加密货币回测：Binance与OKX平台策略模拟指南

bash pip install python-binance pandas numpy

from binance.client import Client import pandas as pd

apikey = "YOURAPIKEY" apisecret = "YOURAPISECRET"

client = Client(apikey, apisecret)

klines = client.gethistoricalklines("BTCUSDT", Client.KLINEINTERVAL1HOUR, "1 Jan, 2023", "1 Jan, 2024")

df = pd.DataFrame(klines, columns=['opentime', 'open', 'high', 'low', 'close', 'volume', 'closetime', 'quoteassetvolume', 'numberoftrades', 'takerbuybaseassetvolume', 'takerbuyquoteassetvolume', 'ignore'])

df['opentime'] = pd.todatetime(df['opentime']/1000, unit='s') df['closetime'] = pd.todatetime(df['closetime']/1000, unit='s')

df.setindex('opentime', inplace=True)

df = df.astype(float)

print(df.head())

示例：简单移动平均线（SMA）交易策略

本示例展示了一个使用简单移动平均线（SMA）的加密货币交易策略。SMA是一种常用的技术指标，用于平滑价格数据，识别趋势方向。

计算20日简单移动平均线：

df['SMA_20'] = df['close'].rolling(window=20).mean()

这行代码使用 rolling() 函数计算过去20个交易日收盘价的平均值，并将结果存储在名为 SMA_20 的新列中。 window=20 指定了移动窗口的大小。 mean() 函数计算窗口内收盘价的平均值。

初始化交易参数：

position = 0 # 0: no position, 1: long position

position 变量用于跟踪当前持仓状态。 0表示没有持仓（空仓），1表示持有仓位（多仓）。

balance = 1000 # 初始资金

balance 变量表示初始资金，在本例中为1000。

trade_history = []

trade_history 列表用于存储交易记录，包括买入和卖出时间、价格和账户余额。

交易逻辑：

for i in range(20, len(df)):

此循环遍历DataFrame，从第20个交易日开始，因为需要至少20个数据点才能计算SMA。

if position == 0 and df['close'][i] > df['SMA_20'][i]:

这是一个买入信号。如果当前没有持仓 ( position == 0 ) 并且当前收盘价高于20日SMA ( df['close'][i] > df['SMA_20'][i] )，则执行买入操作。这意味着价格可能处于上升趋势。

position = 1

将持仓状态更新为1，表示持有仓位。

buy_price = df['close'][i]

记录买入价格。

balance = balance * 0.999 # 手续费

扣除交易手续费，这里假设手续费为0.1%。

trade_history.append({'time': df.index[i], 'type': 'buy', 'price': buy_price, 'balance': balance})

将买入交易记录添加到 trade_history 列表中，包括时间、交易类型、价格和余额。

elif position == 1 and df['close'][i] < df['SMA_20'][i]:
    # 卖出信号
    position = 0
    sell_price = df['close'][i]
    balance = balance * (sell_price / buy_price) * 0.999 # 手续费
    trade_history.append({'time': df.index[i], 'type': 'sell', 'price': sell_price, 'balance': balance})

这是一个卖出信号。如果当前持有仓位 ( position == 1 ) 并且当前收盘价低于20日SMA ( df['close'][i] < df['SMA_20'][i] )，则执行卖出操作。这意味着价格可能处于下降趋势。

position = 0

将持仓状态更新为0，表示没有持仓。

sell_price = df['close'][i]

记录卖出价格。

balance = balance * (sell_price / buy_price) * 0.999 # 手续费

计算卖出后的余额，并扣除交易手续费。余额的计算方式是将当前余额乘以卖出价格与买入价格的比率，然后再乘以(1-手续费率)。

trade_history.append({'time': df.index[i], 'type': 'sell', 'price': sell_price, 'balance': balance})

将卖出交易记录添加到 trade_history 列表中，包括时间、交易类型、价格和余额。

输出结果：

print(f"Final Balance: {balance}")

输出最终余额。

print(trade_history)

输出完整的交易历史记录。

bash pip install okx pandas numpy

import okx.Trade as Trade import okx.Account as Account import okx.MarketData as Market import pandas as pd import datetime

