Сайт находится в процессе разработки
Войти
Главная / Data science в трейдинге / Как реализовать функционал отображения индикаторов в телеграм-боте

Как реализовать функционал отображения индикаторов в телеграм-боте

Индикаторы помогают трейдеру глубже анализировать рынок и принимать более эффективные решения в торговле. В этой статье разберем, как реализовать отображение самых популярных индикаторов на ценовом графике с помощью телеграм-бота — чтобы автоматизировать анализ, правильнее определять тренды и точнее отслеживать движение цен. 

Определяем типы индикаторов

Мы будем использовать для анализа через телеграм-бот следующие индикаторы: 

OHLC — индикатор OHLC. Показывает цены открытия, максимума, минимума и закрытия для каждого периода. 

MA — индикатор Moving Average. Показывает среднее значение цены за выбранный промежуток времени.

VOL — индикатор Volume. Показывает объемы торгов — количество заключенных сделок за единицу времени. 

BB — индикатор Bollinger Bands. Показывает отклонения цены на рынке относительно нормального торгового интервала в режиме реального времени. 

RSI — индикатор Relative Strength Index. Показывает соотношение положительных и отрицательных изменений цены.

STC — индикатор Stochastic Oscillator. Показывает отношение между ценой закрытия и диапазоном «максимум-минимум» за период в виде процентов.

ZIGZAG — индикатор ZigZag. Показывает наиболее значимые высшие и низшие точки графика.

ALL — дашборд с 3 индикаторами. Показывает индикаторы Moving Average, Volume и Stochastic Oscillator. 

Определяем инструменты и параметры для графиков 

Для индикаторов определяем следующие параметры: инструмент, интервал, период, значение окна. 

Инструменты

BTCUSDT – Биткоин/ Tether

ETHUSD — Эфириум/ Доллар

BTCPERP — Биткоин/ Perpetual Protocol

ETHPERP — Эфириум/ Perpetual Protocol

BTCUSD — Биткоин/ Доллар

XRPUSDT — XRP/ Tether

BNBUSDT — Binance Coin/ Tether

DOGEUSDT — Dogecoin/ Tether

GMTUSDT — GMT/ Tether

Интервалы

1, 3, 5, 15, 30, 60, 120, 240, 360, 720, D, W, M

Периоды

Любое числовое значение в количестве дней — например, интервал в 90 дней. 

Значения окна 

Количество дней: 1, 3, 5, 10, 30.

Также у индикаторов BB, RSI, STC, ALL можно добавить значение параметра «окно» через нижнее подчеркивание. Например: BB_1, RSI_5, STC_10, ALL_30

Реализация отображения индикаторов: подготовительный этап 

Создаем токен для телеграм-бота: 

TOKEN = os.environ.get(‘TOKEN’)

Данные получаем с помощью API от сервиса bybit.com:

PATH = ‘https://api.bybit.com/’

ENDPOINT = ‘/v5/market/kline’

URL = PATH + ENDPOINT

Добавляем список инструментов: 

SYMBOLS = [‘BTCUSDT’, ‘ETHUSDT’, ‘BTCPERP’, ‘ETHPERP’,

           ‘BTCUSD’, ‘ETHUSD’, ‘BTCUSDT’,

           ‘XRPUSDT’, ‘BNBUSDT’, ‘DOGEUSDT’, ‘GMTUSDT’]

Добавляем список графиков: 

CHARTS = [‘OHLC’, ‘MA’, ‘VOL’, ‘MPET’, ‘ZIGZAG’,

          ‘ALL_1’, ‘ALL_5’, ‘ALL_10’, ‘ALL_30’,

          ‘BB_1’, ‘BB_3’, ‘BB_5’, ‘BB_10’,

          ‘RSI_1’, ‘RSI_5’, ‘RSI_10’, ‘RSI_30’,

          ‘STC_1’, ‘STC_5’, ‘STC_10’, ‘STC_30’]

Добавляем список интервалов: 

INTERVALS = [1, 3, 5, 15, 30, 60, 120,

             240, 360, 720, ‘D’, ‘W’, ‘M’]

Добавляем словарь расшифровок и терминов: 

