-
Notifications
You must be signed in to change notification settings - Fork 0
/
datos.py
148 lines (120 loc) · 6.21 KB
/
datos.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
"""
@author: Andres Fernando Guaca
"""
import pandas as pd
import talib
import inspect
import re
import zigzag
import numpy as np
class data_coin(object):
def __init__(self, coin="BTC_LTC",periodo=7200,
inicio_train="2016-06-01 00:00:00", fin_train="2018-04-01 00:00:00",
inicio_test="2018-04-01 00:00:00", fin_test="2018-05-28 00:00:00",pas=15,cb=5):
"""
Esta clase realiza la lectura de datos desde https://poloniex.com/ y crea los datos necesarios para este proyecto.
coin: valor de la criptomoneda a analizar respecto de otra (por ejemplo: BTC_LTC, BTC_ETC, etc.)
periodo: periodo de los datos a analizar (valores válidos: 300, 900, 1800, 7200, 14400 y 86400).
inicio_train: fecha de inicio de los datos de entrenamiento.
fin_train: fecha de fin de los datos de entrenamiento.
inicio_test: fecha de inicio de los datos de prueba.
fin_test: fecha de fin de los datos de prueba.
pas: número de retardos para los datos de retorno y volumen.
Cb: cantidad de valores absolutos de la media que se toman como objetivo de la tendencia.
"""
self.coin=coin
self.pas=pas
self.inicio_train=inicio_train
self.fin_train=fin_train
self.inicio_test=inicio_test
self.fin_test=fin_test
self.cb=cb
self.file="https://poloniex.com/public?command=returnChartData¤cyPair="+coin+\
"&start="+str(1451610000)+"&end=9999999999&period="+str(periodo)
def argumentos(self,funcion):
reg =re.compile( "^ *" + funcion.__name__+ "\(([^)]+)\).*",\
flags = re.DOTALL | re.MULTILINE).match(funcion.__doc__).group(1)
arg=re.sub('[\[ ?=\]]', '', reg)
arg=re.split('[,]+',arg, flags=re.IGNORECASE)
return arg
def contructor(self,funcion,maximo=50,salto=2):
arg=self.argumentos(eval('talib.'+funcion))
constante=[];variable=[];fun=[]
for i in arg:
if i=='real' or i=='open' or i=='high' or i=='low' or i=='close' or i=='volume':
constante.append(i)
elif i== 'fastperiod' or i=='slowperiod' or i=='timeperiod':
variable.append(i)
texcos=[str(x) for x in constante]
if len(variable)==1:
texvar=[str(variable[0])+'='+str(x) for x in range(2,maximo,salto)]
elif len(variable)==2:
texvar=[]
for i in range(2,maximo,salto):
for k in range(i,maximo,salto):
texvar.append(str(variable[0])+'='+str(i)+','+str(variable[1])+'='+str(k))
else:
texvar=[]
if len(texvar)!=0:
fun=['talib.'+funcion+'('+', '.join(texcos+[i])+')' for i in texvar]
else:
fun=['talib.'+funcion+'('+', '.join(texcos)+')']
return fun
def objetivo(self,datos):
close=datos["close"].as_matrix()
cambio=datos["close"].pct_change().abs().mean()*self.cb
pivots=zigzag.peak_valley_pivots(close, cambio, cambio*-1)
movimiento=zigzag.pivots_to_modes(pivots)
return movimiento
def indicadores(self,datos):
rt=pd.DataFrame(datos["close"].pct_change()).rename(columns={"close":"rt"})
obj=pd.DataFrame(self.objetivo(datos)).rename(columns={0:"Tendencia"})
salida = pd.concat([datos[["date","high","low","close","volume","open"]], rt,obj], axis=1)
for i in range(1,self.pas):
resultado=salida[["rt","volume"]].shift(i) ##[["rt","high","low","close","volume"]]
columnas=list(resultado.columns)
nombres=[columnas[k]+"_"+str(i) for k in range(len(columnas))]
resultado.columns=nombres
salida = pd.concat([salida, resultado], axis=1)
high=datos["high"].as_matrix()
low=datos["low"].as_matrix()
close=datos["close"].as_matrix()
real=datos["close"].as_matrix()
volume=datos["volume"].as_matrix()
open=datos["open"].as_matrix()
open, high, low,close, real, volume
indicadores=inspect.getmembers(talib)[165][1]['Pattern Recognition']#[0:0]
for f in indicadores:
cal_ind=pd.DataFrame(eval("talib."+f+"(open, high, low,close)")).shift(1)
cal_ind.columns=[f]
salida=pd.concat([salida, cal_ind], axis=1)
rsi=self.contructor("RSI")
for f in range(0,len(rsi)):
cal_ind=pd.DataFrame(eval(rsi[f])).shift(1)
cal_ind.columns=["rsi_"+str(f)]
salida=pd.concat([salida, cal_ind], axis=1)
emac=self.contructor("MACD")
for f in range(0,len(emac)):
cal_ind=pd.DataFrame(eval(emac[f])[0]).shift(1)
cal_ind.columns=["macd1_"+str(f)]
cal_ind_1=pd.DataFrame(eval(emac[f])[1]).shift(1)
cal_ind_1.columns=["macd2_"+str(f)]
cal_ind_2=pd.DataFrame(eval(emac[f])[2]).shift(1)
cal_ind_2.columns=["macd3_"+str(f)]
salida=pd.concat([salida, cal_ind,cal_ind_1,cal_ind_2], axis=1)
correlacion=salida.corr()
borrar=[]
for i in range(len(correlacion.columns)):
for k in range(i,len(correlacion.columns)):
if np.isnan(correlacion.iloc[i,k]) and i==k:
borrar.append(correlacion.columns[k])
else:
if i!=k and correlacion.iloc[i,k]>0.99:
borrar.append(correlacion.columns[k])
salida=salida[list((set(salida.columns)-set(borrar)) | {"Tendencia",'date', 'high', 'low', 'close', 'volume', 'open', 'rt'})]
return salida[(salida.date>=self.inicio_train) & (salida.date<self.fin_train)], salida[(salida.date>=self.inicio_test) & (salida.date<=self.fin_test)]
def run(self):
datos = pd.read_json(self.file)
return self.indicadores(datos)
#A=data_coin().run()
#real=A[0]["open"].as_matrix()