Advertisement

OKEX的深度学习全自动交易程序，基于15分钟K线和增量成交量做出合理买卖决策

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：OKEX的深度学习全自动交易程序利用15分钟K线图及增量成交量数据，通过智能算法分析市场趋势，自动执行高效、合理的买入与卖出操作，提升交易效率。 deeplearning OKEX 全自动交易程序针对15分钟线进行操作，使用增量成交量作为依据，买卖决策非常合理。该程序涉及的期货包括：BTC、ETH、BSV、BCH、DOT、FIL、LTC、DASH、EOS、ETC、DOGE、KSM、TRX、LINK、YFI、YFII和SUSHI。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • OKEX的深度学习全自动交易程序，基于15分钟K线和增量成交量做出合理买卖决策
    优质
    简介：OKEX的深度学习全自动交易程序利用15分钟K线图及增量成交量数据，通过智能算法分析市场趋势，自动执行高效、合理的买入与卖出操作，提升交易效率。 deeplearning OKEX 全自动交易程序针对15分钟线进行操作，使用增量成交量作为依据，买卖决策非常合理。该程序涉及的期货包括：BTC、ETH、BSV、BCH、DOT、FIL、LTC、DASH、EOS、ETC、DOGE、KSM、TRX、LINK、YFI、YFII和SUSHI。
     
  • OKEx-Grid：基于OKEx平台的币币网格交易策略量化项目
    优质
    OKEx-Grid是一款专为OKEx平台设计的自动化加密货币交易工具，采用网格交易策略帮助用户在波动市场中捕捉收益机会。 要使用OKEx平台的币币网格交易策略量化项目（Node.js版本），请按照以下步骤操作： 1. 将项目克隆到本地并进入项目目录： ``` git clone https://github.com/handoing/okex-grid cd okex-grid ``` 2. 如果是第一次使用，需要执行以下命令来填写账号配置数据。如果已经配置好，则可以跳至第4步。 ``` npm install npm run init ``` 3. 执行 `npm run init` 命令后会生成一个名为 `user.json` 的文件，该文件用于存储用户账户信息： ```json { apiKey: , // 从OKEx申请的API密钥 secretKey: , // 对应的Secret Key passphrase: // 创建API时设置的安全密码短语 } ``` 4. 接下来，需要根据需求修改交易配置文件 `config.json`。
     
  • Python量化交易学习记录（20）——保护性卖出场策略
    优质
    本篇为Python量化交易系列教程第二十篇，主要介绍如何利用编程实现保护性卖出策略，帮助投资者在市场波动中锁定利润、控制风险。通过实例代码展示该策略的实施过程与关键参数调整方法。 本段落主要记录保护点卖出策略，为买入的股票设立一个保护点。随着股票收盘价上升，逐步提高保护点；一旦股价跌破该设定值，则立即卖出股票。示例中的买入条件是当5日线与60日线形成金叉，并且股价出现小幅回踩（较金叉日前一日收盘价格下跌1%）时触发。而卖出的依据则是股价跌穿了预先设置好的保护点。 初始设立的保护点等于买入当天股票的收盘价减去一个资金撤退值，这里将撤退率设定为5%。在后续交易中，若股票收盘价格上涨，则更新该保护点；如果股价下跌，则维持原有的保护水平不变。回测使用的起始资金量是10万元人民币，每次操作单笔买入或卖出的股数固定为1,000股，并且每笔交易需支付千分之一的佣金费用。整个策略的有效测试时间段是从2018年1月1日到2020年3月20日。 该保护点卖出策略的核心代码位于“next”方法中，通过此函数可以实现对股票买卖操作的具体执行逻辑。
     
  • Python量化交易学习笔记（18）——基于放量突破布林线中轨的买入策略
    优质
    本篇笔记介绍了利用Python进行量化交易的一个实例，具体阐述了当股票成交量放大并突破布林带中轨时触发买入信号的策略。通过代码实现和回测分析，帮助读者理解和应用该技术指标于实际投资决策中。 本段落将探讨一种新的策略回测程序，在backtrader平台上试验不同的技术指标的应用，并为后续复杂策略的实现打下基础。文中所述策略的具体操作是：当股票放量突破布林线中轨时进行买入，而当收盘价低于短期均线（这里指5日线）时则卖出。在具体的交易条件上，“放量突破”指的是当日开盘价位于布林带中轨之下，但到了收盘价格却高于该位置，并且当天的成交量是近10天以来最大的一次。回测将使用初始资金为10万元人民币，每次操作买入或卖出的数量设定为1,000股，交易佣金率为千分之一。整个测试的时间跨度从2018年1月1日到2020年3月20日。 策略的核心代码位于init方法中： ```python def __init__(self): ``` 这一段描述了如何在backtrader平台上实现特定的交易逻辑，以验证技术指标的有效性并优化投资决策。
     
