파이썬 바이낸스 API로 비트코인 투자 백테스팅 : MACD 매매 전략

이동평균 수렴확산(MACD)을 이용하여 비트코인 투자 연습도 하고 파이썬 판다스도 익혀보겠습니다. 변동성 돌파전략, 이동평균선 매매 기법에 이어 이번엔 MACD 매매 전략을 적용합니다. 파이썬 바이낸스 API로 비트코인 캔들 데이터를 가져온 후, 파이썬 판다스로 MACD 매매 기법을 백 테스팅 해 보는 것이 이 포스팅의 목적입니다.

글의 순서

백 테스팅 (back testing)
이동평균 수렴확산(MACD)
지수 이동평균 (weighted moving average)
MACD 매매 전략 : 골든크로스 vs. 데드크로스
MACD 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터
파이썬 코드 : 바이낸스 API, 판다스로 MACD 매매 전략 백 테스팅

백 테스팅 (back testing)

백테스팅은 과거의 가격정보(시계열 데이터)로 투자 알고리즘을 검증하는 과정을 말합니다. 과거의 데이터이기 때문에 한계가 있습니다만, 안전한 투자를 위해서는 실전 투자에 쓰기 전 백테스팅부터 해보는 것이 필수 조건입니다.

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

파이썬 바이낸스 비트코인 투자 백테스팅 : 이동평균선 매매 기법
파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법

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. 지수 이동평균선에 대해서도 다시 살펴보겠습니다.

지수 이동평균 (weighted moving average)

이동평균선은 종가를 기준으로 계산하며 짧은 시간 동안에 발생한 극심한 가격 변동을 보다 긴 시간에서의 변화로 바꿔주는 역할을 하며, 이동평균선으로부터 추세를 확인할 수 있습니다.

이동평균선은 단순 이동평균 SMA(simple moving average), 지수 이동평균 EMA(exponetial moving average), 가중 이동평균 WMA(weighted moving average)과 같이 크게 3가지 정도로 나눌 수 있습니다. 이중 지수이동평균은 최근의 데이터에 가중치를 부여해서 평균을 구하는 방식이며, 아래의 식으로 표현할 수 있습니다.

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

MACD 매매 전략 : 골든 크로스, 데드 크로스

MACD 매매 전략도 골든크로스와 데드크로스를 사용하는 이동평균선 매매 전략과 동일합니다. 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.

이동평균선 매매 기법에서 골든크로스, 데드크로스로 매수, 매도 타이밍을 잡듯이 MACD선을 이용한 매매 기법에서도 MACD선과 함께 신호선을 사용하여 매수, 매도 타이밍을 잡을 수 있습니다. 여기서 신호선(MACD Signal)은 MACD의 추세선을 뜻합니다. 교차점을 만났을 때, 대응방법을 정리해보겠습니다.

빠른 MACD선이 늦은 신호선을 상향 돌파하는 것은 매수세가 시장을 주도한다는 뜻이므로, 매수 관점에서 대응하는 것이 좋습니다. 반대로 빠른 MACD 선이 늦은 신호선을 하향 돌파하는 것은 매도세가 시장을 주도한다는 것을 나타내므로 매도 관점에서 대응하는 것이 좋습니다. 각각 골든크로스, 데드크로스를 나타내고 있습니다.

MACD 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

지난 포스팅의 단순 이동평균선, 지수 이동평균선 매매 전략과 비교하기 위하여 MACD 매매 전략을 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) MACD와 신호선(MACD signal) 구하기

이 포스팅에서는 MACD선은 종가의 12일 지수 이동평균선에서 26일 지수 이동평균선을 빼서 MACD를 구하며, MACD선의 9일 지수 이동평균으로 신호선을 만듭니다.

(3) MACD와 신호선(MACD signal) 교차 지점 탐색

MACD와 신호선 교차지점이 있는지 확인하고, 매수 또는 매도할 위치를 찾아냅니다. 여기서는 이교차가 발생한 날의 종료가로 매수 또는 매도했다고 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 6회, 매도에 해당하는 이동평균선 교차가 6회 발생했습니다.

