import time
import pandas as pd
import ccxt
from datetime import timedelta
# import pandas_ta
import talib

# ====================================================================================================
# =====格式设置
# ====================================================================================================
pd.set_option('display.max_rows', 1000)
pd.set_option('expand_frame_repr', False)  # 当列太多时不换行
# 设置命令行输出时的列对齐功能
pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)

# ====================================================================================================
# =====创建ccxt交易所
# ====================================================================================================
BINANCE_CONFIG = {
                    'apiKey': '',
                    'secret': '',
                    'proxies': {'http': '127.0.0.1:7890', 'https': '127.0.0.1:7890'}
                  }
exchange = ccxt.binance(BINANCE_CONFIG)



while True:
    # list = ['DOGEUSDT', 'ETHUSDT', 'BTCUSDT']
    #
    # # for symbol in list:
    symbol = 'ETHUSDT'
    time_interval = '1m'  # 其他可以尝试的值：'1m', '5m', '15m', '30m', '1h', '2h', '1d', '1w', '1M', '1y'，并不是每个交易所都支持
    bar_num = 1000  # 获取K线的数量
    params = {'symbol': symbol,  # 交易币对
              'interval': time_interval,  # 时间间隔
              'limit': bar_num}  # 数据条数

    # ====================================================================================================
    # =====获取K线数据
    # ====================================================================================================
    response = exchange.fapiPublicGetKlines(params=params)
    k_lines = pd.DataFrame(response)
    # print(k_lines)

    # =====整理K线数据
    df = pd.DataFrame(response, dtype=float)  # 将数据转换为dataframe
    df.rename(columns={0: 'MTS', 1: 'Open', 2: 'High',
                       3: 'Low', 4: 'Close', 5: 'Volume'}, inplace=True)  # 重命名
    df['candle_begin_time'] = pd.to_datetime(df['MTS'], unit='ms')  # 整理时间
    df['candle_begin_time_GMT8'] = df['candle_begin_time'] + timedelta(hours=8)  # 北京时间
    df = df[['candle_begin_time_GMT8', 'Open', 'High', 'Low', 'Close', 'Volume']]  # 整理列的顺序

    # ====================================================================================================
    # =====获取币对的最新价格
    # ====================================================================================================
    data = exchange.fapiPublicGetTickerPrice(params={'symbol': "ETHUSDT"})
    price_ETH = data['price']

    # ====================================================================================================
    # =====通过pandas-ta计算指标并加入相关指标计算列
    # ====================================================================================================
    ## 计算均线
    # df.ta.sma(length=5, append=True, col_names="SMA_5") # pandas-ta 计算SM5指标
    df['MA5'] = talib.MA(df['Close'], timeperiod=5)  # ta-lib计算MA5指标

    # # 计算14日相对强弱指数（RSI）
    # df.ta.rsi(length=14, append=True, col_names="RSI_14")  # pandas-ta计算RSI指标
    df['RSI_14'] = talib.RSI(df['Close'], timeperiod=14)  # ta-lib计算RSI指标

    # # 计算MACD（12/26/9周期）
    # df.ta.macd(fast=12, slow=26, signal=9, append=True)  # 默认列名：MACD_12_26_9, MACDs_12_26_9, MACDh_12_26_9 [2,7](@ref)

    # # 计算布林带（20日，2倍标准差）
    # df.ta.bbands(length=20, std=2, append=True)
    # pandas-ta计算布林带指标
    # 默认列名：BBL_20_2.0, BBM_20_2.0, BBU_20_2.0

    ## ta-lib 计算布林带指标
    upper_band, middle_band, lower_band = talib.BBANDS(
        df['Close'],
        timeperiod=20,
        nbdevup=2,
        nbdevdn=2,
        matype=0  # SMA
    )
    df['BB_Upper'] = upper_band
    df['BB_Middle'] = middle_band
    df['BB_Lower'] = lower_band

    ## 计算ADX指标
    # df.ta.adx(length=20, append=True) # pandas-ta计算adx
    df['ADX_14'] = talib.ADX(df['High'], df['Low'], df['Close'], timeperiod=14)  # ta-lib计算ADX指标

    ## 计算ATR指标
    # df.ta.atr(length=16, append=True)     # pandas-ta计算atr，默认参数14，length也可以调整
    df['ATR_14'] = talib.ATR(df['High'], df['Low'], df['Close'], timeperiod=14)

    print(df)
    # df.to_csv('Ta4.csv')

    # ====================================================================================================
    # =====设置下单条件并执行
    # ====================================================================================================
    # if float(price_ETH) > float(df['Close'].iloc[-2]):
    #     print('价格上升')
    # else:
    #     print('价格下降')
    #
    # print(price_ETH)
    # print(df['Close'].iloc[-2])
    # print(df['RSI_14'].iloc[-2] > 30)

    # 以上为dataframe取数格式的测试，目前使用还不太熟练

    ## 调整杠杆倍率
    # params = {'symbol': 'ETHUSDT',  # 交易币对
    #           'leverage': 10,
    #           'timestamp': int(time.time() * 1000)}
    # leverage = exchange.fapiPrivatePostLeverage(params=params)
    # print('调整开仓杠杆\n', leverage, '\n')

    ## 下单操作
    num = 0
    max_num = 3
    # 使用变量来控制下单次数

    params = {'side': 'BUY',
              'symbol': 'ETHUSDT',  # 交易币对
              'type': 'LIMIT',
              # 'price': price_ETH,
              'price': df['Close'].iloc[-1],
              # 下单价格,在限价单的时候
              # 启用，将type换成LIMIT
              # 此处用变量取代了课程中的数值。以后下单的价格可能需要复杂计算再储存在变量中，做测试。
              'quantity': 0.01,  # 下单数量
              'timestamp': int(time.time() * 1000),
              'timeInForce': 'GTC'}  # https://academy.binance.com/zh/articles/understanding-the-different-order-types




    if df['RSI_14'].iloc[-2] > 30 and df['RSI_14'].iloc[-1] < 30:
        print('向下穿越rsi30，执行买入')
        response = exchange.fapiPrivatePostOrder(params=params)
        order_info = pd.DataFrame(response, index=['symbol'])
        order_id = order_info['orderId'].iloc[0]
        print('下单\n', order_info, '\n')
        num += 1
        # 此后这里还可以多个条件，组合多个指标的值
        # RSI的使用作为一个参考
        # 通过现有数据（开高收低量），已经可以计算出不少指标了。

    else:
        print('不符合交易条件，监控中')
        time.sleep(30)

    if num >= max_num:
        break

## 这是我在办公室电脑上敲的注释
## 测试能否通过iCloud同步成功，在家也可已经iCloud对同一个项目进行编辑。