Cari Posisi Buy Sell Strategi EMA Crossover Dengan Python Dan Streamlit

Disclaimer: not financial advice

Sering kali trader pemula tidak backtest strategi yang akan dipakai. Hal ini penting untuk tau seberapa bagus performa strategi itu di masa lalu. Dengan aplikasi python ini, kita gak perlu test strateginya dengan manual.

Jadi tidak repot untuk kita liatin persilangan EMA satu per satu. Waktu yang diperlukan kalau test tanpa program ini akan sangat lama, terutama kalau kita mau test dengan data yang banyak, di tiap saham dan interval yang berbeda.

Program yang kita buat ini bakal ngasi list trade yang bisa di ambil dan tampilin trade nya di candle chart. Proses backtesting jadi lebih cepat dan tidak melelahkan 🚀

Artikel ini adalah lanjutan dari postingan ini tentang penjelasan dasar untuk EMA crossover dengan python dan Streamlit.

Show me the code!

Kode lengkap bisa dilihat di sini dan sini.

Sekarang kita bahas beberapa komponen penting di dalam kode tersebut.

Bikin daftar trades

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
def create_ema_trade_list(ticker_data, ema1_col_name, ema2_col_name):
    ticker_data['ema_diff'] = ticker_data[ema1_col_name] - ticker_data[ema2_col_name]
    prev_state = 'unknown'
    trades = []
    for i in range(len(ticker_data)):
        if ticker_data['ema_diff'][i] >= 0:
            state = 'positive'
        else:
            state = 'negative'
        if prev_state != 'unknown':
            if state == 'positive' and prev_state == 'negative':
                 try:
                     trade = str(ticker_data.index[i+1]) + ',' + str(ticker_data['Open'][i+1]) + ',cyan,buy'
                     trade = trade.split(',')
                     trades.append(trade) 
                 except:
                    continue
            elif state == 'negative' and prev_state == 'positive':
                 try:
                    trade = str(ticker_data.index[i+1]) + ',' + str(ticker_data['Open'][i+1]) + ',magenta,sell'
                    trade = trade.split(',')
                    trades.append(trade) 
                 except:
                    continue
        prev_state = state
    return trades

• Line 2: untuk mendeteksi persilangan kedua EMA, kita bisa hitung selisih kedua EMA tersebut. Sebagai contoh, kalau EMA yang periodenya lebih rendah (lebih lincah) akan crossing ke atas EMA yang punya periode lebih tinggi (lebih lambat), selisihnya akan berubah dari positif ke negatif (begitu juga sebaliknya).
• Line 11: disini kita dapat sinyal buy. Selisih sebelumnya (prev_state) adalah negatif dan selisih sekarang adalah positif. Dengan kata lain EMA yang lebih lincah crossing ke atas EMA yang lebih lambat.
• Line 13: ambil data yang akan berguna untuk bikin daftar trades. Tambahkan beberapa informasi penting seperti warna untuk membedakan buy/sell di chart (misalkan cyan untuk buy)

Gabungkan daftar trades ke dataframe

1
2
3
4
5
def join_trades_to_ticker_data(trades, ticker_data):
    trades_df = pd.DataFrame(trades, columns=['Time','Trade Price','Trade Color','Trade Type']).set_index('Time')
    trades_df['Trade Price'] = trades_df['Trade Price'].astype(float).round(4)
    ticker_data = pd.concat([ticker_data, trades_df], axis=1, join='outer')
    return ticker_data

Kita bisa gabungkan 2 dataframe dengan metode concat() di line 4. Di metode tersebut kita bisa atur prosedur untuk join.

Di kasus ini kita mau semua baris yang ada di dataframe ticker_data, walaupun tidak ada value di dalam dataframe trades_df. Untuk itu kita bisa pakai pilihan outer seperti SQL outer join. Selain itu set juga axis=1 karena kita ingin menggabungkan kolom dan bukan baris.

Tampilkan chart dengan trades

1
2
3
4
5
6
7
8
9
10
11
def add_trades_trace(candle_fig, ticker_data):
    candle_fig.add_trace(
        go.Scatter(
            x = ticker_data.index,
            y = ticker_data['Trade Price'],
            name = 'Trade Triggers',
            marker_color = ticker_data['Trade Color'],
            mode = 'markers'
        )
    )
    return candle_fig

Hampir sama dengan saat menambahkan garis EMA, kita bisa pakai function add_trace tapi set mode = 'markers' di line 8 supaya menjadi titik-titik dan bukan garis.

Warna untuk trades adalah cyan untuk buy dan magenta untuk sell (line 7) dan oleh karena itu kita tambahkan Trade Color di ticker_data pada saat membuat daftar trades. Warna ini bisa disesuaikan saat membuat daftar trades.

Hasil akhir

Setelah semua kodingan selesai dan aplikasi dijalankan dengan streamlit run, hasilnya akan seperti ini:

Selamat bereksperimen!