파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법

이동평균선을 이용하여 바이낸스 비트코인 투자 연습도 하고 파이썬 판다스도 익혀보겠습니다. 지난번 단순이동평균(SMA)에 이어 이번엔 지수이동평균(EMA)를 적용합니다. 파이썬 바이낸스 API로 비트코인 캔들 데이터를 가져온 후, 파이썬 판다스로 이동평균선 매매 기법을 백 테스팅 해 보는 것이 이 포스팅의 목적입니다.

글의 순서

백 테스팅 (back testing)
이동평균선 (moving average line)
단순 이동평균 vs 지수 이동평균
지수이동평균선 매매 전략 : 골든크로스 vs. 데드크로스
지수 이동평균선 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터
파이썬 코드 : 바이낸스 API, 판다스로 지수 이동평균선 매매 전략 백 테스팅

백 테스팅 (back testing)

파이썬 바이낸스 API로 받아온 실감나는 비트코인 시계열 데이터로 파이썬 프로그래밍을 익히는 중입니다. 백테스팅은 과거의 가격정보(시계열 데이터)로 투자 알고리즘을 검증하는 과정을 말합니다. 과거의 시계열 데이터를 사용하므로 back을, 검증한다는 의미로 testing 이라는 용어를 사용합니다. 물론 과거의 데이터이기 때문에 한계가 있습니다만, 실전 투자에 쓰기 전 백테스팅부터 해보는 것이 안전한 투자의 필수조건입니다.

아래에 링크한 지난 포스팅에서 단순이동평균선 매매 기법을 적용했을 때 어떤 효과가 있을지 확인해 보았습니다. 단순이동평균(Simple Moving Averages)을 적용했을 때와 이번 포스팅의 지수이동평균(EMA, Exponential Moving Average) 적용 결과를 비교해 보시기 바랍니다.

파이썬 바이낸스 비트코인 투자 백테스팅 : 이동평균선 매매 기법

이동평균선 (moving average line)

이동평균선은 종가를 기준으로 계산하며 짧은 시간 동안에 발생한 극심한 가격 변동을 보다 긴 시간에서의 변화로 바꿔주는 역할을 합니다. 그렇기 때문에 추세를 확인할 수 있습니다.

이동평균선은 크게 3가지 정도로 나눌 수 있습니다. 각각 단순 이동평균 SMA(simple moving average), 지수 이동평균 EMA(exponetial moving average), 가중 이동평균 WMA(weighted moving average)입니다. 이번 포스팅에서는 이 중 지수 이동평균 EMA를 적용합니다.

지수이동평균은 최근의 데이터에 가중치를 부여해서 평균을 구하는 방식이며, 아래의 식으로 표현할 수 있습니다.

EMA(i) = k * price(i) + (1-k) * EMA(i-1)

단순 이동평균 vs 지수 이동평균

3일 기준으로 단순 이동평균과 지수 이동평균을 가중치 관점에서 서로 비교해보겠습니다. 단순이동평균의 경우, 지난 3일치 종가를 더하고 3으로 나눈 것이니까, 오늘 종가가 평균에서 차지하는 비중은 1/3이 됩니다. 이를 소수로 바꾸면 0.333333이니까, k = 0.333333인 것과 마찬가지입니다. 지수 이동평균에서 span을 3으로 준다면, 가중치는 2/(span+1)이므로, 0.5가 되는 것입니다. 단순 이동평균의 0.333333과 비교했을 때 오늘 종가가 더 큰 비중을 차지하는 것입니다.

이동평균선 매매 전략 : 골든 크로스, 데드 크로스

지수 이동평균선 매매 전략 자체는 골든크로스와 데드크로스를 사용하는 단순 이동평균선 매매 전략과 동일합니다.

주가 이동평균선의 골든크로스와 데드크로스는 매수 시점과 매도 시점을 결정할 때 주로 사용되는 기술적 분석 지표입니다. 여기서, 골든크로스(golden cross)는 단기 이동평균선이 장기이동평균선을 아래에서 위로 상향 돌파할 때 생기는 교차점입니다. 반면, 데드크로스(dead cross)는 단기 이동평균선이 장기 이동평균선을 위에서 아래로 하향 돌파할 때 생기는 교차점입니다.

골든크로스와 데드크로스를 찾아낼 때, 일반적으로 단기 이동평균선으로는 5일선(5일 이동평균선), 장기 이동평균선으로 20일선을 사용합니다. 때로는 20일선과 60일선을 사용하기도 합니다.

