使用Python 通过K线计算技术指标，并用 LLM 预测趋势

Benny小土豆

1 周前

文章目录[显示]

TA-Lib - Technical Analysis Library

TA-Lib - Technical Analysis Library

我们需要这个东西来计算数据，这个库支持200多个技术指标，包括RSI，MACD

安装方式可以参考官方文档

获取K线数据

以币安的合约数据为例，非常简单

pip install binance-futures-connector
from binance.um_futures import UMFutures
um_client = UMFutures()
candles=um_client.klines(symbol=‘BTCUSDT’, interval=‘1m’)

这样我们就获取到了 1分钟时间间隔的数据

转换成 pandas的DataFrame 方便后续处理

pd.DataFrame(candles)

计算布林线

布林线使用收盘价格进行计算，而且需要多组数据才可以计算出来

upperband, middleband, lowerband = talib.BBANDS(self.df["close"], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0)

计算 RSI

同样也是收盘价

rsi6 = talib.RSI(self.df["close"], timeperiod=6)
rsi12 = talib.RSI(self.df["close"], timeperiod=12)
rsi24 = talib.RSI(self.df["close"], timeperiod=24)

MACD

收盘价

dif, dea, macd = talib.MACD(self.df["close"], fastperiod=12, slowperiod=26, signalperiod=9)

MA

包括SMA和EMA

sma7 = talib.SMA(self.df["close"], timeperiod=7)
sma25 = talib.SMA(self.df["close"], timeperiod=25)
sma99 = talib.SMA(self.df["close"], timeperiod=99)

ema7 = talib.EMA(self.df["close"], timeperiod=7)
ema25 = talib.EMA(self.df["close"], timeperiod=25)
ema99 = talib.EMA(self.df["close"], timeperiod=99)

转换数据为json

LLM更适合处理json数据，pandas就很方便啦

self.df.to_json(orient="records", date_format="epoch", date_unit="s")

调用 LLM 接口

有了数据之后就可以把他们导出成 json，然后调用LLM进行处理。

这里需要找一个可用的LLM，比如 Mistral AI、OpenAI 、Gemini或者 Claude。由于国内注册比较麻烦，而且风控很严格，建议大家使用「头顶冒火」的API接口

OpenAI专场：https://burn.hair/
Claude、MistralAI和OpenAI：https://api.burn.hair/

使用什么模型因人而异，一次数据量比较大，gpt-4o可能是比较好的选择，Claude Opus和o1-preview比较贵，但是也可以考虑，头顶冒火网站也都有的

然后要做的事情就是写提示词，让AI分析结果了！🧐

很麻烦是不是……不要怕，我已经写好并且开源了。使用方式详见下一页！⬇️⬇️⬇️ 部分RSS阅读器可能无法显示下一页的内容，请点击链接打开网站阅读

本项目仅供学习交流使用。交易有风险，入市需谨慎。若因本项目产生任何损失，概不负责。

下面即将以Windows为例手把手教学，至于 macOS和Linux，基本步骤也基本一致

安装编辑器

需要一个比较好的编辑器来编辑配置文件，可以选择Sublime、Notepad++，也可以选择 VS Code

以 VS Code为例，到这里下载 https://code.visualstudio.com/，下载回来双击下一步就可以

安装 Python

到这里https://www.python.org/downloads/ 下载并安装 Python

准备代码

打开网址 https://github.com/BennyThink/AICryptoBot

Code – Download Zip 或者选择 git clone等方式

对于ZIP文件，请自行解压缩

打开项目

双击打开VS Code，然后把目录拖进去即可打开，能看到这样的目录结构就说明正确了

安装依赖

VSCode 菜单栏 Terminal – New Terminal

如果网络速度不理想，需要配置镜像

pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/simple
pip install -r requirements.txt

pip install https://github.com/cgohlke/talib-build/releases/download/v0.5.1/ta_lib-0.5.1-cp313-cp313-win_amd64.whl

如果你安装不是 Python 3.13 需要把上面的cp313换成cp312（3.12）cp311（3.11）以此类推

准备 LLM接口

这里以 OpenAI + 头顶冒火为例，需要先去 https://burn.hair/ 或者 https://api.burn.hair/ 注册一个账号，然后确保有足够余额（0.5-1美元就足够了）。

令牌-添加令牌

然后复制令牌

准备配置文件

创建一个 .env文件放到 src 这个子目录下,内容如下

OPENAI_BASE_URL=https://burn.hair/v1
OPENAI_API_KEY=sk-61234这里就是你复制的令牌
OPENAI_MODEL=gpt-4o-2024-08-06

BINANCE_INTERVAL=1m=30,5m=40,15m=30,1h=25,2h=15,4h=10,8h=8,12h=6,1d=5

BINANCE_INTERVAL 详解：

这里需要根据你的需求，来配置采集的时间间隔和数据量，1m=30表示1分间隔的数据采集最近30个；同理，1d=5 意味着1天的间隔，采集5个，换句话说也就是5天的日线数据。数据量越多，API消耗也就越多，按照默认配置大概1个交易对要用0.1-0.2美元。

可以根据个人情况调整，如果拿不准可以用默认值，或者让AI给出个主意

运行测算

同样在 Terminal里

cd src
# 多个交易对可以用逗号分隔，如
python main.py --symbol=btcusdt,ethusdt

# 只想查询一个可以这样
python main.py --symbol=btcusdt

然后浏览器就会自动打开一个网页显示结果，也可以在output目录下找到html文件打开自行查看

看起来是不是挺靠谱的样子，至少比自己凭着感觉瞎买要好多了。再次警告，交易有风险，入市需谨慎。若因本项目产生任何损失，概不负责。

要是赚到钱了，可以考虑给我打个赏😂

TA-Lib - Technical Analysis Library

获取K线数据

计算布林线

计算 RSI

MACD

MA

转换数据为json

调用 LLM 接口

安装编辑器

安装 Python

准备代码

打开项目

安装依赖

准备 LLM接口

准备配置文件

运行测算

相关链接