INTERVAL_NAMES = {

    1: ‘1 minute’,

    3: ‘3 minutes’,

    5: ‘5 minutes’,

    15: ’15 minutes’,

    30: ’30 minutes’,

    60: ‘1 hour’,

    120: ‘2 hours’,

    240: ‘4 hours’,

    360: ‘6 hours’,

    720: ’12 hours’,

    ‘D’: ‘day’,

    ‘W’: ‘week’,

    ‘M’: ‘month’,

Создаем бота: 

bot = telebot.TeleBot(TOKEN)

Создаем функцию для отправки инструкции по формированию запроса после запуска бота командой /start: 

symbols_list = (‘BTCUSDT, ETHUSDT, BTCPERP, ‘

                    ‘\n ETHPERP, BTCUSD, ETHUSD, ‘

                    ‘\n BTCUSDT, XRPUSDT, BNBUSDT, ‘

                    ‘\n DOGEUSDT, GMTUSDT’)

    intervals_list = (‘1, 3, 5, 15, 30, 60, 120, ‘

                      ‘\n 240, 360, 720, D, W, M’)

    charts_list = (‘OHLC, MA, VOL, MPET, ZIGZAG, ‘

                   ‘\n ALL_1, ALL_5, ALL_10, ALL_30, ‘

                   ‘\n BB_1, BB_3, BB_5, BB_10, ‘

                   ‘\n RSI_1, RSI_5, RSI_10, RSI_30, ‘

                   ‘\n STC_1, STC_5, STC_10, STC_30’)

    text = (f»Укажите:»

            «\n 1. Инструмент»

            f»\n {symbols_list}»

            «\n\n 2. Интервал (в минутах)»

            f»\n {intervals_list}»

            «\n\n 3. Период (в днях).»

            «\n\n 4. График:»

            f»\n {charts_list}»

            «\n\n Пример: BTCUSD 240 7 OHLC»)

    bot.send_message(message.chat.id, text)

Создаем функцию для проверки наличия запроса со стороны пользователя: 

    request = message.text.split()

    if request:

        return True

    else:

        return False

Создаем функцию для выдачи результата на основе информации, запрошенной пользователем: 

Получение содержания запроса пользователя: 

request = message.text.split()

Текущее время для отображения в ответе пользователю: 

date_now = dt.datetime.fromtimestamp(time.time()).strftime(‘%d.%m.%Y’) 

Текст сообщения об ошибке, в случае если пользователь неверно ввел данные: 

text_error = ‘Проверьте пожалуйста формат введенных данных.’ 

Проверка запроса на наличие требуемых 4 параметров:

# try:

 if (len(request) == 4):

Определение инструмента из введенного запроса: 

symbol = str(request[0]) 

Определение интервала из введенного запроса: 

if request[1] in [‘D’, ‘W’, ‘M’]:

            interval = str(request[1])

        elif request[1] in [

            ‘1’, ‘3’, ‘5’, ’15’, ’30’, ’60’,

            ‘120’, ‘240’, ‘360’, ‘720’

        ]:

            interval = int(request[1])

Определение периода из введенного запроса:

period = int(request[2])

Определение типа графика из введенного запроса:

chart_name = str(request[3])

Проверка валидности введенных данных в запросе для последующей генерации соответствующего ответа: 

  if ((symbol in SYMBOLS) & (interval in INTERVALS) &

                (type(period) == int) & (chart_name in CHARTS)):

 Получение данных на основе полученного инструмента и интервала:   

data = bybit.get_data(URL, symbol, interval)

Определение начальной и конечной даты на основе полученного периода и фильтрации полученных данных: 

end_date = dt.date.today()

            start_date = end_date + dt.timedelta(days=-period)

Фильтрация полученных данных на основе параметров, полученных в запросе пользователя: 

df = etl(data, start_date, end_date)

Определение паттерна «тренд» для полученных данных: 

trend = ohlc.trend_pattern(df)

            reversal = ohlc.reversal_pattern(df)

            oid_fill = ohlc.void_fill_pattern(df)

Генерация шаблона отчета для пользователя на полученный от него запрос согласно указанным параметрам: 

text_analytics = (f»Инструмент: {symbol}»

                                f»\nДата: {date_now}»

                                «\nВремя анализа: 00:01»

                                f»\nАнализ на: {period} days»

                                f»\nНаправление тренда: {trend}»

                                f»\nПаттерн разворот: {reversal}»

                                f»\nПаттерн пустота: {oid_fill}»

                                f»\nТочки входа определены на: «

                                f»{INTERVAL_NAMES[interval]}»)

Реализация отображения индикаторов

График OHLC

Функция для визуализации данных в виде графика OHLC.

