加密货币交易动态自适应网页模板

Python量化交易 MACD计算

算法交易 测试交易算法和想法的个人空间。 当前环境基于数据科学预先配置的映像，有关更多详细信息，请阅读： : 。 所有个人令牌都保存在.env中

算法交易学习库 此仓库提供了代码和教程供初学者学习算法交易。 目录 关于此回购 此回购协议是香港大学（HKU）计算机科学系的“最后一年项目（FYP）”的一部分。 如何使用 :warning: 工作正在进行中 所有代码都可以在/code目录中找到，并且可以通过访问该文档。 （请注意， /database目录仅包含示例文件。实际的数据库存储在HKU的计算机科学系服务器中。） 代码概述 1.技术分析 以下指标已在Python中实现： 趋势 移动平均交叉 移动平均收敛散度（MACD） 抛物线停止和反向（抛物线合成Kong径雷达） 势头 商品渠道指数（CCI） 相对强度指数（RSI） 变化率（ROC） 随机振荡器（STC） 真实强度指数（TSI） 资金流量指数（MFI） 威廉姆斯％R 挥发性 布林乐队 平均真实范围（ATR） 标准偏差 体积 蔡金振荡器 平衡量（BOV） 体积变化率 2.基本

加密算法交易框架 Python中加密货币的算法交易框架 Algotrading Framework是一个存储库，其中包含用于构建和运行有效的交易机器人，回测策略，协助交易，定义简单止损和尾随止损等的工具。此框架可直接使用来自Crypto Exchanges API，DB或CSV文件的数据。 可用于数据驱动和事件驱动的系统。 目前仅针对加密市场制作，并使用Python编写。 操作模式 框架具有三种操作模式： 实时-实时，用真实货币或模拟模式进行实时数据交易。 逐笔交易-实时测试策略，因此用户可以跟踪其输入和退出策略。 回测-回测策略并呈现结果。 即时的 实时，Trading Bot使用交易所API的实时数据进行实时操作。 它不需要预先存储的数据或数据库即可工作。 在这种模式下，机器人可以根据用户定义的进入和退出策略，交易真实货币，模拟或提醒用户何时进行买卖。 还可以模拟用户策略并实时呈现结果。 逐笔 逐笔交易模式允许用户在可见的时间范围内检查策略，更好地检查条目和退出点，或者检测策略故障或新的条目和退出点。 使用CSV文件或DB中的数据。 回测 允许用户使用先前存储的数据对策略进行

ML-algotrade 项目名称：机器学习的算法交易 1.项目建议书 Baruch MTH 9899的小组项目-大数据II：机器学习 1.1项目成员 崔一凡 王成斌， 天， 1.2项目构想 使用不同的机器学习算法来修改传统的技术策略，并通过对研究的循环测试来找到一个好的算法， 机器学习算法 最近的邻居， 随机森林， 支持向量机， 技术策略 布林带 势头 旋转相对图我们Introduction to machine learning为指南来理解算法，并Evidence-based technical analysis来学习技术策略。 1.3数据集和软件：Quantopian Quantopian是我们的主要研究和回测平台，我们在此托管研究环境中研究算法交易思路并借助机器学习算法来探索策展的财务数据。 Quantopian支持灵活的数据访问，自定义绘图以及对回测的事后分

交易者 Python笔记本包含用于模拟算法股票交易的模块 说明：

该演示使用 MATLAB 和技术分析 (TA) 开发人员工具箱 ( http://www.tadeveloper.com ) 来开发和回测配对交易策略。 特别是，它展示了如何在 10 年的历史数据期间创建和回测统计套利模型。 评估模型的性能并执行参数扫描。 由此产生的交易策略很容易适用于任何其他相关的金融工具对。

外汇交易系统v4.0

利用动态规划方法解决带交易费用的均差模型，给出了有交易费用均差模型的解析解，所得结果应用方便，对投资者的实际投资交易有一定的指导意义。