Python 2.7 Mt4概率脚本
我对Python 2.7 Mt4概率脚本,python-2.7,probability,forecasting,metatrader4,forex,algorithmic-trading,Python 2.7,Probability,Forecasting,Metatrader4,Forex,Algorithmic Trading,我对python 我制作了一个简单的脚本，从mt4导入price提要 我的想法/项目是将其转化为某种概率指标，即给出概率，除了出价和出价， 例如： TIME/ BID ASK USD/CADD 22:19 1.30451 60%^ 1.30D39 40%v 概率在特定的时间段内变化，例如1小时，所以每小时它会给出一个新的方向概率 它在寻找两种模式：A，B 模式A代表看涨模式 模式B代表熊市模式 基本上看A或B再次发生的概率
pythonTIME/ BID ASK
USD/CADD 22:19 1.30451 60%^ 1.30D39 40%v
导入日期时间
将numpy作为np导入
作为pd进口熊猫
导入sklearn
从pandas.io.data导入数据读取器
从sklearn.employ导入随机林分类器
从sklearn.linear_模型导入逻辑回归
从sklearn.lda导入lda
从sklearn.metrics导入混淆矩阵
从sklearn.qda导入qda
从sklearn.svm导入线性SVC、SVC
将dde_客户端作为ddec导入
导入时间
QUOTE_client=ddec.DDEClient（'MT4'，'QUOTE'）
符号=['USDCAD'、'GOLD'、'EURUSD'、'SILVER'、'US30现金'，]
对于符号中的i：
客户建议报价（一）
def Get_quote（）：
而1：
时间。睡眠（1）
打印“Symbol\tDATE\t\tTIME\tBID\tASK”
对于符号中的i：
当前客户请求（i）拆分（“”）
日期、时间、出价、出价=（当前报价[0]，当前报价[1]，
当前报价[2]，当前报价[3]）
打印i+“：\t”+天+“\t”+\u时间+“\t”+出价+“\t”+询问
打破
时间。睡眠（1）
返回Get_quote（）
持续
def创建滞后系列（cuurent报价、开始时间、结束时间、滞后=1）：
ts=数据读取器（引用、符号、，
start_time-datetime.timedelta（小时=1），
结束时间
)
tslag=pd.DataFrame（index=ts.index）
ts['Today']=ts['Adj Close']
tslag[“卷”]=ts[“卷”]
对于X范围内的i（0，滞后）：
tslag[“滞后%s”%str（i+1）]=ts[“调整关闭”]。移位（i+1）
tsret=pd.DataFrame（index=tslag.index）
tsret[“卷”]=tslag[“卷”]
tsret[“今天”]=tslag[“今天”].pct_change（）*100.0
对于X范围内的i（0，滞后）：
如果（abs（x）<0.0001）：
tsret[“今天”][i]=0.0001
对于X范围内的i（0，滞后）：
tsret[“滞后%s”%str（i+1）]=\
tslag[“滞后%s”%str（i+1）]。pct_更改（）*100.0
tsret[“方向”]=np.符号（tsret[“今天”]）
tsret=tsret[tsret.index>=开始时间]
返回tsret
如果名称=“\uuuuu main\uuuuuuuu”：
snpert=create_lagged_series（len（'GOLD'，Get_quote（），1））
X=snpret[[“Lag1”，“Lag2”]]
y=snpret[“方向”]
开始测试=cuurernt报价
X\u列车=X[X.指数<启动试验]
X_测试=X[X.index>=开始测试]
y\u列车=y[y.指数<启动试验]
y_测试=y[y.index>=开始测试]
打印“命中率/混淆矩阵：\n”
模型=[（“LR”，LogisticRegression（）），
（“LDA”，LDA（）），
（“QDA”，QDA（）），
（“LSVC”，LinearSVC（）），
（“RSVM”，SVC（C=1000000.0，
缓存大小=200，
等级重量=无，
coef0=0.0，
度=3，
伽马=0.0001，
内核='rbf'，
max_iter=-1，
概率=假，
随机状态=无，
收缩=真，
tol=0.001，
冗长=错误
)
),
（“RF”，随机森林分类器（n_估计器=1000，
标准=‘基尼’，
最大深度=无，
最小样本分割=2，
最小样本叶=1，
最大功能='自动'，
bootstrap=True，
oob_分数=假，
n_jobs=1，
随机状态=无，
详细=0
)
)
]
#迭代模型
对于m in型号：
#在培训集中培训每个模型
m[1].拟合（X_列，y_列）
pred=m[1]。预测（X_检验）
打印“%s:\n%0.3f%”（m[0]，m[1]。分数（X\u测试，y\u测试））
打印“%s\n”%composition\u matrix（pred，y\u test）