替换为您的实际 API 密钥、私钥和密码短语

apiKey = "YOUR API KEY"
secretKey = "YOUR SECRET KEY"
passphrase = "YOUR_PASSPHRASE"

marketData = Market.MarketAPI(apiKey, secretKey, passphrase, False) # False 用于真实交易，True 用于模拟交易。请务必根据您的交易环境设置此标志。

instrument id = "BTC-USDT"
candle interval = "1H"
start time = datetime.datetime(2023, 1, 1).isoformat(timespec='seconds') + 'Z'
end time = datetime.datetime(2024, 1, 1).isoformat(timespec='seconds') + 'Z'

params = {
"instId": instrument id, # 合约ID，例如BTC-USDT。
"bar": candle interval, # K线周期，例如1H (1小时), 1D (1天), 5m (5分钟)。常见选项包括1m, 5m, 15m, 30m, 1H, 4H, 1D, 1W, 1M。
"begin": start time, # 开始时间，ISO 8601格式，例如 '2023-01-01T00:00:00Z'。
"end": end time, # 结束时间，ISO 8601格式，例如 '2024-01-01T00:00:00Z'。
}

data = marketData.get history candlesticks(**params) # 使用提供的参数获取历史K线数据。请注意，API调用频率可能有限制。

df = pd.DataFrame(data['data'], columns=['ts', 'open', 'high', 'low', 'close', 'vol', 'volCcy', 'volCcyQuote', 'confirm']) # 将API返回的数据转换为 Pandas DataFrame，并指定列名。

df['ts'] = pd.to datetime(df['ts']/1000, unit='s') # 将时间戳 (ts) 列转换为 datetime 对象。 原始时间戳以毫秒为单位，因此除以 1000 转换为秒。
df.set index('ts', inplace=True) # 将 'ts' 列设置为 DataFrame 的索引。 inplace=True 表示修改原始 DataFrame。

df = df.astype(float) # 将 DataFrame 中的所有列转换为 float 类型。 确保后续的数值计算正确进行。

print(df.head()) # 打印 DataFrame 的前几行，以便快速查看数据。

示例：简单均线策略

本策略演示如何利用简单移动平均线（SMA）进行交易决策。计算收盘价的20日简单移动平均线，并将其存储在DataFrame的'SMA_20'列中。

df['SMA_20'] = df['close'].rolling(window=20).mean()

策略中使用 position 变量来跟踪当前持仓状态。0表示没有持仓，1表示持有长仓。

position = 0 # 0: no position, 1: long position

balance 变量表示初始资金。在本例中，初始资金设置为1000。

balance = 1000 # 初始资金

trade_history 列表用于记录每次交易的详细信息，包括交易时间、类型（买入或卖出）、价格和交易后的资金余额。

trade_history = []

通过循环遍历DataFrame，从第20个数据点开始（因为需要至少20个数据点来计算SMA），根据以下规则进行交易：

for i in range(20, len(df)):

如果当前没有持仓（ position == 0 ）并且收盘价高于20日SMA（ df['close'][i] > df['SMA_20'][i] ），则发出买入信号。此时，将 position 设置为1，记录买入价格，并计算扣除手续费后的资金余额。手续费设置为0.1%。交易记录添加到 trade_history 中。

if position == 0 and df['close'][i] > df['SMA_20'][i]: # 买入信号 position = 1 buy_price = df['close'][i] balance = balance * 0.999 # 手续费 trade_history.append({'time': df.index[i], 'type': 'buy', 'price': buy_price, 'balance': balance})

如果当前持有长仓（ position == 1 ）并且收盘价低于20日SMA（ df['close'][i] < df['SMA_20'][i] ），则发出卖出信号。此时，将 position 设置为0，记录卖出价格，并计算扣除手续费后的资金余额。卖出所得收益将根据买入价格和卖出价格之间的差额进行计算。交易记录添加到 trade_history 中。

elif position == 1 and df['close'][i] < df['SMA_20'][i]:
    # 卖出信号
    position = 0
    sell_price = df['close'][i]
    balance = balance * (sell_price / buy_price) * 0.999 # 手续费
    trade_history.append({'time': df.index[i], 'type': 'sell', 'price': sell_price, 'balance': balance})

循环结束后，打印最终资金余额和交易历史记录。

print(f"Final Balance: {balance}") print(trade_history)