Bithumb API行情分析：构建专属加密货币市场洞察

教材 2025-02-09 9 次浏览

本文档介绍了如何使用Bithumb API进行加密货币行情分析。内容包括API准备工作、数据获取（如ticker、orderbook、transaction history），以及使用Python进行数据分析的示例。

Bithumb API行情分析：打造你的专属加密货币洞察力

Bithumb作为韩国领先的加密货币交易所，拥有庞大的交易量和活跃的用户群体。利用其提供的API接口，我们可以获取丰富的市场数据，从而进行深入的行情分析，为交易决策提供有力支持。本文将详细介绍如何通过Bithumb API获取数据并进行分析，帮助你构建专属的加密货币行情洞察力。

1. 准备工作

在使用Bithumb API之前，充分的准备工作至关重要，它能确保后续开发流程的顺利进行。以下是详细的准备步骤：

  • Bithumb 账号: 拥有一个经过验证的Bithumb账号是使用其API的先决条件。访问Bithumb官方网站（bithumb.com）注册账号，并按照平台要求完成KYC（Know Your Customer）身份验证流程。KYC验证通常需要提供身份证明文件和地址证明，以符合监管要求和提高账户安全性。

  • API 密钥: 成功登录Bithumb账号后，导航至API管理页面（通常位于账户设置或安全设置中）。在此页面申请API密钥，包括API Key和Secret Key。API Key用于标识你的应用程序，Secret Key用于对请求进行签名，确保请求的安全性。 务必采取以下安全措施：

    • 将API密钥视为敏感信息，如同银行密码一样妥善保管，切勿以任何形式泄露给他人。
    • 为API密钥设置严格的权限控制。根据你的应用程序的需求，只授予必要的权限。例如，如果你的应用只需要读取市场数据，则只允许读取权限，禁用交易和提现权限。
    • 定期更换API密钥，以降低密钥泄露的风险。Bithumb可能提供API密钥轮换机制，利用此机制定期生成新的密钥对。
    • 考虑使用IP白名单功能，限制只有特定的IP地址才能使用该API密钥，从而进一步增强安全性。

  • 开发环境: 选择一个你精通的编程语言和相应的开发环境。Python因其简洁的语法和强大的库支持，是开发加密货币交易机器人的常用选择。以下是Python环境下常用的库：

    • requests : 用于发送HTTP请求，与Bithumb API进行通信，获取数据和提交交易指令。
    • : 用于处理JSON格式的数据，Bithumb API返回的数据通常是JSON格式，需要解析后才能使用。
    • pandas : 用于数据分析和处理，将API返回的数据转换为DataFrame格式，方便进行统计分析和可视化。
    • datetime : 用于处理时间和日期，在交易策略中经常需要用到时间相关的数据。
    • hashlib / hmac : 用于生成API请求的签名，确保请求的完整性和安全性。
    除了Python，其他编程语言如JavaScript (Node.js), Java, C# 等也可以用于开发Bithumb API应用。选择最适合你的技能和项目需求的语言。

  • API 文档: 在开始编写代码之前，请仔细阅读Bithumb官方提供的API文档。API文档是理解API接口、请求参数、返回数据格式以及错误代码的权威指南。重点关注以下几个方面：

    • API Endpoint: 了解每个API接口的URL地址。
    • 请求方法 (GET/POST): 确定每个接口使用的HTTP请求方法。
    • 请求参数: 了解每个接口需要的参数，包括参数名称、类型、是否必需等。
    • 返回数据格式: 了解API返回数据的JSON结构，包括每个字段的含义和数据类型。
    • 错误代码: 了解常见的错误代码及其含义，方便在开发过程中进行错误处理。
    • 速率限制: 了解API的速率限制，避免因频繁请求而被限制访问。
    务必下载最新的API文档，并将其作为开发过程中的重要参考资料。

