TreborNamor/TradingView-Machine-Learning-GUI

해결하는 문제

HyperView는 TradingView의 시각적 전략 개발과 엄격한 정량적 검증 사이의 격차를 메우기 위해 설계되었습니다. 차트에서 느리고 수동적인 파라미터 최적화 문제, Pine Script 실행과 로컬 Python 스크립트 간의 차이, 여러 종목과 타임프레임에 걸쳐 시장 데이터와 전략 보고서를 표준화된 파이프라인으로 관리할 수 없는 문제를 해결합니다.

작동 방식

이 툴킷은 CLI를 우선시하는 워크플로우를 제공하며, 특정 순서를 따릅니다: 데이터 다운로드, 신호 생성, 백테스트, 최적화.

1. 데이터 수집: 브라우저 세션 쿠키를 사용하여 TradingView의 웹소켓에 연결하여 과거 캔들 데이터를 다운로드합니다.
2. 신호 생성: TA-Lib을 사용해 TradingView와 동일한 인디케이터를 구현하는 플러그인 가능한 Python 전략 프레임워크를 사용합니다.
3. 백테스트: 다음 바 오픈 진입과 인트라바 스탑로스/타겟프로핏 시뮬레이션과 같은 TradingView와 동일한 체결 가정을 기반으로 거래를 시뮬레이션합니다.
4. 최적화: Optuna(TPE)를 사용한 베이지안 최적화를 통해 최적의 스탑로스 및 타겟프로핏 파라미터를 찾고, 이를 추출된 Pine 스크립트에 다시 주입할 수 있습니다.

대상 사용자

TradingView를 아이디어 도출용으로 사용하지만, Python에서 전략 시스템을 더 빠르고 자동화되며 재현 가능한 방식으로 검증하고 최적화하고자 하는 트레이더 및 정량적 연구자에게 적합합니다.

주요 특징

• TradingView와 동일한 실행: 다음 바 오픈 진입과 인트라바 SL/TP 경로를 구현하여 TradingView의 실행 동작과 일치시킵니다.
• 자동화된 파이프라인: download -> signal -> backtest -> optimize -> export까지의 전체 워크플로우를 통합된 CLI로 제공합니다.
• 베이지안 최적화: 브루트포스 그리드 탐색 대신 Optuna를 사용해 SL/TP 파라미터 탐색을 효율적으로 수행합니다.
• Pine Script 통합: Python에서 파라미터를 최적화하고 결과를 최적화된 Pine 스크립트로 내보낼 수 있습니다.
• 포트폴리오 집계: 다중 페어 실행 시 복합 에퀴티 커브에서 수학적으로 정확한 포트폴리오 통계를 계산합니다.
• 풍부한 인디케이터 라이브러리: 20개의 래핑된 TA-Lib 인디케이터와 150개 이상의 TA-Lib 함수에 직접 접근할 수 있습니다.