-
Notifications
You must be signed in to change notification settings - Fork 5
/
analyseurPBM.py
231 lines (203 loc) · 10.2 KB
/
analyseurPBM.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
################################################################
import subprocess
import pandas as pd
import sys, getopt
import sys
import telegram_send
from statistics import median
##########################
# VALEUR PAR DEFAUT
##########################
path="/home/moutonneux/bots/backtest/etudes-5m/"
csvName="moyenne-etude-5m.csv"
minFinalBalanceToBeSaved=0.0
pathList = ('03-2022', '01-2022', '02-2022', '12-2021', '11-2021', '10-2021', '04-2022' , '09-2021' )
bestValue=0.0
#On récupère la meilleure performance moyenne dans le fichier déjà existant
#A la fin de l'execution on verra si une nouvelle meilleure performance a été trouvée
try :
ancienClassement = pd.read_csv(path+"balance-"+csvName)
bestValue=float(ancienClassement['finalBalanceMoyenne'].iloc[0])
except :
print(f"Le fichier {path+csvName} n'a pas été trouvé, il va être créé")
pass
#####################################################################
# Cette boucle nous permet de créer un fichier csv pour chaque mois
#####################################################################
classement = pd.DataFrame([])
classement.to_csv(path+csvName, index=False)
for mois in pathList:
dataframe=pd.DataFrame([])
del dataframe
del classement
classement = pd.DataFrame([])
dataframe=pd.read_csv(path+mois+"/"+"algo-tf5m.csv")
#On créé un fichier csv pour chaque mois, on enlève tout ce qui nous convient pas et on trie par finalBalance
for index, row in dataframe.iterrows() :
if row['finalBalance'] >= minFinalBalanceToBeSaved:
parametres=f"{row['maxPositions']} {row['parametrePVO2']} {row['parametrePERF']} {row['parametreTRIX_HISTO']} {row['parametrePVO']} {row['parametreBOL_BANDwindowdev']} {row['parametreBOL_BANDwindow']} {row['parametreMACD']} {row['parametreEMA13D']} {row['parametreEMA9D']} {row['parametreEMA10']} {row['parametreEMA50']} {row['parametreEMA45']}"
classement = classement.append(pd.DataFrame({
'mois' : [mois],
'finalBalance' : [row['finalBalance']],
'bestTrade': [row['bestTrade']],
'worstTrade': [row['worstTrade']],
'drawDown': [row['drawDown']],
'taxes': [row['taxes']],
'totalTrades': [row['totalTrades']],
'totalGoodTrades': [row['totalGoodTrades']],
'totalBadTrades': [row['totalBadTrades']],
'winRateRatio': [row['winRateRatio']],
'tradesPerformance': [row['tradesPerformance']],
'parametres': [parametres]
}), ignore_index=True)
classement=classement.sort_values(by=['finalBalance'], ascending=False)
classement.to_csv(path+mois+".csv", index=False)
######################################################################################################################
# Ensemble de fonctions qui nous permettent de récupérer les résultats d'un mois spécifié pour des paramètres donnés
######################################################################################################################
def exist(df,parametres):
for i, col in df.iterrows() :
if col['parametres']==parametres :
return True
return False
def getFinalBalance(df, parametres):
for i, col in df.iterrows() :
if col['parametres']==parametres :
return float(col['finalBalance'])
return 0.0
def getBestTrade(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['bestTrade'])
return 0.0
def getWorstTrade(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['worstTrade'])
return 0.0
def getDrawDown(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['drawDown'])
return 0.0
def getTaxes(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['taxes'])
return 0.0
def getTotalTrades(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return int(row['totalTrades'])
return 0.0
def getTotalGoodTrades(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return int(row['totalGoodTrades'])
return 0.0
def getTotalBadTrades(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return int(row['totalBadTrades'])
return 0.0
def getWinRateRatio(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['winRateRatio'])
return 0.0
def getTradesPerformance(df, parametres):
for index, row in df.iterrows() :
if row['parametres']==parametres :
return float(row['tradesPerformance'])
return 0.0
del classement
classement = pd.DataFrame([])
