跨多个时间范围的开始日期以收集市场数据

Question

我正在编写一个交易算法，该算法通过比较年度 OHLC 与季度 OHLC 与月度 OHLC 与每周 OHLC 与每日 OHLC 进行比较来整合多个时间框架分析。

对于这些不同的时间范围中的每一个，我需要 OHLC 数据的前 4 个周期的开始日期，其中包括当前周期。

示例，相对于 2022-01-09，post 的日期：

年度时间范围 4 年开始日期：2019-01-02

季度时间表 4 季度开始日期：2021-03-01

每月时间表 4 个月开始日期：2021-10-01

每周时间表第 4 周开始日期：2021-12-13

每日时间范围 4 天开始日期：2022-01-04

python 是否有一个以金融市场为中心的模块，可以轻松引用这些类型的日期戳，我最终可以以上述示例的格式输出为字符串，以插入到我的多边形 REST 调用中？

我看过各种 datetime 和 dateutil 类和方法，但它们都相当复杂，尽管它们似乎没有考虑到像那些日子那样的细微差别北美股票市场开放。

(如果存在可以理解英语语言表达的东西，那就太酷了；比如：'first market day of the year four years ago'、'first market day of the quarter, four quarters ago'、'first market day of the month, four months ago'、'first market day of the week, four weeks ago'、'day of the week, four market days ago').

解决方案

pandas 有一个非常全面的功能列表，可以满足我的需求。以下是我根据这些发现汇总的内容：

# timefunctions.py
import pandas
import time
import pandas_market_calendars as mcal

now = pandas.Timestamp.now()
tz = 'America/New York'
nyse = mcal.get_calendar('NYSE')

def start_of_year(multiplier, format='ms'):
    obj = now + pandas.tseries.offsets.BYearBegin(multiplier)
    obj = pandas.Timestamp(obj).floor(freq='D')
    if format == 'ms':
        obj = int(time.mktime(obj.timetuple()) * 1000)
    return(obj)

def start_of_quarter(multiplier, format='ms'):
    obj = now + pandas.tseries.offsets.BQuarterBegin(multiplier, startingMonth=1)
    obj = pandas.Timestamp(obj).floor(freq='D')
    if format == 'ms':
        obj = int(time.mktime(obj.timetuple()) * 1000)
    return(obj)

def start_of_month(multiplier, format='ms'):
    obj = now + pandas.tseries.offsets.BusinessMonthBegin(multiplier)
    obj = pandas.Timestamp(obj).floor(freq='D')
    if format == 'ms':
        obj = int(time.mktime(obj.timetuple()) * 1000)
    return(obj)

def start_of_week(multiplier, format='ms'):
    obj = now + pandas.tseries.offsets.Week(multiplier, weekday=0)
    obj = pandas.Timestamp(obj).floor(freq='D')
    if format == 'ms':
        obj = int(time.mktime(obj.timetuple()) * 1000)
    return(obj)

def start_of_day(multiplier, format='ms', action='signal'):
    """
    : action = 'signal' [default] (return timestamps of all trading days with market open times)
    : action = 'trigger' (return timestamps of today only) (ignores multiplier. hard coded to -1)
    : format = 'ms' [default] (return object in millisecond timestamps)
    """
    market_days = nyse.schedule(start_date=start_of_week(-1, None), end_date=now)
    if action == 'trigger':
        obj = market_days.index.to_list()[-1:][0]
        obj = obj + pandas.DateOffset(hour=nyse.open_time.hour, minute=nyse.open_time.minute, second=nyse.open_time.second)
        if format == 'ms':
            obj = int(time.mktime(obj.timetuple()) * 1000)
    elif action == 'signal':
        date_list = []
        date_list_ms = []
        for date_item in market_days.index.to_list()[multiplier:]:
            date_list.append(date_item + pandas.DateOffset(hour=nyse.open_time.hour, minute=nyse.open_time.minute, second=nyse.open_time.second))
        if format == 'ms':
            for date in date_list:
                date_list_ms.append(int(time.mktime(date.timetuple()) * 1000))
        if date_list:
            obj = date_list
        if date_list_ms:
            obj = date_list_ms
    return(obj)

输出：

In [1]: from modules import timefunctions

In [2]: timefunctions.start_of_year(-4, None)
Out[2]: Timestamp('2019-01-01 00:00:00')

In [3]: timefunctions.start_of_year(-4)
Out[3]: 1546318800000

In [4]: timefunctions.start_of_quarter(-4, None)
Out[4]: Timestamp('2021-04-01 00:00:00')

In [5]: timefunctions.start_of_quarter(-4)
Out[5]: 1617249600000

In [6]: timefunctions.start_of_month(-4, None)
Out[6]: Timestamp('2021-10-01 00:00:00')

In [7]: timefunctions.start_of_month(-4)
Out[7]: 1633060800000

In [8]: timefunctions.start_of_week(-4, None)
Out[8]: Timestamp('2021-12-27 00:00:00')

In [9]: timefunctions.start_of_week(-4)
Out[9]: 1640581200000

In [10]: timefunctions.start_of_day(-4, None)
Out[10]: 
[Timestamp('2022-01-18 09:30:00'),
 Timestamp('2022-01-19 09:30:00'),
 Timestamp('2022-01-20 09:30:00'),
 Timestamp('2022-01-21 09:30:00')]

In [11]: timefunctions.start_of_day(-4)
Out[11]: [1642516200000, 1642602600000, 1642689000000, 1642775400000]

In [12]:

Answer 1

使用 pandas

更新了原始问题和解决方案

跨多个时间范围的开始日期以收集市场数据

start dates across multiple timeframe to collecting market data

python

pandas

quantitative-finance