파이썬 바이낸스 API로 비트코인 시계열 데이터 분석 : 이동평균 수렴확산 MACD 히스토그램

파이썬 바이낸스 API를 이용하여 비트코인 투자 연습을 하면서 판다스를 익히는 중입니다. 이번 포스팅에서는 MACD 히스토그램에 대해 알아보겠습니다. MACD히스토그램은 MACD와 MACD 신호선과의 차이인데, 매수, 매도 시점을 더 쉽게 파악할 수 있다는데 의의가 있습니다. 시계열 데이터 분석에 유용한 도구 하나를 추가해보시기 바랍니다.

글의 순서

이동평균 수렴확산(MACD)
이동평균 수렴확산, MACD 히스토그램
MACD 히스토그램에서 보는 매수 신호
파이썬 코드 : 파이썬 판다스를 이용한 비트코인 MACD, MACD히스토그램

이동평균 수렴확산(MACD)

이동평균 수렴확산을 의미하는 MACD는 Moving Average Convergence, Divergence를 줄여 쓴 말입니다. MACD선은 종가의 12일 지수 이동평균선에서 26일 지수 이동평균선을 뺀 것으로, 가격 변화를 빠르게 반영하는 편입니다. 12일, 26일 이라는 시간 간격은 각 개인이 시장을 보는 관점에 따라 조절할 수 있습니다.

이동평균 수렴확산 MACD 히스토그램

MACD 히스토그램은 MACD 보다 시장에서의 매수와 매도 상태를 잘 나타내줍니다. 매수세가 강한지, 매도세가 강한지를 보여주는데, MACD히스토그램으로부터 매수세나 매도세가 강해지고 있는지 약해지고 있는지 까지 확인할 수 있습니다.

MACD 히스토그램은 아래의 식으로 구합니다.

MACD 히스토그램 = MACD선 – 신호선

MACD 신호선은 MACD선의 지수 이동평균을 구한 선이기 때문에 MACD선의 추세를 나타냅니다. 당연히 MACD선의 추세는 MACD 자체보다 가격 변화에 늦게 반응합니다. MACD 히스토그램은 MACD와 MACD 신호선과의 차이이고, 차이가 0이라는 것은 두 선이 만난다는 의미입니다. 느린 추세와 빠른 추세선의 교점은 매수 또는 매도 신호를 나타내는데, MACD히스토그램에서 0이 되는 곳을 더 쉽게 관찰할 수 있다는데 의의가 있습니다.

MACD 히스토그램에서 보는 매수 신호

MACD 히스토그램이 중심선 아래에 있다가 기울기가 올라가면서 중심선 위를 올라갈 때를 매수 신호로 봅니다.

▶만약 가격이 신저점을 갱신했는데, MACD히스토그램이 저점에서 상승하기 시작한다면 시장은 매수세가 강세로 돌아섰다는 것을 나타냅니다.
▶반면 신저점을 갱신하면서 MACD히스토그램도 낮아지고 있다면 하향 추세 신호입니다.

파이썬 코드 : 파이썬 판다스를 이용한 비트코인 MACD, MACD 히스토그램

파이썬 바이낸스 API로 가져온 비트코인 시계열 데이터로 MACD 히스토그램을 구현하였습니다. 지난 포스팅에서 만든 파이썬 코드에 MACD 히스토그램을 추가했고, 실제로 그래프에 그릴 수 있도록 plt.bar() 함수를 사용했습니다.

판다스 열 연산(column operation)을 통해 지수 이동평균선을 구하는 과정, 지수 이동평균선으로부터 MACD와 MACD 히스토그램을 구하는 과정이 이 코드의 핵심입니다. MACD와 MACD 신호선, MACD 히스토그램을 한 눈에 보면서 매수, 매도 시점을 잡을 수 있을지를 상상해 보시기 바랍니다.

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 = '2023-04-10 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'})
print('\n','#05) ---')
print(df.head(5))

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경 
df['time_open'] = df['time_open'].apply(lambda date: pd.Timestamp(time.ctime(date/1000.)))
print('\n','#06) ---')
print(df.head(5))

# ====== 판다스로 MACD 구현 ====== 
#07) 지수 이동평균선 : 12, 26일선
df['ema12'] = df['close'].ewm(span=12).mean()
df['ema26'] = df['close'].ewm(span=26).mean()

#08) 이동평균 수렴확산 (MACD, Moving Average Convergence, Divergence)
df['macd'] = df['ema12'] - df['ema26']
df['macd_signal'] = df['macd'].ewm(span=9).mean()
df['macd_hist'] = df['macd']-df['macd_signal']

print('\n','#08) ---')
print(df)

