Mt4概率脚本

Question

我是python的新手

我做了一个简单的脚本，从mt4中导入价格提要

我的想法/项目是把它变成某种概率指标，除了出价和询问外，也就是给出概率，例如：

TIME/                BID             ASK
USD/CADD     22:19   1.30451 60%^    1.30D39 40%v

并且概率是在特定的周期内变化的，例如1小时周期，所以每小时都会给出一个新的方向概率。

它正在寻找两种模式: A，B，

模式A代表看涨模式

模式B代表看跌模式。

从根本上看A或B在这两种可能性中有多强，这种可能性更高，

这里是我被困的地方

我不知道怎么把它放在一起..。

以下是我到目前为止所拥有的：

​

import datetime
import numpy as np
import pandas as pd
import sklearn

from pandas.io.data       import DataReader
from sklearn.ensemble     import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.lda          import LDA
from sklearn.metrics      import confusion_matrix
from sklearn.qda          import QDA
from sklearn.svm          import LinearSVC, SVC

import dde_client as ddec
import time

QUOTE_client = ddec.DDEClient('MT4', 'QUOTE')

symbols = ['USDCAD', 'GOLD','EURUSD', 'SILVER', 'US30Cash',  ]
for i in symbols:
    QUOTE_client.advise(i)


def Get_quote():
 while 1:
    time.sleep(1)
    print "Symbol\tDATE\t\tTIME\tBID\tASK"
    for i in symbols:
        current_quote = QUOTE_client.request(i).split(" ")
        day, _time, bid, ask = (current_quote[0], current_quote[1],
                            current_quote[2], current_quote[3])
        print i + ":\t" + day + "\t" + _time +"\t" +bid+ "\t" + ask
        break
        time.sleep(1)
        return Get_quote()
        continue


    def create_lagged_series(cuurent_quote,start_time, end_time, lags=1):
      ts = DataReader(cuurent_quote,symbols,
                    start_time-datetime.timedelta(hours=1),
                    end_time
                    )
      tslag = pd.DataFrame(index=ts.index)
      ts['Today'] = ts['Adj Close']
      tslag["Volume"] = ts["Volume"]
      for i in xrange(0, lags):
         tslag["Lag%s" % str(i+1)] = ts["Adj Close"].shift(i+1)

      tsret = pd.DataFrame(index=tslag.index)
      tsret["Volume"] = tslag["Volume"]
      tsret["Today"] = tslag["Today"].pct_change()*100.0

      for i in xrange(0, lags):
             if (abs(x) < 0.0001):
              tsret["Today"][i] = 0.0001

      for i in xrange(0,lags):
            tsret["Lag%s" % str(i+1)] = \
            tslag["Lag%s" % str(i+1)].pct_change()*100.0

      tsret["Direction"] = np.sign(tsret["Today"])
      tsret = tsret[tsret.index >= start_time]

      return tsret

      if __name__ == "__main__":
         snpert = create_lagged_series(len('GOLD', Get_quote(), 1))
         X = snpret[["Lag1","Lag2"]]
         y = snpret["Direction"]
         start_test = cuurernt_quote


         X_train = X[X.index < start_test]
         X_test = X[X.index >= start_test]
         y_train = y[y.index < start_test]
         y_test = y[y.index >= start_test]
         print "Hit Rates/Confusion Matrices:\n"
         models = [ ( "LR",   LogisticRegression() ),
                    ( "LDA",  LDA() ),
                    ( "QDA",  QDA() ),
                    ( "LSVC", LinearSVC() ),
                    ( "RSVM", SVC( C            = 1000000.0,
                                   cache_size   = 200,
                                   class_weight = None,
                                   coef0        = 0.0,
                                   degree       = 3,
                                   gamma        = 0.0001,
                                   kernel       = 'rbf',
                                   max_iter     = -1,
                                   probability  = False,
                                   random_state = None,
                                   shrinking    = True,
                                   tol          = 0.001,
                                   verbose      = False
                                   )
                      ),
                    ( "RF",   RandomForestClassifier( n_estimators = 1000,
                                                      criterion    = 'gini',
                                                      max_depth         = None,
                                                      min_samples_split = 2,
                                                      min_samples_leaf  = 1,
                                                      max_features      = 'auto',
                                                      bootstrap         = True,
                                                      oob_score         = False,
                                                      n_jobs            = 1,
                                                      random_state      = None,
                                                      verbose           = 0
                                                      )
                      )
                    ]