2. 获取行情数据

Bithumb API 提供了一系列接口，用于获取实时和历史的加密货币市场数据。这些接口允许开发者获取关键的市场指标，用于交易策略、数据分析和市场监控等应用。

  • ticker (当前价): 此接口提供指定币种的最新成交价（Last Traded Price）、最高价（Highest Price）、最低价（Lowest Price）、交易量（Volume）等关键信息。它反映了市场的即时状态，是进行短线交易和快速决策的重要参考。通过解析 ticker 数据，可以获得买一价、卖一价等深度信息，从而更全面地了解市场供需关系。
  • orderbook (挂单簿): 该接口返回指定币种的买单（Bid Orders）和卖单（Ask Orders）列表，按照价格排序。Orderbook 提供了市场深度视图，可以观察买卖力量的分布情况。通过分析挂单簿，可以识别潜在的支撑位和阻力位，并评估市场情绪。深度 orderbook 数据还有助于进行高频交易和算法交易策略的设计。
  • transaction_history (交易历史): 此接口提供指定币种的历史交易记录，包括每次成交的成交价（Transaction Price）、成交量（Transaction Volume）、成交时间（Transaction Timestamp）等信息。通过分析交易历史数据，可以进行趋势分析、波动率计算和模式识别。交易历史数据对于回测交易策略、评估风险和进行长期投资决策至关重要。

以下代码展示了如何使用 Python 通过 Bithumb API 获取 BTC/KRW 交易对的当前价格。这段示例代码使用了 requests 库来发送 HTTP 请求，并假设已经安装了该库。如未安装，请使用 pip install requests 安装。 库用于处理 API 返回的 JSON 格式数据。 

import requests
import 

def get_btc_krw_price():
    """
    从 Bithumb API 获取 BTC/KRW 的当前价格。
    """
    url = "https://api.bithumb.com/public/ticker/BTC_KRW"
    try:
        response = requests.get(url)
        response.raise_for_status()  # 检查是否有 HTTP 错误
        data = response.()

        if data['status'] == "0000":
            ticker_data = data['data']
            current_price = ticker_data['closing_price']
            print(f"BTC/KRW 当前价格: {current_price} KRW")
            return current_price
        else:
            print(f"API 请求失败: {data['message']}")
            return None
    except requests.exceptions.RequestException as e:
        print(f"请求错误: {e}")
        return None
    except .JSONDecodeError as e:
        print(f"JSON 解析错误: {e}")
        return None

if __name__ == "__main__":
    get_btc_krw_price()

Bithumb API Endpoint for Ticker

访问Bithumb交易所的API以获取指定交易对的实时交易信息，例如BTC/KRW，需要构造特定的URL。

url = "https://api.bithumb.com/public/ticker/BTC_KRW"

上述URL指向Bithumb公共API中的 ticker 端点，并通过 BTC_KRW 参数指定了需要查询的交易对为比特币/韩元。可以通过Python的 requests 库发送HTTP请求来获取数据。 

import requests
import 

url = "https://api.bithumb.com/public/ticker/BTC_KRW"

try:
    response = requests.get(url)
    response.raise_for_status()  # 针对错误的HTTP状态码（如4xx或5xx）抛出HTTPError异常
    data = response.()

    if data['status'] == "0000":
        ticker_data = data['data']
        current_price = ticker_data['closing_price']
        print(f"BTC/KRW Current Price: {current_price}")
    else:
        print(f"Error: {data['message']}")

except requests.exceptions.RequestException as e:
    print(f"Request Error: {e}")
except .JSONDecodeError as e:
    print(f"JSON Decode Error: {e}")
except KeyError as e:
    print(f"Key Error: {e}, 可能是返回数据格式改变")

这段代码首先导入了 requests 和 库。定义了API的URL，并使用 requests.get() 函数发送GET请求。 response.raise_for_status() 函数会检查HTTP响应状态码，如果状态码指示错误（例如404 Not Found或500 Internal Server Error），则会引发一个HTTPError异常。如果请求成功，返回的JSON数据通过 response.() 解析为Python字典，然后从中提取 closing_price ，即BTC/KRW的当前收盘价格，并通过f-string格式化输出。同时，代码包含了详细的异常处理机制，用于应对潜在的错误。

异常处理部分包括：

  • requests.exceptions.RequestException : 捕获所有与 requests 库相关的网络请求错误，例如连接错误、超时等。
  • .JSONDecodeError : 捕获JSON解码错误，这通常发生在API返回的数据不是有效的JSON格式时。
  • KeyError : 捕获键错误，这通常发生在尝试访问字典中不存在的键时，可能由于Bithumb API返回的数据结构发生变化。

