Моя шпаргалка по Python Binance

Списки

Список - это упорядоченная изменяемая коллекция элементов. Элементы списка могут быть разных типов данных. # Создание списка my_list = [1, 2, 3, 4, 5] # Доступ к элементам списка по индексу (индексация начинается с 0) print(my_list[0]) # Выводит: 1 # Добавление элемента: my_list.append(4) # Изменение элемента: my_list[0] = 10 # Удаление элемента: del my_list[2] # Получение длины списка: nn = len(my_list) # Срезы (подсписки): sub_list = my_list[1:3]

Кортежи (Tuples)

Кортеж - это упорядоченная неизменяемая коллекция элементов. Однажды созданный кортеж не может быть изменен. # Создание кортежа my_tuple = (1, 2, 3, 4, 5) # Доступ к элементам кортежа по индексу print(my_tuple[0]) # Выводит: 1 # Длина кортежа length = len(my_tuple) # Срезы (работа аналогична спискам) subset = my_tuple[1:4]

Словарь (dictionary)

Словарь (dictionary) - это структура данных в Python, которая позволяет хранить коллекцию пар ключ-значение. В отличие от списков и кортежей, элементы словаря не упорядочены, а доступ к ним осуществляется по ключам вместо индексов. Словари очень полезны, когда нужно хранить и быстро находить значения по определенному ключу. # Создание словаря my_dict = { 'name': 'John', 'age': 30, 'city': 'New York' } # Доступ к значениям по ключу print(my_dict['name']) # Выводит: John # Изменение значения по ключу my_dict['age'] = 31 # Добавление новой пары ключ-значение my_dict['occupation'] = 'Engineer' # Удаление элемента по ключу del my_dict['city'] # Проверка наличия ключа в словаре if 'age' in my_dict: print('Age is present in the dictionary') # Получение всех ключей и значений keys = my_dict.keys() values = my_dict.values() # Перебор всех пар ключ-значение for key, value in my_dict.items(): print(key, value) Словари особенно полезны, когда нужно хранить данные, у которых есть какая-то связь между ключами и значениями. Например, это может быть база данных пользователей, где ключи - это идентификаторы пользователей, а значения - их личная информация. Важно помнить, что ключи в словаре должны быть уникальными, а значения могут быть разных типов данных, включая списки, кортежи и даже другие словари.

Считаем комиссию, FUNDING_FEE и прибыль (убыток) по монете

from binance.client import Client import keys import pandas as pd # import datetime client = Client(keys.api_key, keys.api_secret) def txtSave(txt): with open('FUNDING_FEE.txt', 'a') as file: # Добавить новую информацию в файл file.write(txt + "\n") while True: try: symbol = input("Название валюты:") print(symbol) income_history = client.futures_income_history(symbol=symbol, startTime=None, endTime=None) df = pd.DataFrame(income_history) df['income'] = df['income'].astype(float) df['time'] = pd.to_datetime(df['time'], unit='ms').dt.strftime('%d.%m.%Y') pivot_df = df.pivot_table(index='time', columns='incomeType', values='income', aggfunc='sum', fill_value=0) pivot_df['EO'] = pivot_df[['COMMISSION', 'FUNDING_FEE', 'REALIZED_PNL']].sum(axis=1) print(pivot_df) pivot_df.to_excel('pivot.xlsx') except Exception as e: txt = f"Ошибка: {e}" print(txt) txtSave(txt)

Считаем прибыль по дням

# Считаем прибыль по дням в Ексель ROOT_PATH = os.path.dirname(os.path.abspath(r"c:\Users\erybn\Downloads\Binanc\mm\dist\Binanc02_29.xlsx")) myfile_path = os.path.join(ROOT_PATH, "Binanc02_29.xlsx") dff = pd.read_excel(myfile_path) # фильтрация строк по заполненному 7 столбцу dff = dff[dff.iloc[:, 7].notna()] dff['usdt'] = dff['OpenPrice'] * dff['quantity'] dff['EO'] = dff.apply(lambda row: (round(row['usdt']*(row['ExitPrice']/row['OpenPrice'])-row['usdt'], 2)) if row['Side'] == 'BUY' and row['OpenPrice'] != 0 else round(row['usdt']*(row['OpenPrice']/row['ExitPrice'])-row['usdt'], 2) if row['ExitPrice'] != 0 else 0, axis=1) # Преобразуйте столбцы 'time' и 'ExitTime' в тип datetime dff['ExitTime'] = pd.to_datetime(dff['ExitTime'], format='%d.%m.%Y %H:%M:%S') dff['ExitTime'] = dff['ExitTime'].dt.date result = dff.groupby('ExitTime').agg({'EO': 'sum'}).reset_index() result['EEO'] = result['EO'].cumsum() result['ExitTime'] = result['ExitTime'].apply(lambda x: x.strftime('%d.%m.%Y')) print(result[['ExitTime', 'EO', 'EEO']])

