Refinitiv-api-samples/مثال

  • 2022-09-29

این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

  • محلی
  • مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، GitHub Desktop را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، GitHub Desktop را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

نمودار شمعدان را با استفاده از داده های پایان تاریخی کنه ایجاد کنید

این مثال نحوه استفاده از پایتون را برای درخواست پایان روزانه داده ها و تولید نمودارهای اساسی و نمودار شمعدان برای تجزیه و تحلیل تجارت نشان می دهد. در اصل ، نمودار شمعدان ژاپنی معمولاً برای نشان دادن حرکات در قیمت یک ابزار مالی به مرور زمان استفاده می شود. این در امور مالی محبوب است و برخی از استراتژی ها در تجزیه و تحلیل فنی بسته به شکل ، رنگ و موقعیت شمع ها از آنها برای تصمیم گیری در تجارت استفاده می کنند.

تاریخچه Refinitiv Tick (RTH) محصولی میزبان اینترنتی در پلت فرم انتخاب Datascope است که یک API REST را برای دسترسی بی نظیر به داده های با فرکانس بالا تاریخی در کلاسهای دارایی جهانی مربوط به سال 1996 فراهم می کند. توسعه دهنده پایتون می تواند از درخواست تقاضا برای بازیابی پایان استفاده کند. از داده های روز و سپس آنها می توانند از ابزارهای سری زمانی موجود در پایتون یا پاندا استفاده کنند تا با داده ها کار کنند و نمودار شمعدان را تولید کنند و میانگین متحرک را از داده های سری زمانی محاسبه کنند. توجه داشته باشید که این مثال موضوعات تحلیل فنی را پوشش نمی دهد.

در این مثال از HttpClient از Tornado Web Framework و کتابخانه Python JSON برای مدیریت یک پیام و پاسخ پاسخ HTTP استفاده می کند. ما همچنین باید از Pandas ، Matplotlib و CandleStick_Ohlc از کتابخانه MPL_FINANCE استفاده کنیم تا داده های سهام برگشتی از سرور تاریخی Tick را پردازش و تجسم کنیم. ما همچنین از یک متد استفاده از بسته Seaborn برای ترسیم یک هیستوگرام ساده برای دیدن توزیع قیمت استفاده می کنیم.

در این مثال سه مرحله اصلی وجود دارد، شروع از استفاده از REST API، بازیابی داده‌های سری زمانی و رسم نمودارها و ایجاد نمودار CandleStick.

  • مرحله 1 رمز دسترسی را از سرور تاریخی Tick دریافت کنید.
  • مرحله 2 از رمز دسترسی برای ارسال درخواست استخراج OnDemand برای بازیابی اطلاعات پایان روز از سرور استفاده کنید. بافر داده حاوی داده های خام در قالب CSV را برمی گرداند. ما باید از ابزار سری زمانی مانند پانداها استفاده کنیم تا داده ها را به دست آوریم و آنها را به دیتافریم تبدیل کنیم.
  • مرحله 3 تجسم داده های سهام با رسم نمودار CandleStick از قالب داده و محاسبه میانگین متحرک از داده ها و رسم آن در نمودار CandleStick برای تجزیه و تحلیل فنی.

رمز دسترسی را از سرور DSS دریافت کنید

با اشاره به آموزش از آموزش RTH REST API، برای دریافت نشانه دسترسی، باید پیام پست HTTP را به نقطه پایانی زیر ارسال کنیم و باید نام کاربری و رمز عبور DSS را در بدنه درخواست ارسال کند.

  • روش: POST

اگر خطایی رخ نداد، باید کد وضعیت HTTP 200 را دریافت کند. سپس باید رمز دسترسی را از محتوای پاسخ تجزیه کنیم. یک داده JSON در محتوای پاسخ وجود دارد و می‌توانیم Token را از مقدار نام فیلد بازیابی کنیم.

کدهای قطعه زیر تابع GetAuthenticationToken هستند که برای دریافت رمز دسترسی از سرور استفاده می کنیم. از AsyncHTTPClient از tornado httpclient برای ارسال درخواست HTTP به سرور TRTH استفاده می کند.