通过这种方式，代码能够更健壮地处理来自API的响应，即使API返回错误或数据格式发生变化，也能给出相应的错误提示，而不是直接崩溃。

3. 数据清洗与处理

从API接口获取的加密货币原始交易数据，通常包含大量噪声和不规范信息，直接用于分析会影响结果的准确性。因此，必须进行严格的数据清洗和预处理，使其转化为结构化、可用的数据集。数据清洗的目标是提高数据质量，包括准确性、完整性、一致性和时效性。常见的数据清洗操作包括：

  • 数据类型转换: 原始数据中，数字通常以字符串形式存在。为进行数学运算和统计分析，必须将字符串类型的数据转换为数值类型。例如，将成交价和成交量转换为浮点数(float)，方便计算交易额和收益率。时间戳也需要转换为datetime对象，以便进行时间序列分析。
  • 缺失值处理: 由于网络不稳定、API故障或其他原因，获取的数据可能存在缺失值(NaN)。缺失值会影响模型的训练和预测。常见的处理方法包括：
    • 删除缺失值: 如果缺失值比例较小，可以直接删除包含缺失值的行。
    • 填充缺失值: 可以使用均值、中位数或众数等统计量填充缺失值。对于时间序列数据，可以使用线性插值或季节性分解等方法填充缺失值。更高级的方法是使用机器学习模型预测缺失值。
  • 异常值处理: 异常值是指明显偏离正常范围的数据点，可能是由于交易错误、市场操纵或其他异常事件引起的。异常值会扭曲统计分析结果，需要进行识别和处理。常见的异常值检测方法包括：
    • 箱线图(Boxplot): 箱线图可以直观地显示数据的分布情况，并识别出落在上下四分位数之外的异常值。
    • Z-score方法: Z-score表示数据点偏离均值的程度，通常将Z-score大于3或小于-3的数据点视为异常值。
    • IQR方法: 基于四分位距（IQR）来识别异常值，将小于Q1 - 1.5 * IQR或大于Q3 + 1.5 * IQR的值视为异常值。
    • 机器学习方法: 可以使用聚类算法(如K-means)或异常检测算法(如Isolation Forest)识别异常值。
    处理异常值的方法包括删除、替换为合理值或进行 winsorize 处理。
  • 时间序列处理: 交易时间通常以时间戳或字符串形式存在。需要将其转换为标准的时间格式(例如，ISO 8601格式)，并设置为DataFrame的索引。时间序列分析是加密货币数据分析的重要组成部分，可以用于识别趋势、季节性变化和周期性波动。常见的时间序列操作包括：
    • 时间序列分解: 将时间序列分解为趋势、季节性和残差三个部分，以便更好地理解数据的结构。
    • 平稳性检验: 检验时间序列是否平稳，如果非平稳，需要进行差分或季节性差分处理。
    • 自相关和偏自相关分析: 分析时间序列的自相关性和偏自相关性，以便选择合适的ARIMA模型。
  • 重复值处理： 加密货币交易所的API可能会返回重复的交易记录。需要识别并删除这些重复值，以避免影响后续分析的准确性。可以使用pandas的`drop_duplicates()`方法来删除重复行。
  • 数据标准化/归一化： 为了消除不同量纲和取值范围的影响，可能需要对数据进行标准化或归一化处理。常用的方法包括：
    • Min-Max Scaling： 将数据缩放到[0, 1]的范围内。
    • Z-score Standardization： 将数据转换为均值为0，标准差为1的标准正态分布。

以处理加密货币交易历史数据为例，以下展示使用Python和pandas库进行基本数据清洗的示例代码：

import requests import import pandas as pd from datetime import datetime

Bithumb API 交易历史端点

Bithumb API 提供了访问加密货币交易历史数据的端点。以下代码展示了如何使用 Python 从 Bithumb API 获取比特币 (BTC) 与韩元 (KRW) 交易对的交易历史记录。

API 端点 URL： https://api.bithumb.com/public/transaction_history/BTC_KRW

以下 Python 代码演示了如何调用该 API，处理响应数据，并将其转换为 Pandas DataFrame： 

import requests
import pandas as pd

url = "https://api.bithumb.com/public/transaction_history/BTC_KRW"

try:
    response = requests.get(url)
    response.raise_for_status()  # 检查 HTTP 请求是否成功

    data = response.() # 将响应内容解析为 JSON 格式

    if data['status'] == "0000":  # 检查 API 状态码，"0000" 通常表示成功
        transactions = data['data'] # 从 JSON 响应中提取交易数据列表
        df = pd.DataFrame(transactions) # 将交易数据列表转换为 Pandas DataFrame