Модуль запроса последней сделки на биржу Binanc

Получение последней цены сделки на Binance без ключей API, используя публичные данные, доступные через их API. Для этого можно использовать библиотеку requests, чтобы отправлять запросы на публичные конечные точки API Binance. import requests def binanceTickerSymbol(symbol): url = f'https://api.binance.com/api/v3/ticker/price?symbol={symbol}' response = requests.get(url) if response.status_code == 200: data = response.json() price = data['price'] print(f'Last price for {symbol}: {price}') else: print('Error:', response.status_code) return price Полученная цена будет последней ценой сделки на Binance только в том случае, если была сделка за последнее время. Если же за последнее время не было сделок, то это будет цена последнего ордера на покупку или продажу на Binance.

Модуль записи основных параметров ордера в Excel

import datetime import openpyxl def buyprice_exsel(symbol, bp, tr, sl, sd): # Load the workbook workbook = openpyxl.load_workbook('temp1.xlsx') # Select the worksheet worksheet = workbook['Orders'] # Insert a new row at row index 2 dd = worksheet.max_row+1 worksheet.insert_rows(dd) # Set values for the new row worksheet.cell(row=dd, column=1).value = datetime.datetime.strftime(datetime.datetime.now(), '%d.%m.%Y %H:%M:%S') worksheet.cell(row=dd, column=3).value = symbol worksheet.cell(row=dd, column=4).value = bp worksheet.cell(row=dd, column=5).value = tr worksheet.cell(row=dd, column=6).value = sl worksheet.cell(row=dd, column=7).value = sd # Save the workbook workbook.save('temp1.xlsx') return

Корректировка формул в ячейках

Код для копирования формул из предыдущей строки, а затем корректировка формул, чтобы настроить с помощью метода relative() ссылки на ячейки в формулах. # Copy formulas from row above insertion point for col in range(1, worksheet.max_column + 1): source_cell = worksheet.cell(row=dd-1, column=col) target_cell = worksheet.cell(row=dd, column=col) if source_cell.data_type == 'f': # Задаем маску для поиска ссылок в формуле pattern = r"\b[A-Z]+\d+\b" # Заменяем все ссылки в формуле, соответствующие маске target_cell.value = re.sub(pattern, replace_match, source_cell.value) # target_cell.value = source_cell.value target_cell._style = source_cell._style target_cell.data_type = source_cell.data_type target_cell.number_format = source_cell.number_format

Преобразование строки в дату и время

Преобразовать строку "21.04.2023 16:15:27" в объект даты и времени в Python, используя модуль datetime и метод strptime. Вот пример кода:. import datetime date_str = "21.04.2023 16:15:27" # Преобразуем строку в формат даты и времени date_obj=datetime.datetime.strptime(date_str, "%d.%m.%Y %H:%M:%S") # Берем только время date_obj=datetime.datetime.strftime(date_str, '%H:%M:%S') print(date_obj) # тоже самое, только в DataFrame # dff['time'] = pd.to_datetime(dff['time'], format="%d.%m.%Y %H:%M:%S") # Преобразование даты и времени UTC Binance (например, 1712188800000) в понятный формат с помощью библиотеки datetime timestamp_seconds = int(result['timestamp']) / 1000 dt_object = datetime.datetime.fromtimestamp(timestamp_seconds).strftime("%d.%m.%Y") Результат: 16:15:27

