Így állíts össze egy kereskedési stratégiát a ChatGPT-vel
Azt már szinte mindenki tudja, hogy az OpenAI által fejlesztett ChatGPT nagy nyelvi modell nem csak beszélgetésre jó. A Pedma nevű, kereskedési stratégiákkal foglalkozó X-oldal most azt vette górcső alá, milyen hatékonyan tud kereskedési eljárásokat javasolni és tesztelni a mesterséges intelligencia.
Egy március 27-én közzétett X-bejegyzésben a Pedma az elejétől a végéig bemutatta, hogyan lehet a ChatGPT-t az egyszerű mozgóátlag (MA) keresztezési stratégiák tesztelésére használni a bitcoin
BTC Price
esetében. A megoldás állítólag jobban teljesít, mint a ChatGPT kereskedési botja.
Python-szkript ChatGPT-vel
Első lépésben a ChatGPT-től arra kérdezett rá, hogy milyen könyvtárakat szükséges importálnia a feladat megoldásához – a Yahoo Finance-ről származó adatok kezelésére és a vizualizációra fókuszálva.
Adatlekérés a Yahoo Finance-ről
A szükséges könyvtárak importálása után a Pedma azt kérte a ChatGPT-től, írjon egy olyan szkriptet, amely lekéri a bitcoin történelmi árfolyamadatait (napi OHLC és volumen) 2020. január 1-től kezdődően.
1. Choice of Libraries
Begin with the required Libraries.
We can ask ChatGPT to get them for us.
Prompt → "Could you provide the Python code to import the necessary libraries for backtesting a trading strategy, focusing on data handling from Yahoo Finance and visualization?" pic.twitter.com/ZPfi6FrAIZ
— pedma (@pedma7) March 27, 2024
2. Data Retrieval from Yahoo Finance
Now we need data for our backtest.
Let's use Yahoo Finance data for this.
Prompt → "How can I use Python to retrieve Bitcoin (BTC-USD) historical price data (daily OHLC and volume) from Yahoo Finance, starting from January 1, 2020?" pic.twitter.com/ZWrsN6DYmg
— pedma (@pedma7) March 27, 2024
Ez alapvetően egy egyszerű feladat, viszont ChatGPT nélkül sokkal hosszabb ideig tartana a megfelelő kód megírása.
Kereskedési stratégia a ChatGPT-től
A folyamat harmadik lépéseként a Pedma azt kérte a ChatGPT-től, hogy segítsen definiálni egy olyan kereskedési stratégiát, amely az elérhető adatokat használja alapul. Támpontként azt mondta, hogy használjon egyszerű mozgóátlag keresztezési stratégiát Pythonban, és használja a pandas könyvtárat.
Ezzel az egyszerű iránymutatással a ChatGPT egy olyan strukturált piacelemzési megközelítést alkalmazott, amely hozzásegítette a Pedmát az okosabb döntések meghozatalához.
A backtest implementálása
A stratégia definiálását követően a Pedma arra kérte a nyelvi modellt, hogy írjon meg Pythonban egy backtestet, hogy meg tudják ítélni a stratégia teljesítményét.
Azt kérdezték a ChatGPT-től, hogy hogyan tudnák végrehajtani ezt a lépést annak elemzésére, hogy milyen jól teljesít a stratégia valós piaci körülmények között.
4. Implement the Backtest
Now we want to analyze the performance of the strategy.
Prompt → "Now that the strategy is defined, how can I implement the backtest in Python using pandas, calculating the strategy's performance?" pic.twitter.com/UBbbuRruIT
— pedma (@pedma7) March 27, 2024
Ez a lépés segített a Pedmának megérteni a kereskedési elgondolás hatékonyságát, és felmérni annak potenciális sikerét a piacon.
Eredmények elemzése és vizualizálás
A backtest végrehajtását követően a Pedma egy grafikonon is látni szerette volna az eredményeket és a potenciális profitot. Arra kérték a ChatGPT-t, hogy használják a pandas és matplotlib könyvtárakat.
Hibaelemzés
Az utolsó lépésben a Pedma felfigyelt egy problémára a kirajzolt grafikonon – az ugyanis nem a helyes adatokat jelenítette meg. A hibát később azonosították és kijavították.
A Pedma által bemutatott stratégia egy egyszerű, és bárki számára elérhető lehetőséget vázol fel. Fontos megjegyezni, hogy bár a ChatGPT automatizálja a folyamat időigényes részeit, ennek ellenére nem árt jobban megismerkedni a Pythonnal, ha valaki ki szeretné próbálni. Az ennél is bonyolultabb kereskedési stratégiák további, manuális beállításokat igényelhetnek.
