目的：バイナリーオプションの推定行う
頭に置いておくべきは、
相場は
順張り: Market follow
逆張り: Contrarian
に分別される事
これも証明したい。
解析データの対象ペア
5minあるいは15minでのレンジを使用する予定なので、５分足のCSVデータを入手する。
分布回帰特性の観点からAUDJPYを対象とする。
解析用データの収集
$ wget http://tools.fxdd.com/tools/M1Data/AUDJPY.zip
収集データの確認
import read_hst as rh
df = rh.read_hst('AUDJPY.zip')
df.tail
df.head()
open high low close volume
time
2005-04-11 01:33:00 83.54 83.54 83.54 83.54 2.0
2005-04-11 01:34:00 83.55 83.55 83.55 83.55 2.0
2005-04-11 01:36:00 83.54 83.54 83.54 83.54 2.0
2005-04-11 01:37:00 83.53 83.53 83.53 83.53 2.0
2005-04-11 01:38:00 83.54 83.55 83.54 83.54 6.0
df.tail()
open high low close volume
time
2019-09-27 23:52:00 73.013 73.016 73.009 73.009 70.0
2019-09-27 23:53:00 73.009 73.013 73.009 73.009 44.0
2019-09-27 23:54:00 73.008 73.021 73.006 73.018 57.0
2019-09-27 23:55:00 73.017 73.017 73.008 73.010 16.0
2019-09-28 00:12:00 73.010 73.010 73.010 73.010 1.0
2005年からの１分足データですが、テストには向かないのでまず直近い１日分、その後１週間、１ヶ月でのテスト予定
open,high,low,close のcloseデータにて解析を行う。
import pandas as pd
df['close'].tail()
time
2019-09-27 23:52:00 73.009
2019-09-27 23:53:00 73.009
2019-09-27 23:54:00 73.018
2019-09-27 23:55:00 73.010
2019-09-28 00:12:00 73.010
Name: close, dtype: float64
df.loc["2019-09-27"].head(11)
open high low close volume
time
2019-09-27 00:01:00 72.745 72.748 72.728 72.748 10.0
2019-09-27 00:02:00 72.748 72.748 72.727 72.735 12.0
2019-09-27 00:03:00 72.735 72.735 72.734 72.734 16.0
2019-09-27 00:04:00 72.734 72.734 72.728 72.734 20.0
2019-09-27 00:05:00 72.734 72.735 72.729 72.735 27.0
2019-09-27 00:06:00 72.735 72.735 72.731 72.735 61.0
2019-09-27 00:07:00 72.731 72.745 72.729 72.733 93.0
2019-09-27 00:08:00 72.735 72.741 72.724 72.735 83.0
2019-09-27 00:09:00 72.735 72.737 72.727 72.732 67.0
2019-09-27 00:10:00 72.732 72.734 72.728 72.732 65.0
2019-09-27 00:11:00 72.732 72.733 72.728 72.732 56.0
df.loc["2019-09-27"].tail(10)
open high low close volume
time
2019-09-27 23:46:00 73.001 73.001 72.997 72.998 57.0
2019-09-27 23:47:00 72.998 73.000 72.997 72.999 46.0
2019-09-27 23:48:00 72.999 73.006 72.999 73.005 47.0
2019-09-27 23:49:00 73.005 73.015 73.004 73.014 50.0
2019-09-27 23:50:00 73.014 73.021 73.014 73.021 64.0
2019-09-27 23:51:00 73.021 73.023 73.010 73.013 47.0
2019-09-27 23:52:00 73.013 73.016 73.009 73.009 70.0
2019-09-27 23:53:00 73.009 73.013 73.009 73.009 44.0
2019-09-27 23:54:00 73.008 73.021 73.006 73.018 57.0
2019-09-27 23:55:00 73.017 73.017 73.008 73.010 16.0
df_20190927_c = df.loc["2019-09-27"]['close']
print(df_20190927_c)
time
2019-09-27 00:01:00 72.748
2019-09-27 00:02:00 72.735
2019-09-27 00:03:00 72.734
2019-09-27 00:04:00 72.734
2019-09-27 00:05:00 72.735
2019-09-27 00:06:00 72.735
2019-09-27 00:07:00 72.733
2019-09-27 00:08:00 72.735
2019-09-27 00:09:00 72.732
2019-09-27 00:10:00 72.732
2019-09-27 00:11:00 72.732
2019-09-27 00:12:00 72.732
５分足データに変換
df_20190927_c=df_20190927_c[::-5]
print(df_20190927_c)
time
2019-09-27 23:55:00 73.010
2019-09-27 23:50:00 73.021
2019-09-27 23:45:00 73.001
2019-09-27 23:40:00 73.036
2019-09-27 23:35:00 73.029
2019-09-27 23:30:00 73.015
2019-09-27 23:25:00 73.004
2019-09-27 23:20:00 72.993
2019-09-27 23:15:00 72.964
2019-09-27 23:10:00 72.976
2019-09-27 23:05:00 72.990
逆順になったので戻すのは、
df_20190927_c5=df_20190927_c[::-1]
print(df_20190927_c5)
time
2019-09-27 00:05:00 72.735
2019-09-27 00:10:00 72.732
2019-09-27 00:15:00 72.746
2019-09-27 00:20:00 72.738
2019-09-27 00:25:00 72.741
2019-09-27 00:30:00 72.742
2019-09-27 00:35:00 72.738
2019-09-27 00:40:00 72.740
2019-09-27 00:45:00 72.742
2019-09-27 00:50:00 72.750
2019-09-27 00:55:00 72.752
2019-09-27 01:00:00 72.761
５分足データの完成です
参考；
http://swdrsker.hatenablog.com/entry/2018/05/18/070000
https://qiita.com/u1and0/items/6a690f6b0080b8efc2c7
https://qiita.com/shizuma/items/8616bbe3ebe8ab0b6ca1