Cómo entrené una IA simple en Python para analizar velas (II)

En el artículo pasado (parte I) vimos cómo “desenredé” las estructuras básicas de supergana.com que es una de las IAs más famosas de trading para binarias. Hoy escribiré sobre como se construyen indicadores básicas a partir de las velas usando Python.

Vamos a generar un análisis cuantitativo de velas OHLC con Python.

Las velas japonesas contienen cuatro datos fundamentales del mercado:

Open (apertura).
High (máximo).
Low (mínimo).
Close (cierre).

Aunque parecen simples, estos cuatro valores permiten construir una gran cantidad de variables cuantitativas útiles para análisis estadístico, trading algorítmico y modelos de machine learning.

En este artículo construiremos un pipeline completo de análisis de velas usando Python.

Vamos con la preparación del entorno

Instalamos librerías necesarias.

pip install pandas numpy matplotlib scikit-learn

Librerías utilizadas:

Pandas nuevamente para la manipulación de datos.

NumPy para el cálculo numérico.

Matplotlib para visualización.

scikit-learn la usaremos para modelos de machine learning.

Ahora necesitamos cargar datos OHLC

Supongamos un archivo CSV con estructura:

time,open,high,low,close

Código:

import pandas as pd
df = pd.read_csv(“candles.csv”)
print(df.head())

print(df.describe())

Verificar datos faltantes:

print(df.isnull().sum())

Eliminar valores faltantes si existen:

df = df.dropna()

Ahora pasamos a un cálculo del rango de la vela

El rango total mide la volatilidad de cada vela.

Fórmula propuesta: range=high−low

Código:

df[“range”] = df[“high”] – df[“low”]

Ahora vamos con el cálculo del cuerpo de la vela

El cuerpo mide la presión compradora o vendedora.

Fórmula propuesta: body=close−open

Código:

df[“body”] = df[“close”] – df[“open”]

Magnitud absoluta:

df[“body_size”] = abs(df[“body”])

Vamos con la generación de sombras superior e inferior

Las sombras representan rechazo del precio.

Para las sombras superiores se propone esta fórmula: upper_shadow=high−max(open,close)

Para las sombras inferiores propongo esta fórmula: lower_shadow=min(open,close)−low

Código:

df[“upper_shadow”] = df[“high”] – df[[“open”,”close”]].max(axis=1)
df[“lower_shadow”] = df[[“open”,”close”]].min(axis=1) – df[“low”]

Relación cuerpo/rango

Una métrica útil es qué porcentaje de la vela representa el cuerpo.

df[“body_ratio”] = df[“body_size”] / df[“range”]

Valores cercanos a 1 se considera una vela fuerte y 0 es simplemente indecisión.

Pasamos a la dirección de la vela

df[“direction”] = df[“body”].apply(

lambda x: 1 if x > 0 else -1

)

Opcionalmente:

df[“bullish”] = df[“close”] > df[“open”]

Configurando un cambio porcentual

Movimiento relativo de cada vela.

df[“pct_change”] = (df[“close”] – df[“open”]) / df[“open”]

Pasemos a cómo ver la volatilidad móvil

Usamos desviación estándar.

df[“volatility”] = df[“range”].rolling(window=20).std()

Promedio móvil del rango:

df[“range_mean”] = df[“range”].rolling(20).mean()

Detección de velas tipo Doji

Un Doji ocurre cuando el cuerpo es muy pequeño.

def is_doji(row):
body = abs(row[“close”] – row[“open”])
total_range = row[“high”] – row[“low”]
if total_range == 0:

return False
return body < total_range * 0.1

Aplicación:

df[“doji”] = df.apply(is_doji, axis=1)

Opción para la detección de velas martillo

def is_hammer(row):
body = abs(row[“close”] – row[“open”])
lower_shadow = min(row[“open”],row[“close”]) – row[“low”]
upper_shadow = row[“high”] – max(row[“open”],row[“close”])
if lower_shadow > body * 2 and upper_shadow < body:

return True
return False

Aplicación:

df[“hammer”] = df.apply(is_hammer, axis=1)

Escudriñando la secuencias de velas

Muchas estrategias usan contexto de varias velas.

Creamos features retrasadas.

df[“prev_close”] = df[“close”].shift(1)
df[“prev_body”] = df[“body”].shift(1)
df[“prev_range”] = df[“range”].shift(1)

Tres velas anteriores:

for i in range(1,4):
df[f”close_lag_{i}”] = df[“close”].shift(i)

Creando dataset para Machine Learning

Definimos variables predictoras.

features = [ “body”, “body_size”, “upper_shadow”, “lower_shadow”, “range”, “body_ratio”, “pct_change”

]

Dataset:

X = df[features]
Target:
df[“target”] = (df[“close”].shift(-1) > df[“close”]).astype(int)
y = df[“target”]

División de datos

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X,

y,

test_size=0.2,

shuffle=False
)

Entrenar modelo simple

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(
n_estimators=200,

max_depth=6,

random_state=42
)
model.fit(X_train,y_train)

Evaluar el modelo

from sklearn.metrics import accuracy_score
pred = model.predict(X_test)
accuracy = accuracy_score(y_test,pred)
print(“Accuracy:”,accuracy)

Importancia de variables

Podemos ver qué características son más relevantes.

import numpy as np
importance = model.feature_importances_
for i,v in enumerate(importance):
print(features[i],v)

Visualización de resultados

import matplotlib.pyplot as plt
plt.figure(figsize=(10,5))
plt.plot(df[“close”])
plt.title(“Serie de precios”)
plt.show()
Visualizar volatilidad:
[wpbch language='html']plt.figure(figsize=(10,5))
plt.plot(df[“volatility”])
plt.title(“Volatilidad”)
plt.show()

Pipeline completo

Podemos encapsular todo el proceso.

def prepare_features(df):
df[“range”] = df[“high”] – df[“low”]
df[“body”] = df[“close”] – df[“open”]
df[“body_size”] = abs(df[“body”])
df[“upper_shadow”] = df[“high”] – df[[“open”,”close”]].max(axis=1)
df[“lower_shadow”] = df[[“open”,”close”]].min(axis=1) – df[“low”]
df[“body_ratio”] = df[“body_size”] / df[“range”]
df[“pct_change”] = (df[“close”] – df[“open”]) / df[“open”]
return df

Uso:

df = prepare_features(df)

Y si, todo artículo debería tener una conclusión

A partir de los cuatro valores básicos de una vela: apertura, cierre, máximo y mínimo, es posible construir docenas de variables cuantitativas que capturan información sobre volatilidad, momentum, presión compradora/vendedora y patrones de velas.

Estas variables pueden utilizarse para análisis estadístico, trading algorítmico y modelos de machine learning.

Agradecimientos para todo el equipo de supergana.com