PythonとMT5を連携させたEA【テクニカル指標による売買判断パターン拡張】

この記事では、以下の記事で作成したPythonとMT5を連携させた基本的なFX自動売買ツールを複数のテクニカル指標で拡張させる方法をご紹介します。

PythonとMT5を連携させたFX自動売買ツール(bot)のテンプレート

この記事の内容をコピペしていけば、PythonとMT5を連携させた基本的なFX自動売買ツールを作成することが可能です。 FXの自動売買というと、MT4やMT5で使用されるMQL4やMQL5という言語で構築したEA（エキスパートアドバイザー）...

nanpin-martin.com

初心者向けになるべくコードの意味まで丁寧に解説するように心がけていますので、初心者の方も是非、PythonでのFX自動売買botの作成にチャレンジしてみてください。

FX自動売買ツールの設計概要

前回の記事でもご紹介した通り、基本的なFX自動売買ツール（bot）の設計概要は以下の通りです。

ロジック概要

前回作成したFX自動売買ツール（bot）のロジック概要は以下の通りでした。

今回は、このテクニカル指標による売買判断条件を拡張させる方法をご紹介します。

Inputの設定

以下のインプットを用意していますが、今回の拡張に関係してくるのは最後のbar_periodです。

symbol = "GOLD" # 取引対象
first_lot = 0.01 # 初期ロット数
tp_factor = 2.0 # 利確係数
sl_factor = 1.5 # ストップロス係数
magic_number = 10001 # マジックナンバー
slippage = 10 # スリッページ
bar_period = 30 # 取得する四本値の本数

取得する四本値の本数（bar_period）

これは取得するバー（四本値）の本数です。使用するテクニカル指標に合わせて必要な本数を設定するようにしてください。

例えば、MA（移動平均）の期間は15で設定している場合、30本あれば十分ですが、期間を50や100に設定する場合は、その分必要な本数を増やす必要があります。基本的には使用する期間よりも2本くらい多めに設定しておくと良いですが、ロジックがシンプルなのである程度余裕を持たせた本数にしておいてもそれほど処理が遅くなったりはしないと思います。

テクニカル指標の関数定義

今回は、テクニカル指標を計算する関数をATR、MA、RSIだけでなく、MACD、ボリンジャーバンド、ストキャスティクスまで拡張します。

ATR（Average True Range）

def calculate_atr(data, period=14):
    data['tr'] = np.maximum((data['high'] - data['low']), 
                            np.maximum(abs(data['high'] - data['close'].shift()), abs(data['low'] - data['close'].shift())))
    data['atr'] = data['tr'].rolling(window=period).mean()
    return data

引数は、’high’、’low ‘、’close’が入ったデータフレーム（data）です。
期間（period）はデフォルトで14と設定しています。
例えば15分足のdataを与えれば、期間14のATRが15分足ベースで計算されます。

MA（単純移動平均）

def calculate_ma(data, period=15, price_type='close'):
    data['ma'] = data[price_type].rolling(window=period).mean()
    return data

引数は、’close’が入ったデータフレーム（data）です。
price_type=’close’で終値の単純移動平均を計算します。
期間（period）はデフォルトで15と設定しています。
例えば15分足のdataを与えれば、期間15の終値ベースのMAが15分足ベースで計算されます。

RSI（Relative Strength Index）

def calculate_rsi(data, period=14, price_type='close'):
    delta = data[price_type].diff()
    gains = delta.where(delta > 0, 0)
    losses = -delta.where(delta < 0, 0)
    avg_gain = gains.rolling(window=period).mean()
    avg_loss = losses.rolling(window=period).mean()
    rs = avg_gain / avg_loss
    data['rsi'] = 100 - (100 / (1 + rs))
    return data

引数は、’close’が入ったデータフレーム（data）です。
price_type=’close’で終値のRSIを計算します。
期間（period）はデフォルトで14と設定しています。
例えば15分足のdataを与えれば、期間14のRSIが15分足ベースで計算されます。

MACD（移動平均収束拡散法）

def calculate_macd(data, short_period=12, long_period=26, signal_period=9, price_type='close'):
    short_ema = data[price_type].ewm(span=short_period, adjust=False).mean()
    long_ema = data[price_type].ewm(span=long_period, adjust=False).mean()
    data['macd'] = short_ema - long_ema
    data['signal'] = data['macd'].ewm(span=signal_period, adjust=False).mean()
    return data

引数は、’close’が入ったデータフレーム（data）です。
price_type=’close’で終値のMACDを計算します。
期間（period）はデフォルトで12, 26, 9と設定しています。
例えば15分足のdataを与えれば、終値ベースのMACDが15分足ベースで計算されます。

ボリンジャーバンド

def calculate_bollinger(data, period=20, std_dev=2, price_type='close'):
    data['middle_band'] = data[price_type].rolling(window=period).mean()
    data['upper_band'] = data['middle_band'] + std_dev * data[price_type].rolling(window=period).std()
    data['lower_band'] = data['middle_band'] - std_dev * data[price_type].rolling(window=period).std()
    return data

引数は、’close’が入ったデータフレーム（data）です。
price_type=’close’で終値のボリンジャーバンドを計算します。
期間（period）はデフォルトで20と設定しています。
std_dev=2で、2σのボリンジャーバンドです。
例えば15分足のdataを与えれば、期間20で2σのボリンジャーバンドが15分足ベースで計算されます。

ストキャスティクス（%K）

def calculate_stochastics(data, k_period=14, d_period=3, slowing=3):
    highest_high = data['high'].rolling(window=k_period).max()
    lowest_low = data['low'].rolling(window=k_period).min()
    data['%K'] = ((data['close'] - lowest_low) / (highest_high - lowest_low)) * 100
    data['%K'] = data['%K'].rolling(window=slowing).mean()
    data['%D'] = data['%K'].rolling(window=d_period).mean()
    return data