Операции в DataFrame с датой и временем

Если дата хранится в Экселе и иногда требуется ее преобразовать в дату, понятную программе. myfile_path = r"c:\Users\...\Binanc05_2.xlsx" dff = pd.read_excel(myfile_path, sheet_name='sheet1') dff['time'] = pd.to_datetime(dff['time'], format="%d.%m.%Y %H:%M:%S") dff['timeMX'] = pd.to_datetime(dff['timeMX'], format="%d.%m.%Y %H:%M:%S") # приводим время сервера со временем клиента # frame['Time'] = frame['Time']+datetime.timedelta(hours=3) # расчет количества секунд между временем открытия и текущим временем # dff['TT'] = (dff['timeMX'] - dff['time']).dt.total_seconds() # еще способ расчета количества секунд # dff['timeMX'] = dff['timeMX'].apply(lambda x: int((datetime.datetime.now() - x).total_seconds() / 60)) dff['T_Close'] = (datetime.datetime.now()-dff['time']).dt.total_seconds() dff['T_Close'] = pd.to_datetime(dff['T_Close'], unit='s').dt.strftime("%H:%M:%S") formatted_time = datetime.timedelta(seconds=int(row['T_Close'])).total_seconds() print(time.strftime("%H:%M:%S", time.gmtime(formatted_time))) # обнуляем секунды и микросекунды datetime.datetime.strftime(datetime.datetime.now().replace(second=0, microsecond=0), '%d.%m.%Y %H:%M:%S') # сравниваем время dff['TT'] = dff.apply(lambda row: row['timeMX'] > row['time'], axis=1) # преобразуем формат времени в удобыный для восприятия формат, без даты, только время dff['time_formatted'] = dff['time'].dt.strftime("%H:%M:%S") dff['timeMX_formatted'] = dff['timeMX'].dt.strftime("%H:%M:%S") # выводим результат преобразований print(dff[['symbol', 'time_formatted', 'timeMX_formatted', 'TT', 'T_Close']])

Поиск пустых ячеек в таблице

Вот пример кода, который использует библиотеку openpyxl для подсчета количества пустых ячеек в столбце 7: import openpyxl def CheckedOrder(): # загрузка файла Excel workbook = openpyxl.load_workbook('temp1.xlsx') worksheet = workbook.active # инициализация счетчика пустых ячеек empty_cell_count = 0 # итерация по всем строкам в столбце 7 for row in worksheet.iter_rows(min_row=2, min_col=7, max_col=7): if row[0].value is None: empty_cell_count += 1 # вывод результата print(f"Количество пустых ячеек в столбце 7: {empty_cell_count}") return empty_cell_count print(CheckedOrder()) В этом коде мы загружаем файл Excel и выбираем активный лист. Затем мы инициализируем счетчик empty_cell_count и используем метод iter_rows() для итерации по всем строкам в столбце 7 (начиная со строки 2, чтобы пропустить заголовок таблицы). Если значение ячейки равно None, мы увеличиваем счетчик пустых ячеек. Наконец, мы выводим результат на экран.

import openpyxl # Открываем книгу Excel workbook = openpyxl.load_workbook(myfile_path) # Получаем активный лист worksheet = workbook.active # Искомый символ target_symbol = 'BTCUSDT' # Проходим по каждой ячейке в столбце с символом for row in range(1, worksheet.max_row + 1): symbol = worksheet["B" + str(row)].value column_7_value = row[7].value # Предполагается, что проверяемый столбец находится в седьмом столбце (G) # Проверяем, совпадает ли символ с искомым значением if symbol == target_symbol and column_7_value is None: # Обновляем значение в нужной ячейке (предположим, что новое значение находится в переменной new_stop_loss) worksheet.cell(row=row, column=6).value = new_stop_loss # Сохраняем изменения в книге Excel workbook.save(myfile_path)

Вписываем формулу в ячейку

В 9 ячейку помещаем формулу с использованием метода openpyxl.cell.Cell() для создания объекта ячейки и передать в качестве значения строку с формулой. Например, таким образом: import openpyxl # Записываем формулу в ячейку ws.cell(row=1, column=9, value='=IF(G3="BUY",B3*H3/D3*0.999-B3,B3*D3/H3*0.999-B3)') # Сохраняем файл wb.save('file.xlsx')

