Как использовать Numpy и Pandas для анализа ценовых данных 

Вся нужная база с примерами по двум популярным библиотекам.

NumPy: ускоряем числовой анализ

NumPy — библиотека для быстрых математических операций над массивами. Она работает на C, что делает её молниеносной по сравнению с обычными Python-списками. Именно NumPy лежит в основе большинства библиотек: Pandas, Scikit-Learn, TensorFlow, PyTorch — все они используют NumPy под капотом.

Почему NumPy крут:

1. Скорость: массивы NumPy работают на C, что делает операции в десятки раз быстрее, чем с обычными Python-списками.
2. Память: NumPy массивы более компактны и оптимизированы.
3. Функциональность: широкий набор функций для статистики, агрегации, обработки временных рядов и линейной алгебры.
4. Совместимость: большинство библиотек (Pandas, Scikit-Learn, TensorFlow) используют NumPy под капотом.

Импорт и базовая структура

import numpy as np

Создадим массив из цен закрытия BTC:

prices = np.array([13410.03, 13570.35, 13220.56, 13247.0, 13240.37])

1. Основные свойства массива

print(prices.shape)      # размерность (5,)
print(prices.dtype)      # тип данных (float64)
print(prices.ndim)       # количество осей (1)

2. Арифметика с массивами

NumPy поддерживает векторные операции (без циклов!):

# Рост на 5%
increased = prices * 1.05

# Разница между соседними значениями (доходность)
returns = np.diff(prices)

3. Статистический анализ

print(np.mean(prices)) # средняя цена
print(np.std(prices)) # стандартное отклонение
print(np.min(prices)) # минимум
print(np.max(prices)) # максимум
print(np.median(prices)) # медиана

Эти методы полезны для оценки волатильности и определения границ канала.

4. Скользящие окна (MA)

Скользящая средняя — один из ключевых элементов технического анализа. С помощью np.convolve можно легко ее реализовать:

def moving_average(data, window):
    return np.convolve(data, np.ones(window)/window, mode='valid')

ma = moving_average(prices, 3)
print(ma)

5. Условные выборки и фильтрация

# Фильтруем цены выше 13300
high_prices = prices[prices > 13300]

Или создаем логические маски:

mask = prices > np.mean(prices)
above_avg = prices[mask]

6. Прогнозирование наивной моделью

# Наивный прогноз: следующий шаг = предыдущий
predicted = np.roll(prices, 1)
predicted[0] = predicted[1]  # корректируем первую точку

# Ошибка прогноза
mae = np.mean(np.abs(prices - predicted))
print(f'MAE: {mae:.2f}')

7. Работа с 2D-массивами (OHLC)

Рассмотрим пример массива OHLC:

ohlc = np.array([
    [13715.65, 13715.65, 13155.38, 13410.03],
    [13434.98, 13818.55, 13322.15, 13570.35],
    [13569.98, 13735.24, 13001.13, 13220.56],
])

highs = ohlc[:, 1]
lows = ohlc[:, 2]
ranges = highs - lows

Практика: волатильность как индикатор

# Волатильность как относительный диапазон свечи
volatility = (highs - lows) / ohlc[:, 3]
print(volatility)

Визуализация

import plotly.graph_objects as go
import numpy as np

# Данные
prices = np.array([13410.03, 13570.35, 13220.56, 13247.00, 13240.37, 13380.00, 13353.78])
dates = pd.date_range(start='2023-01-01', periods=len(prices), freq='4H')

def moving_average(data, window):
    return np.convolve(data, np.ones(window)/window, mode='valid')

ma = moving_average(prices, 3)

# Обрезаем даты под длину скользящей средней
ma_dates = dates[len(dates) - len(ma):]

# График
fig = go.Figure()

fig.add_trace(go.Scatter(x=dates, y=prices, mode='lines+markers', name='Цена', line=dict(color='black')))
fig.add_trace(go.Scatter(x=ma_dates, y=ma, mode='lines', name='MA(3)', line=dict(dash='dot')))

fig.update_layout(
    title='Цены и скользящая средняя (NumPy + Plotly)',
    xaxis_title='Время',
    yaxis_title='Цена',
    template='plotly_white',
    hovermode='x unified'
)

fig.show()

NumPy — это не просто библиотека, а основа числового анализа в Python. Без неё не было бы ни Pandas, ни SciPy, ни TensorFlow, ни Scikit-learn.

Если вы трейдер, аналитик или дата-сайентист, то NumPy — ваш первый шаг в мир высокопроизводительных вычислений.

Вот почему NumPy так важен:

• Ускоряет вычисления: операции происходят векторно, без циклов, с C-подкапотом.
• Упрощает работу с массивами: фильтрация, агрегация, работа с окнами — всё компактно и быстро.
• Готовит почву для продвинутого анализа: без NumPy невозможно строить ML-модели, симуляции и стратегии.

Pandas: инструмент №1 для анализа рыночных данных

Если NumPy — это «математика под капотом», то Pandas — это то, с чем вы работаете руками. Эта библиотека создана специально для табличных и временных данных, таких как свечи, объемы, сигналы и индикаторы. Именно Pandas используется в 90% случаев при анализе рыночной информации и лежит в основе большинства аналитических пайплайнов в Python.

