在本教程中，教你如何设置和使用 Pythonic 来编程。它是一个图形化编程工具，用户可以很容易地使用现成的函数模块创建 Python 程序。

然而，不像纽约证券交易所这样的传统证券交易所一样，有一段固定的交易时间。对于加密货币而言，则是 7×24 小时交易，这使得任何人都无法独自盯着市场。

在以前，我经常思考与加密货币交易相关的问题：

• 一夜之间发生了什么？
• 为什么没有日志记录？
• 为什么下单？
• 为什么不下单？

通常的解决手段是使用加密交易机器人，当在你做其他事情时，例如睡觉、与家人在一起或享受空闲时光，代替你下单。虽然有很多商业解决方案可用，但是我选择开源的解决方案，因此我编写了加密交易机器人 Pythonic。 正如去年 我写过的文章 一样，“Pythonic 是一种图形化编程工具，它让用户可以轻松使用现成的函数模块来创建 Python 应用程序。” 最初它是作为加密货币机器人使用，并具有可扩展的日志记录引擎以及经过精心测试的可重用部件，例如调度器和计时器。

开始

本教程将教你如何开始使用 Pythonic 进行自动交易。我选择 币安Binance 交易所的 波场Tron 与 比特币Bitcoin 交易对为例。我之所以选择这个加密货币对，是因为它们彼此之间的波动性大，而不是出于个人喜好。

机器人将根据 指数移动平均exponential moving averages （EMA）来做出决策。

TRX/BTC 1 小时 K 线图

EMA 指标通常是一个加权的移动平均线，可以对近期价格数据赋予更多权重。尽管移动平均线可能只是一个简单的指标，但我对它很有经验。

上图中的紫色线显示了 EMA-25 指标（这表示要考虑最近的 25 个值）。

机器人监视当前的 EMA-25 值（t0）和前一个 EMA-25 值（t-1）之间的差距。如果差值超过某个值，则表示价格上涨，机器人将下达购买订单。如果差值低于某个值，则机器人将下达卖单。

差值将是做出交易决策的主要指标。在本教程中，它称为交易参数。

工具链

将在本教程使用如下工具：

• 币安专业交易视图（已经有其他人做了数据可视化，所以不需要重复造轮子）
• Jupyter 笔记本：用于数据科学任务
• Pythonic：作为整体框架
• PythonicDaemon ：作为终端运行（仅适用于控制台和 Linux）

数据挖掘

为了使加密货币交易机器人尽可能做出正确的决定，以可靠的方式获取资产的美国线open-high-low-close chart（OHLC）数据是至关重要。你可以使用 Pythonic 的内置元素，还可以根据自己逻辑来对其进行扩展。

一般的工作流程：

1. 与币安时间同步
2. 下载 OHLC 数据
3. 从文件中把 OHLC 数据加载到内存
4. 比较数据集并扩展更新数据集

这个工作流程可能有点夸张，但是它能使得程序更加健壮，甚至在停机和断开连接时，也能平稳运行。

一开始，你需要 币安 OHLC 查询Binance OHLC Query 元素和一个 基础操作Basic Operation 元素来执行你的代码。

数据挖掘工作流程

OHLC 查询设置为每隔一小时查询一次 TRXBTC 资产对（波场/比特币）。

配置 OHLC 查询元素

其中输出的元素是 Pandas DataFrame。你可以在 基础操作 元素中使用 输入input 变量来访问 DataFrame。其中，将 Vim 设置为 基础操作 元素的默认代码编辑器。

使用 Vim 编辑基础操作元素

具体代码如下：

import pickle, pathlib, os
import pandas as pd

outout = None

if isinstance(input, pd.DataFrame):
    file_name = 'TRXBTC_1h.bin'
    home_path = str(pathlib.Path.home())
    data_path = os.path.join(home_path, file_name)

    try:
        df = pickle.load(open(data_path, 'rb'))
        n_row_cnt = df.shape[0]
        df = pd.concat([df,input], ignore_index=True).drop_duplicates(['close_time'])
        df.reset_index(drop=True, inplace=True)
        n_new_rows = df.shape[0] - n_row_cnt
        log_txt = '{}: {} new rows written'.format(file_name, n_new_rows)
    except:
        log_txt = 'File error - writing new one: {}'.format(e)
        df = input

    pickle.dump(df, open(data_path, "wb" ))
    output = df

首先，检查输入是否为 DataFrame 元素。然后在用户的家目录（~/）中查找名为 TRXBTC_1h.bin 的文件。如果存在，则将其打开，执行新代码段（try 部分中的代码），并删除重复项。如果文件不存在，则触发异常并执行 except 部分中的代码，创建一个新文件。

