__test/fixtures/ohlcv_data.py - dev - fgtmenow/tb

__test/fixtures/ohlcv_data.py
184 строки7 KB
Azarev Artem
Добавлена база знаний по стратегии Smart Money Trading, включая архитектуру, терминологию и торговые стратегии. Реализованы интерфейсы для типизации компонентов торгового бота и шаблон для торговых стратегий.
17 янв 2026, 03:39
17 янв 2026, 03:39ab5fefa
"""
Тестовые OHLCV данные для unit-тестов.

Содержит образцы данных с известной рыночной структурой
для тестирования алгоритмов анализа (swing points, BOS, CHoCH).
"""

import pandas as pd
import numpy as np

def create_uptrend_data() -> pd.DataFrame:
    """
    Создаёт данные с восходящим трендом (серия HH-HL).
    
    Структура:
    - Начальный минимум (LL)
    - Максимум (HH)
    - Коррекция (HL)
    - Новый максимум (HH) - BOS
    - Коррекция (HL)
    - Подтверждение (HH) - Confirm
    
    Возвращает:
        DataFrame с OHLCV данными
    """
    # Базовые цены для восходящего тренда
    prices = [
        # timestamp, open, high, low, close, volume
        (1000, 100, 102, 98, 101, 1000),   # 0: Начало
        (2000, 101, 103, 100, 102, 1100),  # 1
        (3000, 102, 105, 101, 104, 1200),  # 2: Первый HH
        (4000, 104, 106, 103, 105, 1300),  # 3
        (5000, 105, 107, 104, 106, 1400),  # 4: Swing High (HH)
        (6000, 106, 107, 102, 103, 1500),  # 5: Коррекция
        (7000, 103, 104, 101, 102, 1600),  # 6
        (8000, 102, 103, 100, 101, 1700),  # 7: Swing Low (HL)
        (9000, 101, 105, 100, 104, 1800),  # 8
        (10000, 104, 108, 103, 107, 1900), # 9: Новый HH (BOS)
        (11000, 107, 110, 106, 109, 2000), # 10: Продолжение
        (12000, 109, 111, 104, 105, 2100), # 11: Коррекция
        (13000, 105, 106, 103, 104, 2200), # 12: Swing Low (HL)
        (14000, 104, 108, 103, 107, 2300), # 13
        (15000, 107, 113, 106, 112, 2400), # 14: Подтверждение (HH - Confirm)
    ]
    
    df = pd.DataFrame(prices, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df.index = pd.to_datetime(df['timestamp'], unit='ms')
    return df


def create_downtrend_data() -> pd.DataFrame:
    """
    Создаёт данные с нисходящим трендом (серия LH-LL).
    
    Структура:
    - Начальный максимум (HH)
    - Минимум (LL)
    - Коррекция (LH)
    - Новый минимум (LL) - BOS
    - Коррекция (LH)
    - Подтверждение (LL) - Confirm
    
    Возвращает:
        DataFrame с OHLCV данными
    """
    prices = [
        # timestamp, open, high, low, close, volume
        (1000, 110, 112, 108, 111, 1000),  # 0: Начало
        (2000, 111, 113, 109, 110, 1100),  # 1
        (3000, 110, 112, 107, 108, 1200),  # 2
        (4000, 108, 110, 105, 106, 1300),  # 3: Swing Low (LL)
        (5000, 106, 109, 104, 108, 1400),  # 4: Коррекция
        (6000, 108, 111, 107, 110, 1500),  # 5: Swing High (LH)
        (7000, 110, 111, 106, 107, 1600),  # 6
        (8000, 107, 108, 102, 103, 1700),  # 7: Новый LL (BOS)
        (9000, 103, 107, 101, 106, 1800),  # 8: Коррекция
        (10000, 106, 109, 105, 108, 1900), # 9: Swing High (LH)
        (11000, 108, 109, 103, 104, 2000), # 10
        (12000, 104, 105, 98, 99, 2100),   # 11: Подтверждение (LL - Confirm)
    ]
    
    df = pd.DataFrame(prices, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df.index = pd.to_datetime(df['timestamp'], unit='ms')
    return df


def create_trend_reversal_data() -> pd.DataFrame:
    """
    Создаёт данные со сменой тренда (CHoCH).
    