        # 转换 'transaction_date' 列为 datetime 对象
        # format='%Y-%m-%d %H:%M:%S' 确保日期时间字符串按照指定的格式解析
        df['transaction_date'] = pd.to_datetime(df['transaction_date'], format='%Y-%m-%d %H:%M:%S')

        # 转换 'price' 和 'units_traded' 列为数值类型
        # 这对于后续的数值分析至关重要
        df['price'] = pd.to_numeric(df['price'])
        df['units_traded'] = pd.to_numeric(df['units_traded'])

        # 打印清洗后的 DataFrame 的前 5 行，用于快速检查数据
        print(df.head())
    else:
        print(f"错误: {data['message']}") # 打印 API 返回的错误信息
except requests.exceptions.RequestException as e:
    # 捕获请求异常，例如网络连接错误、超时等
    print(f"请求错误: {e}")
except .JSONDecodeError as e:
    # 捕获 JSON 解码错误，表明 API 返回的数据不是有效的 JSON 格式
    print(f"JSON 解码错误: {e}")
except KeyError as e:
    # 捕获键错误，表明 JSON 响应中缺少预期的键
    print(f"键错误: {e}")

上述代码段中， requests.get(url) 发起一个 GET 请求到 Bithumb API 端点。 response.raise_for_status() 验证响应状态码，如果请求失败（例如，状态码为 404 或 500），则会引发异常。 response.() 将响应内容解析为 JSON 格式，便于后续处理。

代码随后检查 API 响应中的 status 字段。 Bithumb API 使用 "0000" 作为成功状态码。 如果状态码指示成功，则从响应的 data 字段中提取交易数据。 这些数据随后被转换为 Pandas DataFrame，这是一个用于数据分析的强大工具。

DataFrame 创建后，代码会将 transaction_date 列转换为 datetime 对象，并将 price 和 units_traded 列转换为数值类型。 这些转换对于执行时间序列分析和数值计算至关重要。

代码最后打印 DataFrame 的前 5 行，以便快速预览数据。 try-except 块用于处理潜在的错误，例如网络连接问题、无效的 JSON 响应或缺失的键。 这确保了代码的健壮性。

4. 行情分析

清洗和处理后的加密货币市场数据是进行深度行情分析的基础，通过对这些数据进行挖掘，可以洞察市场趋势、评估风险并制定交易策略。

  • 技术指标分析:

    技术指标是基于历史价格和交易量数据计算得出的数学公式，用于预测未来价格走势。常见的技术指标包括：

    • 移动平均线 (MA): 平滑价格数据，识别趋势方向。短期移动平均线对价格变化更敏感，长期移动平均线则更稳定。
    • 相对强弱指标 (RSI): 衡量价格变动的速度和幅度，判断市场是否处于超买或超卖状态。RSI值通常在0到100之间，高于70被认为是超买，低于30被认为是超卖。
    • 移动平均收敛散度 (MACD): 识别趋势的变化和动能。MACD由MACD线（快线）、信号线（慢线）和柱状图组成，用于判断买入和卖出信号。
    • 布林带 (Bollinger Bands): 围绕移动平均线绘制的上下两条带状线，反映价格的波动范围。价格突破上轨可能预示超买，跌破下轨可能预示超卖。
    • 斐波那契回调线 (Fibonacci Retracement): 基于斐波那契数列，预测价格可能的回调或反弹位。
  • 量价分析:

    量价分析关注成交量和价格之间的关系，以判断市场趋势的可靠性。例如：

    • 放量上涨： 成交量显著增加，价格也随之上涨，通常表明上涨趋势得到加强，市场参与者积极买入。
    • 缩量上涨： 成交量萎缩，价格却上涨，可能表明上涨趋势较弱，市场参与者观望情绪浓厚。
    • 放量下跌： 成交量显著增加，价格也随之下跌，通常表明下跌趋势得到加强，市场参与者积极抛售。
    • 缩量下跌： 成交量萎缩，价格却下跌，可能表明下跌趋势较弱，但市场缺乏买盘支撑。
  • 挂单簿分析:

