, df.Close, df.Volume)

# Calculate EMA (Exponential Moving Average) with a length of 100 periods and add it to the DataFrame
df["EMA"] = ta.ema(df.Close, length=100)

• 计算 VWAP：VWAP 指标使用最高价、最低价、收盘价和成交量数据计算。VWAP 将作为名为 "VWAP" 的新列添加到 DataFrame 中。
• 计算 EMA：EMA 指标是针对指定长度为 100 个周期的收盘价计算的。EMA 将作为名为 "EMA" 的新列添加到 DataFrame 中。

第 3 步：生成 EMA 信号

在第三步中，我们根据指数移动平均线 （EMA） 生成交易信号。这些信号将帮助我们确定潜在的买入和卖出机会。我们根据指定回溯期内的最高价、最低价和 EMA 值之间的关系来识别潜在的交易信号。

该信号检查回溯期内的所有蜡烛是否完全高于或完全低于 EMA。如果它们都在上方，则表明上升趋势;如果它们都低于下方，则表明 backcandles 窗口内出现下降趋势。

# Initialize the EMASignal list with zeros
emasignal = [0] * len(df)

# Define the lookback period
backcandles = 6

# Loop through the DataFrame starting from the lookback period to the end
for row in range(backcandles, len(df)):
    upt = 1
    dnt = 1
    # Check the conditions for the past backcandles periods
    for i in range(row - backcandles, row + 1):
        if df.High[i] >= df.EMA[i]:
            dnt = 0
        if df.Low[i] <= df.EMA[i]:
            upt = 0
    # Set the EMASignal based on the conditions
    if upt == 1and dnt == 1:
        emasignal[row] = 3
    elif upt == 1:
        emasignal[row] = 2
    elif dnt == 1:
        emasignal[row] = 1

# Add the EMASignal to the DataFrame
df['EMASignal'] = emasignal

/var/folders/d9/rbb57jqn3g133_ynk3vgz02c0000gn/T/ipykernel_38122/1407699409.py:13: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
  if df.High[i] >= df.EMA[i]:
/var/folders/d9/rbb57jqn3g133_ynk3vgz02c0000gn/T/ipykernel_38122/1407699409.py:15: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
  if df.Low[i] <= df.EMA[i]:

• 初始化信号列表：我们创建一个名为 emasignal 的列表，其中填充了零，对应于 DataFrame 的长度。
• 设置回溯周期： 我们定义一个变量 backcandles 来指定我们将回溯以检查信号条件的周期数。
• 遍历数据：我们从 backcandles 索引开始遍历 DataFrame，直到 DataFrame 的末尾。
• 检查条件：对于每一行，我们将两个变量 upt 和 dnt 初始化为 1，分别表示上升和下降趋势。然后，我们遍历过去的 backcandles 周期以检查以下条件：
• 如果当前蜡烛的最高价大于或等于 EMA，则将 dnt 设置为 0。
• 如果当前蜡烛的最低价小于或等于 EMA，则设置为 0。
• 设置信号：
• 如果 upt 和 dnt 都保持 1，则将信号设置为 3（表示没有明显的趋势）。
• 如果只有 upt 为 1，则将信号设置为 2 （表示潜在的上升趋势）。
• 如果只有 dnt 为 1，则将信号设置为 1（表示潜在的下降趋势）。

向 DataFrame 添加信号：最后，我们将生成的信号添加到 DataFrame 中名为 EMASignal 的新列中。

python 代码也可以使用切片编写，这更像是一种 python 编码方式：

# Initialize the EMASignal list with zeros
emasignal = [0] * len(df)

# Define the lookback period
backcandles = 6

# Loop through the DataFrame starting from the lookback period to the end
for row in range(backcandles, len(df)):
    # Slicing the relevant window of high, low, and EMA values
    high_slice = df.High[row - backcandles: row + 1]
    low_slice = df.Low[row - backcandles: row + 1]
    ema_slice = df.EMA[row - backcandles: row + 1]

    # Check the conditions for uptrend and downtrend
    upt = all(high_slice >= ema_slice)
    dnt = all(low_slice <= ema_slice)

    # Set the EMASignal based on the conditions
    if upt and dnt:
        emasignal[row] = 3
    elif upt:
        emasignal[row] = 2
    elif dnt:
        emasignal[row] = 1

# Add the EMASignal to the DataFrame
df['EMASignal'] = emasignal