이동평균선 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

지난 포스팅의 단순 이동평균선 매매 전략과 비교하기 위하여 지수 이동평균을 사용한다는 것 외에 다른 것들은 모두 동일하게 유지하고 백테스팅합니다. 파이썬 바이낸스 API로 추출한 3개월(2022년 12월 ~ 2023년 2월) 동안의 비트코인 시계열 데이터로 수행한 백 테스팅 과정을 정리해 보겠습니다.

(1) 파이썬 바이낸스 API로 비트코인 시계열 데이터 가져오기

파이썬 바이낸스 API의 get_historical_klines() 함수로 코인 가격을 시계열 데이터로 쉽게 가져올 수 있습니다. 이 함수의 출력값은 ohlcv라는 캔들 데이터 형태입니다. 여기서, o는 시작가(open), h는 최고가(high), l은 최저가(low), c는 종료가(close), 그리고 v는 총 거래량(volume)을 의미합니다. 시작가를 시가, 최고가를 고가, 최저가를 저가, 종료가를 종가라고도 부릅니다.

(2) 이동평균선 구하기

이 포스팅에서는 단기 이동평균선으로는 5일선(5일 이동평균선), 장기 이동평균선으로 20일선을 사용합니다.

(3) 이동평균선 교차 지점 탐색

이동평균선이 교차하는 지점이 있는지 확인하고, 매수 또는 매도할 위치를 찾아냅니다. 여기서는 이동평균선의 교차가 발생한 날의 종료가로 매수 또는 매도 했다고 가정하였습니다.

(4) 이익 계산 : 이익(profit) = 매도가 – 매수가

매도 가격에서 매수 가격을 빼면 전체 구간에서의 이익이 됩니다. 2022년 12월 부터 2023년 2월까지의 구간에서는 매수에 해당하는 이동평균선 교차가 5회, 매도에 해당하는 이동평균선 교차가 4회 발생했습니다. 마지막 교차가 매수에 해당하므로, 매수 상태에 있습니다만, 4회까지의 결과를 정리해보겠습니다.

아래 그림에서 손실과 수익 구간을 확인할 수 있는데요. 네 번째 사고 팔았던 구간에서 큰 이익을 봐서 전체적으로는 3750.36 USDT 이득이었습니다.

▶첫 번째 사고, 팔았던 구간 : 207.54 USDT 손실
▶두 번째 구간 : 269.06 USDT 손실
▶세 번째 구간 : 447.58 USDT 손실
▶네 번째 구간 : 4674.54 USDT 이익

※ 참고로, 이 포스팅에서는 거래 수수료를 0으로 가정하고 계산하였습니다.

파이썬 코드 : 바이낸스 API, 판다스로 지수 이동평균선 매매 전략 백 테스팅

지금까지의 과정을 ‘판다스 지수이동평균선 매매 전략 백 테스팅’ 파이썬 코드에 나타내었습니다. 앞에서 설명한 이동평균선 교차 지점 확인 과정이 이 코드의 핵심부분이라고 할 수 있습니다. 코드의 #01, #02, … #11) 부분을 유심히 봐 주시기 바랍니다. 시계열 데이터와 매수, 매도 지점을 표시한 차트는 C:/_python/pandas/backtesting/ 라는 폴더에 ema.png 라는 이름의 그림파일로 저장됩니다.

import os
import time
import pandas as pd
import numpy as np
from binance.client import Client
import datetime
from datetime import datetime, timezone, timedelta
import matplotlib.pyplot as plt

#01) 바이낸스 계정 접속
api_key = os.getenv('Binan_API_KEY')
api_secret = os.getenv('Binan_SECRET_KEY')

client = Client(api_key, api_secret)
print('\n','[ BINANCE ACCOUNT ACCESSED ]')

#02) 입력 : 시계열 데이터 수집 구간(tstt~tend), 시간 간격(t_interval)    
tstt_utc = '2022-12-01 00:00:00'
tend_utc = '2023-02-28 23:59:59'
t_interval = '1d'

bars = client.get_historical_klines('BTCUSDT', t_interval, tstt_utc, tend_utc, limit=1000)

#03) ohlcv 데이터만 추출
for i in bars:
    del i[6:]

#04) 데이터프레임 열 이름 붙여주기
df = pd.DataFrame(bars, columns=['time_open','open','high','low','close','volume'])

#05) 데이터프레임 열 type을 실수형으로 변환
df = df.astype({'open' : 'float', 'high' : 'float', 'low' : 'float', 'close' : 'float', 'volume' : 'float'})

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경 
df['time_open'] = df['time_open'].apply(lambda date: pd.Timestamp(time.ctime(date/1000.)))

