使用 API MetaTrader 5 (MT5) 可以实现对时间范围内的预付款和时间框架的分析

我们可以使用 API MetaTrader 5 (MT5) 来实现对时间范围内的预付款的分析。蜡烛历史记录、预计算和统计数据以文本格式和 Excel 格式提供。 Vamos 修订了以下代码：

导入内容：

import MetaTrader5 as mt5
import pandas as pd
from datetime import datetime
import os
import sys
from openpyxl import Workbook
from openpyxl.styles import PatternFill
import numpy as np

MetaTrader5 (mt5)：MetaTrader 5 的内部图书馆和金融服务。

pandas (pd)：Usada para manipulação de bados em DataFrames。

日期时间：操作符和数据格式和时间。

os、sys：用于处理文件和系统参数的操作。

openpyxl：用于 Excel 的文件和操作。

numpy (np)：数字运算、计算媒体和媒体。

登录和配置参数：

login = 1510028989  # Substitua pelo seu número de login
senha = "w2@138y5$QjHD"  # Substitua pela sua senha
servidor = "FTMO-Demo"  # Substitua pelo nome do servidor
mt5_path = r"C:\Program Files\FTMO MetaTrader 5\terminal64.exe"  # Caminho do MetaTrader 5

定义为 MetaTrader 5 或 MT5 应用程序的登录凭据。

分析配置：

ativo = "US30.cash"  # Nome do ativo
timeframe_menor = mt5.TIMEFRAME_M1  # Timeframe menor (ex: 1 minuto)
timeframe_maior = mt5.TIMEFRAME_M1  # Timeframe maior (ex: 1 minuto)
hora_candle_menor = "16:29"  # Hora do candle menor
hora_candle_maior = "16:30"  # Hora do candle maior
data_inicio = datetime(2024, 9, 1)  # Data inicial
data_fim = datetime.now()  # Data final (hoje)

定义金融（例如：“US30”）、时间框架、蜡烛图特定时间和数据间隔。

时间框架词典：

timeframe_dict = {
    mt5.TIMEFRAME_M1: "1 Minuto",
    mt5.TIMEFRAME_M5: "5 Minutos",
    mt5.TIMEFRAME_M15: "15 Minutos",
    mt5.TIMEFRAME_M30: "30 Minutos",
    mt5.TIMEFRAME_H1: "1 Hora",
    mt5.TIMEFRAME_H4: "4 Horas",
    mt5.TIMEFRAME_D1: "Diário",
    mt5.TIMEFRAME_W1: "Semanal",
    mt5.TIMEFRAME_MN1: "Mensal"
}

MT5 法律规定时间范围转换器词典。

初始登录 MetaTrader 5：

if not mt5.initialize(path=mt5_path):
    print("Falha ao inicializar o MetaTrader 5")
    mt5.shutdown()
    exit()

if not mt5.login(login, password=senha, server=servidor):
    print("Falha ao fazer login no MetaTrader 5")
    print("Erro:", mt5.last_error())
    mt5.shutdown()
    exit()

请参阅以下详细信息：

conta_info = mt5.account_info()
if conta_info is None:
    print("Falha ao obter informações da conta")
    mt5.shutdown()
    exit()

print("Conectado à conta:", conta_info.login)
print("Nome do servidor:", conta_info.server)

我们将提供有关登录和服务器信息的信息。

历史铭牌系列：

dados_candles_menor = mt5.copy_rates_range(ativo, timeframe_menor, data_inicio, data_fim)
dados_candles_maior = mt5.copy_rates_range(ativo, timeframe_maior, data_inicio, data_fim)

Coleta 历史上的蜡烛没有特定的时间间隔，主要是在时间范围内。

DataFrame 的对话：

df_menor = pd.DataFrame(dados_candles_menor)
df_maior = pd.DataFrame(dados_candles_maior)

将蜡烛转换为 DataFrame 以便于分析 pandas。

验证数据：

if df_menor.empty or df_maior.empty:
    print("Nenhum dado foi retornado. Verifique a conexão com o MetaTrader 5 e a disponibilidade do ativo.")
    mt5.shutdown()
    exit()

验证 DataFrames 是这样的。 Se estiverem，o 脚本终点。

对话节奏：

df_menor['time'] = pd.to_datetime(df_menor['time'], unit='s')
df_maior['time'] = pd.to_datetime(df_maior['time'], unit='s')

将时间戳列转换为日期时间格式。

Filtragem dos 蜡烛：

df_candle_menor = df_menor[df_menor['time'].dt.time == datetime.strptime(hora_candle_menor, "%H:%M").time()]
df_candle_maior = df_maior[df_maior['time'].dt.time == datetime.strptime(hora_candle_maior, "%H:%M").time()]

过滤蜡烛以获取特定时间的对应信息。

过滤结果如下：

print(f"\nCandle das {hora_candle_menor}:")
print(df_candle_menor)

print(f"\nCandle das {hora_candle_maior}:")
print(df_candle_maior)

