algotrading sentimentanalysis genai Télécharger - algotrading sentimentanalysis genai Téléchargement du code source

algotrading sentimentanalysis genai

Code Source AI

1.0.0

Télécharger

AlgoTrading avec analyse des sentiments et backtesting à l'aide de GenAI

Ce projet fournit un cadre polyvalent pour l'analyse des sentiments sur les données boursières, en effectuant des backtests avec Backtrader et en tirant parti de modèles d'IA génératifs tels que le pipeline OpenAI, Llama et Transformers pour l'analyse des données de sentiment. Il englobe des fonctionnalités permettant de télécharger des données boursières à partir de Yahoo Finance, de récupérer des données d'actualité boursière à l'aide des API Alpaca, de prétraiter les données de sentiment et d'exécuter des backtests avec des stratégies personnalisables. L'intégration de modèles linguistiques avancés améliore le processus d'analyse des sentiments, permettant une compréhension plus nuancée des sentiments du marché.

Table des matières

Introduction
Caractéristiques
Exigences
Installation
Usage
- Configuration
- Exécuter un backtest
Structure du projet
Contribuer
Licence

Introduction

Ce projet vise à fournir un flux de travail rationalisé pour analyser le sentiment du marché boursier et tester les stratégies de trading. Il exploite Backtrader pour les backtests et yfinance pour le téléchargement de données boursières.

Caractéristiques

Téléchargez les données boursières de Yahoo Finance.
Prétraitez les données de sentiment et fusionnez-les avec les données boursières.
Exécutez des backtests avec des stratégies personnalisables à l'aide de Backtrader.
Analysez les résultats du backtest avec diverses mesures de performances.

Exigences

Python3.6+
Dépendances répertoriées dans requirements.txt

Installation

Clonez le dépôt :

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

Créez un environnement virtuel (facultatif mais recommandé) :
```
python -m venv venv
```
Activez l'environnement virtuel :
- Sous Windows :
```
venv S cripts a ctivate
```
- Sous macOS/Linux :
```
 source venv/bin/activate
```
Installer les dépendances :
```
pip install -r requirements.txt
```

Usage

Configuration

Modifiez les paramètres de configuration dans main.py pour personnaliser le stock, la plage de dates et d'autres paramètres pour votre analyse.

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

Exécuter un backtest

Exécutez le script principal pour exécuter le backtest :

python main.py

Les résultats du backtest, y compris les mesures de performances, seront affichés dans la console.

Structure du projet

 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/
    └── ...

Obtention des secrets client et des configurations

1. Client REST Alpaga

Exigences:

Python 3.7 ou version ultérieure
Compte alpaga
ID de clé API et secret (disponibles dans le tableau de bord de votre compte Alpaca)

Configuration:

Installez la bibliothèque Alpaca Python :
```
pip install alpaca-trade-api
```

Utilisez la clé API dans votre code :

 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. Client OpenAI LLM

Exigences:

Python 3.6 ou version ultérieure
Compte OpenAI
Clé API (disponible dans le tableau de bord de votre compte OpenAI)

Installation:

Installez la bibliothèque officielle OpenAI :
```
pip install openai
```
Définissez votre clé API comme variable d'environnement :
```
 export OPENAI_API_KEY= " YOUR_API_KEY "
```
Vous pouvez également le fournir directement dans votre code :
```
 import openai

openai . api_key = "YOUR_API_KEY" 
```

3. Client LLM Lama

Exigences:

Python 3.7 ou version ultérieure
Compte Hugging Face avec un jeton d'accès
Jeton avec accès au modèle de Lama souhaité

Installation:

Installez les bibliothèques nécessaires :
```
pip install transformers
```
Définissez votre jeton Hugging Face comme variable d'environnement :
```
 export HF_ACCESS_TOKEN= " YOUR_TOKEN " 
```

Important:

Soyez prudent lorsque vous manipulez les clés et les jetons API. Évitez de les exposer dans des référentiels publics ou de les partager sans mesures de sécurité appropriées.

Ajout au README :

N'hésitez pas à inclure ces informations dans votre README pour obtenir des instructions de configuration complètes.

main.py : contient le script principal pour exécuter des backtests et définir la stratégie.
data : répertoire pour stocker les fichiers de données, y compris les données boursières et sentimentales.
sortie : répertoire pour enregistrer les résultats et les tracés du backtest.
llms : contient les clients OpenAI et Llama pour l'analyse des sentiments.
processeur : contient un processeur de données boursières pour le prétraitement des actualités boursières et des données de sentiment.
runner : contient la classe de backtest runner pour les backtests à l'aide de cerebro et backtrader.
sentiment_analysis : contient un pipeline de transformateur pour l'analyse des sentiments sur les données d'actualité.
stratégies : contient du code pour la stratégie technique uniquement et la stratégie technique avec analyse des sentiments.
.gitignore : Spécifie les fichiers et répertoires à ignorer par le contrôle de version.
README.md : documentation du projet.
exigences.txt : liste des dépendances Python.