    «»»

    chart = go.Candlestick(x=df[‘time’],

                           open=df[‘open’],

                           high=df[‘high’],

                           low=df[‘low’],

                           close=df[‘close’])

    layout = go.Layout(title=go.layout.Title(text=f'{symbol}’),

                       xaxis_title=’Date’,

                       yaxis_title=’Price’,

                       xaxis_rangeslider_visible=False)

    fig = go.Figure(data=[chart], layout=layout)

    fig.write_image(‘images/chart_’ + ‘OHLC_’ +

                    symbol + ‘_’ +

                    str(interval) + ‘_’ +

                    str(period) + ‘.png’)

График Moving Averages

Функция для визуализации данных на основе метода скользящих средних.

    «»»

    dt_all = pd.date_range(start=list(df[‘time’])[0], end=list(df[‘time’])[-1])

    dt_obs = [d.strftime(«%Y-%m-%d») for d in pd.to_datetime(df[‘time’])]

    dt_breaks = [d for d in dt_all.strftime(«%Y-%m-%d»).tolist()

                 if d not in dt_obs]

    df[‘MA20’] = df[‘close’].rolling(window=20).mean()

    df[‘MA5’] = df[‘close’].rolling(window=5).mean()

    fig = go.Figure()

    fig.add_trace(go.Candlestick(x=df[‘time’],

                                 open=df[‘open’],

                                 high=df[‘high’],

                                 low=df[‘low’],

                                 close=df[‘close’],

                                 showlegend=False))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA5’],

                             opacity=0.7,

                             line=dict(color=’blue’, width=2),

                             name=’MA 5′))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA20’],

                             opacity=0.7,

                             line=dict(color=’orange’, width=2),

                             name=’MA 20′))

    fig.update_xaxes(rangebreaks=[dict(values=dt_breaks)])

    fig.update_layout(xaxis_rangeslider_visible=False)

    fig.update_layout(xaxis_title=’Date’)

    fig.update_layout(yaxis_title=’Price’)

    fig.update_layout(title=symbol)

    fig.write_image(‘images/chart_’ + ‘MA_’

                    + symbol + ‘_’

                    + str(interval) + ‘_’

                    + str(period) + ‘.png’)

График Bollinger Bands

Функция для визуализации данных в виде Bollinger Bands.

df[‘sma’] = df[‘close’].rolling(k).mean()

    df[‘std’] = df[‘close’].rolling(k).std(ddof=0)

    fig = make_subplots(

        rows=1,

        cols=1,

        shared_xaxes=True,

        subplot_titles=(symbol),

        vertical_spacing=0.1,

        row_width=[0.7]

    )

    fig.add_trace(go.Candlestick(x=df[‘time’],

                                 open=df[‘open’],

                                 high=df[‘high’],

                                 low=df[‘low’],

                                 close=df[‘close’], showlegend=False,

                                 name=’candlestick’),

                  row=1,

                  col=1)

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘sma’],

                             line_color=’black’,

                             name=’sma’),

                  row=1,

                  col=1)

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘sma’] + (df[‘std’] * 2),

                             line_color=’gray’,

                             line={‘dash’: ‘dash’},

                             name=’upper band’,

                             opacity=0.5),

                  row=1,

                  col=1)

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘sma’] — (df[‘std’] * 2),

                             line_color=’gray’,

                             line={‘dash’: ‘dash’},

                             fill=’tonexty’,

                             name=’lower band’,

                             opacity=0.5),

                  row=1,

                  col=1)

    fig.update(layout_xaxis_rangeslider_visible=False)

    fig.write_image(‘images/chart_’ + ‘BB_’

                    + symbol + ‘_’

                    + str(interval) + ‘_’

                    + str(period) + ‘.png’)

График Volume

Функция для визуализации данных в виде volume графика.

