import datos
import pandas as pd
from datetime import datetime
# Datos para descargar precios
OA_In = [
'EUR_USD', 'USD_JPY', 'EUR_JPY', 'AUD_USD', 'GBP_USD', 'USD_CHF',
'AUD_JPY', 'EUR_AUD', 'EUR_GBP', 'GBP_JPY', 'USD_CAD', 'AUD_CAD',
'EUR_CAD', 'GBP_AUD', 'USD_HKD', 'GBP_HKD', 'CAD_HKD', 'USD_MXN'
] # Instrumentos
OA_Gn = "H4" # Granularidad de velas
fini = pd.to_datetime("2019-10-01 00:00:00").tz_localize(
'GMT') # Fecha inicial
ffin = pd.to_datetime(
datetime.now().strftime('%Y-%m-%d %H:%M:%S')).tz_localize(
'GMT') # Fecha final
for ticker in OA_In:
# Descargar precios masivos
df_pe = fn.f_precios_masivos(p0_fini=fini,
p1_ffin=ffin,
p2_gran=OA_Gn,
p3_inst=ticker,
p4_oatk=datos.token,
p5_ginc=4900)
# Calcular bandas de bollinger
df_pe = fn.Bollinger_Bands(df=df_pe, window=20, ticker=ticker)
fn.accion(df_pe, ticker) #Funcion para tomar decision
import funciones as fn # Para procesamiento de datos
import visualizaciones as vs # Para visualizacion de datos
import pandas as pd # Procesamiento de datos
from datos import OA_Ak # Importar token para API de OANDA
# -- --------------------------------------------------------- Descargar precios de OANDA -- #
# token de OANDA
OA_In = "EUR_USD" # Instrumento
OA_Gn = "D" # Granularidad de velas
fini = pd.to_datetime("2019-07-06 00:00:00").tz_localize('GMT') # Fecha inicial
ffin = pd.to_datetime("2019-12-06 00:00:00").tz_localize('GMT') # Fecha final
# Descargar precios masivos
df_pe = fn.f_precios_masivos(p0_fini=fini, p1_ffin=ffin, p2_gran=OA_Gn,
p3_inst=OA_In, p4_oatk=OA_Ak, p5_ginc=4900)
# -- --------------------------------------------------------------- Graficar OHLC plotly -- #
vs_grafica1 = vs.g_velas(p0_de=df_pe.iloc[0:120, :])
vs_grafica1.show()
# -- ------------------------------------------------------------------- Conteno de velas -- #
# multiplicador de precios
pip_mult = 10000
# -- 0A.1: Hora
df_pe['hora'] = [df_pe['TimeStamp'][i].hour for i in range(0, len(df_pe['TimeStamp']))]
# -- 0A.2: Dia de la semana.
time_delta = pd.to_timedelta('00:31:00')
granularity = 'M1'
instrument = "EUR_USD"
oatk = '107596e9d65c' + '1bbc9175953d917140' + '12-f975c6201dddad03ac1592232c0ea0ea'
try:
# Si tenemos los datos ya descargados, los importamos.
datos_instrumento = pickle.load(open('precios.sav', 'rb'))
except:
# Si no tenemos los datos descargados, los descargamos y los guardamos.
print(
'no se pudo cargar archivos de pickle, se descargarán todos nuevamente.'
)
datos_instrumento = {
i: fn.f_precios_masivos(i,
i + time_delta,
granularity,
instrument,
oatk,
p5_ginc=4900)
for i in datos.datetime
}
pickle.dump(datos_instrumento, open('precios.sav', 'wb'))
# Claisificar las ocurrencias según parámetros; Actual, Consensys, Previous
clasificacion = fn.f_clasificacion_ocurrencia(datos)
#print(clasificacion)
# DataFrame de escenarios.
df_escenarios = fn.f_df_escenarios(datos_instrumento, clasificacion)
df_escenarios[df_escenarios.escenario == 'A']
#print(df_escenarios)