只要启用了复选框 日志输出log output，你就可以使用命令行工具 tail 查看日志记录：

$ tail -f ~/Pythonic_2020/Feb/log_2020_02_19.txt

出于开发目的，现在跳过与币安时间的同步和计划执行，这将在下面实现。

准备数据

下一步是在单独的 网格Grid 中处理评估逻辑。因此，你必须借助返回元素Return element 将 DataFrame 从网格 1 传递到网格 2 的第一个元素。

在网格 2 中，通过使 DataFrame 通过 基础技术分析Basic Technical Analysis 元素，将 DataFrame 扩展包含 EMA 值的一列。

在网格 2 中技术分析工作流程

配置技术分析元素以计算 25 个值的 EMA。

配置技术分析元素

当你运行整个程序并开启 技术分析Technical Analysis 元素的调试输出时，你将发现 EMA-25 列的值似乎都相同。

输出中精度不够

这是因为调试输出中的 EMA-25 值仅包含六位小数，即使输出保留了 8 个字节完整精度的浮点值。

为了能进行进一步处理，请添加 基础操作 元素：

网格 2 中的工作流程

使用 基础操作 元素，将 DataFrame 与添加的 EMA-25 列一起转储，以便可以将其加载到 Jupyter 笔记本中；

将扩展后的 DataFrame 存储到文件中

评估策略

在 Juypter 笔记本中开发评估策略，让你可以更直接地访问代码。要加载 DataFrame，你需要使用如下代码：

用全部小数位表示

你可以使用 iloc 和列名来访问最新的 EMA-25 值，并且会保留所有小数位。

你已经知道如何来获得最新的数据。上面示例的最后一行仅显示该值。为了能将该值拷贝到不同的变量中，你必须使用如下图所示的 .at 方法方能成功。

你也可以直接计算出你下一步所需的交易参数。

买卖决策

确定交易参数

如上面代码所示，我选择 0.009 作为交易参数。但是我怎么知道 0.009 是决定交易的一个好参数呢？ 实际上，这个参数确实很糟糕，因此，你可以直接计算出表现最佳的交易参数。

假设你将根据收盘价进行买卖。

回测功能

在此示例中，buy_factor 和 sell_factor 是预先定义好的。因此，发散思维用直接计算出表现最佳的参数。

嵌套的 for 循环，用于确定购买和出售的参数

这要跑 81 个循环（9x9），在我的机器（Core i7 267QM）上花费了几分钟。

在暴力运算时系统的利用率

在每个循环之后，它将 buy_factor、sell_factor 元组和生成的 profit 元组追加到 trading_factors 列表中。按利润降序对列表进行排序。

将利润与相关的交易参数按降序排序

当你打印出列表时，你会看到 0.002 是最好的参数。

交易要素和收益的有序列表

当我在 2020 年 3 月写下这篇文章时，价格的波动还不足以呈现出更理想的结果。我在 2 月份得到了更好的结果，但即使在那个时候，表现最好的交易参数也在 0.002 左右。

分割执行路径

现在开始新建一个网格以保持逻辑清晰。使用 返回 元素将带有 EMA-25 列的 DataFrame 从网格 2 传递到网格 3 的 0A 元素。

在网格 3 中，添加 基础操作 元素以执行评估逻辑。这是该元素中的代码：

实现评估策略

如果输出 1 表示你应该购买，如果输出 2 则表示你应该卖出。 输出 0 表示现在无需操作。使用 分支Branch 元素来控制执行路径。

分支元素：网格 3，2A 位置

因为 0 和 -1 的处理流程一样，所以你需要在最右边添加一个分支元素来判断你是否应该卖出。

分支元素：网格 3，3B 位置

网格 3 应该现在如下图所示：

网格 3 的工作流程

下单

由于无需在一个周期中购买两次，因此必须在周期之间保留一个持久变量，以指示你是否已经购买。

你可以利用 栈Stack 元素来实现。顾名思义，栈元素表示可以用任何 Python 数据类型来放入的基于文件的栈。

你需要定义栈仅包含一个布尔类型，该布尔类型决定是否购买了（True）或（False）。因此，你必须使用 False 来初始化栈。例如，你可以在网格 4 中简单地通过将 False 传递给栈来进行设置。

