تحلیل تکنیکال بازارهای مالی با کمک پایتون

تحلیل تکنیکال یک روش محبوب برای ارزیابی و پیش‌بینی حرکت‌های بازارهای مالی است. این روش بر اساس بررسی نمودارهای قیمت و حجم معاملات استوار است. در پایتون، ابزارهای زیادی برای انجام تحلیل تکنیکال وجود دارد. در ادامه، چند نمونه از کتابخانه‌ها و ابزارهای مفید برای تحلیل تکنیکال با پایتون آورده شده‌اند:

1. Pandas: Pandas یک کتابخانه مفید برای کار با داده‌های جدولی است. معمولاً نمای representational (نمایشی) داده به صورت جدولی در تحلیل تکنیکال استفاده می‌شود.
2. Matplotlib و Seaborn: برای رسم نمودارهای مختلف بر روی داده‌های زمانی و قیمتی، می‌توانید از کتابخانه‌های Matplotlib و Seaborn استفاده کنید.
   import matplotlib.pyplot as plt
import seaborn as sns

3. NumPy: NumPy به شما امکان محاسبات علمی و آماری بر روی داده‌های عددی را می‌دهد که می‌تواند برای محاسبات مربوط به تحلیل تکنیکال مفید باشد.
   import numpy as np

4. TA-Lib: TA-Lib یک کتابخانه معروف برای تحلیل تکنیکال است که حاوی انواع از شاخص‌ها و الگوریتم‌های مرتبط با بازارهای مالی می‌باشد.
   import talib

5. mplfinance: mplfinance یک کتابخانه جهت رسم نمودارهای مالی است. این کتابخانه بر اساس Matplotlib ساخته شده و نمودارهای قیمتی، نمودارهای شمعی و سایر انواع نمودارهای مالی را فراهم می‌کند.
   import mplfinance as mpf

6. yfinance: برای دریافت داده‌های تاریخی از Yahoo Finance، می‌توانید از yfinance استفاده کنید.
   import yfinance as yf


نمونه‌ای از استفاده از این کتابخانه‌ها و ابزارها به منظور تحلیل تکنیکال را می‌توانید به شکل زیر ببینید:

در اینجا، از داده‌های تاریخی شاخص AAPL به عنوان مثال استفاده شده است و یک نمودار قیمتی به همراه میانگین متحرک ساده (SMA) رسم شده است.

ادامه تحلیل تکنیکال با پایتون می‌تواند شامل افزودن شاخص‌های دیگر، انجام تحلیل‌های مختلف و استفاده از تکنیک‌های پیشرفته باشد. در ادامه، چند نمونه از این فعالیت‌ها آورده شده است:

7. شاخص‌های تکنیکال: افزودن شاخص‌های تکنیکال به داده‌های خود می‌تواند به تحلیل شما افزوده شود. به عنوان مثال، اضافه کردن شاخص‌های مانند RSI ،MACD و Bollinger Bands می‌تواند به تحلیل‌های شما افزوده شود.
   # محاسبه RSI
   data['RSI'] = talib.RSI(data['Close'], timeperiod=14)

   # محاسبه MACD
   data['macd'], data['signal'], _ = talib.MACD(data['Close'], fastperiod=12, slowperiod=26, signalperiod=9)

   # محاسبه Bollinger Bands
data['upper_band'], data['middle_band'], data['lower_band'] = talib.BBANDS(data['Close'], timeperiod=20)


8. الگوهای نمودار: بررسی الگوهای نموداری مانند الگوهای شمعی (Candlestick Patterns) و الگوهای نمودار فنی می‌تواند به شناخت موقعیت‌های بازار کمک کند.
   # بررسی الگوهای شمعی
candlestick_patterns = talib.get_function_groups()['Pattern Recognition']
for pattern in candlestick_patterns:
result = getattr(talib, pattern)(data['Open'], data['High'], data['Low'], data['Close'])
data[pattern] = result

9. تحلیل تغییرات حجم: بررسی تغییرات حجم معاملات نیز می‌تواند مفید باشد. ممکن است حجم معاملات افزایش یابد در زمان‌های مشخص و به عنوان یک نشانه از تغییرات در بازار اطلاعات مهمی فراهم کند.
   # اضافه کردن متغیر حجم به داده
   data['Volume'] = talib.MA(data['Volume'], timeperiod=5)

   # رسم نمودار قیمتی و حجم
fig, ax1 = plt.subplots()
ax1.plot(data['Close'], label='Close Price', color='blue')
ax1.set_ylabel('Close Price', color='blue')
ax2 = ax1.twinx()
ax2.fill_between(data.index, 0, data['Volume'], alpha=0.2, color='green')
ax2.set_ylabel('Volume', color='green')


10. تحلیل با استفاده از Machine Learning: استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی حرکت بازار نیز ممکن است جالب باشد. برای این کار، می‌توانید از کتابخانه‌هایی مانند Scikit-learn یا TensorFlow و Keras استفاده کنید.
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.metrics import accuracy_score

    # ایجاد متغیرهای برچسب
    data['Price_Up'] = np.where(data['Close'].shift(-1) > data['Close'], 1, 0)

    # حذف ردیف‌های حاوی NaN
    data = data.dropna()

    # انتخاب ویژگی‌ها و برچسب‌ها
    features = data[['RSI', 'macd', 'upper_band', 'lower_band', 'Volume']]
    labels = data['Price_Up']

    # تقسیم داده به دو بخش آموزش و تست
    X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

    # اعمال مدل یادگیری ماشین
    model = RandomForestClassifier(n_estimators=100, random_state=42)
    model.fit(X_train, y_train)

    # پیش‌بینی
    predictions = model.predict(X_test)

    # محاسبه دقت مدل
accuracy = accuracy_score(y_test, predictions)
print(f'Model Accuracy: {accuracy}')