Exibe os 蜡烛过滤。

统计信息联系人姓名：

stats = {
    '0': 0,
    '0-500': 0,
    '500-1000': 0,
    '1000-1500': 0,
    ...
}

缩写为有关不同勇气的浪漫的词典。

循环计算 rompimentos：

for i in range(min(len(df_candle_menor), len(df_candle_maior))):
    data = df_candle_menor.iloc[i]['time'].date()
    max_menor = df_candle_menor.iloc[i]['high']
    min_menor = df_candle_menor.iloc[i]['low']
    max_maior = df_candle_maior.iloc[i]['high']
    min_maior = df_candle_maior.iloc[i]['low']
    volume_menor = df_candle_menor.iloc[i]['tick_volume']
    volume_maior = df_candle_maior.iloc[i]['tick_volume']
    tamanho_menor = (max_menor - min_menor) * 100
    tamanho_maior = (max_maior - min_maior) * 100

    rompimento_baixo = (min_menor - min_maior) * 100 if min_maior < min_menor else 0
    rompimento_cima = (max_maior - max_menor) * 100 if max_maior > max_menor else 0
    ...

这是在蜡烛的时间范围内的计算和浪漫的故事。计算蜡烛、火焰、火焰和火焰。

媒体和媒体计算：

media_rompimento_baixo = total_rompimento_baixo / len(df_candle_menor) if len(df_candle_menor) > 0 else 0
media_rompimento_cima = total_rompimento_cima / len(df_candle_menor) if len(df_candle_menor) > 0 else 0
media_volume_menor = total_volume_menor / len(df_candle_menor) if len(df_candle_menor) > 0 else 0
...

计算作为媒体和媒体的dados coletados。

Salvando 结果如下：

with open(nome_arquivo_txt, 'w') as arquivo:
    arquivo.write(estatisticas)

请参阅文本文档中的相关内容。

在 Excel 中复制：

wb = Workbook()
ws = wb.active
...
wb.save(nome_arquivo_excel)

Salva os detalhes dos rompimentos em um arquivo Excel, aplicando cores para distinguir os dias da semana.

MetaTrader 5 描述：

mt5.shutdown()

完成与 MetaTrader 5 的连接。

详细分析

python
import MetaTrader5 as mt5
import pandas as pd
from datetime import datetime
import os
import sys
from openpyxl import Workbook
from openpyxl.styles import PatternFill
import numpy as np

# Parâmetros de login
login = 1510028989  # Substitua pelo seu número de login
senha = "w2@138y5$QjHD"  # Substitua pela sua senha
servidor = "FTMO-Demo"  # Substitua pelo nome do servidor
mt5_path = r"C:\Program Files\FTMO MetaTrader 5\terminal64.exe"  # Caminho do MetaTrader 5

# Configurações de análise
ativo = "US30.cash"  # Nome do ativo
timeframe_menor = mt5.TIMEFRAME_M1  # Timeframe menor (ex: 5 minutos)
timeframe_maior = mt5.TIMEFRAME_M1  # Timeframe maior (ex: 4 horas)
hora_candle_menor = "16:29"  # Hora do candle menor
hora_candle_maior = "16:30"  # Hora do candle maior
data_inicio = datetime(2024, 9, 1)  # Data inicial
data_fim = datetime.now()  # Data final (hoje)

# Dicionário para converter timeframes para strings legíveis
timeframe_dict = {
    mt5.TIMEFRAME_M1: "1 Minuto",
    mt5.TIMEFRAME_M5: "5 Minutos",
    mt5.TIMEFRAME_M15: "15 Minutos",
    mt5.TIMEFRAME_M30: "30 Minutos",
    mt5.TIMEFRAME_H1: "1 Hora",
    mt5.TIMEFRAME_H4: "4 Horas",
    mt5.TIMEFRAME_D1: "Diário",
    mt5.TIMEFRAME_W1: "Semanal",
    mt5.TIMEFRAME_MN1: "Mensal"
}

# Inicializa a conexão com o MetaTrader 5
if not mt5.initialize(path=mt5_path):
    print("Falha ao inicializar o MetaTrader 5")
    mt5.shutdown()
    exit()

# Tenta fazer login na conta específica
if not mt5.login(login, password=senha, server=servidor):
    print("Falha ao fazer login no MetaTrader 5")
    print("Erro:", mt5.last_error())
    mt5.shutdown()
    exit()

# Verifica as informações da conta
conta_info = mt5.account_info()
if conta_info is None:
    print("Falha ao obter informações da conta")
    mt5.shutdown()
    exit()

print("Conectado à conta:", conta_info.login)
print("Nome do servidor:", conta_info.server)

# Pega os dados históricos de candles
dados_candles_menor = mt5.copy_rates_range(ativo, timeframe_menor, data_inicio, data_fim)
dados_candles_maior = mt5.copy_rates_range(ativo, timeframe_maior, data_inicio, data_fim)