引数は、’high’、’low ‘、’close’が入ったデータフレーム（data）です。
期間（period）はデフォルトで14, 3と設定しています。
例えば15分足のdataを与えれば、期間14, 3のストキャスティクスが15分足ベースで計算されます。

売買判断フラグを設定する関数

ここでは、上記で設定したテクニカル指標を組み合わせた売買判断フラグを設定する関数をいくつかのパターンでご紹介します。全体のコードのうち、generate_trade_flgs関数部分を以下のいずれかに変更することで適用可能です。

各パターン共通

引数の設定

引数は四本値のデータフレーム（data）と、現在価格（symbol_tick）です。

売買判断フラグ

買いフラグ（buy_flg）と売りフラグ（sell_flg）をそれぞれ設定します。

パターン1: 単純移動平均とRSIを利用

def generate_trade_flgs(data, symbol_tick):

    # テクニカル指標の計算
    data = calculate_ma(data)
    data = calculate_rsi(data)

    # 売買判断フラグ
    buy_flg = (symbol_tick.ask > data['ma'].iloc[-2]) & (data['rsi'].iloc[-2] < 30)
    sell_flg = (symbol_tick.bid < data['ma'].iloc[-2]) & (data['rsi'].iloc[-2] > 70)

    return buy_flg, sell_flg

パターン2: MACDとボリンジャーバンドを利用

def generate_trade_flgs(data, symbol_tick):

    # テクニカル指標の計算
    data = calculate_macd(data)
    data = calculate_bollinger(data)

    # 売買判断フラグ
    buy_flg = (data['macd'].iloc[-2] > data['macd_signal'].iloc[-2]) & (symbol_tick.ask < data['bollinger_lower'].iloc[-2])
    sell_flg = (data['macd'].iloc[-2] < data['macd_signal'].iloc[-2]) & (symbol_tick.bid > data['bollinger_upper'].iloc[-2])

    return buy_flg, sell_flg

パターン3: ストキャスティクスとRSIを利用

def generate_trade_flgs(data, symbol_tick):

    # テクニカル指標の計算
    data = calculate_atr(data)
    data = calculate_rsi(data)
    data = calculate_stochastics(data)

    # 売買判断フラグ
    buy_flg = (data['%K'].iloc[-2] < 20) & (data['rsi'].iloc[-2] < 30) sell_flg = (data['%K'].iloc[-2] > 80) & (data['rsi'].iloc[-2] > 70)

    return buy_flg, sell_flg

パターン4: 単純移動平均とMACDを利用

def generate_trade_flgs(data, symbol_tick):

    # テクニカル指標の計算
    data = calculate_ma(data)
    data = calculate_macd(data)

    # 売買判断フラグ
    buy_flg = (symbol_tick.ask > data['ma'].iloc[-2]) & (data['macd'].iloc[-2] > data['macd_signal'].iloc[-2])
    sell_flg = (symbol_tick.bid < data['ma'].iloc[-2]) & (data['macd'].iloc[-2] < data['macd_signal'].iloc[-2])

    return buy_flg, sell_flg

パターン5: ボリンジャーバンドとストキャスティクスを利用

def generate_trade_flgs(data, symbol_tick):

    # テクニカル指標の計算
    data = calculate_bollinger(data)
    data = calculate_stochastics(data)

    # 売買判断フラグ
    buy_flg = (symbol_tick.ask < data['bollinger_lower'].iloc[-2]) & (data['%K'].iloc[-2] < 20) sell_flg = (symbol_tick.bid > data['bollinger_upper'].iloc[-2]) & (data['%K'].iloc[-2] > 80)

    return buy_flg, sell_flg

まとめ

以上、”売買判断フラグを設定する関数”部分をMAやRSIだけでなく、他のテクニカル指標に置き換える方法をご紹介しました。今回取り上げたパターンだけでなく、各々でこのコードをベースに様々なパターンに発展させることも比較的容易だと思います。

是非、オリジナルの売買判断ロジックを取り入れてみてください。

機械学習モデルの導入

この記事では、テクニカル指標を用いて売買判断を決定するロジックをご紹介しましたが、この売買判断ロジック部分を機械学習モデルによるものに変更するだけで、シンプルなMLbot（機械学習を取り入れたFX自動売買ツール）に変換可能です。

以下の記事では、その方法をご紹介しています。この記事のbotの拡張方法の解説になります。

PythonとMT5を連携させて機械学習モデルによる売買判断ロジックを導入するコード例

この記事の内容をコピペしていけば、以下の記事で作成したテクニカル指標による売買判断を取り入れたFX自動売買ツールを拡張して、機械学習モデルによる売買判断ロジックを取り入れることが可能になります。 PythonとMT5を連携させることによって...

nanpin-martin.com

Pythonでバックテスト

PythonでFX自動売買ツールを開発するために、バックテスト環境を整えることも重要です。以下の記事ではMT4やMT5ではなく、Pythonでバックテストを行う方法をご紹介しています。

Pythonバックテストのサンプルコード（ADM-EAのロジック実装とバックテスト）｜sayama_ocha

この記事では、ADM-EAのロジックを実装するためのサンプルコードを掲載しています。 ADM-EA（分解モンテカルロ法）とは 以下のページで配布しているEAです。一度バックテストやデモ口座での運用を試してみて、どのような挙動か確認することをオススメします。 ADM-EA（分解モンテカルロ法）のロジック詳細解説 - 海外...

note.com