    Структура:
    - Нисходящий тренд (LH-LL)
    - Пробой последнего LH (CHoCH)
    - Восходящий тренд (HH-HL)
    
    Возвращает:
        DataFrame с OHLCV данными
    """
    prices = [
        # Нисходящий тренд
        (1000, 110, 112, 108, 109, 1000),  # 0
        (2000, 109, 111, 105, 106, 1100),  # 1: LL
        (3000, 106, 109, 104, 108, 1200),  # 2
        (4000, 108, 110, 107, 109, 1300),  # 3: LH
        (5000, 109, 110, 102, 103, 1400),  # 4: LL
        (6000, 103, 106, 101, 105, 1500),  # 5
        (7000, 105, 108, 104, 107, 1600),  # 6: LH
        # Смена тренда (CHoCH)
        (8000, 107, 112, 106, 111, 1700),  # 7: Пробой LH (CHoCH)
        (9000, 111, 114, 109, 113, 1800),  # 8: HH
        (10000, 113, 115, 108, 109, 1900), # 9: Коррекция
        (11000, 109, 110, 107, 108, 2000), # 10: HL
        (12000, 108, 117, 107, 116, 2100), # 11: Подтверждение (HH - Confirm)
    ]
    
    df = pd.DataFrame(prices, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df.index = pd.to_datetime(df['timestamp'], unit='ms')
    return df


def create_sideways_data() -> pd.DataFrame:
    """
    Создаёт данные с боковым движением (без явного тренда).
    
    Цена колеблется в диапазоне без формирования HH или LL.
    
    Возвращает:
        DataFrame с OHLCV данными
    """
    prices = [
        (1000, 100, 103, 98, 101, 1000),
        (2000, 101, 104, 99, 102, 1100),
        (3000, 102, 105, 100, 101, 1200),
        (4000, 101, 103, 98, 100, 1300),
        (5000, 100, 104, 97, 103, 1400),
        (6000, 103, 105, 99, 100, 1500),
        (7000, 100, 102, 98, 101, 1600),
        (8000, 101, 104, 99, 102, 1700),
        (9000, 102, 103, 97, 99, 1800),
        (10000, 99, 103, 98, 102, 1900),
    ]
    
    df = pd.DataFrame(prices, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df.index = pd.to_datetime(df['timestamp'], unit='ms')
    return df


def create_simple_swing_data() -> pd.DataFrame:
    """
    Создаёт простые данные для тестирования обнаружения swing points.
    
    Явные максимумы и минимумы с большим окном.
    
    Возвращает:
        DataFrame с OHLCV данными
    """
    # Создаём синусоидальное движение цены
    n_points = 50
    timestamps = list(range(1000, 1000 + n_points * 1000, 1000))
    
    # Базовая цена + синусоида
    base_price = 100
    amplitude = 10
    period = 10  # баров на цикл
    
    prices = []
    for i in range(n_points):
        # Синусоидальное изменение
        phase = (i / period) * 2 * np.pi
        center = base_price + amplitude * np.sin(phase)
        
        # OHLC вокруг центра
        volatility = 1
        open_price = center + np.random.uniform(-volatility, volatility)
        close_price = center + np.random.uniform(-volatility, volatility)
        high_price = max(open_price, close_price) + np.random.uniform(0, volatility)
        low_price = min(open_price, close_price) - np.random.uniform(0, volatility)
        volume = 1000 + i * 10
        
        prices.append((timestamps[i], open_price, high_price, low_price, close_price, volume))
    
    df = pd.DataFrame(prices, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df.index = pd.to_datetime(df['timestamp'], unit='ms')
    return df