#09) 시계열 데이터 가시화
fig, axs = plt.subplots(2,1,figsize=(10,9))

axs[0].plot(df['time_open'],df['close'], label='close')
axs[0].plot(df['time_open'],df['ema12'], 'm--', label='EMA12')
axs[0].plot(df['time_open'],df['ema26'], 'g--', label='EMA26')

axs[0].set_title('BTC ')
axs[0].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-04-10'))
axs[0].set_ylabel('Price (USDT)')   
axs[0].legend(loc='best')
axs[0].tick_params(axis='x', rotation=15)
axs[0].grid(True)

axs[1].plot(df['time_open'],df['macd'], 'm', label='MACD')
axs[1].plot(df['time_open'],df['macd_signal'], 'g',label='MACD_Signal')
axs[1].plot(df['time_open'],df['macd_hist'], 'b',label='MACD-Histogram')
axs[1].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-04-10'))
axs[1].legend(loc='best')
axs[1].tick_params(axis='x', rotation=15)
axs[1].grid(True)

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

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 = '2023-04-10 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'})

print('\n','#05) ---')

print(df.head(5))

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경

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

print('\n','#06) ---')

print(df.head(5))

# ====== 판다스로 MACD 구현 ======

#07) 지수 이동평균선 : 12, 26일선

df['ema12'] = df['close'].ewm(span=12).mean()

df['ema26'] = df['close'].ewm(span=26).mean()

#08) 이동평균 수렴확산 (MACD, Moving Average Convergence, Divergence)

df['macd'] = df['ema12'] - df['ema26']

df['macd_signal'] = df['macd'].ewm(span=9).mean()

df['macd_hist'] = df['macd']-df['macd_signal']

print('\n','#08) ---')

print(df)

#09) 시계열 데이터 가시화

fig, axs = plt.subplots(2,1,figsize=(10,9))

axs[0].plot(df['time_open'],df['close'], label='close')

axs[0].plot(df['time_open'],df['ema12'], 'm--', label='EMA12')

axs[0].plot(df['time_open'],df['ema26'], 'g--', label='EMA26')

axs[0].set_title('BTC ')

axs[0].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-04-10'))

axs[0].set_ylabel('Price (USDT)')

axs[0].legend(loc='best')

axs[0].tick_params(axis='x', rotation=15)

axs[0].grid(True)

axs[1].plot(df['time_open'],df['macd'], 'm', label='MACD')

axs[1].plot(df['time_open'],df['macd_signal'], 'g',label='MACD_Signal')

axs[1].plot(df['time_open'],df['macd_hist'], 'b',label='MACD-Histogram')

axs[1].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-04-10'))

axs[1].legend(loc='best')

axs[1].tick_params(axis='x', rotation=15)

axs[1].grid(True)

#10) 차트를 그림파일로 저장

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

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

plt.show()

 [ BINANCE ACCOUNT ACCESSED ]

 #05) ---
       time_open      open      high       low     close        volume
0  1669852800000  17165.53  17324.00  16855.01  16977.37  232818.18218
1  1669939200000  16978.00  17105.73  16787.85  17092.74  202372.20620
2  1670025600000  17092.13  17188.98  16858.74  16885.20  154542.57306
3  1670112000000  16885.20  17202.84  16878.25  17105.70  178619.13387
4  1670198400000  17106.65  17424.25  16867.00  16966.35  233703.29225

 #06) ---
            time_open      open      high       low     close        volume
0 2022-12-01 09:00:00  17165.53  17324.00  16855.01  16977.37  232818.18218
1 2022-12-02 09:00:00  16978.00  17105.73  16787.85  17092.74  202372.20620
2 2022-12-03 09:00:00  17092.13  17188.98  16858.74  16885.20  154542.57306
3 2022-12-04 09:00:00  16885.20  17202.84  16878.25  17105.70  178619.13387
4 2022-12-05 09:00:00  17106.65  17424.25  16867.00  16966.35  233703.29225

 #08) ---
              time_open      open      high       low     close  ...         ema12         ema26        macd  macd_signal   macd_hist
0   2022-12-01 09:00:00  17165.53  17324.00  16855.01  16977.37  ...  16977.370000  16977.370000    0.000000     0.000000    0.000000
1   2022-12-02 09:00:00  16978.00  17105.73  16787.85  17092.74  ...  17039.862083  17037.273654    2.588429     1.438016    1.150413
2   2022-12-03 09:00:00  17092.13  17188.98  16858.74  16885.20  ...  16979.497436  16982.635067   -3.137630    -0.437249   -2.700381
3   2022-12-04 09:00:00  16885.20  17202.84  16878.25  17105.70  ...  17019.334654  17017.038644    2.296010     0.488652    1.807358
4   2022-12-05 09:00:00  17106.65  17424.25  16867.00  16966.35  ...  17004.938913  17005.283738   -0.344826     0.240711   -0.585537
..                  ...       ...       ...       ...       ...  ...           ...           ...         ...          ...         ...
126 2023-04-06 09:00:00  28170.01  28182.05  27711.00  28033.82  ...  27877.893917  26940.362180  937.531737  1083.810073 -146.278336
127 2023-04-07 09:00:00  28033.83  28100.00  27766.94  27906.33  ...  27882.268699  27011.919122  870.349576  1041.117973 -170.768397
128 2023-04-08 09:00:00  27906.34  28154.99  27859.02  27938.38  ...  27890.901207  27080.549203  810.352004   994.964779 -184.612775
129 2023-04-09 09:00:00  27938.38  28530.00  27800.00  28323.76  ...  27957.494867  27172.643052  784.851815   952.942187 -168.090371
130 2023-04-10 09:00:00  28323.76  29770.00  28170.00  29637.34  ...  28215.932580  27355.220833  860.711747   934.496099  -73.784352