داده های سری زمانی پایان روز را از سرور TRTH بازیابی کنید

این مرحله استفاده از مثال در آموزش REST API 7 توضیح می‌دهد: استخراج در پایان روز درخواستی برای ارسال درخواست و پردازش پاسخ از سرور. در زیر تابع ExtractRaw است که ما برای بازیابی داده های TimeSeries ایجاد می کنیم.

تابع اصلی وجود دارد که کاربر می تواند پیام درخواست JSON را به روش ارسال کند. در زیر کدهای قطعه برای تابع اصلی و eodRequest حاوی بدنه درخواست json است. برای ایجاد نمودار CandleStick به تاریخ تجارت، باز، بالا، پایین و آخرین/بسته نیاز داریم. شما باید dss_Username و dss_Password را به نام کاربری و رمز عبور DSS خود تغییر دهید. همچنین ricname را به RIC مورد علاقه خود تغییر دهید.

برای اجرای تابع اصلیشما باید یک dss_Username و dss_Password معتبر در کدهای نمونه تنظیم کنید و لطفاً مطمئن شوید که مجوز استفاده از ElektronTimeSeriesExtractionRequest را دارید. می توانید متغیرهای ricName، startDate و endDate را مطابق با نیاز خود تغییر دهید.

اکنون داده های پایان روز را دریافت می کنیم و سپس با استفاده از ستون های کپی باز ، بالا ، پایین ، آخرین بار از داده های اصلی بازگردانده شده از سرور TRTH ، یک DataFrame جدید ایجاد خواهیم کرد و سپس آن را به عملکرد ما منتقل می کنیم تا نمودار/نمودار تولید شود. برای دیدن داده ها باید داده ها را با چاپ سر و دم DataFrame تأیید کنیم. و مرحله بعدی ما از داده ها برای ترسیم نمودارها و نمودارهای شمعدانی استفاده خواهیم کرد.

تجسم داده های سهام

یک نمودار خط بسته قیمت روزانه ساده را ترسیم کنید

ما می توانیم با استفاده از کدهای زیر یک نمودار خط ساده برای مقایسه قیمت باز و بسته ایجاد کنیم. برای تنظیم اندازه نمودار می توانید اندازه شکل را تغییر دهید.

linegraph1

نمودار خط نمونه برای آخرین قیمت از 01-01-2018 تا 05-08-2019.

قیمت بسته شدن روزانه و حجم سهام را ترسیم کنید

ممکن است بررسی حجم معاملات برای نشان دادن سنبله در معاملات مفید باشد. ما می توانیم یک نمودار نوار را در زیر نمودار خط برای قیمت نزدیک روزانه به عنوان یک زیرمجموعه اضافه کنیم تا حجم آن را نشان دهیم. من یک دوره زمانی را برای نمایش داده ها از سال 2018 کوتاه می کنم. می توانید آن را به هر دوره زمانی که جالب هستید تغییر دهید.

linegraphwithvolume

این نمودار نوار را برای حجم دیائلی در زیر نمودار خط به عنوان زیر نمودار تولید می کند.

برای دیدن نمودار برای مدت زمان خاص می توانید از دکمه Zoom و Pan از نوار ابزار در زیر نمودار استفاده کنید.

toolbar

با استفاده از دکمه بزرگنمایی برای بزرگنمایی نمودار. حجم به طور خودکار تنظیم می شود زیرا ما Shrex = بالا را در عملکرد Subplot2Grid تنظیم می کنیم.

linegraphwithvolumezoom

یک هیستوگرام از قیمت بسته شدن روزانه ایجاد کنید

یک هیستوگرام ممکن است برای کمک به بررسی قیمت های بسته شدن روزانه در طول زمان برای دیدن گسترش یا نوسانات و همچنین نوع توزیع مفید باشد. ما برای ترسیم نمودار از روش distplot seaborn استفاده می کنیم.

histogram1

در زیر هیستوگرام توسط عملکرد Distplot تولید می شود.

