import pandas as pd import os PATH_UBUNTU = "/var/www/html/flask_project/" pd.set_option('display.max_rows', None) symbol = "SPX" estrategia = "Vertical" desplazamiento = -5 # Ejemplo: desde = "2025-04-28" # Fecha inicial en formato 'YYYY-MM-DD' lista_hasta = ["2025-05-01"] # Fechas 'hastas' en formato 'YYYY-MM-DD' # Archivo base para generar la lista de archivos por horarios elArchivo = f"bola8/makekos/{symbol}/{symbol}_{estrategia}_strikes_0000.csv" ############################################################ # 1) Generar lista de archivos de incrementos de 5 min ############################################################ def generar_lista_archivos(base_archivo, start_hour=10, start_minute=5, end_hour=15): archivos = [] prefix, _ = base_archivo.rsplit('_', 1) for hour in range(start_hour, end_hour + 1): for minute in range(0, 60, 5): if hour == start_hour and minute < start_minute: continue if hour == end_hour and minute > 0: break time_str = f"{hour:02}{minute:02}" archivo = f"{prefix}_{time_str}.csv" archivos.append(archivo) return archivos ############################################################ # 2) Funciones para calcular el crédito y Ganancia_Dia ############################################################ def calcular_credito_y_underlying_desde_archivo_csv( archivo_option_chain, strike1, strike2, option_type, time ): """ Devuelve (credit, under_price_time) - credit EN PUNTOS (ej: 1.20) => significa $120 totales si multiplicamos * 100. - under_price_time es el subyacente en 'time' (no es el de cierre). """ df = pd.read_csv(archivo_option_chain) df["timestamp"] = pd.to_datetime(df["timestamp"]) df = df[df["timestamp"] >= time] if df.empty: return "No data found after the specified time", None df = df[df["strike"].isin([strike1, strike2])] if option_type == "PUT": df = df[["strike", "bid_put", "ask_put", "underlying_price"]] else: # CALL df = df[["strike", "bid_call", "ask_call", "underlying_price"]] if df.empty: return "Strikes not found in the filtered data", None try: s1 = df[df["strike"] == strike1].iloc[0] s2 = df[df["strike"] == strike2].iloc[0] except: return 0, None if option_type == "PUT": s1_avg = (s1["bid_put"] + s1["ask_put"]) / 2 s2_avg = (s2["bid_put"] + s2["ask_put"]) / 2 else: # CALL s1_avg = (s1["bid_call"] + s1["ask_call"]) / 2 s2_avg = (s2["bid_call"] + s2["ask_call"]) / 2 # credit en puntos, p.ej 1.20 => $120 si *100 credit = s1_avg - s2_avg under_price = s1["underlying_price"] return credit, under_price def obtener_ultimo_underlying_price(archivo_option_chain): try: df = pd.read_csv(archivo_option_chain) df["timestamp"] = pd.to_datetime(df["timestamp"]) df.sort_values(by="timestamp", inplace=True) if "underlying_price" in df.columns: return df["underlying_price"].iloc[-1] return None except: return None ############################################################ # 3) Función para calcular Ganancia_Dia por cada fila ############################################################ def calcular_precios_verticales(vertical_strikes_df, path_base, desplazamiento, desde, hasta): if vertical_strikes_df.empty: return pd.DataFrame(), 0, 0, 0 vertical_strikes_df["Day"] = pd.to_datetime(vertical_strikes_df["Day"]) vertical_strikes_df = vertical_strikes_df[ (vertical_strikes_df["Day"] >= pd.to_datetime(desde)) & (vertical_strikes_df["Day"] <= pd.to_datetime(hasta)) ].copy() if vertical_strikes_df.empty: return pd.DataFrame(), 0, 0, 0 symbol = vertical_strikes_df["Symbol"].iloc[0] # Aplicar desplazamiento vertical_strikes_df["Strike1_Desplazado"] = vertical_strikes_df.apply( lambda row: row["Strike1"] + desplazamiento if row["Option_Type"] == "CALL" else row["Strike1"] - desplazamiento, axis=1, ) vertical_strikes_df["Strike2_Desplazado"] = vertical_strikes_df.apply( lambda row: row["Strike2"] + desplazamiento if row["Option_Type"] == "CALL" else row["Strike2"] - desplazamiento, axis=1, ) registros = [] for _, fila in vertical_strikes_df.iterrows(): day_str = pd.to_datetime(fila["Day"]).strftime("%Y-%m-%d") hour_str = fila["Hour"] s1 = fila["Strike1_Desplazado"] s2 = fila["Strike2_Desplazado"] opt_type = fila["Option_Type"] # Identificamos strikes de venta/compra if opt_type == "CALL": strike_venta = min(s1, s2) strike_compra = max(s1, s2) else: # PUT strike_venta = max(s1, s2) strike_compra = min(s1, s2) if symbol in ["RUT", "XSP", "SPX"]: chain_file = path_base + f"chains/optionChain_${symbol}_{day_str}.csv" else: chain_file = path_base + f"chains/optionChain_{symbol}_{day_str}.csv" t_especifico = pd.to_datetime(f"{day_str} {hour_str}") try: # credit => en puntos, ej 1.20 credit_points, under_price_time = calcular_credito_y_underlying_desde_archivo_csv( chain_file, s1, s2, opt_type, t_especifico ) except FileNotFoundError: credit_points = "File not found" under_price_time = None # Precio de cierre try: underlying_price_16 = obtener_ultimo_underlying_price(chain_file) except: underlying_price_16 = None ganancia = None if ( isinstance(credit_points, (int, float)) and isinstance(under_price_time, (int, float)) and (underlying_price_16 is not None) ): spread = abs(s1 - s2) # en puntos if opt_type == "CALL": if underlying_price_16 > strike_compra: # Subyacente > strike_compra => pierdes spread - credit ganancia = (credit_points - spread) * 100 elif underlying_price_16 < strike_venta: # Subyacente < strike_venta => OTM => credit * 100 ganancia = credit_points * 100 else: # Entre strikes valor_itm_points = (underlying_price_16 - strike_venta) ganancia = (credit_points - valor_itm_points) * 100 else: # PUT if underlying_price_16 < strike_compra: # Subyacente < strike_compra => pierdes spread - credit ganancia = (credit_points - spread) * 100 elif underlying_price_16 > strike_venta: # Subyacente > strike_venta => credit total ganancia = credit_points * 100 else: # Entre strikes => credit_points*100 - intrínseco valor_itm_points = (strike_venta - underlying_price_16) ganancia = (credit_points - valor_itm_points) * 100 registros.append({"Day": day_str, "Hour": hour_str, "Ganancia_Dia": ganancia}) df_out = pd.DataFrame(registros) if df_out.empty: return df_out, 0, 0, 0 # Convertimos a numérico y redondeamos df_out["Ganancia_Dia"] = pd.to_numeric(df_out["Ganancia_Dia"], errors="coerce") df_out["Ganancia_Dia"] = df_out["Ganancia_Dia"].round(2) tot = df_out["Ganancia_Dia"].sum(skipna=True) dpos = df_out[df_out["Ganancia_Dia"] > 0].shape[0] dneg = df_out[df_out["Ganancia_Dia"] < 0].shape[0] return df_out, tot, dpos, dneg ############################################################ # 4) Lógica principal ############################################################ feriados = ["2025-02-17"] # Agrega tus fechas aquí lista_archivos = generar_lista_archivos(elArchivo) for hasta in lista_hasta: out_csv = f"{symbol}_{estrategia}_{desde}_{hasta}_Desp{desplazamiento}_Rachas.csv" if os.path.exists(out_csv): os.remove(out_csv) all_results = pd.DataFrame(columns=["Day", "Hour", "Ganancia_Dia"]) for archivo in lista_archivos: print(f"Procesando archivo: {archivo} para rango {desde} a {hasta}") path_completo = os.path.join(PATH_UBUNTU, archivo) if not os.path.exists(path_completo): print(f"No existe: {path_completo}") continue df_strikes = pd.read_csv(path_completo) df_strikes["Day"] = pd.to_datetime(df_strikes["Day"]) # Filtrar rango de fechas df_strikes = df_strikes[ (df_strikes["Day"] >= desde) & (df_strikes["Day"] <= hasta) ] if df_strikes.empty: continue df_gan, _, _, _ = calcular_precios_verticales( df_strikes, PATH_UBUNTU, desplazamiento, desde, hasta ) # Filtrar DF con dropna df_gan.dropna(axis="columns", how="all", inplace=True) df_gan.dropna(axis="rows", how="all", inplace=True) if not df_gan.empty: df_gan = df_gan.reindex(columns=all_results.columns, fill_value=pd.NA) all_results = pd.concat([all_results, df_gan], ignore_index=True) if all_results.empty: print(f"Sin datos para {hasta}") continue # Ordenamos desc all_results["Day"] = pd.to_datetime(all_results["Day"]) # Filtrar sábados, domingos y feriados all_results = all_results[ (all_results["Day"].dt.dayofweek < 5) & # 0=Lunes, 4=Viernes (excluye sábado y domingo) (~all_results["Day"].dt.strftime("%Y-%m-%d").isin(feriados)) # Excluye feriados ] all_results.sort_values(by="Day", ascending=False, inplace=True) # Lógica