    挂单簿（Order Book）显示了市场上买单和卖单的分布情况。通过分析挂单簿，可以了解市场的供需关系和潜在的支撑位/阻力位：

    • 支撑位： 买单集中的价格区域，可能阻止价格进一步下跌。
    • 阻力位： 卖单集中的价格区域，可能阻止价格进一步上涨。
    • 大额挂单： 在特定价格位置存在大量挂单，可能对价格产生显著影响。
  • 交易历史分析:

    分析历史交易记录可以了解市场的交易活跃度、价格波动情况以及投资者的行为模式。例如：

    • 交易频率： 交易频率越高，市场活跃度越高。
    • 价格波动幅度： 价格波动幅度越大，市场风险越高。
    • 大额交易： 大额交易可能对价格产生瞬间影响。
  • 相关性分析:

    分析不同加密货币之间的价格相关性，可以进行套利交易或风险对冲：

    • 正相关： 两种加密货币的价格走势相似。
    • 负相关： 两种加密货币的价格走势相反。
    • 套利交易： 利用不同交易所或不同币种之间的价格差异，进行低买高卖，获取利润。
    • 风险对冲： 通过持有相关性相反的资产，降低投资组合的整体风险。

以下代码示例展示了如何使用Python计算BTC/KRW的20日移动平均线：

import requests
import
import pandas as pd
from datetime import datetime

Bithumb 交易历史 API 接口

用于获取 Bithumb 交易所特定交易对的交易历史数据。

API 端点 URL:

url = "https://api.bithumb.com/public/transaction_history/BTC_KRW"

此示例使用 Python 编程语言和 requests 库向 Bithumb API 发送 GET 请求，并使用 Pandas 库处理返回的 JSON 数据。以下是代码示例： 

import requests
import pandas as pd

url = "https://api.bithumb.com/public/transaction_history/BTC_KRW"

try:
    response = requests.get(url)
    response.raise_for_status()  # 检查 HTTP 状态码，如果请求失败，则引发异常
    data = response.() # 将 JSON 响应转换为 Python 字典

    if data['status'] == "0000":
        transactions = data['data']
        df = pd.DataFrame(transactions) # 从交易数据创建 Pandas DataFrame

        # 将 'transaction_date' 列转换为 datetime 对象
        df['transaction_date'] = pd.to_datetime(df['transaction_date'], format='%Y-%m-%d %H:%M:%S')

        # 将 'price' 和 'units_traded' 列转换为数值类型
        df['price'] = pd.to_numeric(df['price'])
        df['units_traded'] = pd.to_numeric(df['units_traded'])

        # 按 'transaction_date' 列对 DataFrame 进行排序
        df = df.sort_values(by='transaction_date')

        # 计算 20 日移动平均线 (MA20)
        df['MA20'] = df['price'].rolling(window=20).mean()

        # 打印包含 MA20 的 DataFrame 的最后 20 行
        print(df.tail(20))
    else:
        print(f"错误: {data['message']}") # 打印 API 返回的错误消息

except requests.exceptions.RequestException as e:
    print(f"请求错误: {e}") # 捕获请求异常，例如网络错误
except ValueError as e:
    print(f"数值转换错误: {e}") # 捕获数值转换异常
except KeyError as e:
    print(f"键错误: {e}") # 捕获键错误，例如 JSON 响应中缺少预期字段
except Exception as e:
    print(f"其他错误: {e}") # 捕获所有其他异常

代码首先定义了 Bithumb API 的 URL。然后，它使用 requests.get() 函数向 API 发送一个 GET 请求。 response.raise_for_status() 检查响应状态码，如果状态码表示错误（例如 404 或 500），则引发 HTTPError 异常。API 的响应被解析为 JSON 格式，并存储在变量 data 中。如果状态码为 "0000"，则从 data['data'] 中提取交易数据并将其存储在 Pandas DataFrame 中。代码将 'transaction_date'、'price' 和 'units_traded' 列转换为适当的数据类型，按日期对 DataFrame 进行排序，并计算价格的 20 日移动平均线。打印 DataFrame 的最后 20 行，以便用户可以查看最近的交易历史记录以及 20 日移动平均线。如果 API 返回错误，则打印相应的错误消息。

代码还包括异常处理块，以捕获可能发生的各种错误，例如网络问题 ( requests.exceptions.RequestException )、JSON 解析错误 ( ValueError ) 或数据中缺少键 ( KeyError )。这可以确保程序在出现问题时不会崩溃，而是会向用户显示有意义的错误消息。