# ====== 판다스로 이동평균선 매매 전략 구현 ====== 
#07) 지수 이동평균선 : 5, 20일선
df['ema5'] = df['close'].ewm(span=5, adjust=False).mean()
df['ema20'] = df['close'].ewm(span=20, adjust=False).mean()

#08) 이동평균선 교차점
df['cross'] = np.where(df['ema5'] > df['ema20'], 1, 0)
df['time_cross'] = df['cross'].diff() 

#9) 매수, 매도지점 표시
df['cross_buy']  = np.where(df['time_cross']== 1, df['close'], np.NaN)
df['cross_sell'] = np.where(df['time_cross']==-1, df['close'], np.NaN)
print('\n','#09) ---')
print(df)

#10) 시계열 데이터 가시화, 차트에 매수지점(^), 매도지점(v) 표시
plt.plot(df['time_open'],df['close'], label='close')
plt.plot(df['time_open'],df['ema5'],  linestyle='--',label='ema5')
plt.plot(df['time_open'],df['ema20'], linestyle='--',label='ema20')
plt.scatter(df['time_open'], df['cross_buy'], marker='^', color='red', label='buy')
plt.scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')
            
plt.title('BTC trading based on EMA(Exponential Moving Average)')
plt.ylabel('Price (USDT)')   
plt.xticks(rotation=20)
plt.legend(loc='best')

#10-1) 차트를 그림파일로 저장
file_path = 'C:/_python/pandas/backtesting/'
plt.savefig(file_path +'ema.png', dpi=200)
plt.show()

#11) 이익 계산, 계산결과 출력
no_buy  = df['cross_buy'].count()
no_sell = df['cross_sell'].count()

print('\n','#11) ---')
print(f'* Number of buying  : {no_buy}', '\n',
      f' Number of selling : {no_sell}')

#11-1) 매수일/매수가(df_buy), 매도일/매도가(df_sell) 저장
df_buy = df[['time_open', 'cross_buy']].dropna()
df_sell= df[['time_open', 'cross_sell']].dropna()

print('\n','# Buying Info.')
print(df_buy)
print('\n','# Selling Info.')
print(df_sell)

import os

import time

import pandas as pd

import numpy as np

from binance.client import Client

import datetime

from datetime import datetime, timezone, timedelta

import matplotlib.pyplot as plt

#01) 바이낸스 계정 접속

api_key = os.getenv('Binan_API_KEY')

api_secret = os.getenv('Binan_SECRET_KEY')

client = Client(api_key, api_secret)

print('\n','[ BINANCE ACCOUNT ACCESSED ]')

#02) 입력 : 시계열 데이터 수집 구간(tstt~tend), 시간 간격(t_interval)

tstt_utc = '2022-12-01 00:00:00'

tend_utc = '2023-02-28 23:59:59'

t_interval = '1d'

bars = client.get_historical_klines('BTCUSDT', t_interval, tstt_utc, tend_utc, limit=1000)

#03) ohlcv 데이터만 추출

for i in bars:

del i[6:]

#04) 데이터프레임 열 이름 붙여주기

df = pd.DataFrame(bars, columns=['time_open','open','high','low','close','volume'])

#05) 데이터프레임 열 type을 실수형으로 변환

df = df.astype({'open' : 'float', 'high' : 'float', 'low' : 'float', 'close' : 'float', 'volume' : 'float'})

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경

df['time_open'] = df['time_open'].apply(lambda date: pd.Timestamp(time.ctime(date/1000.)))

# ====== 판다스로 이동평균선 매매 전략 구현 ======

#07) 지수 이동평균선 : 5, 20일선

df['ema5'] = df['close'].ewm(span=5, adjust=False).mean()

df['ema20'] = df['close'].ewm(span=20, adjust=False).mean()

#08) 이동평균선 교차점

df['cross'] = np.where(df['ema5'] > df['ema20'], 1, 0)

df['time_cross'] = df['cross'].diff()

#9) 매수, 매도지점 표시

df['cross_buy'] = np.where(df['time_cross']== 1, df['close'], np.NaN)

df['cross_sell'] = np.where(df['time_cross']==-1, df['close'], np.NaN)

print('\n','#09) ---')

print(df)