de rachas y creación de CSV, sin cambios negative_streak = {} horas_unicas = sorted(all_results["Hour"].unique()) all_days_in_range = pd.date_range(start=desde, end=hasta) # Excluir sábados, domingos y feriados del rango de días day_strs = [ d.strftime("%Y-%m-%d") for d in all_days_in_range if d.weekday() < 5 and d.strftime("%Y-%m-%d") not in feriados ] for hour in horas_unicas: df_hour = all_results[all_results["Hour"] == hour].sort_values( by="Day", ascending=False ) streak = 0 stop_racha = False day_profits = {ds: 0 for ds in day_strs} for _, row in df_hour.iterrows(): d = row["Day"].strftime("%Y-%m-%d") val = row["Ganancia_Dia"] if pd.notnull(val): day_profits[d] = val if not stop_racha: if val < 0: streak += 1 else: stop_racha = True else: day_profits[d] = 0 negative_streak[hour] = { "streak": streak, "profits_by_day": day_profits, } cols = ["Hour", "Streak"] + day_strs[::-1] # Invertimos el orden de los días with open(out_csv, "w") as f: f.write(",".join(cols) + "\n") for hour in sorted(negative_streak.keys()): row = [hour, str(negative_streak[hour]["streak"])] for ds in day_strs[::-1]: # Iteramos en orden inverso pv = negative_streak[hour]["profits_by_day"].get(ds, 0) row.append(str(pv)) f.write(",".join(row) + "\n") print(f"Rachas negativas guardadas en '{out_csv}'") # ############################################################ # # 4) Lógica principal # ############################################################ # lista_archivos = generar_lista_archivos(elArchivo) # for hasta in lista_hasta: # out_csv = f"{symbol}_{estrategia}_{desde}_{hasta}_Desp{desplazamiento}_Rachas.csv" # if os.path.exists(out_csv): # os.remove(out_csv) # all_results = pd.DataFrame(columns=["Day", "Hour", "Ganancia_Dia"]) # for archivo in lista_archivos: # print(f"Procesando archivo: {archivo} para rango {desde} a {hasta}") # path_completo = os.path.join(PATH_UBUNTU, archivo) # if not os.path.exists(path_completo): # print(f"No existe: {path_completo}") # continue # df_strikes = pd.read_csv(path_completo) # df_strikes["Day"] = pd.to_datetime(df_strikes["Day"]) # df_strikes = df_strikes[ # (df_strikes["Day"] >= desde) & (df_strikes["Day"] <= hasta) # ] # if df_strikes.empty: # continue # df_gan, _, _, _ = calcular_precios_verticales( # df_strikes, PATH_UBUNTU, desplazamiento, desde, hasta # ) # # Filtrar DF con dropna # df_gan.dropna(axis="columns", how="all", inplace=True) # df_gan.dropna(axis="rows", how="all", inplace=True) # if not df_gan.empty: # df_gan = df_gan.reindex(columns=all_results.columns, fill_value=pd.NA) # all_results = pd.concat([all_results, df_gan], ignore_index=True) # if all_results.empty: # print(f"Sin datos para {hasta}") # continue # # Ordenamos desc # all_results["Day"] = pd.to_datetime(all_results["Day"]) # all_results.sort_values(by="Day", ascending=False, inplace=True) # # Lógica de rachas y creación de CSV, sin cambios # negative_streak = {} # horas_unicas = sorted(all_results["Hour"].unique()) # all_days_in_range = pd.date_range(start=desde, end=hasta) # day_strs = [d.strftime("%Y-%m-%d") for d in all_days_in_range] # for hour in horas_unicas: # df_hour = all_results[all_results["Hour"] == hour].sort_values( # by="Day", ascending=False # ) # streak = 0 # stop_racha = False # day_profits = {ds: 0 for ds in day_strs} # for _, row in df_hour.iterrows(): # d = row["Day"].strftime("%Y-%m-%d") # val = row["Ganancia_Dia"] # if pd.notnull(val): # day_profits[d] = val # if not stop_racha: # if val < 0: # streak += 1 # else: # stop_racha = True # else: # day_profits[d] = 0 # negative_streak[hour] = { # "streak": streak, # "profits_by_day": day_profits, # } # cols = ["Hour", "Streak"] + day_strs[::-1] # Invertimos el orden de los días # with open(out_csv, "w") as f: # f.write(",".join(cols) + "\n") # for hour in sorted(negative_streak.keys()): # row = [hour, str(negative_streak[hour]["streak"])] # for ds in day_strs[::-1]: # Iteramos en orden inverso # pv = negative_streak[hour]["profits_by_day"].get(ds, 0) # row.append(str(pv)) # f.write(",".join(row) + "\n") # print(f"Rachas negativas guardadas en '{out_csv}'")