6 Thu

[가상 화폐 자동 매매 프로그램] 구현 1

구현

구현에서는 분석을 통한 구매와 12시간 뒤 판매를 다룰 것이다.

  • 구현1 : 분석

    • 아직까지는 수동 구매이다.

  • 구현2 : 구매 및 판매

  • 구현3 : 시스템 시간대 설정

라이브러리 선언

import pyupbit
import pandas as pd
import time

  • 1 : upbit 함수들을 사용하기 위한 pyupbit

  • 2 : data를 조작하기 위한 pandas

  • 3 : time.sleep()을 위한 time

    • 0.1초 동안 쉬게하여 의도하지 않은 충돌 발생 확률을 줄인다.

기본 변수 설정 

access, secret = "???", "???"
upbit = pyupbit.Upbit(access, secret)

pd.set_option('display.max_columns', None) # print all columns
pd.set_option('expand_frame_repr', False) # print df on single line

balance = upbit.get_balance("KRW")

trading_time = 0
ma_score_weight = [1.1, 1.05, 0.95, 0.9]
tickers = pyupbit.get_tickers(fiat="KRW")

  • 1-2 : upbit API를 인증하여 자신의 access와 secret code를 얻는다.

    • 단순 조회가 아닌 주문작업을 필요로 할 때는 IP주소를 등록해야 한다. 이는 네이버에 내 IP 를 검색 후 확인 가능

  • 4-5 : dataframe의 column이 모두 출력되도록 그리고 한 줄로 출력되도록 설정한다

  • 7 : 현재 내 잔고 정보 획득

  • 9 : 거래할 시간

    • 반드시 이 시간 이후에 거래해야 한다.

    • 만약 거래 시간이 12시라면 11시 55분이 아니라 12시 5분에 거래해야 한다.

  • 10 : 이동평균 점수 가중치

  • 11 : 현재 원화로 업비트에 상장되어있는 코인 이름을 모두 불러온다

24시간 화폐 정보 조회 함수

정보 조회

def get_ohlcv(ticker):
    date = None
    dfs = []
    for i in range(3):
        df = pyupbit.get_ohlcv(ticker, interval="minute60", to=date, count=24*7)
        if len(df) == 0: break
        dfs.append(df)

        date = df.index[0]
        time.sleep(0.1)

  • 4-10 : 화폐의 3주간의 정보를 가져온다.

    • interval이 minute60 이고 count가 24*7 이므로 한번의 get_ohlcv 로 1주일의 정보를 얻는다. 반복문이 3번 돌으므로 3주의 정보 획득

    • 1주씩 얻은 정보를 dfs 리스트에 쌓는다.

    • 이 때 to=date 는 이 시점 이전까지의 정보를 가져오라는 의미. df.index[0] 가 현재까지 가져온 정보 중 가장 오래된 정보이므로 이 인덱스의 날짜를 date 로 선언한다.

dataframe 조작 : 거래량, 최고가, 최저가, 시가, 변동률, 노이즈

    df = pd.concat(dfs).sort_index()
    df.index.name = 'datetime'
    df.reset_index(inplace=True)

    df['hour'] = df['datetime'].dt.hour
    prev_pm_cum_volume = df['volume'].iloc[-13:-1].sum()
    prev_pm_return = df['close'].iloc[-2] - df['open'].iloc[-13]
    prev_am_cum_volume = df['volume'].iloc[-25:-13].sum()

    high_price_24 = df['high'].rolling(window=24).max().shift(1)
    low_price_24 = df['low'].rolling(window=24).min().shift(1)
    open_price_24 = df['open'].shift(24)

    prev_range = ((high_price_24 - low_price_24) / open_price_24).iloc[-1]
    df['noise1'] = 1 - (abs(open_price_24 - df['open']) / (high_price_24 - low_price_24))

  • 1-3 : 데이터의 인덱스가 날짜로 되어있는데 이를 컬럼으로 가져온다.

    • 원하는 시간만을 보기 위해 컬럼을 조작해야 하는데 이 값이 인덱스에 있기 때문에 컬럼으로 이동시킨다.

    • 이후, 인덱스는 단순히 0부터 시작하는 순서

  • 5 : 각 날짜의 시간 정보를 따로 hour column 으로 추가

    • 현재 datetime column 은 YY-MM-DD HH-mm-ss 의 형태로 있다.

    • 이후에 원하는 시간만을 보기 위해 hour 를 따로 빼둔다.

  • 6-8 : 오후 거래량, 오후 수익률, 오전 거래량을 구한다.

    • 이 때 인덱스에 대해 -13 부터 -2 까지의 값을 다룬다.

    • -1의 값은 현재 값인데 이 값은 온전히 채워지지 않은 값이므로 제외한다.

      • 만약 현재가 12시 5분이면 df['volume'].iloc[-1] 의 값은 5분간 얻어진 거래량이다. 이 값을 비교할 수는 없다.

dataframe 조작 : 3, 5, 10, 20일 이동평균, 20일 노이즈 평균, 거래 조건

    df = df[(df.hour == trading_time)]
    cur_price = df['open'].iloc[-1]

    ma3 = df['close'].iloc[-4:-1].mean()
    ma5 = df['close'].iloc[-6:-1].mean()
    ma10 = df['close'].iloc[-11:-1].mean()
    ma20 = df['close'].iloc[-21:-1].mean()
    ma_score = sum(int(ma < cur_price) * score for ma, score in zip([ma3, ma5, ma10, ma20], ma_score_weight)) / 4

    noise20 = df['noise1'].iloc[-20:].mean()

    target_price = open_price_24.iloc[-1] + prev_range * noise20
    condition = (ma_score > 0) & (cur_price > target_price) & (prev_pm_return > 0) & (prev_pm_cum_volume > prev_am_cum_volume)

    return pd.DataFrame(data=[[ticker, condition, noise20, ma_score, prev_range, cur_price, target_price]],\
                        columns=['ticker', 'condition', 'noise20', 'ma_score', 'prev_range', 'cur_price', 'target_price'])

  • 1 : 원하는 거래 시간에 해당하는 데이터만 필터링 한다

  • 2 : 현재 가격을 조회한다.

