실시간 MACD 지표계산 코드작성 (pandas와 dictionary)
Dictionary를 활용한 실시간 차트의 MACD 모의 계산은 이전글에서 다루었으니,
pandas library를 사용하여 실시간 차트 모의계산 함수를 우선 만들도록 해보겠다.
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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
import random
import datetime
import timeit
import pandas as pd
random.seed(0) # 코드를 실행할 때마다 생성되는 Random 숫자가 동일하게 해주기
class Indicators:
def __init__(self, tot_num):
"""
tot_num개의 OHLCV and MACD dict list 생성
"""
self.tot_num = tot_num
self.coro_adj_ewm = {} # Coroutine 객체를 저장할 Dictionary
def get_ohlcv_macd_df(self, sets, use_concat=False, adjust=False, start_datetime=None):
if start_datetime is None:
start_datetime = datetime.datetime.now()
for cnt, num in enumerate(range(self.tot_num)):
dict_temp = {}
dict_temp['Date'] = (datetime.datetime(
year=start_datetime.year,
month=start_datetime.month,
day=start_datetime.day,
hour=(num // 24),
minute=0+(num % 24), second=0, microsecond=0
).strftime('%Y-%m-%d %H:%M:%S'))
dict_temp['Open'] = random.randint(110, 115)
dict_temp['High'] = random.randint(110, 115)
dict_temp['Low'] = random.randint(110, 115)
dict_temp['Close'] = random.randint(110, 115)
dict_temp['Volume'] = random.randint(2100, 4000)
if cnt == 0:
df = pd.DataFrame(dict_temp, index=["Date"])
# df = self.get_macd(df, sets)
elif cnt == 1:
df_tmp = pd.DataFrame(dict_temp, index=["Date"])
if use_concat:
df = pd.concat([df, df_tmp], ignore_index=True)
else:
df = self.append_df(df, dict_temp)
df = self.get_macd(df, sets)
else:
df_tmp = pd.DataFrame(dict_temp, index=["Date"])
# pandas Docs에 append는 v1.4.0 부터 deprecated 되었고,
# deprecated 되기 전에도 concat이 더 효율적이라고 함.
if use_concat:
df = pd.concat([df, df_tmp], ignore_index=True)
else:
df = self.append_df(df, dict_temp)
df = self.append_macd(df, sets, adjust)
return df
def append_df(self, df, dict_):
df = df.append(pd.DataFrame(dict_, index=[dict_['Date']]),
ignore_index=True, sort=False)
return df
def append_macd(self, df, sets, adjust=False):
if adjust:
df.loc[df.index[-1]:, "EMA_short"] = df["Close"].ewm(
span=sets["short"],
adjust=True).mean()
df.loc[df.index[-1]:, "EMA_long"] = df["Close"].ewm(
span=sets["long"],
adjust=True).mean()
else:
df.loc[df.index[-1]:, "EMA_short"] = (df["Close"].iloc[-1]
* 2/(sets["short"] + 1)
+ df["EMA_short"].iloc[-2]
*(1-2/(sets["short"]+1)))
df.loc[df.index[-1]:, "EMA_long"] = (df["Close"].iloc[-1]
* 2/(sets["long"] + 1)
+ df["EMA_long"].iloc[-2]
*(1-2/(sets["long"]+1)))
df.loc[df.index[-1]:, "MACD"] = (df["EMA_short"].iloc[-1]
- df["EMA_long"].iloc[-1])
df.loc[df.index[-1]:, "MACD_sig"] = (df["MACD"].iloc[-1]
* 2/(sets["signal"]+1)
+ df["MACD_sig"].iloc[-2]
*(1-2/(sets["signal"]+1)))
df.loc[df.index[-1]:, "MACD_bool"] = (df["MACD"].iloc[-1]
> df["MACD_sig"].iloc[-1])
return df
indicator = Indicators(100)
macd_set = {"short": 12, "long": 26, "signal": 9}
df = indicator.get_ohlcv_macd_df(sets=macd_set, use_concat=True, adjust=True)
print(df)
모의 실시간 차트의 MACD 지표계산을 pandas DataFrame을 이용하여 계산한 결과도 역시 동일하다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Close MACD MACD_sig MACD_bool
Date
2022-08-29 00:00:00 112 0.000000 0.000000 False
2022-08-29 00:01:00 113 0.022436 0.012464 True
2022-08-29 00:02:00 111 -0.033432 0.003285 False
2022-08-29 00:03:00 112 -0.021918 -0.001756 False
2022-08-29 00:04:00 111 -0.054992 -0.012403 False
... ... ... ... ...