    # Iterate through the models
      for m in models:

        # Train each of the models on the training set
                 m[1].fit(X_train, y_train)


                 pred = m[1].predict(X_test)


                 print "%s:\n%0.3f" % (m[0], m[1].score(X_test, y_test))
                 print "%s\n" % confusion_matrix(pred, y_test)

​

下面是我自己的MT4价格提要脚本：

​

import dde_client as ddec
import time

__author__ = 'forex Ticker'

print __author__


QUOTE_client = ddec.DDEClient('MT4', 'QUOTE')

symbols = ['USDCAD', 'GOLD','EURUSD', 'SILVER', 'US30Cash',  ]
for i in symbols:
    QUOTE_client.advise(i)



while 1:
    time.sleep(1)
    print "Symbol\tDATE\t\tTIME\tBID\tASK"
    for i in symbols:
        current_quote = QUOTE_client.request(i).split(" ")
        day, _time, bid, ask = (current_quote[0], current_quote[1],
                            current_quote[2], current_quote[3])
        print i + ":\t" + day + "\t" + _time +"\t" +bid+ "\t" + ask
        break
        time.sleep(1)
        continue

​

Answer 1

至于修正您的算法，我建议您不要从头开始操作，而是将各种库合并在一起，从一个工作示例开始，然后根据您的喜好修改它。你不需要完全理解它，但你需要一些东西开始。

我甚至会抽象出MT4和引号读取逻辑，只在CSV或TXT文件中有一些测试编号(假的或抽样的)。从一个可以识别该文件中A和B模式的工作示例开始。有了这个定义，您自己的算法是如何不同的，并尝试调整它。

当它开始工作时，最后一步是MT4集成。看起来DDE服务器只用于数据导出，而不是用于构建指示符。考虑一下这个替代框架:链接MT4到Python。你不仅可以用它建立一个图表上的指示器，而且还可以使用你的算法执行自动交易。

Answer 2

问:如何把它组合在一起.？

A:有一个现实的计划--最好是在把钱摆在桌面上之前。

能救你的

甚至开始胡说八道

或

瞄准不现实的目标。

没有人会受到伤害，如果计划是第一份工作文件，由所有参与的各方就如何创建“伟大而又酷的新颠覆性愿景”将如何创建达成一致。

组织你的进一步工作，步骤+总是增加预算控制，无论是在[man*weeks]或[k$]，一个人愿意花在项目上。

一个人应该能够决定最初伟大而又酷的想法的可行性和可生存性。

在主要阶段(包括MQL4/5端、python和其他组件)中仔细规划：

• 系统集成体系结构的X [man*weeks]
• 集成模型设计的Y [man*weeks]
• 集成模型原型的Z [man*weeks]，
• 集成模型测试U [man*weeks]，
• 集成模型发布的V [man*weeks]，
• 集成模式生产生态系统的W [man*weeks]研究
• 寻找最佳预测模型的设计周期S [man*weeks]
• 关于设计周期寻找预测的良好交易策略的T [man*weeks]

在早期的架构决策中，不要忘记要克服的问题：

0)忘记使用MQL4/5 示例，您将自己置于与数亿美元在战斗和运动中的亚毫秒域战斗中。

(1) Custom Indicator忘了在MQL4 4/5 MetaTrader终端中使用(阻塞)

2) DDE忘记使用集成，有些O/S根本不支持它

( pandas ) 3)忘记使用(即使是任何人工智能/ML模型原型)作为毫秒在ML处理过程中的重要作用，熊猫是一个很好的玩具，但对于现实世界对ML模型调整的交易需求来说，它并不是一个很好的玩具。

4)忘记使用开始-结束逻辑，AI/ML-引擎必须分开，以便有效地训练/验证/测试它们在巨大的HyperPARAM状态空间中的最佳泛化能力。

for m in models:可以在源代码中，但不存在于现实中.一个工具可能需要(而且确实需要)大约几十个[CPU-core*days]运行时才能在COTS硬件上进行参数优化，因此在这里用实际的数字来计算，以便正确地编制每个S+T周期的预算。

结语：

总之，一个聪明的计划，如果批准在财政上可行的话。可能和其他关于低延迟MT4-AI/ML集成的文章一样，用于算法交易。