###############################################################################################
# Cette boucle nous permet de créer le fichier csv qui nous permettra d'étudier nos résultats
###############################################################################################
df=pd.read_csv(path+pathList[0]+".csv")
for index, row in df.iterrows() :
#Si on est à la première itération
parametres=str(row['parametres'])
nbOfMonth=0
finalBalanceSum=0.0
bestTradeSum=0.0
worstTradeSum=0.0
drawDownSum=0.0
taxesSum=0.0
totalTradesSum=0
totalGoodTradesSum=0
totalBadTradesSum=0
winRateRatioSum=0.0
tradesPerformanceSum=0.0
pireFinalBalance=100000.0
bestFinalBalance=0.0
medianeList=[]
negativeMonths=[]
for mois in pathList:
df=pd.DataFrame([])
del df
df=pd.read_csv(path+mois+".csv")
if (exist(df,parametres)):
nbOfMonth=nbOfMonth+1
finalBalance=getFinalBalance(df,parametres)
if finalBalance < 1000 :
negativeMonths.append(mois)
medianeList.append(finalBalance)
finalBalanceSum=finalBalanceSum+finalBalance
bestTradeSum=bestTradeSum+getBestTrade(df,parametres)
worstTradeSum=worstTradeSum+getWorstTrade(df,parametres)
drawDownSum=drawDownSum+getDrawDown(df,parametres)
taxesSum=taxesSum+getTaxes(df,parametres)
totalTradesSum=totalTradesSum+getTotalTrades(df,parametres)
totalGoodTradesSum=totalGoodTradesSum+getTotalGoodTrades(df,parametres)
totalBadTradesSum=totalBadTradesSum+getTotalBadTrades(df,parametres)
winRateRatioSum=winRateRatioSum+getWinRateRatio(df,parametres)
tradesPerformanceSum=tradesPerformanceSum+getTradesPerformance(df,parametres)
if (float(pireFinalBalance)>float(finalBalance)):
pireFinalBalance=finalBalance
if (float(bestFinalBalance)<float(finalBalance)):
bestFinalBalance=finalBalance
classement = classement.append(pd.DataFrame({
'nbOfMonth' : [nbOfMonth],
'finalBalanceMoyenne' : [finalBalanceSum/nbOfMonth],
'finalBalanceMediane' : [median(medianeList)],
'pireFinalBalance' : [pireFinalBalance],
'bestFinalBalance' : [bestFinalBalance],
'finalBalanceList' : [sorted(medianeList)],
'negativeMonths' : [negativeMonths],
'bestTradeMoyen': [bestTradeSum/nbOfMonth],
'worstTradeMoyen': [worstTradeSum/nbOfMonth],
'drawDownMoyen': [drawDownSum/nbOfMonth],
'taxesMoyenne': [taxesSum/nbOfMonth],
'totalTradesMoyen': [totalTradesSum/nbOfMonth],
'totalGoodTradesMoyen': [totalGoodTradesSum/nbOfMonth],
'totalBadTradesMoyen': [totalBadTradesSum/nbOfMonth],
'winRateRatioMoyen': [winRateRatioSum/nbOfMonth],
'tradesPerformanceMoyen': [tradesPerformanceSum/nbOfMonth],
'parametres': [parametres]
}), ignore_index=True)
print("Ajout de :\n", classement.tail(1))
#######################################
# On enregistre nos nouvelles données
#######################################
print("Trié par le nombre de mois où les paramètres existent :")
classement=classement.sort_values(by=['nbOfMonth'], ascending=False)
classement.to_csv(path+"nbOfMonth-"+csvName, index=False)
print(classement)
classement=classement.sort_values(by=['nbOfMonth', 'pireFinalBalance'], ascending=False)
classement.to_csv(path+"pireFinalBalance-"+csvName, index=False)
print("Trié par la pireFinalBalance:")
print(classement)
classement=classement.sort_values(by=['nbOfMonth', 'finalBalanceMediane'], ascending=False)
classement.to_csv(path+"finalBalanceMediane-"+csvName, index=False)
print("Trié par la finalBalanceMediane:")
print(classement)
classement=classement.sort_values(by=['nbOfMonth', 'finalBalanceMoyenne'], ascending=False)
if (float(classement['finalBalanceMoyenne'].iloc[0]) > bestValue ) :
print(f"Nouvelle meilleure performance trouvée : {float(classement['finalBalanceMoyenne'].iloc[0])}")
#On envoit une notification telegram si une meilleure performance est trouvée
telegram_send.send(messages=[f"Etude sur timeframe 5 minutes en bull uniquement :\n\nNouvelle meilleure performance trouvée sur {float(classement['nbOfMonth'].iloc[0])} mois : {float(classement['finalBalanceMoyenne'].iloc[0])}, avec une valeure médiane de {float(classement['finalBalanceMediane'].iloc[0])}, un pire résultat de {float(classement['pireFinalBalance'].iloc[0])} et un meilleur de {float(classement['bestFinalBalance'].iloc[0])}\nParamètres à utiliser : {str(classement['parametres'].iloc[0])}"])
classement.to_csv(path+"balance-"+csvName, index=False)
print("Trié par finalBalanceMoyenne :")
print(classement)