在本教程中，教你如何設置和使用 Python/ target=_blank class=infotextkey>Pythonic 來編程。它是一個圖形化編程工具，用戶可以很容易地使用現成的函數模塊創建 Python 程序。
然而，不像紐約證券交易所這樣的傳統證券交易所一樣，有一段固定的交易時間。對于加密貨幣而言，則是 7×24 小時交易，這使得任何人都無法獨自盯著市場。
在以前，我經常思考與加密貨幣交易相關的問題：
- 一夜之間發生了什么？
- 為什么沒有日志記錄？
- 為什么下單？
- 為什么不下單？
通常的解決手段是使用加密交易機器人，當在你做其他事情時，例如睡覺、與家人在一起或享受空閑時光，代替你下單。雖然有很多商業解決方案可用，但是我選擇開源的解決方案，因此我編寫了加密交易機器人 Pythonic。 正如去年我寫過的文章一樣，&ldquo
ythonic 是一種圖形化編程工具，它讓用戶可以輕松使用現成的函數模塊來創建 Python 應用程序。” 最初它是作為加密貨幣機器人使用，并具有可擴展的日志記錄引擎以及經過精心測試的可重用部件，例如調度器和計時器。
開始
本教程將教你如何開始使用 Pythonic 進行自動交易。我選擇 幣安Binance 交易所的波場Tron 與比特幣Bitcoin 交易對為例。我之所以選擇這個加密貨幣對，是因為它們彼此之間的波動性大，而不是出于個人喜好。
機器人將根據 指數移動平均exponential moving averages （EMA）來做出決策。
TRX/BTC 1 小時 K 線圖
EMA 指標通常是一個加權的移動平均線，可以對近期價格數據賦予更多權重。盡管移動平均線可能只是一個簡單的指標，但我對它很有經驗。
上圖中的紫色線顯示了 EMA-25 指標（這表示要考慮最近的 25 個值）。
機器人監視當前的 EMA-25 值（t0）和前一個 EMA-25 值（t-1）之間的差距。如果差值超過某個值，則表示價格上漲，機器人將下達購買訂單。如果差值低于某個值，則機器人將下達賣單。
差值將是做出交易決策的主要指標。在本教程中，它稱為交易參數。
工具鏈
將在本教程使用如下工具：
- 幣安專業交易視圖（已經有其他人做了數據可視化，所以不需要重復造輪子）
- Jupyter 筆記本：用于數據科學任務
- Pythonic：作為整體框架
- PythonicDaemon ：作為終端運行（僅適用于控制臺和 linux）
數據挖掘
為了使加密貨幣交易機器人盡可能做出正確的決定，以可靠的方式獲取資產的美國線open-high-low-close chart（OHLC）數據是至關重要。你可以使用 Pythonic 的內置元素，還可以根據自己邏輯來對其進行擴展。
一般的工作流程：
- 與幣安時間同步
- 下載 OHLC 數據
- 從文件中把 OHLC 數據加載到內存
- 比較數據集并擴展更新數據集
這個工作流程可能有點夸張，但是它能使得程序更加健壯，甚至在停機和斷開連接時，也能平穩運行。
一開始，你需要 幣安 OHLC 查詢Binance OHLC Query 元素和一個基礎操作Basic Operation 元素來執行你的代碼。
數據挖掘工作流程
OHLC 查詢設置為每隔一小時查詢一次 TRXBTC資產對（波場/比特幣）。
配置 OHLC 查詢元素
其中輸出的元素是 Pandas DataFrame。你可以在基礎操作元素中使用輸入input 變量來訪問 DataFrame。其中，將 Vim 設置為基礎操作元素的默認代碼編輯器。
使用 Vim 編輯基礎操作元素
具體代碼如下：
import pickle, pathlib, os
import pandas as pd
outout = None
if isinstance(input, pd.DataFrame):
file_name = 'TRXBTC_1h.bin'
home_path = str(pathlib.Path.home)
data_path = os.path.join(home_path, file_name)
try:
df = pickle.load(open(data_path, 'rb'))
n_row_cnt = df.shape[0]
df = pd.concat([df,input], ignore_index=True).drop_duplicates(['close_time'])
df.reset_index(drop=True, inplace=True)