Что делает Pandas незаменимым:

• DataFrame — структура, идеально подходящая для хранения OHLCV-данных.
• Удобная обработка: фильтрация, группировка, ресемплинг, агрегации, скользящие окна.
• Работа со временем: таймстемпы, временные индексы, преобразование частот.
• Гибкая интеграция: дружит с NumPy, Plotly, sklearn, API и базами данных

Установка библиотеки

pip install pandas plotly

Шаг 1. Загрузка и предварительная обработка данных

import pandas as pd

# Загрузка CSV-файла (например, исторические данные по BTC)
df = pd.read_csv('btc_data.csv')

# Конвертация времени и установка индекса
df['Open time'] = pd.to_datetime(df['Open time'])
df.set_index('Open time', inplace=True)

# Оставим только нужные столбцы
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
df = df.sort_index()
print(df.head())

Шаг 2. Анализ цен: скользящие средние и возвраты

# Скользящие средние
df['ma_5'] = df['Close'].rolling(window=5).mean()
df['ma_20'] = df['Close'].rolling(window=20).mean()

# Доходность
df['returns'] = df['Close'].pct_change()

# Оценка волатильности
df['volatility'] = df['returns'].rolling(window=10).std()

Шаг 3. Визуализация с Plotly

import plotly.graph_objects as go

fig = go.Figure()

# Цена
fig.add_trace(go.Scatter(x=df.index, y=df['Close'], name='Цена', line=dict(color='black')))

# MA
fig.add_trace(go.Scatter(x=df.index, y=df['ma_5'], name='MA 5', line=dict(dash='dot')))
fig.add_trace(go.Scatter(x=df.index, y=df['ma_20'], name='MA 20', line=dict(dash='dot')))

fig.update_layout(
    title='Цены и скользящие средние (Pandas + Plotly)',
    xaxis_title='Время',
    yaxis_title='Цена',
    template='plotly_white',
    hovermode='x unified'
)

fig.show()

Шаг 4. Простой сигнал на основе MA

# Сигнал: MA5 пересекает MA20 снизу вверх = покупка
df['signal'] = 0
df['signal'] = df['ma_5'] > df['ma_20']
df['position'] = df['signal'].diff()

Визуализация сигналов:

buy = df[df['position'] == 1]
sell = df[df['position'] == -1]

fig = go.Figure()

fig.add_trace(go.Scatter(x=df.index, y=df['Close'], name='Цена', line=dict(color='black')))
fig.add_trace(go.Scatter(x=buy.index, y=buy['Close'], name='Покупка', mode='markers',
                         marker=dict(color='green', symbol='triangle-up', size=10)))
fig.add_trace(go.Scatter(x=sell.index, y=sell['Close'], name='Продажа', mode='markers',
                         marker=dict(color='red', symbol='triangle-down', size=10)))

fig.update_layout(title='Сигналы на основе пересечения MA (Pandas + Plotly)', template='plotly_white')
fig.show()

Шаг 5. Дополнительные возможности Pandas

Фильтрация

# Все свечи с объемом больше среднего
high_volume = df[df['Volume'] > df['Volume'].mean()]

Агрегация

# Среднее закрытие по дням
daily_mean = df['Close'].resample('D').mean()

Группировка

# Средняя волатильность по неделям
weekly_vol = df['volatility'].resample('W').mean()

Вывод

Pandas — это универсальный инструмент анализа рыночных данных, и вот почему:

• Он превращает сырые CSV-файлы в структурированные DataFrame.
• Позволяет строить сигналы и стратегии без сложных зависимостей.
• Является основой большинства аналитических и торговых пайплайнов.

Если вы планируете анализировать данные с биржи, запускать бэктесты, подключать API — вы будете использовать Pandas в 90% случаев.

Pandas и NumPy — основа анализа данных в трейдинге

Если вы всерьёз решили заняться анализом рыночных данных, бэктестингом или построением торговых стратегий — начните с NumPy и Pandas. Это не просто библиотеки — это базовые инструменты, без которых не обходится ни один аналитический пайплайн в трейдинге.

NumPy — это мотор высокопроизводительных вычислений:

• Векторные операции без циклов,
• Быстрая статистика и агрегаты,
• Работа с массивами цен, объёмов, доходностей и индикаторов.

Pandas — это универсальный инструмент для работы с табличными и временными данными:

• DataFrame — структура, в которой удобно мыслить трейдеру,
• Скользящие окна, группировки, фильтрации,
• Прямое взаимодействие с CSV, API и визуализациями.

Эти библиотеки не конкурируют — они работают вместе:

• NumPy лежит в основе Pandas, обеспечивая скорость и гибкость;
• Pandas — обёртка, которая делает данные удобными для анализа.

Освоив их, вы получите уверенный фундамент, на котором можно строить всё: от простых сигналов и индикаторов до ML-моделей и комплексных фреймворков.

Код и примеры вы, как всегда, найдёте в нашем репозитории. Подписывайтесь на профиль и не забудьте поставить ⭐ репозиторию