نمودار Candlestick OHLC را ترسیم کنید

مرحله بعدی ما با استفاده از روش candlestick_ohlc از کتابخانه mpl_finance یک شمعدان تولید خواهیم کرد. لطفاً توجه داشته باشید که از جزئیات موجود در این لینک ، ماژول matplotlib. finance در 2. 0 کاهش می یابد و به یک ماژول به نام MPL_FINANCE منتقل شده است. این هنوز کار می کند که ما نسخه MATPLOTLIB 2. 1. 2 را داشته باشیم اما این ممکن است کار در هر نسخه های بعدی را متوقف کند ، با این حال ، شما هنوز هم می توانید از ماژول MPL_FINANCE برای استفاده از این ویژگی استفاده کنید. توجه داشته باشید که MPL_FINANCE دیگر حفظ نمی شود.

برای تولید نمودار ، باید یک ستون DataFrame را که حاوی قیمت باز ، بالا ، پایین و نزدیک به روش است ، منتقل کنیم. و برخی از مراحل اضافی برای پیکربندی مکان و قالب بندی تیک قبل از ترسیم نمودار وجود دارد. از این رو ما این مراحل را به جای آن به یک عملکرد جدید اضافه خواهیم کرد تا بتواند قالب بندی و تولید نمودار را انجام دهد و سپس می توانیم از این عملکرد دوباره استفاده کنیم تا بعداً یک حرکت متوسط را ترسیم کنیم. توجه داشته باشید که عملکرد زیر بر اساس کدهای مثال ارائه شده در صفحه MATPLOTLIB ایجاد شده است.

ما باید با تابع pandas_candlestick_ohlc تماس بگیریم و از مرحله قبل یک DataFrame عبور کنیم تا نمودار شمعدانی ایجاد شود. از آنجا که ما ٪ Notebook MathPlotlib را به کدها اضافه می کنیم ، نوار ابزار را در زیر نمودار نشان می دهد تا بتوانید نمودار شمعدان را بزرگنمایی و تابه کنید. و همچنین می توانید تاریخ شروع و پایان را در df_adjustohlc. loc [] تغییر دهید تا یک نمودار در Peroid خاص مشاهده شود.

candlestick1

این نمودار شمعدان زیر را نشان می دهد.

candlestickzoom1

نمودار شمعدان از یک پراید کوتاه تر.

از یک نمودار شمعدانی (بزرگنمایی نمودار) ، یک شمعدان سبز روزی را نشان می دهد که قیمت بسته شدن از باز (افزایش) بالاتر بود ، در حالی که یک شمعدان قرمز نشانگر روزی است که در آن باز بالاتر از نزدیک (ضرر) بود. فتیله ها نشانگر بالا و پایین و بدن باز و بسته هستند (رنگ برای تعیین اینکه کدام انتهای بدن باز است و کدام یک از آنها نزدیک است) استفاده می شود. می توانید رنگ را در عملکرد pandas_candlestick_ohlc که ما ایجاد کرده ایم تغییر دهید. و همانطور که قبلاً گفتم ، کاربر می تواند از نمودارهای شمعدانی برای تجزیه و تحلیل فنی استفاده کند و بسته به شکل ، رنگ و موقعیت شمع ها از آنها برای تصمیم گیری در تجارت استفاده کند. ما در این مثال تجزیه و تحلیل فنی را پوشش نخواهیم داد.