colors = [‘green’ if row[‘open’] — row[‘close’] >= 0

              else ‘red’ for index, row in df.iterrows()]

    chart = go.Bar(x=df[‘time’],

                   y=df[‘volume’],

                   marker_color=colors

                   )

    layout = go.Layout(title=go.layout.Title(text=f'{symbol}’),

                       xaxis_title=’Date’,

                       yaxis_title=’Price’,

                       xaxis_rangeslider_visible=False)

    fig = go.Figure(data=[chart], layout=layout)

    fig.write_image(‘images/chart_’ +

                    ‘VOL_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

График RSI

Функция для визуализации данных в виде RSI графика.

 delta = df[‘close’].diff()[1:]

    pricesUp = delta.copy()

    pricesDown = delta.copy()

    pricesUp[pricesUp < 0] = 0

    pricesDown[pricesDown > 0] = 0

    rollUp = pricesUp.rolling(k).mean()

    rollDown = pricesDown.abs().rolling(k).mean()

    rs = rollUp / rollDown

    rsi = 100.0 — (100.0 / (1.0 + rs))

    df[‘RSI’] = rsi.fillna(0)

    layout = go.Layout(title=go.layout.Title(text=f'{symbol}’),

                       xaxis_title=’Date’,

                       yaxis_title=’%’,

                       xaxis_rangeslider_visible=False)

    chart = go.Scatter(x=df[‘time’], y=df[‘RSI’])

    fig = go.Figure(data=[chart], layout=layout)

    fig.write_image(‘images/chart_’ +

                    ‘RSI_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

График Stochastic

Функция для визуализации данных в виде stochastic графика.

df = df.copy()

    low_min = df[‘low’].rolling(window=k).min()

    high_max = df[‘high’].rolling(window=k).max()

    df[‘stoch_k’] = 100 * (df[‘close’] — low_min)/(high_max — low_min)

    df[‘stoch_d’] = df[‘stoch_k’].rolling(window=d).mean()

    layout = go.Layout(title=go.layout.Title(text=f'{symbol}’),

                       xaxis_title=’Date’,

                       yaxis_title=’%’,

                       xaxis_rangeslider_visible=False)

    fig = go.Figure(layout=layout)

    fig.add_trace(

        go.Scatter(

            x=df[‘time’], y=df[‘stoch_k’], name=’K stochastic’)

            )

    fig.add_trace(

        go.Scatter(

            x=df[‘time’], y=df[‘stoch_d’], name=’D stochastic’)

            )

    fig.write_image(‘images/chart_’ +

                    ‘STC_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

График Market Profile External Timeframe

Функция для визуализации данных в виде графиков market profile и external timeframe.

dt_all = pd.date_range(start=df[‘time’].iloc[0], end=df[‘time’].iloc[-1])

    dt_obs = [d.strftime(«%Y-%m-%d») for d in pd.to_datetime(df[‘time’])]

    dt_breaks = [d for d in dt_all.strftime(«%Y-%m-%d»).tolist() if d not in dt_obs]

    df[‘MA20’] = df[‘close’].rolling(window=20).mean()

    df[‘MA5’] = df[‘close’].rolling(window=5).mean()

Подготовка данных для market profile. 

num_intervals = 50  — количество интервалов (ценовых диапазонов)

    prices = np.linspace(df[‘low’].min(), df[‘high’].max(), num_intervals) — ценовые диапазоны

tpo_counts = [] — подсчет TPO (Time Price Opportunity) для цен (смотрим, какие проторговки входят в определенные интервалы)

 for i in range(1, len(prices)):

        count = np.sum(((df[‘high’] >= prices[i — 1]) & (df[‘low’] <= prices[i])) |

                       ((df[‘low’] <= prices[i]) & (df[‘high’] >= prices[i — 1])))

        tpo_counts.append(count)

    max_tpo = max(tpo_counts)

max_width = 0.08  — Высота столбцов Market Profile. 

    mp_shapes = []  — словарь для форм прямоугольников Market Profile

    for idx, tpo_count in enumerate(tpo_counts):

        # print(idx, prices[idx], prices[idx + 1])

        shape = {

            ‘type’: ‘rect’,

            ‘xref’: «paper»,

            ‘yref’: «y»,

            ‘x0’: 0,

            ‘x1’: max_width * (tpo_count / max_tpo), — подсчет происходит как высота столбца, значение от 0 до 1

            ‘y0’: prices[idx],

            ‘y1’: prices[idx + 1],

            ‘fillcolor’: «grey»,

            ‘opacity’: 0.3

        }

        mp_shapes.append(shape)

Подготовка данных для external timeframe. 