#10) 시계열 데이터 가시화, 차트에 매수지점(^), 매도지점(v) 표시

plt.plot(df['time_open'],df['close'], label='close')

plt.plot(df['time_open'],df['ema5'], linestyle='--',label='ema5')

plt.plot(df['time_open'],df['ema20'], linestyle='--',label='ema20')

plt.scatter(df['time_open'], df['cross_buy'], marker='^', color='red', label='buy')

plt.scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')

plt.title('BTC trading based on EMA(Exponential Moving Average)')

plt.ylabel('Price (USDT)')

plt.xticks(rotation=20)

plt.legend(loc='best')

#10-1) 차트를 그림파일로 저장

file_path = 'C:/_python/pandas/backtesting/'

plt.savefig(file_path +'ema.png', dpi=200)

plt.show()

#11) 이익 계산, 계산결과 출력

no_buy = df['cross_buy'].count()

no_sell = df['cross_sell'].count()

print('\n','#11) ---')

print(f'* Number of buying : {no_buy}', '\n',

f' Number of selling : {no_sell}')

#11-1) 매수일/매수가(df_buy), 매도일/매도가(df_sell) 저장

df_buy = df[['time_open', 'cross_buy']].dropna()

df_sell= df[['time_open', 'cross_sell']].dropna()

print('\n','# Buying Info.')

print(df_buy)

print('\n','# Selling Info.')

print(df_sell)

 [ BINANCE ACCOUNT ACCESSED ]

 #09) ---
             time_open      open      high       low     close        volume          ema5         ema20  cross  time_cross  cross_buy  cross_sell
0  2022-12-01 09:00:00  17165.53  17324.00  16855.01  16977.37  232818.18218  16977.370000  16977.370000      0         NaN        NaN         NaN        
1  2022-12-02 09:00:00  16978.00  17105.73  16787.85  17092.74  202372.20620  17015.826667  16988.357619      1         1.0   17092.74         NaN        
2  2022-12-03 09:00:00  17092.13  17188.98  16858.74  16885.20  154542.57306  16972.284444  16978.533084      0        -1.0        NaN     16885.2        
3  2022-12-04 09:00:00  16885.20  17202.84  16878.25  17105.70  178619.13387  17016.756296  16990.644219      1         1.0   17105.70         NaN        
4  2022-12-05 09:00:00  17106.65  17424.25  16867.00  16966.35  233703.29225  16999.954198  16988.330484      1         0.0        NaN         NaN        
..                 ...       ...       ...       ...       ...           ...           ...           ...    ...         ...        ...         ...        
85 2023-02-24 09:00:00  23940.20  24132.35  22841.19  23185.29  343582.57453  23846.184219  23441.902932      1         0.0        NaN         NaN        
86 2023-02-25 09:00:00  23184.04  23219.13  22722.00  23157.07  191311.81010  23616.479479  23414.775987      1         0.0        NaN         NaN        
87 2023-02-26 09:00:00  23157.07  23689.99  23059.18  23554.85  202323.73623  23595.936319  23428.116369      1         0.0        NaN         NaN        
88 2023-02-27 09:00:00  23554.85  23897.99  23106.77  23492.09  283706.08590  23561.320880  23434.209096      1         0.0        NaN         NaN        
89 2023-02-28 09:00:00  23492.09  23600.00  23020.97  23141.57  264140.99894  23421.403920  23406.338705      1         0.0        NaN         NaN        

[90 rows x 12 columns]

 #11) ---
* Number of buying  : 5 
  Number of selling : 4

 # Buying Info.
             time_open  cross_buy
1  2022-12-02 09:00:00   17092.74
3  2022-12-04 09:00:00   17105.70
7  2022-12-08 09:00:00   17224.10
36 2023-01-06 09:00:00   16950.65
76 2023-02-15 09:00:00   24324.05

 # Selling Info.
             time_open  cross_sell
2  2022-12-03 09:00:00    16885.20
6  2022-12-07 09:00:00    16836.64
16 2022-12-17 09:00:00    16776.52
71 2023-02-10 09:00:00    21625.19

[ BINANCE ACCOUNT ACCESSED ]

#09) ---

time_open open high low close volume ema5 ema20 cross time_cross cross_buy cross_sell

0 2022-12-01 09:00:00 17165.53 17324.00 16855.01 16977.37 232818.18218 16977.370000 16977.370000 0 NaN NaN NaN

1 2022-12-02 09:00:00 16978.00 17105.73 16787.85 17092.74 202372.20620 17015.826667 16988.357619 1 1.0 17092.74 NaN

2 2022-12-03 09:00:00 17092.13 17188.98 16858.74 16885.20 154542.57306 16972.284444 16978.533084 0 -1.0 NaN 16885.2

3 2022-12-04 09:00:00 16885.20 17202.84 16878.25 17105.70 178619.13387 17016.756296 16990.644219 1 1.0 17105.70 NaN

4 2022-12-05 09:00:00 17106.65 17424.25 16867.00 16966.35 233703.29225 16999.954198 16988.330484 1 0.0 NaN NaN

.. ... ... ... ... ... ... ... ... ... ... ... ...

