Building a Simple Trading Bot using Binance API and Python

En el mundo del comercio de criptomonedas, el uso de software de comercio automatizado puede ayudar a los comerciantes a identificar oportunidades potenciales de compra y venta en tiempo real y tomar posiciones sin la necesidad de estar frente a una computadora. En esta publicación, analizaremos el código para construir un bot de trading simple usando un par de promedios móviles. El bot utilizará la API de Binance para obtener datos de mercado en tiempo real y ejecutar operaciones basadas en estrategias predefinidas.

El objetivo real de la publicación no es crear un bot competitivo, sino crear un programa simple y fácil de entender que podamos escalar en el futuro, haciéndolo más complejo y eficiente.

Descargo de responsabilidad

Requisitos

• Un dispositivo con python 3 (Windows, Linux, Mac, Termux, etc.)
• Un editor de código (VScode, Atom, PyCharm, Vim, Emacs, etc.)
• Una cuenta de Binance verificada.
• Conocimiento básico de python (no es estrictamente necesario, pero te ayudará a comprender mejor el código).

Crear una API binance

Inicie sesión en su cuenta de Binance. Haga clic en la pestaña "API Management". Haga clic en el botón "Create API". Dele un nombre a la nueva API. Seleccione los permisos que desea otorgar a su clave API. Haga clic en el botón "Save".

Configuración del entorno

pip install pandas numpy python-binance pytz

Importar librerías

import datetime as dt
import time
import pytz
import pandas as pd
import numpy as np
from binance.client import Client

API Key y Secret

API_KEY = 'YOUR_API_KEY'
API_SECRET = 'YOUR_API _SECRET'

Definición de variables y parámetros

crypto = 'HIVE'
ref = 'USDT'
symbol = crypto + ref
amount = 15
# Eligible periods for candlesticks 1m, 3m, 5m, 15m, 1h, etc.
period = '15m'
# Moving Average Periods
ema_f = 15
ema_s = 50

Funciones auxiliares

1. get_balance(balances, asset): Esta función obtiene el saldo de un activo específico en el balance de la cuenta.

def get_balance(balances, asset):
    for bal in balances:
        if bal.get('asset') == asset:
            return float(bal['free'])

2. get_max_float_qty(step_size): Calcula la cantidad máxima de decimales con que se puede operar el activo.

def get_max_float_qty(step_size):
    max_float_qty = 0
    a = 10
    while step_size * a < 1:
      a = a*10**max_float_qty
      max_float_qty += 1
    return max_float_qty

3. get_quantity(price, amount, min_qty, max_qty, max_float_qty): Esta función calcula la cantidad a tradear en función del precio, la inversion deseada y las restricciones de cantidad mínima/máxima del asset.

def get_quantity(price, amount, min_qty, max_qty, max_float_qty):
    quantity = amount / price
    if (quantity < min_qty or quantity > max_qty):
        return False
    quantity = np.round(quantity, max_float_qty)
    return quantity

4. crossover(ma_fast, ma_slow): Esta función comprueba si se ha producido un cruce entre las medias móviles rápida y lenta.

def get_quantity(price, amount, min_qty, max_qty, max_float_qty):
    quantity = amount / price
    if (quantity < min_qty or quantity > max_qty):
        return False
    quantity = np.round(quantity, max_float_qty)
    return quantity

Sincronización

def synchronize():
    candles = client.get_klines(symbol=symbol,interval=period,limit=1)
    timer = pd.to_datetime(float(candles[0][0]) * 1000000)
    start = timer + dt.timedelta(minutes=step)
    print('Synchronizing .....')
    while dt.datetime.now(dt.timezone.utc) < pytz.UTC.localize(start):
        time.sleep(1)
    time.sleep(2)
    print('Bot synchronized')

Análisis de datos

def parser(limit=ema_s+1):
    candles = client.get_klines(symbol=symbol,interval=period,limit=limit)
    df = pd.DataFrame(candles)
    df = df.drop([6, 7, 8, 9, 10, 11], axis=1)
    df.columns = ['time', 'open', 'high', 'low', 'close', 'volume']
    df[['time', 'open', 'high', 'low', 'close', 'volume']] = df[['time', 'open', 'high', 'low', 'close', 'volume']].astype(float)
    df['time'] = pd.to_datetime(df['time'] * 1000000)
    df['ema_s'] = df['close'].ewm(span=ema_s).mean()
    df['ema_f'] = df['close'].ewm(span=ema_f).mean()
    df['operation'] = np.nan
    return df

