如何将TradingView kNN指标PineScript转Python并实现Binance自动交易

1. 准确转换Capissimo kNN PineScript到Python代码 #

要解决准确率不佳的问题，核心是1:1复现PineScript的逻辑细节，步骤如下：

• 拆解PineScript核心逻辑
  先拿到该指标的开源PineScript代码，重点提取：

  • 特征集：比如收盘价、成交量、RSI(14)、MACD(12,26,9)等，确认每个指标的参数和计算方式（比如RSI是否用Wilder平滑）
  • kNN参数：k值、样本窗口大小、距离计算方式（通常是欧氏距离）、涨跌标签定义（比如下一根K线收盘价>当前收盘价标记为看涨）
  • 信号生成规则：比如当看涨样本占比>50%时输出买入信号

• 复现数据与特征计算
  用python-binance或ccxt获取和TradingView完全一致的K线数据（周期、时间范围），然后用TA-Lib或自定义函数实现特征计算，确保和TradingView的指标输出完全匹配（可以逐K线对比数值）。示例代码片段：

  import talib
  import numpy as np
  import ccxt
  
  # 获取Binance历史K线
  binance = ccxt.binance({'apiKey': 'YOUR_KEY', 'secret': 'YOUR_SECRET'})
  bars = binance.fetch_ohlcv('BTC/USDT', '1h', limit=200)
  closes = np.array([bar[4] for bar in bars])
  volumes = np.array([bar[5] for bar in bars])
  
  # 计算RSI（和PineScript参数一致）
  rsi = talib.RSI(closes, timeperiod=14)
  # 计算MACD
  macd, signal, hist = talib.MACD(closes, fastperiod=12, slowperiod=26, signalperiod=9)
  

• 实现kNN算法
  严格按照PineScript的逻辑编写kNN：

  1. 标准化特征（如果PineScript做了归一化，比如将特征缩放到0-1区间）
  2. 计算当前样本与历史样本的距离
  3. 筛选最近的k个样本，统计涨跌标签
  4. 生成交易信号
     示例代码片段：

  def knn_predict(current_features, historical_features, labels, k=5):
      # 计算欧氏距离
      distances = np.sqrt(np.sum((historical_features - current_features)**2, axis=1))
      # 获取最近k个样本的索引
      nearest_indices = distances.argsort()[:k]
      # 统计标签
      nearest_labels = labels[nearest_indices]
      # 投票生成信号：1=看涨，0=看跌
      return 1 if np.sum(nearest_labels) > k//2 else 0
  
  # 准备特征矩阵和标签
  features = np.column_stack((rsi[1:], macd[1:], volumes[1:]))
  # 标签：下一根K线是否上涨
  labels = np.where(closes[1:] > closes[:-1], 1, 0)
  # 预测当前信号
  current_features = features[-1]
  signal = knn_predict(current_features, features[:-1], labels[:-1], k=5)
  

• 验证一致性
  把Python生成的信号和TradingView上的指标信号逐K线对比，调整细节直到完全匹配，这是提升准确率的关键。

2. 实现Binance平台持续执行交易 #

• 配置API与交易基础逻辑
  使用python-binance库对接Binance API，注意将密钥存到环境变量避免硬编码：

  from binance.client import Client
  import os
  
  client = Client(os.getenv('BINANCE_API_KEY'), os.getenv('BINANCE_API_SECRET'))
  

• 编写持续运行的循环
  用无限循环定期获取数据、生成信号、执行交易，添加异常处理避免崩溃：

  import time
  
  while True:
      try:
          # 获取最新K线数据
          bars = client.get_klines(symbol='BTCUSDT', interval=Client.KLINE_INTERVAL_1HOUR, limit=200)
          closes = np.array([float(bar[4]) for bar in bars])
          # ... 省略特征计算和kNN信号生成步骤 ...
  
          # 检查持仓状态
          balance = client.get_asset_balance(asset='BTC')
          has_position = float(balance['free']) > 0.0001
  
          # 执行交易
          if signal == 1 and not has_position:
              # 市价买入，用USDT余额的10%
              usdt_balance = float(client.get_asset_balance(asset='USDT')['free'])
              order = client.create_order(
                  symbol='BTCUSDT',
                  side=Client.SIDE_BUY,
                  type=Client.ORDER_TYPE_MARKET,
                  quoteOrderQty=usdt_balance * 0.1
              )
              print(f"买入订单执行：{order}")
          elif signal == 0 and has_position:
              # 市价卖出全部持仓
              btc_balance = float(balance['free'])
              order = client.create_order(
                  symbol='BTCUSDT',
                  side=Client.SIDE_SELL,
                  type=Client.ORDER_TYPE_MARKET,
                  quantity=btc_balance
              )
              print(f"卖出订单执行：{order}")
  
          # 等待下一个周期（比如55分钟，避免重复获取同一K线）
          time.sleep(55 * 60)
      except Exception as e:
          print(f"错误发生：{e}")
          time.sleep(60) # 出错后等待1分钟重试
  

• 保持程序持续运行

  • 在VS Code中直接运行脚本，或者用nohup python your_script.py &（Linux/macOS）让程序后台运行
  • 用Binance测试网先做模拟交易，验证逻辑没问题再切换到实盘
  • 添加日志记录，将交易和信号信息写入文件，方便后续排查

内容的提问来源于stack exchange，提问作者user20900234