Проверка на наличие файла

Пример кода на Python, который проверяет наличие файла file.xlsx, и если его нет, создает его с листом Orders и заданными столбцами: import os from openpyxl import Workbook if not os.path.exists('file.xlsx'): # Create workbook and worksheet wb = Workbook() ws = wb.active ws.title = 'Orders' # Create columns ws['A1'] = 'OpenTime' ws['B1'] = 'Sum,usd' ws['C1'] = 'Symbol' ws['D1'] = 'OpenPrice' ws['E1'] = 'TikeProfit' ws['F1'] = 'StopLoss' ws['G1'] = 'Side' ws['H1'] = 'ExitPrice' ws['I1'] = 'ExitTime' ws['J1'] = 'Profit,usd' ws['K1'] = 'Profit,%' ws['L1'] = 'BuypriceSL' # Save the workbook wb.save('file.xlsx')

Загрузка исторических данных с Binanc

import pandas as pd import keys from binance.client import Client Client = Client(keys.api_key, keys.api_secret) symbol = 'ARBUSDT' historical = Client.get_historical_klines(symbol, Client.KLINE_INTERVAL_30MINUTE, '5 day ago UTC') historical_df = pd.DataFrame(historical) # Выбираем нужные нам графы historical_df = historical_df.iloc[:, :7] historical_df.columns = ['Time', 'Open', 'High', 'low', 'Close', 'Value', 'TimeClose'] # Индексирование по дате открытия ордера historical_df = historical_df.set_index('Time') # Преобразование даты и времени в привычный формат historical_df.index = pd.to_datetime(historical_df.index, unit='ms') historical_df['TimeClose'] = pd.to_datetime(historical_df['TimeClose'], unit='ms') # Записываем полученные данные в файл Excel with pd.ExcelWriter("sample_data.xlsx") as writer: historical_df.to_excel(writer, sheet_name="hour", index=True) # Альтернативный код записи полученных данных в файл Excel # historical_df.to_excel('sample_data.xlsx', sheet_name='sheet1', index=False) print("Загружено")

Получаем данные по курсу пары за последние 15 минут

import requests import numpy as np def get_candle_size(symbol): url = f"https://api.binance.com/api/v3/klines?symbol={symbol}&interval=15m&limit=15" response = requests.get(url) data = response.json() # Рассчитываем размер каждой свечи и средний размер свечи за последние 15 минут candle_sizes = [] for candle in data: high_price = float(candle[2]) low_price = float(candle[3]) candle_size = abs(high_price / low_price) candle_sizes.append(candle_size) avg_candle_size = np.mean(candle_sizes) return avg_candle_size print(get_candle_size('BTCUSDT'))

Запрос на получение информации по всем торговым парам на бирже Binance

import requests url = 'https://api.binance.com/api/v3/ticker/24hr' response = requests.get(url) data = response.json() # Создаем DataFrame из полученных данных df = pd.DataFrame(data) # Оставляем только те пары, которые торгуются в USDT и у которых объем торгов превышает 5 млн. USDT df = df[(df['symbol'].str.endswith('USDT')) & (df['quoteVolume'].astype(float) > 100_000_000)] print(df.head(10))

Изменение стоп-лосса открытого ордера на Binance

Для изменения стоп-лосса открытого ордера на Binance с использованием order_id можно использовать следующую функцию: import os from binance.client import Client def change_stop_loss(order_id: str, new_stop_price: float) -> dict: """ Changes the stop loss of an open order on Binance using the order id and new stop price. Parameters: order_id (str): the id of the order to change stop loss for. new_stop_price (float): the new stop price for the order. Returns: dict: the updated order information. """ # Load API keys from environment variables api_key = os.environ.get('BINANCE_API_KEY') api_secret = os.environ.get('BINANCE_API_SECRET') # Create a Binance client instance client = Client(api_key, api_secret) # Get the order information order_info = client.get_order(symbol=symbol, orderId=order_id) # Update the stop loss order response = client.futures_order( symbol=order_info['symbol'], side=order_info['side'], type='STOP', timeInForce='GTC', quantity=order_info['origQty'], price=order_info['price'], stopPrice=new_stop_price, workingType='MARK_PRICE', newClientOrderId=order_info['clientOrderId'] ) return response Примечание:
Эта функция использует Binance API для доступа к открытому ордеру и изменению стоп-лосса.
Для использования Binance API вам нужно получить API-ключ и секретный ключ в своей учетной записи Binance.
Эти ключи можно сохранить в переменных среды в вашей операционной системе и затем использовать функцию os.environ.get() для получения этих ключей в коде.