[ BINANCE ACCOUNT ACCESSED ]

#05) ---

time_open open high low close volume

0 1669852800000 17165.53 17324.00 16855.01 16977.37 232818.18218

1 1669939200000 16978.00 17105.73 16787.85 17092.74 202372.20620

2 1670025600000 17092.13 17188.98 16858.74 16885.20 154542.57306

3 1670112000000 16885.20 17202.84 16878.25 17105.70 178619.13387

4 1670198400000 17106.65 17424.25 16867.00 16966.35 233703.29225

#06) ---

time_open open high low close volume

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

1 2022-12-02 09:00:00 16978.00 17105.73 16787.85 17092.74 202372.20620

2 2022-12-03 09:00:00 17092.13 17188.98 16858.74 16885.20 154542.57306

3 2022-12-04 09:00:00 16885.20 17202.84 16878.25 17105.70 178619.13387

4 2022-12-05 09:00:00 17106.65 17424.25 16867.00 16966.35 233703.29225

#08) ---

time_open open high low close ... ema12 ema26 macd macd_signal macd_hist

0 2022-12-01 09:00:00 17165.53 17324.00 16855.01 16977.37 ... 16977.370000 16977.370000 0.000000 0.000000 0.000000

1 2022-12-02 09:00:00 16978.00 17105.73 16787.85 17092.74 ... 17039.862083 17037.273654 2.588429 1.438016 1.150413

2 2022-12-03 09:00:00 17092.13 17188.98 16858.74 16885.20 ... 16979.497436 16982.635067 -3.137630 -0.437249 -2.700381

3 2022-12-04 09:00:00 16885.20 17202.84 16878.25 17105.70 ... 17019.334654 17017.038644 2.296010 0.488652 1.807358

4 2022-12-05 09:00:00 17106.65 17424.25 16867.00 16966.35 ... 17004.938913 17005.283738 -0.344826 0.240711 -0.585537

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

126 2023-04-06 09:00:00 28170.01 28182.05 27711.00 28033.82 ... 27877.893917 26940.362180 937.531737 1083.810073 -146.278336

127 2023-04-07 09:00:00 28033.83 28100.00 27766.94 27906.33 ... 27882.268699 27011.919122 870.349576 1041.117973 -170.768397

128 2023-04-08 09:00:00 27906.34 28154.99 27859.02 27938.38 ... 27890.901207 27080.549203 810.352004 994.964779 -184.612775

129 2023-04-09 09:00:00 27938.38 28530.00 27800.00 28323.76 ... 27957.494867 27172.643052 784.851815 952.942187 -168.090371

130 2023-04-10 09:00:00 28323.76 29770.00 28170.00 29637.34 ... 28215.932580 27355.220833 860.711747 934.496099 -73.784352

마치며 …

이번 포스팅에서는 파이썬 바이낸스 API를 이용하여 비트코인의 MACD 히스토그램을 구해보았습니다. MACD 히스토그램은 MACD와 MACD Signal의 차를 나타내며, 매수, 매도 시점을 좀더 직관적으로 확인할 수 있습니다.

지수 이동평균을 구하는 파이썬 판다스 함수인 ewm()을 기반으로 구한 MACD와 MACD Signal, MACD 히스토그램으로 시장의 흐름을 파악해보시기 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 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법
8. 파이썬 바이낸스 API로 비트코인 시계열 데이터 분석 : 이동평균 수렴확산 (MACD)
9. 시계열 데이터 전처리 결과 확인 : pandas DataFrame
10. 바이낸스 비트코인 투자 백 테스팅. 파이썬 코인 투자 연습
11. 파이썬 프로그래밍 시작

참고자료

[1] python-binance Docs >> get_historical_klines
[2] 김황후(2020), 파이썬 증권 데이터 분석, 한빛미디어
쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

비트코인 시계열 데이터 분석 : 이동평균 수렴확산 MACD 히스토그램