desvio_padrão.py

# -*- coding: utf-8 -*-
"""Desvio padrão.ipynb

Automatically generated by Colaboratory.

Original file is located at
    https://colab.research.google.com/drive/1IdbTT9hBYw_kIFf0c6xh248mnajhQQE7

# Importando as bibliotecas necessárias
"""

import pandas as pd, numpy as np
from datetime import datetime
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')
from google.colab import drive
drive.mount('/content/drive')

"""# Carregando dados"""

caminho=('/content/drive/My Drive/Gráficosforex/CADCHFM5.csv')
data = pd.read_csv(caminho,encoding = "utf-16")
data.columns = ['Data', 'Abertura','Maxima','Minima','Fechamento','Ticks','Volume']
#Escolhendo o índice

data=data.set_index(pd.DatetimeIndex(data['Data'].values))
tipo_candle= []

for i in range(0,len(data)):
  if data['Fechamento'][i] > data['Abertura'][i]:

    tipo_candle.append("Verde")
  else:

    tipo_candle.append("Vermelho")  

data['Corpo']=abs(data['Fechamento']-data['Abertura'])
data["Candle"]=tipo_candle
data['Candle_post']=data['Candle'].shift(-1)
data['Candle_post2']=data['Candle'].shift(-2)

#Mostrando dados
data

"""Visualização dos dados para a análise"""

#Visualizando os dados de fechamento do preço
plt.figure(figsize=(100,100))
plt.title('Preço de Fechamento')
plt.plot(data['Fechamento'])
plt.xlabel('Data', fontsize=18)
plt.ylabel('Fechamento', fontsize=18)
plt.show()

#Calculo de médias móveis
a=9
b=20
c=42
EMA1=data.Fechamento.ewm(span=a, adjust=False).mean()
EMA2=data.Fechamento.ewm(span=b, adjust=False).mean()
EMA3=data.Fechamento.ewm(span=c, adjust=False).mean()

#Visualizando as médias móveis do gráfico
plt.figure(figsize=(30, 30))
plt.title('Preço de Fechamento')
plt.plot(data['Fechamento'], label= 'Fechamento', color='blue')
plt.plot(EMA1, label = 'Média 9', color= 'green')
plt.plot(EMA2, label = 'Média 20', color= 'red')
plt.plot(EMA3, label = 'Média 42' , color='orange')
plt.xlabel('Data', fontsize=18)
plt.ylabel('Fechamento', fontsize=18)
plt.show()

#Adicionando as médias ao data set

data['EMA9']= EMA1
data['EMA20']=EMA2
data['EMA42']=EMA3

data

# Adicionando colunas de retorno e desvio padrão e candle e candle de sinal(se o candle é maior que os 3 anteriores)

data['Retorno']=((data['Fechamento']/data['Abertura'])-1)*100

data['Desv_pad2'] = data['Fechamento'].rolling(2).std()
data['Desv_pad5'] = data['Fechamento'].rolling(5).std()
data['Desv_pad20'] = data['Fechamento'].rolling(20).std()



data['Total_2anteriores']=data['Corpo'].rolling(3).sum()-data['Corpo']
data['Total_3anteriores']=data['Corpo'].rolling(4).sum()-data['Corpo']




data.iloc[:20]

# O objetivo do código é encontrar a correlação entre o desvio padrão e a probabilidade de o próximo candle ser idêntico ao anterior.
# Deste modo encontramos os momentos em que os candle foram idênticos:

data.loc[data['Candle']==data['Candle_post']]
data2=data.loc[data['Candle']==data['Candle_post']]

dd=data2.loc[data2['EMA9']>=data2['Fechamento']]

# Commented out IPython magic to ensure Python compatibility.
#Fazemos o histograma para análise  das dos intervalos de maior probabilidade
# %matplotlib inline
dd=data.loc[data['Candle']==data['Candle_post']]
dd=dd.loc[data['Corpo']>data['Total_3anteriores']]

#data2['Desv_pad'].hist(bins=20000)


plt.figure(figsize=(20,20))
plt.title('Preço de Fechamento')
plt.hist(dd['Desv_pad2'],bins=1000)
plt.xlabel('Data', fontsize=18)
plt.ylabel('Fechamento', fontsize=18)
plt.xlim(0.00005,0.0002)
plt.show()

subtrair2=data['Desv_pad2'].shift(1)
subtrair5=data['Desv_pad5'].shift(1)
subtrair20=data['Desv_pad20'].shift(1)
data['Subtra_2']=data['Desv_pad2']-subtrair2
data['Subtra_5']=data['Desv_pad5']-subtrair5
data['Subtra_20']=data['Desv_pad20']-subtrair20

data

comparação=data.loc[data['Corpo']>=data['Total_3anteriores']]

data.loc[data['Subtra_5']>=0.000200]