2022-08-29 03:23:00 113 -0.024678 0.008761 False
2022-08-29 04:00:00 114 0.141292 0.035267 True
2022-08-29 04:01:00 115 0.349447 0.098103 True
2022-08-29 04:02:00 112 0.269341 0.132351 True
2022-08-29 04:03:00 113 0.283249 0.162530 True
100 rows × 4 columns
결과가 동일한 것은 확인 했으니 이제 그럼 계산에 걸리는 시간을 python의 standard library인 timeit으로 계산해 비교해 보도록 하겠다.
pandas와 Dictionary의 계산 시간 비교
pandas를 이용한 계산 시간
timeit을 import하여 계산을 100번 반복해 걸리는 시간을 비교해 보도록 하겠다. 한 번 계산당 100개의 봉차트를 계산하므로 총 10,000개의 계산을 하는데 걸리는 시간이다.
우선 pandas DataFrame을 한 개 한 개 append하는 계산 결과를 보려 한다. 계산 조건은 다음과 같다.
pandas 1.4.0 버전부터 Deprecated 된 append 말고 기존 버젼에서도 더 efficient하다고 한 concat으로 계산
ewm의 계산은 동일성을 위해 adjust=True로 계산
1
2
3
import timeit
timeit.timeit("indicator.get_ohlcv_macd_df(sets=macd_set, use_concat=True, adjust=True)", globals=globals(), number=100)
1
31.385306799998943
약 31초가 걸린다. 이 결과가 10,000개 계산에 대한 결과이니 1개의 지표계산에 걸리는 시간은 약 0.0031초(3ms) 정도가 된다. 그래도 꽤 빠르다고 느낄 수 있다. 그런데 실제로 System Trading을 하기 위해서는 이런 지표를 시간봉별, 틱봉별, 지표별 조합을 하여 여러 지표를 계산해 진입 및 청산에 대한 판단을 하게 될텐데, 이런 계산을 10개만 한다 해도 30ms로 빠르게 움직이는 상황에서는 수익의 감소 또는 손실의 증가의 결과로 이어질 수 있다.
Dictionary를 이용한 계산 시간
이번에는 Dictionary로 지표계산을 10,000번 할때 걸리는 시간을 계산해 보도록 해보자.
1
2
3
import timeit
timeit.timeit("indicator.get_ohlcv_macd_dict(sets=macd_set, adjust=True)", globals=globals(), number=100)
1
0.19308430000091903
약 0.2초가 걸린다 앞의 계산보다 150배 정도 빠른 결과이다. 1개의 지표계산당 0.02ms가 걸리는 셈이다.
보통 인터넷 ping이 2ms면 빠르다고 표현하는데 지표를 동시에 100개를 계산 해도 빠른 ping 수준이다. 이정도면 계산 속도 때문에 거래를 망치는 일은 없을 것이라 판단된다.
다시 한 번 말하지만 위의 결과는 실시간으로 생성되는 OHLCV Data를
DataFrame객체로 만드는 과정(Bottle Neck)이 있을 수 밖에 없기 때문에 pandas의 계산 시간이 느린 것으로 보이는 것이지, 이미 한 번에 생성된방대한 Data의 계산에는 pandas가 훨씬 빠르다는 점을 참조해 주기 바란다.
끝~😁