Получение баланса средств на аккаунте Binance

Для получения баланса средств на аккаунте Binance в USDT, вы можете использовать Binance API. Ниже приведен пример кода, который определяет, сколько USDT доступно для торговли: import requests API_KEY = 'your_api_key' API_SECRET = 'your_api_secret' def get_available_balance(): # Создаем заголовки запроса с учетом ключа API headers = { 'X-MBX-APIKEY': API_KEY } # Формируем URL для запроса баланса url = 'https://api.binance.com/api/v3/account' # Отправляем GET-запрос для получения информации о балансе response = requests.get(url, headers=headers) data = response.json() # Ищем баланс USDT for balance in data['balances']: if balance['asset'] == 'USDT': return float(balance['free']) # Если баланс USDT не найден, возвращаем 0 return 0 # Получаем доступный баланс USDT available_balance = get_available_balance() print(f"Доступный баланс USDT: {available_balance}")

Цикл по Dataframe с добавлением столбцов

for index, row in df.iterrows(): side, tp, sl, pr = last_data(row['symbol'], row['lastPrice'], '1h', '10') df.at[index, 'side'] = side df.at[index, 'tp'] = tp df.at[index, 'sl'] = sl df.at[index, 'pr'] = pr

Операции над строками Dataframe Pandas

df = pd.read_csv(r"53old.csv", sep=';') # сортируем строки по убыванию df = df.sort_values(by='pr', ascending=False) # удаляем строки из Dataframe, удоволетворяющих условию df.drop(df.loc[df["pr"] < 1.02].index, inplace=True) # сравнение с предыдущим значением и установка значений 0, 1, 2 - где 0 - падает, 1 - растет, 2 - равно df['compare'] = df.groupby('symbol')['vvv'].apply(lambda x: (x > x.shift()).astype(int).replace({False: 0}).where((x > x.shift()) | (x < x.shift()), other=2)) # Группировка данных по полю "symbol" с условием проверки столбца "SL" grouped_df = df.groupby('symbol')['SL'].apply(lambda x: not any(x < 1)).reset_index(name='Condition') # Группировка данных по столбцам 'Symbol' и 'TT', применение функций агрегации grouped_data = ddf.groupby(['Symbol', 'TT']).agg({'Price': 'mean', 'Volume': 'sum'}).reset_index() # Установка индекса по столбцу "symbol" в DataFrame grouped_df grouped_df.set_index('symbol', inplace=True) # Присоединение столбца "Condition" к DataFrame df по индексу "symbol" df['Condition'] = df['symbol'].map(grouped_df['Condition']) # Получаем индекс максимального значения в столбце 'High' max_index = frame['High'].idxmax() # Выбираем срез от максимального значения до конца DataFrame и находим минимальное значение в столбце 'Low' nn = frame.loc[max_index:, 'Low'].min() # выводим в разрезе уникальных значений for coin in df['symbol'].unique(): print(df[df['symbol'] == coin][['symbol', 'vvv', 'compare']]) # Создаем DataFrame в ручную dt = [{"symbol": "BTCUSDT", "closeTime": "2024-01-15 15:30:00"}, {"symbol": "ALTUSDT", "closeTime": "2024-01-15 15:30:00"}] df = pd.DataFrame(dt) # Получение списка столбцов columns_list = df.columns.tolist() # Определяем максимальную длину символа в столбце max_symbol_length = str(filtered_df['symbol'].apply(len).max() + 1) print("Максимальная длина символа:", max_symbol_length)

Создание нового столбца Dataframe и записываем в него значения, удовлетвряющим вариативным условиям

# создаем новый столбец def correct_clicks(x, threshold): if x < threshold: return 2 - x else: return x df['pr'] = df['tp'].apply(lambda x: correct_clicks(x, 1))

Применение lambda в DataFrame

# добавляем столбец в DataFrame и заполняем его значениями, исходя из условий dff['profit'] = dff.apply(lambda row: round(row['usdt']*row['last_price']/row['open_price']-row['usdt'], 2) if row['side'] == 'BUY' else round(row['usdt']*row['open_price']/row['last_price']-row['usdt'], 2), axis=1)

