استراتژی "کراس اور میانگین متحرک" معاملات الگو ریتمی

### طراحی استراتژی "کراس اور میانگین متحرک" در پایتون

برای طراحی یک استراتژی "کراس اور میانگین متحرک" (Moving Average Crossover) در پایتون، به مراحل زیر نیاز دارید:

1. **وارد کردن کتابخانه‌های مورد نیاز**:
  - شما به کتابخانه‌هایی مانند `pandas` برای پردازش داده‌ها، `numpy` برای محاسبات عددی و `matplotlib` برای نمایش داده‌ها نیاز دارید.

2. **دریافت داده‌های قیمت**:
  - می‌توانید از API‌هایی مانند `yfinance` برای دریافت داده‌های قیمت سهام یا هر دارایی دیگر استفاده کنید.

3. **محاسبه میانگین‌های متحرک**:
  - میانگین‌های متحرک کوتاه‌مدت و بلندمدت را محاسبه کنید. به عنوان مثال، میانگین متحرک 50 روزه و 200 روزه.

4. **ایجاد سیگنال‌های خرید و فروش**:
  - زمانی که میانگین متحرک کوتاه‌مدت، میانگین متحرک بلندمدت را از پایین به بالا قطع کند، یک سیگنال خرید ایجاد می‌شود و برعکس.

5. **بک‌تستینگ استراتژی**:
  - استراتژی خود را بر روی داده‌های تاریخی اعمال کنید و بازدهی آن را محاسبه کنید.

6. **نمایش نتایج**:
  - نتایج استراتژی را به صورت نمودار نمایش دهید تا بهتر بتوانید عملکرد آن را ارزیابی کنید.

در ادامه، یک کد نمونه برای استراتژی کراس اور میانگین متحرک آورده شده است:

```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import yfinance as yf

# دریافت داده‌های تاریخی
symbol = 'AAPL'
data = yf.download(symbol, start='2020-01-01', end='2023-01-01')

# محاسبه میانگین‌های متحرک
data['SMA50'] = data['Close'].rolling(window=50).mean()
data['SMA200'] = data['Close'].rolling(window=200).mean()

# ایجاد سیگنال‌های خرید و فروش
data['Signal'] = 0
data['Signal'][50:] = np.where(data['SMA50'][50:] > data['SMA200'][50:], 1, 0)
data['Position'] = data['Signal'].diff()

# نمایش نمودار
plt.figure(figsize=(14, 7))
plt.plot(data['Close'], label='Close Price', alpha=0.5)
plt.plot(data['SMA50'], label='50-Day SMA', alpha=0.5)
plt.plot(data['SMA200'], label='200-Day SMA', alpha=0.5)
plt.scatter(data.index, data['Close'][data['Position'] == 1], label='Buy Signal', marker='^', color='g')
plt.scatter(data.index, data['Close'][data['Position'] == -1], label='Sell Signal', marker='v', color='r')
plt.title('Moving Average Crossover Strategy')
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.show()
```

1. **وارد کردن کتابخانه‌ها**:
  - `pandas`، `numpy`، `matplotlib` و `yfinance` برای دریافت، پردازش و نمایش داده‌ها استفاده می‌شوند.

2. **دریافت داده‌های تاریخی**:
  - از `yfinance` برای دانلود داده‌های قیمت سهام استفاده می‌شود.

3. **محاسبه میانگین‌های متحرک**:
  - میانگین متحرک 50 روزه و 200 روزه محاسبه می‌شود.

4. **ایجاد سیگنال‌های خرید و فروش**:
  - سیگنال خرید زمانی ایجاد می‌شود که میانگین متحرک 50 روزه، میانگین متحرک 200 روزه را از پایین به بالا قطع کند و سیگنال فروش برعکس.

5. **نمایش نمودار**:
  - نمودار قیمت، میانگین‌های متحرک و سیگنال‌های خرید و فروش نمایش داده می‌شوند.