아래 그림에서 MACD 매매 전략을 적용했을 때의 손실과 수익 구간을 확인할 수 있는데요. 다섯 번째 사고팔았던 구간에서 큰 이익을 봐서 전체적으로는 3399.92 USDT 이득이었습니다.

▶첫 번째 사고, 팔았던 구간 : 207.54 USDT 손실
▶두 번째 구간 : 139.35 USDT 손실
▶세 번째 구간 : 252.32 USDT 손실
▶네 번째 구간 : 591.98 USDT 손실
▶다섯 번째 구간 : 5975.79 USDT 이익
▶여섯 번째 구간 : 1384.68 USDT 손실

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

파이썬 코드 : 바이낸스 API, 판다스로 MACD 매매 전략 백 테스팅

지금까지의 과정을 ‘판다스 MACD 매매 전략 백 테스팅’ 파이썬 코드에 나타내었습니다. 앞에서 설명한 MACD와 신호선의 교차 지점 확인 과정이 이 코드의 핵심부분이라고 할 수 있습니다. 코드의 #01, #02, … #12) 부분을 유심히 봐 주시기 바랍니다. 시계열 데이터와 매수, 매도 지점을 표시한 차트는 C:/_python/pandas/backtesting/ 라는 폴더에 MACD.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'})
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 매매 전략 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()

#09) 이동평균선 교차점
df['cross'] = np.where(df['macd'] > df['macd_signal'], 1, 0)
df['time_cross'] = df['cross'].diff() 

#10) 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','#10) ---')
print(df)

#11) 시계열 데이터 가시화, 차트에 매수지점(^), 매도지점(v) 표시
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].scatter(df['time_open'], df['cross_buy'], marker='^', color='red', label='buy')
axs[0].scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')
 
axs[0].set_title('BTC trading based on MACD(Moving Average Convergence, Divergence)')
axs[0].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-02-28'))
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].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-02-28'))
axs[1].legend(loc='best')
axs[1].tick_params(axis='x', rotation=15)
axs[1].grid(True)

#11-1) 차트를 그림파일로 저장
file_path = 'C:/_python/pandas/backtesting/'
plt.savefig(file_path +'MACD.png', dpi=200)
plt.show()

#12) 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}')

#12-1) 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)

100

101

102

103

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'})

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 매매 전략 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()

#09) 이동평균선 교차점

df['cross'] = np.where(df['macd'] > df['macd_signal'], 1, 0)

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

#10) 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','#10) ---')

print(df)

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

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

axs[0].scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')

axs[0].set_title('BTC trading based on MACD(Moving Average Convergence, Divergence)')

axs[0].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-02-28'))

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].set_xlim(np.datetime64('2022-12-01'), np.datetime64('2023-02-28'))

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

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

axs[1].grid(True)

#11-1) 차트를 그림파일로 저장

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

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

plt.show()

#12) 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}')

#12-1) 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  ...  cross  time_cross  cross_buy  cross_sell
0  2022-12-01 09:00:00  17165.53  17324.00  16855.01  ...      0         NaN        NaN         NaN
1  2022-12-02 09:00:00  16978.00  17105.73  16787.85  ...      1         1.0   17092.74         NaN
2  2022-12-03 09:00:00  17092.13  17188.98  16858.74  ...      0        -1.0        NaN    16885.20
3  2022-12-04 09:00:00  16885.20  17202.84  16878.25  ...      1         1.0   17105.70         NaN
4  2022-12-05 09:00:00  17106.65  17424.25  16867.00  ...      0        -1.0        NaN    16966.35
..                 ...       ...       ...       ...  ...    ...         ...        ...         ...
85 2023-02-24 09:00:00  23940.20  24132.35  22841.19  ...      0        -1.0        NaN    23185.29
86 2023-02-25 09:00:00  23184.04  23219.13  22722.00  ...      0         0.0        NaN         NaN
87 2023-02-26 09:00:00  23157.07  23689.99  23059.18  ...      0         0.0        NaN         NaN
88 2023-02-27 09:00:00  23554.85  23897.99  23106.77  ...      0         0.0        NaN         NaN
89 2023-02-28 09:00:00  23492.09  23600.00  23020.97  ...      0         0.0        NaN         NaN

