使用CoinGlass API及Google Cloud Platform(GCP)結合 LINE Notify執行資金費率套利回報Part.2

-

上一篇我們處理了CoinGlass的資料，只保留了Binance、OKX、Bybit、Bitget、BingX，5間交易所的資訊，並且將幣種只有一間交易所有上架的刪除。

這時我們要做的是找到各個交易對中最大以及最小的資金費率，相加減後做排序，即是找到的最大套利機會幣種，我們可以用以下程式:

with open('coinglass_fundingrate_output_step1.json') as json_file:
    data = json.load(json_file)


pair = []
data_list = []
for i in range(len(data['data'])):
    temp_data = []
    rate = []
    exchangeName = []
    for j in data['data'][i]['pair']:
        rate.append(j['rate'])
        exchangeName.append(j['exchangeName'])


    max_fundingrate = np.argmax(rate)
    min_fundingrate = np.argmin(rate)
    abs = np.abs(np.max(rate) - np.min(rate))
    if abs > 0.1:
        temp_data.append(data['data'][i]['symbol'])
        temp_data.append(round(rate[max_fundingrate], 4))
        temp_data.append(exchangeName[max_fundingrate])
        temp_data.append(round(rate[min_fundingrate], 4))
        temp_data.append(exchangeName[min_fundingrate])
        temp_data.append(abs)
        pair.append(data_dict)
        data_list.append(temp_data)

sorted_list = sorted(data_list, key=lambda x: x[5])[::-1]
line_str = ""
for i in sorted_list:
    line_str += "幣種: " + str(i[0]) + "\n" + str(i[2]) + ":" + str(i[1]) + " " + str(i[4]) + ":" + str(i[3]) + "\n"
如此一來就完成了程式的撰寫了，接下來是Google Cloud Platform(GCP)的串接了，我們一開始使用的Herkou服務需要收費了，因此把服務遷移到Google Cloud Platform是個好選擇。

進到GCP頁面之後，先進入左側功能欄Cloud Function頁面:

接著建立函式，記得觸發條件選擇允許未經驗證的叫用，地區可以選擇台灣，執行階段的部分可以選擇最低就好。

接下來部屬程式碼的部分就選擇python，左側的requirrments.txt就是你的套件清單，main.py就是你的程式碼位置，上方有個進入點的選項，進入點就是你的副程式，記得輸入的引數要加上request這個變數，接著部屬你的Function


部屬完你的Function就會產生一個網址類似於https://us-central1-booming-flash-398012.cloudfunctions.net/function-1，只要點擊這個網址就可以成行你的程式了!

接著進到Cloud Scheduler，來定時的執行你的程式，首先建立工作。
接著定義排程的名稱跟說明自訂，地區選擇台灣，時區選擇GMT+8，頻率的部分輸入 30 7,15,23 * * *，這是Unix-Cron的格式，代表的是每天7:30、15:30、23:30執行程式，有嘗試過Linux內建的Crontab但沒什麼用。

最後設定執行作業部分目標類型選擇HTTP，網址則是你的Cloud Function對應的網址，例如:https://us-central1-booming-flash-398012.cloudfunctions.net/function-1，HTTP方法選擇POST，這樣就完成了!

最後是結果的展示:













































留言











張貼留言



















這個網誌中的熱門文章









以dlib實現人臉辨識打卡系統






-














圖片







 一、    功能   在上班族上班的一天，打卡是非常重要的，打卡系統的存在是讓雇主知道員工的上下班時間，但是打卡鐘也是需要員工手動的把卡片放入打卡鐘裡面，有了人臉辨識打卡系統，打卡鐘跟每天打卡的這個動作就是多餘的了。       這個打卡系統基於 python 跟 dlib 組成，只需要人臉被辨識，就會記錄下時間以及在資料庫尋找人名，完全不需要按鍵的觸發或是編號，因為人臉就是編號。      








閱讀完整內容










以python讀取yolo的輸出-darknet.py






-















在安裝完yolo後，也實際操作yolo後，就會想要把yolo辨識完的座標，再加以應用，照理說要取找到yolo資料夾的c語言(yolo是用c寫的)檔案，做完更改後，還要在yolo的根目錄(~darknet)裡，把yolo編譯一次，才算完成修改。  不過在yolo資料夾裡，藏著一個python的資料夾，裡面有個darknet.py，這個檔案可以把yolo辨識完的結果，使用python 輸出。  一開始打開這個文件，不是直接執行就可以啟動的，還要做些修改。  https://blog.csdn.net/weixin_39198406/article/details/83931727  詳情請看這個文件   主要就是yolo辨識完會傳一個r陣列，裡面有辨識的名稱，座標( 注意不是邊界座標，是中心點以及方格的高跟寬 )   之後就能應用darknet.py來實現你的作品了   那如何用這個darknet.py實現影片的目標檢測呢，有辦法只是需要更改程式碼，之後再說   程式碼如下：  應該在darknet.py複製貼上就可以了   from ctypes import * import math import random import os import cv2 import numpy as np import random   def sample(probs):     s = sum(probs)     probs = [a/s for a in probs]     r = random.uniform(0, 1)     for i in range(len(probs)):         r = r - probs[i]         if r <= 0:             return i     return len(probs)-1  def c_array(ctype, values):     arr = (ctype*len(values))()     arr[:] = values     return arr  class BOX(Structure):     _fields_ = [("x", c_float),                 ("y", c_float),   








閱讀完整內容










使用Python達成影像形態學處理(不使用Opencv函式庫)






-














圖片







  1.    研究動機   在進入專題實驗室時，觀看 DeltaMOOCx 的線上課程，看到形態學的操作，覺得使用函式可以快速的達成功能，但是我不禁思考如果不使用函式，自己是否可以完成，本研究使用 opencv 的 cv2.getStructuringElement() 、 cv2.erode() 、 cv2.dilate() 、 cv2.morphologyEx() 函式當作對照組與不使用函式之結果進行比較。   2.    研究步驟   2.1 結構元素 (Structures Element) 結構元素為型態學的必備元素，結構元素的大小可以使用者自訂， opencv 函式中可以自訂為交叉 、 長方形 、 橢圓形 ，本研究對照組的 opencv 函式中使用的結構元素為 3x3 的交叉區塊，因此不使用 opencv 函式的實驗組的結構元素也為 3x3 的交叉區塊。   2.2 膨脹 (Dilation)   膨脹操作是將結構元素逐個像素的由上而下 、由左至右的掃描，假如結構元素的原點與被掃描圖像該點像素值相同，則將整個結構元素覆蓋至該圖像。 圖一 形態學膨脹操作 2.3 侵蝕 (Erosion)   侵蝕操作是將結構元素逐個像素的由上而下 、由左至右的掃描，假如整個結構元素與被掃描圖像像素值相同，則將結構元素的原點覆蓋至該圖像。 圖二 形態學侵蝕操作 2.4 斷開 (Open)   先侵蝕，接著再膨脹。 圖三 形態學斷開操作 2.5 閉合 (Close)   先膨脹，接著再侵蝕。 圖四 形態學閉合操作 3.    實驗結果   以下是實驗組與對照組的結果表格 : 4.    結論   經過了形態學的練習，不管事程式亦或是觀念都有一定的提升，我覺得可以把結構元素跟      圖像做捲積，再做加減運算，或許可以達成更快的速度。線上課程中，還有教到濾波，邊緣偵測等影像處理的方法，也是日後挑戰的題目。








閱讀完整內容