n_new_rows = df.shape[0] - n_row_cnt
log_txt = '{}: {} new rows written'.format(file_name, n_new_rows)
except:
log_txt = 'File error - writing new one: {}'.format(e)
df = input
pickle.dump(df, open(data_path, "wb" ))
output = df
首先，檢查輸入是否為 DataFrame 元素。然后在用戶的家目錄（~/）中查找名為TRXBTC_1h.bin的文件。如果存在，則將其打開，執行新代碼段（try部分中的代碼），并刪除重復項。如果文件不存在，則觸發異常并執行except部分中的代碼，創建一個新文件。
只要啟用了復選框 日志輸出log output，你就可以使用命令行工具tail查看日志記錄：
$ tail -f ~/Pythonic_2020/Feb/log_2020_02_19.txt
出于開發目的，現在跳過與幣安時間的同步和計劃執行，這將在下面實現。
準備數據
下一步是在單獨的 網格Grid 中處理評估邏輯。因此，你必須借助返回元素Return element 將 DataFrame 從網格 1 傳遞到網格 2 的第一個元素。
在網格 2 中，通過使 DataFrame 通過 基礎技術分析Basic Technical Analysis 元素，將 DataFrame 擴展包含 EMA 值的一列。
在網格 2 中技術分析工作流程
配置技術分析元素以計算 25 個值的 EMA。
配置技術分析元素
當你運行整個程序并開啟 技術分析Technical Analysis 元素的調試輸出時，你將發現 EMA-25 列的值似乎都相同。
輸出中精度不夠
這是因為調試輸出中的 EMA-25 值僅包含六位小數，即使輸出保留了 8 個字節完整精度的浮點值。
為了能進行進一步處理，請添加 基礎操作元素：
網格 2 中的工作流程
使用 基礎操作元素，將 DataFrame 與添加的 EMA-25 列一起轉儲，以便可以將其加載到 Jupyter 筆記本中；
將擴展后的 DataFrame 存儲到文件中
評估策略
在 Juypter 筆記本中開發評估策略，讓你可以更直接地訪問代碼。要加載 DataFrame，你需要使用如下代碼：
用全部小數位表示
你可以使用 iloc和列名來訪問最新的 EMA-25 值，并且會保留所有小數位。
你已經知道如何來獲得最新的數據。上面示例的最后一行僅顯示該值。為了能將該值拷貝到不同的變量中，你必須使用如下圖所示的 .at方法方能成功。
你也可以直接計算出你下一步所需的交易參數。
買賣決策
確定交易參數
如上面代碼所示，我選擇 0.009 作為交易參數。但是我怎么知道 0.009 是決定交易的一個好參數呢？ 實際上，這個參數確實很糟糕，因此，你可以直接計算出表現最佳的交易參數。
假設你將根據收盤價進行買賣。
回測功能
在此示例中，buy_factor和sell_factor是預先定義好的。因此，發散思維用直接計算出表現最佳的參數。
嵌套的 for 循環，用于確定購買和出售的參數
這要跑 81 個循環（9x9），在我的機器（Core i7 267QM）上花費了幾分鐘。
在暴力運算時系統的利用率
在每個循環之后，它將 buy_factor、sell_factor元組和生成的profit元組追加到trading_factors列表中。按利潤降序對列表進行排序。
將利潤與相關的交易參數按降序排序
當你打印出列表時，你會看到 0.002 是最好的參數。
交易要素和收益的有序列表
當我在 2020 年 3 月寫下這篇文章時，價格的波動還不足以呈現出更理想的結果。我在 2 月份得到了更好的結果，但即使在那個時候，表現最好的交易參數也在 0.002 左右。
分割執行路徑
現在開始新建一個網格以保持邏輯清晰。使用 返回元素將帶有 EMA-25 列的 DataFrame 從網格 2 傳遞到網格 3 的 0A 元素。
在網格 3 中，添加 基礎操作元素以執行評估邏輯。這是該元素中的代碼：
實現評估策略
如果輸出 1表示你應該購買，如果輸出2則表示你應該賣出。 輸出0表示現在無需操作。使用分支Branch 元素來控制執行路徑。
分支元素：網格 3，2A 位置
因為 0和-1的處理流程一樣，所以你需要在最右邊添加一個分支元素來判斷你是否應該賣出。