    • df['close'].iloc[-2] 와 동일한 부분이다.

  • 4-8 : 3, 5, 10, 20일에 대한 이동평균선을 구하고 현재 가격보다 높다면 사전에 명시한 가중치 점수를 곱해 이동평균선 점수를 얻는다.

    • 3, 5, 10, 20일에 대해 [1.10, 1.05, 0.95, 0.90] 이다. 사실 큰 의미가 있지는 않다. 단지, 현제 추세를 좀 더 반영하고자 하는 차이이다. 금액은 큰 차이가 없으며 추천 순위가 달라진다.

    • 이동평균에 대한 정의가 많이들 다른 것 같은데 본인은 이동평균 정의를 어제까지를 기준으로 뒀다. 즉, 현재 오늘은 이동평균값과 상관이 없다. (난 당연히 이게 맞다고 생각했는데 오늘 날짜까지 평균을 내는 사람들이 있더라...)

  • 10 : 1일 노이즈에 대해 20일치 평균을 구한다.

  • 12 : 목표가격을 구한다.

    • 구매하고자 하는 가격이 아니라 이 가격보다 현재가격이 더 높을 때 구매한다.

    • 어떻게 보면 구매하고자 하는 가격의 최소가격이라고 볼 수도 있겠다.

  • 13 : 구매 조건을 선언한다.

  • 15 : 최종적으로 얻은 정보를 반환한다.

    • 컬럼은 다음과 같이 'ticker', 'condition', 'noise20', 'ma_score', 'prev_range', 'cur_price', 'target_price' 로 정의한다.

dfs = []
for ticker in tickers:
    df = get_ohlcv(ticker)
    dfs.append(df)
df = pd.concat(dfs).sort_values(by=['condition', 'noise20', 'ma_score'], ascending=[False, True, False])
df = df[(df.condition == True)]
df.to_excel("result.xlsx")
print(df)

  • 1-4 : 모든 화폐의 정보를 얻은 뒤에 하나로 종합한다.

  • 5 : 노이즈가 작은 순서대로, 그다음은 이동평균선 점수가 높은 순으로 정렬한다.

  • 6 : 이후, 구매 가능한 코인들만 볼 수 있도록 필터링 한다.

  • 7- 8 : 이 결과를 출력하고 엑셀 파일로도 저장한다.

간단한 결과

  • 5일 동안 이 코드를 돌렸다. 0시 매수 12시 매도를 반드시 지키면서! (최근은 아니고 3주 정도 전에 돌렸다)

  • 참고로 상위 화폐 5개에 대한 1년 백테스팅 결과도 같이 출력하게 했는데 단지 참고용이었고 생각보다 구매 결정에 있어 크게 영향력있지는 않았다.

    • 백테스팅 코드는 실전 거래 코드와 많이 비슷하다.

    • 다룰지는 고민중...

  • 5번의 거래동안 승률은 94.4%

    • 총 18개의 화폐를 구매했으며 이 중 17개의 화폐가 수익을 내었다.

    • 최대 5개까지 구매했었고 최소 2개 까지 구매했다. 갯수는 내가 정한게 아니라, 노이즈 수치에 따라..

    • 승률이 좀 말도 안되긴 하는데... 표본이 너무 적어서, 그리고 현재 시기가 상승장이라 운이 좋아서 라고 생각한다. (막 상승장은 아닌 것 같은데,,, ㅎㅎ)

    • 생각보다 알트코인 보다는 비트코인에스브이나 이더리움같은 코인들에서 수익이 났다.

  • 금액 변동은 120만원에서 185만원으로 54% 정도의 수익을 냈다.

    • 한달 내내 이정도 수익을 지속하면 한달 뒤에는 462%의 수익을 내게 된다... (과연??)

  • 전략은 진짜 잘 지켰다. 웨이브가 노이즈가 너무 커서 걸렀는데 다음날 30%가 올라있음에도 크게 배아프지 않았다. (조금은 아팠다는 뜻...)

추후 계획

  • 현재는 0시에만 매수하는데, 이를 21, 22, 23시까지도 매수하고 싶다. 그렇다면 매도시각은 9, 10, 11, 12시가 되겠지.

  • 백테스팅을 본격적으로 해보려고 한다. 24개의 시간 별로 전체 코인의 평균 수익률, 수익률 TOP 10 (with MDD) 을 구하려고 한다.

    • 데이터 양이 워낙 방대해서 좀 무섭다

  • 또, 현재는 거래 조건이 매우 타이트한데 이를 하나씩 풀은 결과도 백테스팅 할 계획.

    • 하나씩 풀을 조건들

      • 오후 수익률 > 0

      • 오후 거래량 > 오전 거래량

    • 또, 이 조건들을 풀면 목표 변동성을 다시 설정해야 한다.

      • 지금은 조건이 워낙 까다로워서 목표 변동성을 딱히 설정하지 않았다. (욕심이 좀 나서 설정하지 않았다)

      • 만약 조건들이 없어진다면 적정한 수치를 정해야 할 듯 싶다.

Previous7 FriNext5 Wed

Last updated

Was this helpful?