میانگین متحرک ساده را به نمودار اضافه کنید

سرانجام ، ما یک میانگین متحرک (MA) را به نمودار شمعدان اضافه خواهیم کرد. MA یک شاخص گسترده در تجزیه و تحلیل فنی است که با فیلتر کردن "نویز" از نوسانات قیمت کوتاه مدت تصادفی ، به صاف کردن عملکرد قیمت کمک می کند. این یک نشانگر روند پیروی یا عقب مانده است زیرا بر اساس قیمت های گذشته است. دو میانگین متحرک اساسی و معمولاً مورد استفاده ، میانگین حرکت ساده (SMA) است که میانگین ساده امنیت در طول تعداد مشخصی از دوره های زمانی و میانگین متحرک نمایی (EMA) است که وزن بیشتری به قیمت های اخیر می دهدوادتوجه داشته باشید که این مثال فقط از SMA استفاده می کند. متداول ترین کاربردهای میانگین های متحرک شناسایی جهت روند و تعیین سطح پشتیبانی و مقاومت است. بعد از اینکه نمودار شمعدان را گرفتیم ، زمان آن رسیده است که میانگین های متحرک را محاسبه کرده و به نمودار شمعدان بپردازیم.

در اصل ، پاندا عملکردی را برای محاسبه به راحتی میانگین های متحرک ساده فراهم می کند. کدهای زیر یک میانگین حرکت 20 روزه از قیمت نزدیک تنظیم شده از قاب داده و ترسیم آن در کنار سهام ایجاد می کنند.

candlesticksma20d

و در زیر نمودار شمعدان با نمودار خط 20 روز SMA قرار دارد.

میانگین حرکت به دلیل اینکه بر اساس قیمت های گذشته استوار است ، عقب مانده است. هرچه مدت زمان میانگین متحرک طولانی تر باشد ، تاخیر بیشتر می شود. بنابراین ، یک کارشناسی ارشد 200 روزه نسبت به یک کارشناسی ارشد 20 روزه درجه بسیار بیشتری خواهد داشت زیرا برای 200 روز گذشته قیمت دارد.

طول میانگین متحرک برای استفاده بستگی به اهداف معاملاتی دارد ، با میانگین های کوتاه تر حرکت شده برای معاملات کوتاه مدت و میانگین های متحرک طولانی مدت مناسب تر برای سرمایه گذاران بلند مدت است. MA های 50 روزه و 200 روزه به طور گسترده توسط سرمایه گذاران و بازرگانان دنبال می شوند ، با شکستن بالاتر و پایین تر از این میانگین متحرک که سیگنال های تجاری مهم هستند.

کدهای زیر از نمودار شمعدانی تولید شده با چندین بار برای SMA (20 روزه ، 50 روز ، 75 روز و 200 روز) استفاده می کنند.

candlestickmultisma

و در زیر نمودار جدیدی با نمودار خطوط SMA چند نوع وجود دارد.

انواع دیگری از میانگین متحرک وجود دارد که کاربر می تواند با DataFrame برای محاسبه مقدار متوسط استفاده کند. بسیاری از بسته های منبع باز Python روش محاسبه MA و TA-Lib یکی از کتابخانه هایی است که از محاسبه پشتیبانی می کند و ممکن است شما آن را با داده های API داده Eikon امتحان کنید. با این حال ، ما در این مثال پوشش نمی دهیم.

این مثال مرحله ای را برای استفاده از پایتون برای بازیابی داده های سری زمانی پایان روز از سرور تاریخی Tick و رسم داده ها بر روی انواع مختلف نمودار ارائه می دهد. همچنین یک تابع نمونه برای رسم نمودار CandleStick با میانگین متحرک برای تحلیل تکنیکال ارائه می دهد. کاربر می‌تواند کدها/الگوریتم خود را اضافه کند و تابع را تغییر دهد تا نموداری مطابق با نیاز خود ایجاد کند و ممکن است از یک کتابخانه خارجی برای محاسبه میانگین متحرک و نمودار به نمودار استفاده کند. نمودارها باید از نظر تحلیل تکنیکال قیمت سهام بنیادی مفید باشند. کاربر می تواند از نمودارها/نمودار برای شناسایی فرصت های معاملاتی در روند قیمت و الگوهای مشاهده شده در نمودارها استفاده کند.

در باره

این مثال نحوه استفاده از پایتون را برای درخواست داده های پایان روز روزانه و تولید نمودارهای پایه و نمودار CandleSticks برای تجزیه و تحلیل فنی نشان می دهد.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.