[90 rows x 14 columns]

 #11) ---
* Number of buying  : 6 
  Number of selling : 6

 # Buying Info.
             time_open  cross_buy
1  2022-12-02 09:00:00   17092.74
3  2022-12-04 09:00:00   17105.70
5  2022-12-06 09:00:00   17088.96
7  2022-12-08 09:00:00   17224.10
34 2023-01-04 09:00:00   16850.36
78 2023-02-17 09:00:00   24569.97

 # Selling Info.
             time_open  cross_sell
2  2022-12-03 09:00:00    16885.20
4  2022-12-05 09:00:00    16966.35
6  2022-12-07 09:00:00    16836.64
15 2022-12-16 09:00:00    16632.12
60 2023-01-30 09:00:00    22826.15
85 2023-02-24 09:00:00    23185.29

[ BINANCE ACCOUNT ACCESSED ]

#09) ---

time_open open high low ... cross time_cross cross_buy cross_sell

0 2022-12-01 09:00:00 17165.53 17324.00 16855.01 ... 0 NaN NaN NaN

1 2022-12-02 09:00:00 16978.00 17105.73 16787.85 ... 1 1.0 17092.74 NaN

2 2022-12-03 09:00:00 17092.13 17188.98 16858.74 ... 0 -1.0 NaN 16885.20

3 2022-12-04 09:00:00 16885.20 17202.84 16878.25 ... 1 1.0 17105.70 NaN

4 2022-12-05 09:00:00 17106.65 17424.25 16867.00 ... 0 -1.0 NaN 16966.35

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

85 2023-02-24 09:00:00 23940.20 24132.35 22841.19 ... 0 -1.0 NaN 23185.29

86 2023-02-25 09:00:00 23184.04 23219.13 22722.00 ... 0 0.0 NaN NaN

87 2023-02-26 09:00:00 23157.07 23689.99 23059.18 ... 0 0.0 NaN NaN

88 2023-02-27 09:00:00 23554.85 23897.99 23106.77 ... 0 0.0 NaN NaN

89 2023-02-28 09:00:00 23492.09 23600.00 23020.97 ... 0 0.0 NaN NaN

[90 rows x 14 columns]

#11) ---

* Number of buying : 6

Number of selling : 6

# Buying Info.

time_open cross_buy

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

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

5 2022-12-06 09:00:00 17088.96

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

34 2023-01-04 09:00:00 16850.36

78 2023-02-17 09:00:00 24569.97

# Selling Info.

time_open cross_sell

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

4 2022-12-05 09:00:00 16966.35

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

15 2022-12-16 09:00:00 16632.12

60 2023-01-30 09:00:00 22826.15

85 2023-02-24 09:00:00 23185.29

마치며 …

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

데이터 분석에 유용하게 쓸 수 있는 판다스 데이터프레임의 열 계산 방법과 np.where() 함수, diff() 함수, count() 함수를 유심히 봐 주시기 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 API로 비트코인 시계열 데이터 분석 : 이동평균 수렴확산 (MACD)
8. 파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법
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.

파이썬 바이낸스 API로 비트코인 투자 백테스팅 : MACD 매매 전략

파이썬 바이낸스 API로 비트코인 투자 백테스팅 : MACD 매매 전략

글의 순서

백 테스팅 (back testing)

이동평균 수렴확산(MACD)

지수 이동평균 (weighted moving average)

MACD 매매 전략 : 골든 크로스, 데드 크로스

MACD 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

(1) 파이썬 바이낸스 API로 비트코인 시계열 데이터 가져오기

(2) MACD와 신호선(MACD signal) 구하기

(3) MACD와 신호선(MACD signal) 교차 지점 탐색

(4) 이익 계산 : 이익(profit) = 매도가 – 매수가

파이썬 코드 : 바이낸스 API, 판다스로 MACD 매매 전략 백 테스팅

마치며 …

참고자료

애플 M3 칩 예상 성능 비교 : 애플 M3 vs. intel i9, AMD Ryzen 9

파이썬 바이낸스 API로 비트코인 투자 백테스팅 : RSI 매매 전략

Leave a Comment 응답 취소