Как построить рыночный профиль (Market Profile) с помощью Python

12 марта, 2025 в 06:48

Рыночный профиль (Market Profile) — это мощный инструмент анализа, который помогает трейдерам понять распределение цен и объемов в течение определенного периода. В этой статье мы разберем, как использовать Python и Plotly для построения рыночного профиля, включая его реализацию через shapes для наглядного отображения.

Из материала вы узнаете:

Как получить данные OHLC (Open, High, Low, Close) с помощью yfinance
Как сгруппировать данные по дню, неделе, месяцу для рыночного профиля
Как визуализировать рыночный профиль через shapes в Plotly
Полезные паттерны использования Market Profile

Что такое рыночный профиль и зачем он нужен?

Рыночный профиль отображает распределение объема по уровням цен. В отличие от классических свечных графиков, Market Profile показывает, где накапливается ликвидность, а где рынок движется без особого интереса участников.

Что можно увидеть в Market Profile:

Уровни Value Area (зоны справедливой цены)
Point of Control (PoC) — уровень с наибольшей ликвидностью
Области с маленьким объемом (возможные уровни поддержки и сопротивления)

Шаг 1. Получаем данные OHLC с помощью Python

Для начала загрузим данные с yfinance.

import pandas as pd
import numpy as np
import plotly.graph_objects as go
import yfinance as yf
 
# <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f539.svg"> Настройки тикера и интервала
TICKER = "AAPL"  # Можно заменить на другой актив
PERIOD = "1mo"  # Длительность загрузки данных
INTERVAL = "1h"  # Интервал свечей
 
# Функция для загрузки данных OHLC
def get_ohlc_data(ticker=TICKER, period=PERIOD, interval=INTERVAL):
    data = yf.download(ticker, period=period, interval=interval)
    data.reset_index(inplace=True)
 
    # <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f4cc.svg"> Убираем MultiIndex, если он есть
    data.columns = [col[0].lower() if isinstance(col, tuple) else col.lower() for col in data.columns]
 
    return data
 
# Загружаем данные
data = get_ohlc_data()
print(data.head())  # Проверяем структуру

Разбор кода:

Используем yfinance для загрузки данных
Переводим названия колонок в нижний регистр (.lower())
Убираем возможный MultiIndex, чтобы избежать ошибок

Шаг 2. Рассчитываем Market Profile для разных временных интервалов

Теперь мы хотим строить Market Profile не только для 1 дня, но и для недели (1W) и месяца (1M).

# <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f539.svg"> Параметры Market Profile
MARKET_PROFILE_INTERVAL = "1D"  # Варианты: "1D", "1W", "1M"
PRICE_BINS_METHOD = "auto"  # Количество бинов (можно поставить число)
VOLUME_SCALE = 0.5  # Масштабирование ширины профиля
 
# Функция для расчета Market Profile
def calculate_market_profile(df, interval=MARKET_PROFILE_INTERVAL):
    if interval == "1D":
        df['date'] = df['datetime'].dt.floor('D')  # Группируем по дням
    elif interval == "1W":
        df['date'] = df['datetime'].dt.to_period('W').apply(lambda r: r.start_time)
    elif interval == "1M":
        df['date'] = df['datetime'].dt.to_period('M').apply(lambda r: r.start_time)
    else:
        raise ValueError("Неверный интервал! Используйте '1D', '1W' или '1M'.")
 
    grouped = df.groupby('date')
 
    market_profiles = []
 
    for date, group in grouped:
        price_bins = np.histogram_bin_edges(group['close'], bins=PRICE_BINS_METHOD)
        hist, edges = np.histogram(group['close'], bins=price_bins)
 
        market_profiles.append({
            'date': pd.to_datetime(date),
            'prices': edges[:-1],
            'volumes': hist / hist.max() * VOLUME_SCALE
        })
 
    return market_profiles
 
# Рассчитываем Market Profile
market_profiles = calculate_market_profile(data, interval=MARKET_PROFILE_INTERVAL)
print(market_profiles[:2])  # Проверяем структуру

Разбор кода:

Группируем свечи по 1D, 1W или 1M
Строим гистограмму по цене (np.histogram)
Масштабируем объемы, чтобы Market Profile был читабельным

Шаг 3. Визуализируем Market Profile в Plotly (shapes)

Теперь построим Market Profile через shapes в Plotly.

# Функция для построения Market Profile через SHAPES
def plot_market_profile(df, market_profiles):
    fig = go.Figure()
 
    # <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f4cc.svg"> Добавляем OHLC график
    fig.add_trace(go.Candlestick(
        x=df['datetime'],
        open=df['open'],
        high=df['high'],
        low=df['low'],
        close=df['close'],
        name='OHLC'
    ))
 
    # <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f4cc.svg"> Добавляем Market Profile через SHAPES
    shapes = []
    for profile in market_profiles:
        date = profile['date']
        for price, volume in zip(profile['prices'], profile['volumes']):
            shapes.append(
                dict(
                    type="line",
                    x0=date, x1=date + pd.Timedelta(hours=volume * 24),
                    y0=price, y1=price,
                    line=dict(color="blue", width=2)
                )
            )
 
    # <img draggable="false" role="img" class="emoji" alt="" src="https://s.w.org/images/core/emoji/14.0.0/svg/1f4cc.svg"> Настройки графика
    fig.update_layout(
        title=f'Market Profile ({MARKET_PROFILE_INTERVAL}) for {TICKER}',
        xaxis_title='Datetime',
        yaxis_title='Price',
        xaxis=dict(type='date', tickformat="%Y-%m-%d", tickmode='linear', rangeslider=dict(visible=False)),
        yaxis=dict(autorange='reversed'),
        showlegend=True,
        shapes=shapes
    )
 
    fig.show()
 
# Визуализация
plot_market_profile(data, market_profiles)

Разбор кода:

Используем shapes для Market Profile (рисуем линии горизонтально)
Привязываем их к ценовому диапазону и дате
Market Profile теперь масштабируется динамически

Этот подход можно доработать и использовать в алготрейдинге, бэктестинге и реальном трейдинге.

Где пригодится Market Profile?

Для поиска ключевых уровней поддержки и сопротивления
Для определения балансных зон (где цена «застревает»)
Для анализа объемов внутри свечных данных
Для поиска Point of Control (PoC) — где цена была самой активной

Совет: Market Profile особенно полезен в фьючерсах и акциях, где объемы важны для принятия решений.

Код доступен в нашем репозитории на github. Не забудьте подписаться на профиль и поставить звездочку репозиторию.

Подписывайтесь на наш Telegram-канал о финансах и Data Science в трейдинге:
– Делаем глубокую аналитику
– Тестируем и разрабатываем торговые стратегии
– Кодим индикаторы и алгоритмы
– Собираем базу знаний для трейдеров

Хотите зарабатывать на трейдинге?