# Converte os dados para DataFrames para melhor visualização
df_menor = pd.DataFrame(dados_candles_menor)
df_maior = pd.DataFrame(dados_candles_maior)

# Verifica se os DataFrames estão vazios
if df_menor.empty or df_maior.empty:
    print("Nenhum dado foi retornado. Verifique a conexão com o MetaTrader 5 e a disponibilidade do ativo.")
    mt5.shutdown()
    exit()

# Converte a coluna 'time' para datetime
df_menor['time'] = pd.to_datetime(df_menor['time'], unit='s')
df_maior['time'] = pd.to_datetime(df_maior['time'], unit='s')

# Filtra os candles de acordo com as horas especificadas
df_candle_menor = df_menor[df_menor['time'].dt.time == datetime.strptime(hora_candle_menor, "%H:%M").time()]
df_candle_maior = df_maior[df_maior['time'].dt.time == datetime.strptime(hora_candle_maior, "%H:%M").time()]

# Exibe os resultados filtrados
print(f"\nCandle das {hora_candle_menor}:")
print(df_candle_menor)

print(f"\nCandle das {hora_candle_maior}:")
print(df_candle_maior)

# Inicializa contadores para as estatísticas
stats = {
    '0': 0,
    '0-500': 0,
    '500-1000': 0,
    '1000-1500': 0,
    '1500-2000': 0,
    '2000-2500': 0,
    '2500-3000': 0,
    '3000-3500': 0,
    '3500-4000': 0,
    '4000-4500': 0,
    '4500-5000': 0,
    '5000-5500': 0,
    '5500-6000': 0,
    '6000-6500': 0,
    '6500-7000': 0,
    '7000-7500': 0,
    '7500-8000': 0,
    '8000-8500': 0,
    '8500-9000': 0,
    '9000-9500': 0,
    '9500-10000': 0,
    '10000+': 0
}

# Inicializa contadores para as novas estatísticas
rompimentos_um_lado = 0
rompimentos_dois_lados = 0
sem_rompimentos = 0

# Inicializa uma lista para armazenar os detalhes dos rompimentos
detalhes_rompimentos = []

# Variáveis para calcular médias
total_rompimento_baixo = 0
total_rompimento_cima = 0
total_volume_menor = 0
total_volume_maior = 0
tamanhos_menor = []
tamanhos_maior = []

# Calcula os rompimentos do candle maior em relação ao menor
for i in range(min(len(df_candle_menor), len(df_candle_maior))):
    data = df_candle_menor.iloc[i]['time'].date()
    max_menor = df_candle_menor.iloc[i]['high']
    min_menor = df_candle_menor.iloc[i]['low']
    max_maior = df_candle_maior.iloc[i]['high']
    min_maior = df_candle_maior.iloc[i]['low']
    volume_menor = df_candle_menor.iloc[i]['tick_volume']
    volume_maior = df_candle_maior.iloc[i]['tick_volume']
    tamanho_menor = (max_menor - min_menor) * 100  # Multiplicado por 100
    tamanho_maior = (max_maior - min_maior) * 100  # Multiplicado por 100

    rompimento_baixo = (min_menor - min_maior) * 100 if min_maior < min_menor else 0
    rompimento_cima = (max_maior - max_menor) * 100 if max_maior > max_menor else 0

    # Atualiza totais para cálculo de médias
    total_rompimento_baixo += rompimento_baixo
    total_rompimento_cima += rompimento_cima
    total_volume_menor += volume_menor
    total_volume_maior += volume_maior
    tamanhos_menor.append(tamanho_menor)
    tamanhos_maior.append(tamanho_maior)

    # Adiciona os detalhes à lista
    detalhes_rompimentos.append({
        'DT': data,
        'RBaixo': rompimento_baixo,
        'RCima': rompimento_cima,
        'VMenor': volume_menor,
        'VMaior': volume_maior,
        'TMenor': tamanho_menor,
        'TMaior': tamanho_maior
    })

    # Atualiza as estatísticas para rompimento baixo e cima
    for rompimento in [rompimento_baixo, rompimento_cima]:
        if rompimento == 0:
            stats['0'] += 1
        elif 0 < rompimento <= 500:
            stats['0-500'] += 1
        elif 500 < rompimento <= 1000:
            stats['500-1000'] += 1
        elif 1000 < rompimento <= 1500:
            stats['1000-1500'] += 1
        elif 1500 < rompimento <= 2000:
            stats['1500-2000'] += 1
        elif 2000 < rompimento <= 2500:
            stats['2000-2500'] += 1
        elif 2500 < rompimento <= 3000:
            stats['2500-3000'] += 1
        elif 3000 < rompimento <= 3500:
            stats['3000-3500'] += 1
        elif 3500 < rompimento <= 4000:
            stats['3500-4000'] += 1
        elif 4000 < rompimento <= 4500:
            stats['4000-4500'] += 1
        elif 4500 < rompimento <= 5000:
            stats

CLIS.CC