85 2023-02-24 09:00:00 23940.20 24132.35 22841.19 23185.29 343582.57453 23846.184219 23441.902932 1 0.0 NaN NaN

86 2023-02-25 09:00:00 23184.04 23219.13 22722.00 23157.07 191311.81010 23616.479479 23414.775987 1 0.0 NaN NaN

87 2023-02-26 09:00:00 23157.07 23689.99 23059.18 23554.85 202323.73623 23595.936319 23428.116369 1 0.0 NaN NaN

88 2023-02-27 09:00:00 23554.85 23897.99 23106.77 23492.09 283706.08590 23561.320880 23434.209096 1 0.0 NaN NaN

89 2023-02-28 09:00:00 23492.09 23600.00 23020.97 23141.57 264140.99894 23421.403920 23406.338705 1 0.0 NaN NaN

[90 rows x 12 columns]

#11) ---

* Number of buying : 5

Number of selling : 4

# Buying Info.

time_open cross_buy

1 2022-12-02 09:00:00 17092.74

3 2022-12-04 09:00:00 17105.70

7 2022-12-08 09:00:00 17224.10

36 2023-01-06 09:00:00 16950.65

76 2023-02-15 09:00:00 24324.05

# Selling Info.

time_open cross_sell

2 2022-12-03 09:00:00 16885.20

6 2022-12-07 09:00:00 16836.64

16 2022-12-17 09:00:00 16776.52

71 2023-02-10 09:00:00 21625.19

마치며 …

이번 포스팅에서도 바이낸스 비트코인 투자 연습을 하면서 판다스 데이터프레임을 익혀보았습니다. 파이썬 바이낸스 API로 비트코인 시계열 데이터를 가지고 온 후, 파이썬 판다스로 지수 이동평균선 매매 전략을 백 테스팅 하였습니다.

데이터 분석에 유용하게 쓸 수 있는 판다스 데이터프레임의 열 계산 방법과 np.where() 함수, diff() 함수, count() 함수에 익숙해지셨길 바랍니다.

함께 참고하면 더 좋은 글 :
1. 바이낸스 코인거래소 API Key로 계좌에 접속하는 파이썬 프로그래밍
2. 파이썬 바이낸스 API로 시계열 데이터를 가져오는 파이썬 프로그래밍
3. 바이낸스 API 보안을 위한 환경 변수 설정 : 윈도우 10
4. 파이썬 바이낸스 API 시계열 데이터분석. 판다스 시간 처리
5. 파이썬 바이낸스 API로 차트 분석 : 판다스 이동평균선
6. 시계열 데이터 분석 : 지수 이동평균 (EMA)
7. 파이썬 프로그래밍 time 이해 : timestamp, UTC, KST
8. API와 파이썬 데이터 분석
9. 시계열 데이터 전처리 결과 확인 : pandas DataFrame
10. 바이낸스 비트코인 투자 백 테스팅. 파이썬 코인 투자 연습
11. 파이썬 프로그래밍 시작

참고자료

python-binance Docs >> get_historical_klines

파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법

파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법

글의 순서

백 테스팅 (back testing)

이동평균선 (moving average line)

단순 이동평균 vs 지수 이동평균

이동평균선 매매 전략 : 골든 크로스, 데드 크로스

이동평균선 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

(1) 파이썬 바이낸스 API로 비트코인 시계열 데이터 가져오기

(2) 이동평균선 구하기

(3) 이동평균선 교차 지점 탐색

(4) 이익 계산 : 이익(profit) = 매도가 – 매수가

파이썬 코드 : 바이낸스 API, 판다스로 지수 이동평균선 매매 전략 백 테스팅

마치며 …

참고자료

시계열 데이터 분석 : 지수 이동평균 (EMA)

파이썬 바이낸스 API로 비트코인 시계열 데이터 분석 : 이동평균 수렴확산 (MACD)

Leave a Comment 응답 취소