分支元素：網格 3，3B 位置
網格 3 應該現在如下圖所示：
網格 3 的工作流程
下單
由于無需在一個周期中購買兩次，因此必須在周期之間保留一個持久變量，以指示你是否已經購買。
你可以利用 棧Stack 元素來實現。顧名思義，棧元素表示可以用任何 Python 數據類型來放入的基于文件的棧。
你需要定義棧僅包含一個布爾類型，該布爾類型決定是否購買了（True）或（False）。因此，你必須使用False來初始化棧。例如，你可以在網格 4 中簡單地通過將False傳遞給棧來進行設置。
將 False 變量傳輸到后續的棧元素中
在分支樹后的棧實例可以進行如下配置：
設置棧元素
在棧元素設置中，將 對輸入的操作Do this with input 設置成 無Nothing。否則，布爾值將被 1或0覆蓋。
該設置確保僅將一個值保存于棧中（True或False），并且只能讀取一個值（為了清楚起見）。
在棧元素之后，你需要另外一個 分支元素來判斷棧的值，然后再放置 幣安訂單Binance Order 元素。
判斷棧中的變量
將幣安訂單元素添加到分支元素的 True路徑。網格 3 上的工作流現在應如下所示：
網格 3 的工作流程
幣安訂單元素應如下配置：
編輯幣安訂單元素
你可以在幣安網站上的帳戶設置中生成 API 和密鑰。
在幣安賬戶設置中創建一個 API 密鑰
在本文中，每筆交易都是作為市價交易執行的，交易量為 10,000 TRX（2020 年 3 月約為 150 美元）（出于教學的目的，我通過使用市價下單來演示整個過程。因此，我建議至少使用限價下單。）
如果未正確執行下單（例如，網絡問題、資金不足或貨幣對不正確），則不會觸發后續元素。因此，你可以假定如果觸發了后續元素，則表示該訂單已下達。
這是一個成功的 XMRBTC 賣單的輸出示例：
成功賣單的輸出
該行為使后續步驟更加簡單：你可以始終假設只要成功輸出，就表示訂單成功。因此，你可以添加一個 基礎操作元素，該元素將簡單地輸出True并將此值放入棧中以表示是否下單。
如果出現錯誤的話，你可以在日志信息中查看具體細節（如果啟用日志功能）。
幣安訂單元素中的輸出日志信息
調度和同步
對于日程調度和同步，請在網格 1 中將整個工作流程置于 幣安調度器Binance Scheduler 元素的前面。
在網格 1，1A 位置的幣安調度器
由于幣安調度器元素只執行一次，因此請在網格 1 的末尾拆分執行路徑，并通過將輸出傳遞回幣安調度器來強制讓其重新同步。
網格 1：拆分執行路徑
5A 元素指向 網格 2 的 1A 元素，并且 5B 元素指向網格 1 的 1A 元素（幣安調度器）。
部署
你可以在本地計算機上全天候 7×24 小時運行整個程序，也可以將其完全托管在廉價的云系統上。例如，你可以使用 Linux/FreeBSD 云系統，每月約 5 美元，但通常不提供圖形化界面。如果你想利用這些低成本的云，可以使用 PythonicDaemon，它能在終端中完全運行。
PythonicDaemon 控制臺
PythonicDaemon 是基礎程序的一部分。要使用它，請保存完整的工作流程，將其傳輸到遠程運行的系統中（例如，通過安全拷貝協議Secure Copy SCP），然后把工作流程文件作為參數來啟動 PythonicDaemon：
$ PythonicDaemon trading_bot_one
為了能在系統啟動時自啟 PythonicDaemon，可以將一個條目添加到 crontab 中：
# crontab -e
在 Ubuntu 服務器上的 Crontab
下一步
正如我在一開始時所說的，本教程只是自動交易的入門。對交易機器人進行編程大約需要 10％ 的編程和 90％ 的測試。當涉及到讓你的機器人用金錢交易時，你肯定會對編寫的代碼再三思考。因此，我建議你編碼時要盡可能簡單和易于理解。
如果你想自己繼續開發交易機器人，接下來所需要做的事：
- 收益自動計算（希望你有正收益！）
- 計算你想買的價格
- 比較你的預訂單（例如，訂單是否填寫完整？）
你可以從 GitHub上獲取完整代碼。
via: https://opensource.com/article/20/4/python-crypto-trading-bot
作者：Stephan Avenwedde 選題：lujun9972譯者：wyxplus校對：wxy
本文由 LCTT原創編譯，Linux中國榮譽推出