将 False 变量传输到后续的栈元素中

在分支树后的栈实例可以进行如下配置：

设置栈元素

在栈元素设置中，将 对输入的操作Do this with input 设置成 无Nothing。否则，布尔值将被 1 或 0 覆盖。

该设置确保仅将一个值保存于栈中（True 或 False），并且只能读取一个值（为了清楚起见）。

在栈元素之后，你需要另外一个 分支 元素来判断栈的值，然后再放置 币安订单Binance Order 元素。

判断栈中的变量

将币安订单元素添加到分支元素的 True 路径。网格 3 上的工作流现在应如下所示：

网格 3 的工作流程

币安订单元素应如下配置：

编辑币安订单元素

你可以在币安网站上的帐户设置中生成 API 和密钥。

在币安账户设置中创建一个 API 密钥

在本文中，每笔交易都是作为市价交易执行的，交易量为 10,000 TRX（2020 年 3 月约为 150 美元）（出于教学的目的，我通过使用市价下单来演示整个过程。因此，我建议至少使用限价下单。）

如果未正确执行下单（例如，网络问题、资金不足或货币对不正确），则不会触发后续元素。因此，你可以假定如果触发了后续元素，则表示该订单已下达。

这是一个成功的 XMRBTC 卖单的输出示例：

成功卖单的输出

该行为使后续步骤更加简单：你可以始终假设只要成功输出，就表示订单成功。因此，你可以添加一个 基础操作 元素，该元素将简单地输出 True 并将此值放入栈中以表示是否下单。

如果出现错误的话，你可以在日志信息中查看具体细节（如果启用日志功能）。

币安订单元素中的输出日志信息

调度和同步

对于日程调度和同步，请在网格 1 中将整个工作流程置于 币安调度器Binance Scheduler 元素的前面。

在网格 1，1A 位置的币安调度器

由于币安调度器元素只执行一次，因此请在网格 1 的末尾拆分执行路径，并通过将输出传递回币安调度器来强制让其重新同步。

网格 1：拆分执行路径

5A 元素指向 网格 2 的 1A 元素，并且 5B 元素指向网格 1 的 1A 元素（币安调度器）。

部署

你可以在本地计算机上全天候 7×24 小时运行整个程序，也可以将其完全托管在廉价的云系统上。例如，你可以使用 Linux/FreeBSD 云系统，每月约 5 美元，但通常不提供图形化界面。如果你想利用这些低成本的云，可以使用 PythonicDaemon，它能在终端中完全运行。

PythonicDaemon 控制台

PythonicDaemon 是基础程序的一部分。要使用它，请保存完整的工作流程，将其传输到远程运行的系统中（例如，通过安全拷贝协议Secure Copy SCP），然后把工作流程文件作为参数来启动 PythonicDaemon：

$ PythonicDaemon trading_bot_one

为了能在系统启动时自启 PythonicDaemon，可以将一个条目添加到 crontab 中：

# crontab -e

在 Ubuntu 服务器上的 Crontab

下一步

正如我在一开始时所说的，本教程只是自动交易的入门。对交易机器人进行编程大约需要 10％ 的编程和 90％ 的测试。当涉及到让你的机器人用金钱交易时，你肯定会对编写的代码再三思考。因此，我建议你编码时要尽可能简单和易于理解。

如果你想自己继续开发交易机器人，接下来所需要做的事：

• 收益自动计算（希望你有正收益！）
• 计算你想买的价格
• 比较你的预订单（例如，订单是否填写完整？）

你可以从 GitHub 上获取完整代码。

原文: https://opensource.com/article/20/4/python-crypto-trading-bot