algotrading sentimentanalysis genai

AlgoTrading พร้อมการวิเคราะห์ความรู้สึกและการทดสอบย้อนหลังโดยใช้ GenAI

โปรเจ็กต์นี้มอบกรอบการทำงานที่หลากหลายสำหรับการวิเคราะห์ความเชื่อมั่นในข้อมูลตลาดหุ้น ดำเนินการทดสอบย้อนหลังด้วย Backtrader และใช้ประโยชน์จากโมเดล AI เชิงสร้างสรรค์ เช่น ไปป์ไลน์ OpenAI, Llama และ Transformers สำหรับการวิเคราะห์ข้อมูลความเชื่อมั่น ประกอบด้วยฟังก์ชันสำหรับการดาวน์โหลดข้อมูลหุ้นจาก Yahoo Finance ดึงข้อมูลข่าวตลาดหุ้นโดยใช้ Alpaca API ประมวลผลข้อมูลความรู้สึกล่วงหน้า และดำเนินการทดสอบย้อนกลับด้วยกลยุทธ์ที่ปรับแต่งได้ การบูรณาการแบบจำลองภาษาขั้นสูงช่วยปรับปรุงกระบวนการวิเคราะห์ความรู้สึก ซึ่งช่วยให้เข้าใจความรู้สึกของตลาดได้ละเอียดยิ่งขึ้น

สารบัญ

• การแนะนำ
• คุณสมบัติ
• ความต้องการ
• การติดตั้ง
• การใช้งาน
  • การกำหนดค่า
  • เรียกใช้ Backtest
• โครงสร้างโครงการ
• มีส่วนร่วม
• ใบอนุญาต

การแนะนำ

โครงการนี้มีจุดมุ่งหมายเพื่อให้ขั้นตอนการทำงานที่มีประสิทธิภาพสำหรับการวิเคราะห์ความเชื่อมั่นของตลาดหุ้นและการทดสอบกลยุทธ์การซื้อขายย้อนหลัง มันใช้ประโยชน์จาก Backtrader สำหรับการทดสอบย้อนหลังและ yfinance สำหรับการดาวน์โหลดข้อมูลหุ้น

คุณสมบัติ

• ดาวน์โหลดข้อมูลหุ้นจาก Yahoo Finance
• ประมวลผลข้อมูลความรู้สึกล่วงหน้าและรวมเข้ากับข้อมูลหุ้น
• ทำการทดสอบย้อนหลังด้วยกลยุทธ์ที่ปรับแต่งได้โดยใช้ Backtrader
• วิเคราะห์ผล backtest ด้วยตัวชี้วัดประสิทธิภาพต่างๆ

ความต้องการ

• ไพธอน 3.6+
• การขึ้นต่อกันที่ระบุไว้ใน requirements.txt

การติดตั้ง

1. โคลนที่เก็บ:

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

2. สร้างสภาพแวดล้อมเสมือน (เป็นทางเลือก แต่แนะนำ):

   python -m venv venv

3. เปิดใช้งานสภาพแวดล้อมเสมือน:

   • บนวินโดวส์:

     venv S cripts a ctivate

   • บน macOS/Linux:

      source venv/bin/activate

4. ติดตั้งการพึ่งพา:

   pip install -r requirements.txt

การใช้งาน

การกำหนดค่า

แก้ไขพารามิเตอร์การกำหนดค่าใน main.py เพื่อปรับแต่งหุ้น ช่วงวันที่ และการตั้งค่าอื่นๆ สำหรับการวิเคราะห์ของคุณ

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

เรียกใช้ Backtest

รันสคริปต์หลักเพื่อรัน backtest:

python main.py

ผลลัพธ์การทดสอบย้อนหลัง รวมถึงตัวชี้วัดประสิทธิภาพ จะแสดงในคอนโซล

โครงสร้างโครงการ

 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/
    └── ...