  • Python量化交易学习笔记（19）——持续下跌时的买入与止盈止损卖出策略
    优质
    本篇学习笔记详细探讨了在股市持续下跌趋势中采取的买入策略，并介绍了在此行情下如何设定合理的止盈和止损点，以保护投资资本。 本段落记录了对好友提出的连续下跌买入并设定止盈止损卖出策略的回测与实现分析过程。该策略的具体规则为：当股票收盘价连续四天低于前一天的收盘价时，触发买入信号；而设置盈利目标率为10%，亏损限制为5%。初始资金设为10万元人民币，并且每次操作买卖1000股，交易佣金按照千分之一收取。回测的时间范围是从2018年1月1日到2020年3月20日。 策略的核心代码位于类的next方法中： ```python def next(self): # 此处省略具体实现细节。 ``` 以上描述完整地保留了原文意图，仅去除了不必要的链接和联系方式。
     
  • 基于量化分析的交易策略——开发盈利交易程序.pdf
    优质
    本书《基于量化分析的交易策略——开发盈利交易程序》深入探讨了如何运用量化方法来设计和优化金融市场的交易策略。通过结合编程技术与市场数据分析，指导读者构建能够实现持续获利的自动交易系统。 量化交易策略—利用量化分析技术创造盈利交易程序的电子文档资料供大家学习参考，文件名：《量化交易策略—利用量化分析技术创造盈利交易程序.pdf》。
     
  • PyVN 量化交易策略机器人 自动交易
    优质
    PyVN 是一款专为量化交易设计的自动交易策略执行平台，利用Python语言实现高效、灵活的算法交易。它帮助用户自动化执行复杂的市场分析和交易决策过程，优化投资回报。 本软件量化程序是为数字货币及各股市设计的自动交易机器人，具备自主策略与学习功能，并能实现自动化交易。所有API接口均已编写完成，用户只需填写相应的密钥即可使用。
     
  • 《关于<基于深度强化学习的量化交易策略>文章的源代码》
    优质
    本源代码为论文《基于深度强化学习的量化交易策略》提供技术支持，实现了利用深度强化学习算法构建高效金融交易模型的过程。 应粉丝要求，需要提供基于深度强化学习的量化交易策略系列工程的源代码。本人写作是业余爱好，直接发布源码可能较为繁琐。以后考虑建立一个粉丝群，在群里发放会更方便一些。博文地址可以自行查找相关信息。
     
  • TB开拓者通用15分钟原码程序化交易策略期货自动交易升级版.txt
    优质
    TB开拓者通用15分钟原码程序化交易策略期货自动交易升级版是一款专为期货市场设计的高级自动化交易工具，采用先进的程序化交易策略，能够根据设定的参数在15分钟周期内自动执行交易操作。该版本经过优化和更新，提供了更强大的功能与更高的灵活性，旨在帮助用户提升交易效率并捕捉市场机会。 TB 开拓者 通用15分钟原码程序化交易策略期货自动交易是一款适用于开拓者的程序化交易工具，它基于15分钟的时间周期进行自动化操作，旨在为用户提供便捷的期货交易体验。
     
  • 基于Python的深度强化学习库支持量化金融中的自动股票交易
    优质
    本项目开发了一款基于Python的深度强化学习框架，专为量化金融领域的自动股票交易设计。该库通过先进的算法优化投资策略，提高交易效率和盈利能力。 用于定量金融自动股票交易的深度强化学习库FinRL：该存储库引用了我们的论文代码，该代码出现在Deep RL Workshop, NeurIPS 2020中。DRL被认为在量化金融领域是一种有效的方法，并且对于初学者来说，实际操作经验非常有吸引力。 然而，在训练一个能够做出交易决策的现实中的DRL交易代理时（包括决定在哪里进行交易、以什么价格和数量进行交易），容易出现错误。