Операции со временем

frame = pd.DataFrame(Client.get_historical_klines(symbol, iterval, limit=int(limit))) frame = frame.iloc[:, :7] frame.columns = ['Time', 'Open', 'High','Low', 'Close', 'Value', 'TimeClose'] frame['Time'] = pd.to_datetime(frame['Time'], unit='ms') frame['TimeClose'] = pd.to_datetime(frame['TimeClose'], unit='ms') # приводим время сервера со временем клиента frame['Time'] = frame['Time']+datetime.timedelta(hours=3) frame = frame.set_index('Time') frame[['Open', 'High', 'Low', 'Close', 'Value']] = frame[['Open', 'High', 'Low', 'Close', 'Value']].astype(float) # Определяем количество времени, прошедшее с последнего максимума minutes_High = (datetime.datetime.now() - frame['High'].idxmax()).total_seconds() / 60 minutes_Low = (datetime.datetime.now() - frame['Low'].idxmin()).total_seconds() / 60 print(f"Время: {time.strftime('%H:%M', time.gmtime(minutes_High*60))}") # Получаем индекс максимального значения в столбце 'High' max_index = frame['High'].idxmax() # Выбираем срез от максимального значения до конца DataFrame и находим минимальное значение в столбце 'Low' nn = frame.loc[max_index:, 'Low'].min()

Максимальные срезы

minutes_High = (datetime.datetime.now() - frame['High'].idxmax()).total_seconds() / 60 minutes_Low = (datetime.datetime.now() - frame['Low'].idxmin()).total_seconds() / 60 if minutes_High>minutes_Low: # Получаем индекс максимального значения в столбце 'High' max_index = frame['Low'].idxmin() # Получаем числовые индексы numeric_indexes = frame.index.to_list() # Находим индекс предпоследней свечи penultimate_index = numeric_indexes[-2] # Выбираем срез от максимального значения до конца DataFrame и находим минимальное значение в столбце 'Low' vv = frame.loc[max_index:penultimate_index, 'High'].max() nn = frame.loc[max_index:penultimate_index, 'Low'].min() else: # Получаем индекс максимального значения в столбце 'High' max_index = frame['High'].idxmax() # Получаем числовые индексы numeric_indexes = frame.index.to_list() # Находим индекс предпоследней свечи penultimate_index = numeric_indexes[-2] # Выбираем срез от максимального значения до конца DataFrame и находим минимальное значение в столбце 'Low' vv = frame.loc[max_index:penultimate_index, 'High'].max() nn = frame.loc[max_index:penultimate_index, 'Low'].min()

Пример обработки массива данных

# Получение стакана предложений с Binance order_book = client.get_order_book(symbol=symbol) # Получение максимального объема спроса (бидов) и предложения (асков) max_bid_volume = max([float(bid[1]) for bid in order_book['bids']]) max_ask_volume = max([float(ask[1]) for ask in order_book['asks']])

Получение стакана предложений с Binance

Client = Client(keys.api_key, keys.api_secret) # Символ торговой пары, для которой вы хотите получить стакан предложений symbol = 'BTCUSDT' # Получение стакана предложений с Binance order_book = frame = pd.DataFrame(Client.get_order_book(symbol=symbol)) # Получение максимального объема спроса (бидов) и предложения (асков) max_bid_volume = max([float(bid[1]) for bid in order_book['bids']]) max_ask_volume = max([float(ask[1]) for ask in order_book['asks']]) # Вывод максимального объема спроса и предложения print("Максимальный объем спроса:", max_bid_volume) print("Максимальный объем предложения:", max_ask_volume) # Определение возможного диапазона изменения цены price_range = max_bid_volume / max_ask_volume # Вывод возможного диапазона изменения цены print("Возможный диапазон изменения цены:", price_range)

Компиляция exe-файла

Упаковка кода Python в исполняемый файл pyinstaller -F --onefile -i "C:\Users\erybn\Downloads\Binanc\mm\favicon.ico" .\main.py для MySQL pyinstaller --hiddenimport=mysql.connector.plugins.mysql_native_password -F -i "C:\Users\erybn\Downloads\Binanc\mm\favicon.ico" Binance02_33.py