รับความลับและการกำหนดค่าไคลเอ็นต์

1. ไคลเอนต์ Alpaca REST

ความต้องการ:

• Python 3.7 หรือใหม่กว่า
• บัญชีอัลปาก้า
• รหัสคีย์ API และความลับ (มีอยู่ในแดชบอร์ดบัญชี Alpaca ของคุณ)

การกำหนดค่า:

1. ติดตั้งไลบรารี Alpaca Python:

   pip install alpaca-trade-api

2. ใช้คีย์ API ในโค้ดของคุณ:

    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. ไคลเอนต์ OpenAI LLM

ความต้องการ:

• Python 3.6 หรือใหม่กว่า
• บัญชี OpenAI
• รหัส API (มีอยู่ในแดชบอร์ดบัญชี OpenAI ของคุณ)

การติดตั้ง:

1. ติดตั้งไลบรารี OpenAI อย่างเป็นทางการ:

   pip install openai

2. ตั้งค่าคีย์ API ของคุณเป็นตัวแปรสภาพแวดล้อม:

    export OPENAI_API_KEY= " YOUR_API_KEY "

   หรือระบุโดยตรงในรหัสของคุณ:

    import openai
   
   openai . api_key = "YOUR_API_KEY" 

3. ลูกค้า Llama LLM

ความต้องการ:

• Python 3.7 หรือใหม่กว่า
• บัญชี Hugging Face พร้อมโทเค็นการเข้าถึง
• โทเค็นพร้อมสิทธิ์เข้าถึงโมเดลลามะที่ต้องการ

การติดตั้ง:

1. ติดตั้งไลบรารีที่จำเป็น:

   pip install transformers

2. ตั้งค่าโทเค็น Hugging Face ของคุณเป็นตัวแปรสภาพแวดล้อม:

    export HF_ACCESS_TOKEN= " YOUR_TOKEN " 

สำคัญ:

ใช้ความระมัดระวังในการจัดการคีย์ API และโทเค็น หลีกเลี่ยงการเปิดเผยสิ่งเหล่านี้ในที่เก็บข้อมูลสาธารณะหรือแบ่งปันโดยไม่มีมาตรการรักษาความปลอดภัยที่เหมาะสม

กำลังเพิ่มใน README:

โปรดรวมข้อมูลนี้ไว้ใน README ของคุณเพื่อรับคำแนะนำในการตั้งค่าที่ครอบคลุม

• main.py: ประกอบด้วยสคริปต์หลักสำหรับการรันการทดสอบย้อนกลับและการกำหนดกลยุทธ์

• data: ไดเร็กทอรีสำหรับจัดเก็บไฟล์ข้อมูล รวมถึงข้อมูลหุ้นและข้อมูลความเชื่อมั่น

• เอาท์พุต: ไดเร็กทอรีสำหรับบันทึกผลการทดสอบย้อนหลังและแปลง

• llms: ประกอบด้วยไคลเอนต์ OpenAI และ Llama สำหรับการวิเคราะห์ความรู้สึก

• ตัวประมวลผล: ประกอบด้วยตัวประมวลผลข้อมูลหุ้นสำหรับการประมวลผลข่าวหุ้นและข้อมูลความเชื่อมั่นล่วงหน้า

• runner: ประกอบด้วยคลาสนักวิ่ง backtest สำหรับการทดสอบย้อนหลังโดยใช้ cerebro และ backtrader

• sentiment_analysis: ประกอบด้วยไปป์ไลน์หม้อแปลงสำหรับการวิเคราะห์ความเชื่อมั่นในข้อมูลข่าว

• กลยุทธ์: ประกอบด้วยโค้ดสำหรับกลยุทธ์ด้านเทคนิคเท่านั้น และทางเทคนิคพร้อมกลยุทธ์การวิเคราะห์ความรู้สึก

• .gitignore: ระบุไฟล์และไดเร็กทอรีที่จะละเว้นโดยการควบคุมเวอร์ชัน

• README.md: เอกสารประกอบโครงการ

• Requirement.txt: รายการการพึ่งพาของ Python

มีส่วนร่วม

ยินดีบริจาค! โปรดปฏิบัติตามแนวทางการบริจาค

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ใบอนุญาต MIT - ดูรายละเอียดในไฟล์ใบอนุญาต