Группируем данные по неделям для external timeframe.

    grouped = df.groupby(pd.Grouper(key=’time’, freq=’W’))

    grouped_list = list(grouped)

    et_shapes = []

    for i in range(len(grouped_list)):

        name, group = grouped_list[i]

        if not group.empty:

            color_ = ‘LightSalmon’ if group[‘open’].iloc[0] > group[‘close’].iloc[-1] else ‘LightBlue’

            x1 = group[‘time’].max() if i == (len(grouped_list) — 1) else grouped_list[i+1][1][‘time’].min()

            shape = {

                ‘type’: ‘rect’,

                ‘xref’: ‘x’,

                ‘yref’: ‘y’,

                ‘x0’: group[‘time’].iloc[0],

                ‘x1’: x1,

                ‘y0’: group[‘low’].min(),

                ‘y1’: group[‘high’].max(),

                ‘fillcolor’: color_,

                ‘opacity’: 0.5,

                ‘line’: {

                    ‘width’: 1,

                }

            }

            et_shapes.append(shape)

    fig = go.Figure()

    fig.add_trace(go.Candlestick(x=df[‘time’],

                                 open=df[‘open’],

                                 high=df[‘high’],

                                 low=df[‘low’],

                                 close=df[‘close’],

                                 showlegend=False))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA5’],

                             opacity=0.7,

                             line=dict(color=’blue’, width=2),

                             name=’MA 5′))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA20’],

                             opacity=0.7,

                             line=dict(color=’orange’, width=2),

                             name=’MA 20′))

    fig.update_xaxes(rangebreaks=[dict(values=dt_breaks)])

    fig.update_layout(xaxis_rangeslider_visible=False)

    fig.update_layout(xaxis_title=’Date’)

    fig.update_layout(yaxis_title=’Price’)

 Добавляем фигуры в список shapes и отрисовываем прямоугольники:

    shapes = et_shapes[1:] + mp_shapes

    fig.update_layout(shapes=shapes)

    fig.write_image(‘images/chart_’ +

                    ‘MPET_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

Дашборд из трех графиков

Функция для визуализации трех типов графиков. 

All charts (MA, VOL, STC).

    «»»

    df[‘MA20’] = df[‘close’].rolling(window=20).mean()

    df[‘MA5’] = df[‘close’].rolling(window=5).mean()

    fig=go.Figure()

    # add subplot properties when initializing fig variable

    fig = plotly.subplots.make_subplots(rows=3, cols=1, shared_xaxes=True,

                                        vertical_spacing=0.01,

                                        row_heights=[0.5, 0.2, 0.2]

                                        )

    fig.add_trace(go.Candlestick(x=df[‘time’],

                                 open=df[‘open’],

                                 high=df[‘high’],

                                 low=df[‘low’],

                                 close=df[‘close’],

                                 showlegend=False))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA5’],

                             opacity=0.7,

                             line=dict(color=’blue’, width=2),

                             name=’MA 5′))

    fig.add_trace(go.Scatter(x=df[‘time’],

                             y=df[‘MA20’],

                             opacity=0.7,

                             line=dict(color=’orange’, width=2),

                             name=’MA 20′))

    # volume

    colors = [‘green’ if row[‘open’] — row[‘close’] >= 0

                else ‘red’ for index, row in df.iterrows()]

    fig.add_trace(go.Bar(x=df[‘time’],

                y=df[‘volume’],

                marker_color=colors

                ), row=2, col=1)

    # stochastic

    low_min = df[‘low’].rolling(window=k).min()

    high_max = df[‘high’].rolling(window=k).max()

    df[‘stoch_k’] = 100 * (df[‘close’] — low_min)/(high_max — low_min)

    df[‘stoch_d’] = df[‘stoch_k’].rolling(window=d).mean()

    fig.add_trace(

        go.Scatter(

            x=df[‘time’], y=df[‘stoch_k’], opacity=0.7,

            line=dict(color=’red’, width=2), name=’K stochastic’),

            row=3, col=1

            )

    fig.add_trace(

        go.Scatter(

            x=df[‘time’], y=df[‘stoch_d’], opacity=0.7, 

            line=dict(color=’blue’, width=2), name=’D stochastic’),

            row=3, col=1

            )

    fig.update_layout(xaxis_rangeslider_visible=False)

    fig.update_layout(yaxis_title=’Price’)

    fig.update_layout(title=symbol)

    fig.write_image(‘images/chart_’ +

                    ‘ALL_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

График ZigZag

Функция для визуализации данных паттерна ZigZag.