Расшифровка функции futures_exchange_info

Функция futures_exchange_info возвращает информацию о торговых парам и требованиях на фьючерсном рынке. Расшифруем каждую позицию ответа для торговой пары 'BTCUSDT': symbol: Торговая пара (например, 'BTCUSDT'). status: Статус торговой пары. maintMarginPercent: Процент обслуживающей маржи. requiredMarginPercent: Процент требуемой маржи. baseAsset: Базовый актив в торговой паре (например, 'BTC'). quoteAsset: Котируемый актив в торговой паре (например, 'USDT'). pricePrecision: Точность цены (количество знаков после запятой). quantityPrecision: Точность количества активов (количество знаков после запятой). baseAssetPrecision: Точность базового актива (количество знаков после запятой). quotePrecision: Точность котируемого актива (количество знаков после запятой). filters: Список фильтров, определяющих требования и ограничения для ордеров на данной торговой паре. В дополнение к этим позициям, в filters могут быть следующие позиции: filterType: Тип фильтра. minPrice: Минимально допустимая цена. maxPrice: Максимально допустимая цена. tickSize: Размер тика (минимальный шаг изменения цены). minQty: Минимально допустимое количество активов. maxQty: Максимально допустимое количество активов. stepSize: Шаг размера (минимальный шаг изменения количества активов). minNotional: Минимально допустимая сумма ордера. Эти параметры помогают установить требования и ограничения при создании ордеров для торговой пары 'BTCUSDT'.

Расшифровка функции futures_position_information()

Функция futures_exchange_info возвращает информацию о торговых парам и требованиях на фьючерсном рынке. Расшифруем каждую позицию ответа для торговой пары 'BTCUSDT':
# Получение информации об открытых позициях на фьючерсной бирже Binance positions = client.futures_position_information() # Проверка наличия открытых позиций if positions: for position in positions: symbol = position['symbol'] # Торговая пара position_size = float(position['positionAmt']) # Размер позиции entry_price = float(position['entryPrice']) # Цена открытия позиции unrealized_pnl = float(position['unRealizedProfit']) # Нереализованная прибыль/убыток print(position) print("--------------------") retutn:
position = {'symbol': 'STRKUSDT', 'positionAmt': '20.5', 'entryPrice': '1.936088292683', 'breakEvenPrice': '1.936475510341', 'markPrice': '1.86415390', 'unRealizedProfit': '-1.47465499', 'liquidationPrice': '0', 'leverage': '1', 'maxNotionalValue': '2000000.0', 'marginType': 'cross', 'isolatedMargin': '0.00000000', 'isAutoAddMargin': 'false', 'positionSide': 'BOTH', 'notional': '38.21515495', 'isolatedWallet': '0', 'updateTime': 1709178348166, 'isolated': False, 'adlQuantile': 1}

Обратите внимание, что значение '0' для некоторых параметров, таких как entryPrice, markPrice, unRealizedProfit и liquidationPrice, может означать отсутствие доступной информации или нулевое значение в текущем контексте.
symbol: Торговая пара, например, 'BTCUSDT'.
positionAmt: Размер позиции в базовой валюте (например, количество BTC).
entryPrice: Цена входа в позицию.
markPrice: Рыночная цена актива.
unRealizedProfit: Нереализованная прибыль или убыток от позиции.
liquidationPrice: Цена ликвидации позиции.
leverage: Уровень плеча, используемый для этой позиции.
maxNotionalValue: Максимальная номинальная стоимость позиции.
marginType: Тип маржи (например, кросс-маржа или изолированная маржа).
isolatedMargin: Изолированный маржинальный баланс позиции.
isAutoAddMargin: Флаг, указывающий, включено ли автоматическое добавление маржи.
positionSide: Сторона позиции (LONG - покупка, SHORT - продажа или BOTH - комбинированная позиция).
notional: Номинальная стоимость позиции.
isolatedWallet: Баланс изолированного кошелька позиции.
updateTime: Время обновления информации о позиции.

Пример ордера futures_create_order

order = client.futures_create_order( symbol=symbol, side=side, type=ORDER_TYPE_MARKET, quantity=quantity, stopPrice=stop_loss_price, leverage=2, newOrderRespType=ORDER_RESP_TYPE_FULL ) После выполнения ордера, функция futures_create_order возвращает словарь с информацией об исполнении ордера. Вот расшифровка каждой позиции ответа:
orderId: Уникальный идентификатор ордера.
symbol: Торговая пара (например, 'BTCUSDT').
status: Статус ордера. Значение 'FILLED' означает, что ордер был полностью исполнен.
clientOrderId: Уникальный идентификатор ордера, предоставленный клиентом.
price: Цена, по которой был исполнен ордер.
origQty: Исходное количество активов в ордере.
executedQty: Количество активов, исполненное в ордере.
cumQuote: Сумма, потраченная или полученная при исполнении ордера.
time: Время исполнения ордера в формате метки времени.
updateTime: Время последнего обновления ордера в формате метки времени.
isWorking: Флаг, указывающий, является ли ордер активным и исполняется ли в данный момент.

