Bien sûr, voici un exemple de code Python pour simuler un processus de trading de cryptomonnaie. Ce code inclut des éléments tels que la génération de données de prix, la simulation de transactions, et l’évaluation des performances. Le ton sera celui d’un professeur, expliquant chaque partie du code de manière détaillée.
« `python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# Simulation de données de prix de cryptomonnaie
np.random.seed(42) # Pour des résultats reproductibles
days = 365
prices = np.random.normal(loc=100, scale=5, size=days) + 100 # Prix de base + variation
# Création d’un DataFrame pour les données de prix
df = pd.DataFrame({‘Day’: range(1, days + 1), ‘Price’: prices})
# Fonction pour simuler l’achat et la vente de cryptomonnaie
def simulate_trading(df, initial_capital=10000):
actions = 0
capital = initial_capital
transactions = []
for i in range(len(df)):
# Simuler une décision d’achat si le prix est bas
if df.iloc[i][‘Price’] < df['Price'].mean():
if capital > 0:
actions += capital df.iloc[i][‘Price’]
capital = 0
# Simuler une décision de vente si le prix est haut
if df.iloc[i][‘Price’] > df[‘Price’].mean() + 10:
if actions > 0:
capital += actions df.iloc[i][‘Price’]
actions = 0
# Enregistrer la transaction
transactions.append({‘Day’: df.iloc[i][‘Day’], ‘Action’: actions, ‘Capital’: capital})
# Transformer les transactions en DataFrame
transactions_df = pd.DataFrame(transactions)
return transactions_df
# Simulation de trading
transactions_df = simulate_trading(df)
# Évaluation des performances
final_capital = transactions_df.iloc[-1][‘Capital’]
performance = (final_capital – df.iloc[0][‘Price’]) df.iloc[0][‘Price’] 100
# Affichage des résultats
print(« Capital initial: », df.iloc[0][‘Price’])
print(« Capital final: », final_capital)
print(« Performance: », performance, « % »)
# Visualisation des transactions
plt.figure(figsize=(12, 6))
plt.plot(df[‘Day’], df[‘Price’], label=’Prix’)
plt.plot(transactions_df[‘Day’], transactions_df[‘Action’], label=’Nombre d\’actions’)
plt.plot(transactions_df[‘Day’], transactions_df[‘Capital’], label=’Capital’)
plt.xlabel(‘Jour’)
plt.ylabel(‘Valeur’)
plt.title(‘Simulation de Trading de Cryptomonnaie’)
plt.legend()
plt.show()
« `
### Explication du Code
1. Génération des Données de Prix:
– Nous utilisons `numpy` pour générer des données de prix simulées. Les prix sont générés autour d’une moyenne de 100 avec une variation de 5.
– `np.random.seed(42)` assure que les résultats sont reproductibles.
2. Création du DataFrame:
– Les données de prix sont stockées dans un DataFrame `pandas` pour une manipulation facile.
3. Simulation de Trading:
– La fonction `simulate_trading` prend en entrée le DataFrame des prix et un capital initial.
– Elle simule des décisions d’achat et de vente basées sur des règles simples (acheter si le prix est bas, vendre si le prix est haut).
– Les transactions sont enregistrées dans un DataFrame.
4. Évaluation des Performances:
– La performance finale est calculée en comparant le capital final au capital initial.
5. Visualisation:
– Les données de prix, le nombre d’actions et le capital sont tracés sur un graphique pour visualiser le processus de trading.
### Conclusion
Ce code Python simule un processus de trading de cryptomonnaie en utilisant des données de prix générées aléatoirement. Il illustre des concepts de base tels que la simulation de transactions et l’évaluation des performances. Vous pouvez étendre ce code en ajoutant des stratégies de trading plus complexes, des frais de transaction, ou en utilisant des données de prix réelles pour des simulations plus réalistes.