«»»

    l = len(df[‘high’].tolist()) — 1

df = df.sort_values(‘time’, ascending=False)

 zigzags = indicators.zigzag(df[‘high’].tolist(), df[‘low’].tolist()) — получаем кортежи точек

updated_zigzags = [((-peak[0] + l, peak[1]), (-valley[0] + l, valley[1])) for peak, valley in zigzags] — получаем нужные индексы для кортежей

zigzags = updated_zigzags[::-1] — разворачиваем полученные данные для отрисовки в правильном порядке

fig = go.Figure(data=[go.Candlestick(x=df[‘time’],

                                        open=df[‘open’],

                                        high=df[‘high’],

                                        low=df[‘low’],

                                        close=df[‘close’])])

Создаем зигзаги и соединяем пробелы между найденными минимумами и максимумами: 

for i in range(len(zigzags)):

        peak = zigzags[i][0]

        valley = zigzags[i][1]

        peak_next = zigzags[i+1][0] if i + 1 < len(zigzags) else zigzags[i][1]

        fig.add_trace(

            go.Scatter(

                x=[df[‘time’].iloc[peak[0]], df[‘time’].iloc[valley[0]]],

                y=[peak[1], valley[1]],

                mode=»lines+markers»,

                line=dict(color=»blue»),

                marker=dict(size=6, color=»blue»)

            )

        )

        fig.add_trace(

            go.Scatter(

                x=[df[‘time’].iloc[valley[0]], df[‘time’].iloc[peak_next[0]]],

                y=[valley[1], peak_next[1]],

                mode=»lines+markers»,

                line=dict(color=»blue»),

                marker=dict(size=6, color=»blue»)

Получаем фракталы: 

 upper_fractals, lower_fractals = indicators.find_fractals(df)

Фракталы вверх: 

    for index, row in df[upper_fractals].iterrows():

        fig.add_annotation(

            x=row[‘time’],

            y=row[‘high’],

            text=»\u25B2″,  # Ззнак стрелки вверх

            font=dict(size=16, color=»#03C04A»),

            ax=0,

            ay=-5,

            xanchor=»center»,

            yanchor=»bottom»

Фракталы вниз:

    for index, row in df[lower_fractals].iterrows():

        fig.add_annotation(

            x=row[‘time’],

            y=row[‘low’],

            text=»\u25BC»,  # знак стрелки вниз

            font=dict(size=16, color=»#D91E18″),

            ax=0,

            ay=5,

            xanchor=»center»,

            yanchor=»top»

        )

    fig.update_layout(xaxis_rangeslider_visible=False)

    fig.write_image(‘images/chart_’ +

                    ‘ZIGZAG_’ + symbol +

                    ‘_’ + str(interval) +

                    ‘_’ + str(period) + ‘.png’)

Дополнительные функции

Отправка сообщения об ошибке в случае некорректного ввода данных:

bot.send_message(message.chat.id, text_error)

Запуск цикла для отслеживания ошибок при работе бота:

i = 0

while True:

    i += 1

    try:

Запуск бота:

bot.polling()

Определение текущего времени, для отслеживания ошибок:

time_now = dt.datetime.fromtimestamp(

            time.time()).strftime(‘%d-%m-%Y %H:%M:%S’)

Вывод номера очередности, времени и текста ошибки:

print(i, time_now, err)

Вексельные ярмарки, тикерная лента и электронный трейдинг: история биржевой торговли
Торговля всегда была для человечества основным источником прибыли — торговцы, банкиры и обычные люди торговали фьючерсами, зерном или цветами на...
Читать далее
Открываем и закрываем сделки в Bybit автоматически с помощью Python: пошаговый гайд
С помощью Python можно создавать программы и скрипты, которые будут выполнять ваши торговые правила, а значит — упростят и облегчат...
Читать далее
Мифы о торговле и ошибки трейдеров в управлении капиталом
  Многим кажется, что трейдинг — это возможность сорвать джекпот, при этом не сильно себя утруждая, но это совсем не...
Читать далее