Максимально возможное плечо по валютной паре

result = client.futures_leverage_bracket(symbol=symbol) max_leverage = next((x['initialLeverage'] for item in result for x in item.get('brackets', []) if x.get('initialLeverage') is not None), None) Расшифровка ответа [ { "symbol": "ETHUSDT", "notionalCoef": 1.50, //user symbol bracket multiplier, only appears when user's symbol bracket is adjusted "brackets": [ { "bracket": 1, // Notional bracket "initialLeverage": 75, // Max initial leverage for this bracket "notionalCap": 10000, // Cap notional of this bracket "notionalFloor": 0, // Notional threshold of this bracket "maintMarginRatio": 0.0065, // Maintenance ratio for this bracket "cum":0 // Auxiliary number for quick calculation }, ] } ] Источник: https://developers.binance.com/docs/derivatives/usds-margined-futures/account/Notional-and-Leverage-Brackets

Расшифровка функции futures_change_leverage

leverage_response = client.futures_change_leverage( symbol='BTCUSDT', leverage=5 ) print(leverage_response) Расшифровка параметров ответа метода futures_change_leverage:
symbol: Символ, для которого было изменено маржинальное плечо (в данном случае 'BTCUSDT').
leverage: Измененное значение маржинального плеча (в данном случае 20).
maxNotionalValue: Максимальное допустимое значение номинала позиции после изменения маржинального плеча.
timestamp: Временная метка операции изменения маржинального плеча.
# Получение последнего выполненного ордера для закрытия позиции symbol = 'BTCUSDT' orders = client.futures_get_all_orders(symbol=symbol) last_order = orders[-1] # Создание словаря с параметрами ордера order_data = { 'symbol': last_order['symbol'], 'orderId': last_order['orderId'], 'orderType': last_order['type'], 'side': last_order['side'], 'quantity': last_order['origQty'], 'price': last_order['price'], 'status': last_order['status'], 'time': pd.to_datetime(last_order['time'], unit='ms') } # Добавление данных в DataFrame df = df.append(order_data, ignore_index=True) Расшифровка параметров ответа метода futures_get_all_orders:
[ {'orderId': 7366000022, 'symbol': 'ZRXUSDT', 'status': 'FILLED', 'clientOrderId': 'COKYVdgnbLc8XdY6mHbmPs', 'price': '0.9839', 'avgPrice': '0.98390', 'origQty': '11.7', 'executedQty': '11.7', 'cumQuote': '11.51163', 'timeInForce': 'GTC', 'type': 'LIMIT', 'reduceOnly': False, 'closePosition': False, 'side': 'SELL', 'positionSide': 'BOTH', 'stopPrice': '0', 'workingType': 'CONTRACT_PRICE', 'priceMatch': 'NONE', 'selfTradePreventionMode': 'NONE', 'goodTillDate': 0, 'priceProtect': False, 'origType': 'LIMIT', 'time': 1710226155977, 'updateTime': 1710226194196} ]

Считаем темп роста портфеля

df = pd.read_excel(myfile_path, sheet_name='Orders') # фильтрация строк по заполненному 7 столбцу df = df[df.iloc[:, 7].notna()] # Преобразуем столбец 'Time' в формат 'date' df['date'] = pd.to_datetime(df['time'], format='%d.%m.%Y %H:%M:%S').dt.date df['ss_usdt'] = df['OpenPrice'] * df['quantity'] df['EO'] = df.apply(lambda row: (row['ss_usdt']*(row['ExitPrice']/row['OpenPrice'])*0.988-row['ss_usdt']) if row['Side'] == 'BUY' and row['ExitPrice'] != 0 else (row['ss_usdt']*(row['OpenPrice']/row['ExitPrice'])*0.988-row['ss_usdt']) if row['ExitPrice'] != 0 else 0, axis=1) result = df.groupby(df['date'])[['ss_usdt', 'EO']].sum() result['deposit'] = 100 + result['EO'].cumsum() result['temp'] = round(result['EO'] / result['deposit'] * 100, 2) print(result)

Про кнопки в JS https://youtube.com/shorts/rRLJ3rJEWmQ?feature=share