algotrading sentimentanalysis genai

AlgoTrading con análisis de sentimiento y backtesting utilizando GenAI

Este proyecto proporciona un marco versátil para el análisis de sentimiento sobre los datos del mercado de valores, realizando pruebas retrospectivas con Backtrader y aprovechando modelos generativos de IA como OpenAI, Llama y Transformers para el análisis de datos de sentimiento. Abarca funcionalidades para descargar datos bursátiles de Yahoo Finance, obtener datos de noticias del mercado de valores utilizando las API de Alpaca, preprocesar datos de sentimiento y ejecutar pruebas retrospectivas con estrategias personalizables. La integración de modelos de lenguaje avanzados mejora el proceso de análisis de sentimientos, lo que permite una comprensión más matizada de los sentimientos del mercado.

Tabla de contenido

• Introducción
• Características
• Requisitos
• Instalación
• Uso
  • Configuración
  • Ejecutar prueba retrospectiva
• Estructura del proyecto
• Contribuyendo
• Licencia

Introducción

Este proyecto tiene como objetivo proporcionar un flujo de trabajo optimizado para analizar el sentimiento del mercado de valores y probar estrategias comerciales. Aprovecha Backtrader para realizar pruebas retrospectivas y yfinance para descargar datos de acciones.

Características

• Descargue datos bursátiles de Yahoo Finance.
• Preprocese los datos de sentimiento y combínelos con datos de acciones.
• Ejecute backtests con estrategias personalizables utilizando Backtrader.
• Analice los resultados del backtest con varias métricas de rendimiento.

Requisitos

• Pitón 3.6+
• Dependencias enumeradas en requirements.txt

Instalación

1. Clonar el repositorio:

   git clone https://github.com/your-username/stock-sentiment-backtesting.git
   cd stock-sentiment-backtesting

2. Cree un entorno virtual (opcional pero recomendado):

   python -m venv venv

3. Activar el entorno virtual:

   • En Windows:

     venv S cripts a ctivate

   • En macOS/Linux:

      source venv/bin/activate

4. Instalar dependencias:

   pip install -r requirements.txt

Uso

Configuración

Edite los parámetros de configuración en main.py para personalizar el stock, el rango de fechas y otras configuraciones para su análisis.

 STOCK_TICKER = 'AAPL'
START_DATE = '2022-03-21'
END_DATE = '2022-12-31'
SENTIMENT_DATA_PATH = 'data/stock_sentiment_data.csv'

Ejecutar prueba retrospectiva

Ejecute el script principal para ejecutar el backtest:

python main.py

Los resultados de la prueba retrospectiva, incluidas las métricas de rendimiento, se mostrarán en la consola.

Estructura del proyecto

 algotrading-sentimentanalysis-genai/
├── alpaca/
│   └── client.py
├── data/
│   └── stock_sentiment_data.csv
│   └── ...
├── llms/
│   └── llama_llm.py
│   └── openai_llm.py
├── processor/
│   └── stock_data_processor.py
├── runner/
│   └── backtest_runner.py
├── sentiment_analysis/
│   └── sentiment_analysis_pipeline.py
├── strategies/
│   └── technical_only_strategy/
│   └── technical_with_sentiment_strategy/
├── output/
│   └── ...
├── .gitignore
├── README.md
├── requirements.txt
├── main.py
└── venv/
    └── ...

Obtención de secretos y configuraciones del cliente

1. Cliente REST de Alpaca

Requisitos:

• Python 3.7 o posterior
• cuenta de alpaca
• ID de clave API y secreto (disponible en el panel de su cuenta de Alpaca)

Configuración:

1. Instale la biblioteca Alpaca Python:

   pip install alpaca-trade-api

2. Utilice la clave API en su código:

    from alpaca_trade_api import REST
   
   alpaca_api_key = "YOUR_API_KEY"
   alpaca_secret_key = "YOUR_SECRET_KEY"
   
   rest_client = REST ( alpaca_api_key , alpaca_secret_key )

2. Cliente OpenAI LLM

Requisitos:

• Python 3.6 o posterior
• Cuenta abierta AI
• Clave API (disponible en el panel de su cuenta OpenAI)

Instalación:

1. Instale la biblioteca oficial OpenAI:

   pip install openai

2. Configure su clave API como una variable de entorno:

    export OPENAI_API_KEY= " YOUR_API_KEY "

   Alternativamente, proporciónelo directamente en su código:

    import openai
   
   openai . api_key = "YOUR_API_KEY" 

3. Cliente Llama LLM

Requisitos:

• Python 3.7 o posterior
• Cuenta Hugging Face con un token de acceso
• Token con acceso al modelo de Llama deseado

Instalación:

1. Instale las bibliotecas necesarias:

   pip install transformers

2. Configure su token Hugging Face como una variable de entorno:

    export HF_ACCESS_TOKEN= " YOUR_TOKEN " 

Importante:

Tenga cuidado al manipular claves y tokens API. Evite exponerlos en repositorios públicos o compartirlos sin las medidas de seguridad adecuadas.

Agregar a LÉAME:

No dude en incluir esta información en su archivo LÉAME para obtener instrucciones de configuración completas.

• main.py: contiene el script principal para ejecutar pruebas retrospectivas y definir estrategias.

• datos: Directorio para almacenar archivos de datos, incluidos datos de acciones y opiniones.

• salida: Directorio para guardar gráficos y resultados de pruebas retrospectivas.

• llms: Contiene clientes OpenAI y Llama para análisis de sentimiento.

• Procesador: contiene un procesador de datos bursátiles para preprocesar noticias bursátiles y datos de sentimiento.

• runner: contiene una clase de backtest runner para realizar pruebas retrospectivas utilizando cerebro y backtrader.

• sentiment_analysis: contiene un canal transformador para el análisis de sentimientos sobre datos de noticias.

• estrategias: Contiene código para estrategia solo técnica y técnica con estrategia de análisis de sentimiento.

• .gitignore: especifica archivos y directorios que el control de versiones ignorará.

• README.md: documentación del proyecto.

• requisitos.txt: Lista de dependencias de Python.

Contribuyendo

¡Las contribuciones son bienvenidas! Siga las pautas de contribución.

Licencia

Este proyecto tiene la licencia MIT; consulte el archivo de LICENCIA para obtener más detalles.