이번 글에서는 아주 간단한 트레이딩 저가매수/고가매도 전략을 통해 가상화폐 트레이딩에 대해 배워보자
저번 글에서 배웠던 pybithumb을 통해 데이터를 준비하자.
API를 이용해 비트코인 시세 가져오기 - pybithumb
가상화폐 퀀트 전략 시작을 위해 API를 통해 가상화폐 시세 및 가격을 가져오는 방법을 실습해보자 가상화폐 데이터를 가져오기 위해선 주로 API를 사용한다. 가장 많이 사용하는 API가 빗썸과 업
tenmillionquant.tistory.com
#창 맞추기위함
from IPython.core.display import display, HTML
display(HTML("<style>.container { width:90% !important; }</style>"))
데이터 준비¶
일단, pybithumb API를 통해 데이터를 준비하자. 필요한 라이브러리를 가져온다.
import pandas as pd
import pybithumb
import numpy as np
# 약 10년치 데이터이므로, 2년 정도의 데이터만 사용한다
df = pybithumb.get_ohlcv("BTC")
# 2년치 데이터만 가져온다
df = df[-600:]
시그널 구현¶
트레이딩 전략의 주요 부분은 트레이딩 시점(증권 또는 기타 자산을 매수/매도)을 결정하는 것이다. 주문 전송을 발동시키는 이벤트를 "signal" 이라고 한다.
이 전략에서는 '저가 매수, 고가 매도'이므로 연속 2일간의 종가 차이를 계산해, 값이 음수이면 전날의 가격이 다음날의 가격보다 높았고 가격이 낮아지므로 매수할 수 있다. 반면, 이 값이 양수이면 가격이 높기 때문에 매도한다.
# 연속 2일간의 종가 차이를 계산하기 위해 data_signal이라는 dataframe을 만든다.
data_signal = pd.DataFrame(index = df.index)
data_signal['price'] = df['close']
data_signal['daily_difference'] = data_signal['price'].diff()
# 이제 daily_difference 값을 기반으로 signal을 만든다. 값이 양수이면 1을 값이 음수이면 0 한다
data_signal['signal'] = 0
data_signal['signal'] = np.where(data_signal['daily_difference'] > 0, 1, 0)
시그널 열을 읽으면 매수해야 할때 0을 갖고, 매도해야 할 때 1을 갖는다.
시장이 계속 하락하면 지속적으로 매수하거나 시장이 상승할 때 지속적으로 매도하기를 원하지 않기 때문에 시장에 대한 포지션 수로 제한함으로써 주문 수를 제한할 것 이다.
시장에서의 포지션을 제한하고자 여러 번 연속으로 매수하거나 매도하는 것은 불가능하다고 가정한다. 따라서 시그널 열에 diff()를 적용한다.
그러면 만약 positions값이 1인 경우 매수하게 되고 -1이 되면 매도하게 된다.
data_signal['positions'] = data_signal['signal'].diff()
data_signal['positions']
시그널 시각화¶
이제 매수/매도 상황을 시각화 해보자
# 필요한 라이버르리를 임포트한다
import matplotlib.pyplot as plt
# 다음으로 차트를 포함할 글미(figure)를 정의한다
fig = plt.figure()
ax1 = fig.add_subplot(111, ylabel = 'Bitcoin price in won')
#이제 처음 선택한 날짜 범위 내에서 주가를 그린다
data_signal['price'].plot(ax=ax1, color='r', lw=2.)
# 코인 주식 하나를 매수할 때 위쪽 화살표를 그린다
ax1.plot(data_signal.loc[data_signal.signal == 1].index, data_signal.price[data_signal.signal == 1], '^', markersize=7, color='b', label='buy')
ax1.plot(data_signal.loc[data_signal.signal == -1].index, data_signal.price[data_signal.signal == -1], 'v', markersize=7, color='b', label='sell')
plt.show()
백테스팅¶
백테스팅은 트레이딩 전략의 효과를 보여주는 통계를 얻기 위한 핵심단계다. 앞에서 배운 것처럼 백테스팅은 과거가 미래를 예측한다는 가정에 의존한다. 이 단계에서는 다음과 같이 당신 또는 회사가 중요하게 생각하는 통계량을 제공한다.
손익(PnL) : 거래 수수료 없이 전략으로 번 돈
순손익(순PnL) : 거래 수수료가 포함된 전략으로 번 돈
노출(exposure) : 투자한 자금
트레이딩 수 : 트레이딩 세션 동안 트레이딩의 수
연간 수익률 : 1년간의 트레이딩 수익률
샤프 비율 : 위험 조정 수익. 이 데이터는 전략의 수익을 무위험 전략과 비교하기 때문에 중요하다
# 초기자금 1억
initial_capital = float(100000000)
# 이제 포지션과 포트폴리오에 대한 데이터 프레임을 만든다
positions = pd.DataFrame(index=data_signal.index).fillna(0)
portfolio = pd.DataFrame(index=data_signal.index).fillna(0)
# 다음으로 비트코인 포지션을 다음 데이터프레임에 저장한다.
positions['bitcoin'] = data_signal['signal']
# 그런 다음 포트폴리오에 대한 포지션 금액을 다음에 저장한다
portfolio['positions'] = (positions.multiply(data_signal['price'], axis= 0))
# 다음으로 투자되지 않은 돈(현금)을 계산한다
portfolio['cash'] = initial_capital - (positions.diff().multiply(data_signal['price'], axis = 0)).cumsum()
# 총 투자액은 포지션과 현금을 합산해 계산한다.
portfolio['total'] = portfolio['positions'] + portfolio['cash']
portfolio
'가상화폐 퀀트 전략' 카테고리의 다른 글
| # 트레이딩 전략 5 : 슈퍼상승장 + 변동성 조절 (1) | 2022.04.04 |
|---|---|
| # 트레이딩 전략 4 : 이동평균 + 현금 비중 80% 이상 (0) | 2022.04.04 |
| # 트레이딩 전략 3 : 가상화폐 분산투자 + 현금 비중 90% (0) | 2022.03.29 |
| # 트레이딩 전략 2 : 오버나잇(Overnight) 매수 (0) | 2022.03.24 |
| API를 이용해 비트코인 시세 가져오기 - pybithumb (0) | 2022.03.14 |
댓글