Operaciones

def operate(df):
    operation = ''
    price = df['close'].iloc[-1]
    if crossover(df.ema_f.values[-2:], df.ema_s.values[-2:]):
        quantity = get_quantity(price, amount, min_qty, max_qty, max_float_qty)
        balances = client.get_account()['balances']
        balance = get_balance(balances, ref)
        if not quantity:
            print('No Quantity available')
        elif balance <= amount:
            print(f'No {ref} to buy {crypto}')
        else:
            order = client.order_market_buy(
                symbol=symbol,
                quantity=quantity)
            print('BUY')
            operation = 'BUY'
    elif crossover(df.ema_s.values[-2:], df.ema_f.values[-2:]):
        quantity = get_quantity(price, amount, min_qty, max_qty, max_float_qty)
        balances = client.get_account()['balances']
        balance = get_balance(balances, crypto)
        if not quantity:
            print('No Quantity available')
        elif balance < quantity:
            print(f'No {crypto} to sell for {ref}')
        else:
            order = client.order_market_sell(
                symbol=symbol,
                quantity=quantity)
            print('SELL')
            operation = 'SELL'
    return operation

Ejecución principal

1. Desactivar los mensajes de advertencia de pandas para la asignación encadenada:

pd.options.mode.chained_assignment = None

2. Crear un objeto cliente de Binance y obtener la información del par que se va a operar:

client = Client(API_KEY, API_SECRET)
info = client.get_symbol_info(symbol)
min_qty = float(info['filters'][1].get('minQty'))
step_size = float(info['filters'][1].get('stepSize'))
max_qty = float(info['filters'][1].get('maxQty'))
max_float_qty = get_max_float_qty(step_size)

3. Se inicializa el marco de datos llamando a la función parser():

df = parser()

4. La variable "step" se determina en función del intervalo de tiempo especificado, Se llama a la función synchronize() para garantizar que el bot se inicia en el momento correcto:

step = int(period[:2]) if len(period) > 2 else int(period[0])
if 'h' in period:
    step = step * 60
synchronize()

5. El bucle principal comienza con un temporizador para medir el tiempo de ejecución. Vuelve a llamar a la función parser() para obtener los datos más recientes, asigna el tipo de operación a la última fila de la columna "operation" mediante la función operate() y añade la nueva fila al DataFrame existente. Si el DataFrame supera un determinado límite de tamaño, se recorta para mantener un conjunto de datos manejable. A continuación, el DataFrame se guarda en un archivo CSV con fines de registro. Por último, el bucle calcula el tiempo de retardo necesario para alcanzar el intervalo deseado y duerme durante el tiempo calculado:

while True:
    temp = time.time()
    data_df = parser()
    data_df['operation'].iloc[-1] = operate(data_df.tail(2))
    df = pd.concat([df, data_df.tail(1)], ignore_index=True)
    if df.shape[0] > 10000:
        df = df.tail(10000)
    df.to_csv(f'./{symbol}_{period}.csv')
    delay = time.time() - temp
    idle = 60 * step - delay
    print(f'idle = {idle} seconds')
    time.sleep(idle)

Hemos revisado paso a paso el código para construir un bot de trading de criptomonedas utilizando la API de Binance. El bot obtiene datos históricos del mercado, realiza análisis técnicos utilizando cruces EMA, y ejecuta órdenes de compra o venta basadas en condiciones predefinidas. Al entender este código, puedes avanzar en la construccion de tus propios bots de trading o personalizar el existente para adaptarlo a tus estrategias. Se puede mejorar aún más este código mediante la incorporación de indicadores técnicos adicionales, estrategias de gestión de riesgos y técnicas de backtesting. En el próximo post intentaré mejorar este bot añadiendo más funcionalidades.

Recuerda, los bots de trading implican riesgos financieros, y es esencial probar y validar a fondo tus estrategias antes de desplegarlas en entornos de trading en vivo.

Puedes consultar todo este código en mi GitHub y si tienes alguna pregunta o sugerencia no dudes en dejar un comentario.

^{referencias: pytz | python-binance}