移动平均线的计算通过 rolling() 函数实现，该函数创建一个滑动窗口，允许我们计算指定窗口大小内的统计数据。在此示例中，窗口大小设置为 20，这意味着移动平均线是基于过去 20 个交易日的价格计算得出的。

5. 可视化分析结果

将加密货币市场分析的结果进行可视化呈现，能够以更直观的方式理解市场的动态变化趋势。 通过图形化的表示，复杂的数据模式和潜在的市场信号得以清晰展现，为决策提供有力支持。

常用的可视化手段包括但不限于：

  • 折线图： 适用于展示价格随时间变化的趋势，可以清晰地观察价格的波动和整体走向。
  • 柱状图： 常用于展示交易量，能够直观地反映市场活跃程度。
  • K线图： 一种专门为金融市场设计的图表，能够在一个图表中展示开盘价、收盘价、最高价和最低价，是分析价格行为的重要工具。
  • 热力图： 用于展示不同加密货币之间的相关性，帮助识别潜在的套利机会或风险。
  • 散点图： 用于分析不同变量之间的关系，例如交易量和价格波动率。

这些图表可以用来展示多种数据，例如：

  • 价格数据： 包括开盘价、收盘价、最高价、最低价，以及各种平均价格。
  • 成交量数据： 反映市场的活跃程度和流动性。
  • 技术指标： 例如移动平均线、相对强弱指标（RSI）、移动平均收敛散度（MACD）等，用于辅助判断市场趋势和超买超卖情况。
  • 链上数据： 例如活跃地址数、交易笔数、巨鲸交易动向等，可以反映区块链网络的使用情况和潜在的市场风险。

以下代码示例展示如何使用 matplotlib 库绘制BTC/KRW（比特币/韩元）交易对的价格走势以及20日移动平均线，以便更清晰地观察价格趋势： 

import requests
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt

# 从Upbit API获取BTC/KRW的日线数据
def fetch_btc_krw_data(count=200):
    url = f"https://api.upbit.com/v1/candles/days?market=KRW-BTC&count={count}"
    headers = {"accept": "application/"}
    response = requests.get(url, headers=headers)
    response.raise_for_status()  # 检查请求是否成功
    data = response.()
    df = pd.DataFrame(data)
    df['trade_date_kst'] = pd.to_datetime(df['trade_date_kst'])
    df = df.sort_values(by='trade_date_kst')
    df = df.set_index('trade_date_kst')
    return df

# 计算移动平均线
def calculate_moving_average(df, window=20):
    df['ma20'] = df['trade_price'].rolling(window=window).mean()
    return df

# 绘制价格和移动平均线
def plot_price_and_ma(df):
    plt.figure(figsize=(12, 6))
    plt.plot(df['trade_price'], label='BTC/KRW Price', color='blue')
    plt.plot(df['ma20'], label='20-day MA', color='red')
    plt.xlabel('Date')
    plt.ylabel('Price (KRW)')
    plt.title('BTC/KRW Price and 20-day Moving Average')
    plt.legend()
    plt.grid(True)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# 主程序
if __name__ == '__main__':
    btc_data = fetch_btc_krw_data()
    btc_data = calculate_moving_average(btc_data)
    plot_price_and_ma(btc_data)

上述代码首先通过Upbit API获取BTC/KRW的日线数据，然后计算20日移动平均线，并最终使用 matplotlib 库将价格和移动平均线绘制在同一张图表上。 清晰展示了价格随时间的变化以及移动平均线对价格趋势的平滑效果。

Bithumb API 获取交易历史数据

通过 Bithumb API，开发者可以获取指定交易对的历史交易数据。以下代码展示了如何使用 Python 获取 BTC/KRW 交易对的交易历史，并计算 20 日移动平均线，最后通过图表展示。

API 端点： https://api.bithumb.com/public/transaction_history/BTC_KRW

该 API 端点返回 JSON 格式的数据，包含了 BTC/KRW 交易对的交易历史记录。你可以通过 HTTP GET 请求访问该端点。

Python 代码示例： 

import requests
import pandas as pd
import matplotlib.pyplot as plt
import 

url = "https://api.bithumb.com/public/transaction_history/BTC_KRW"

try:
    response = requests.get(url)
    response.raise_for_status() # 检查请求是否成功

    # 使用 () 方法解析 JSON 响应，而不是 .JSONDecodeError
    data = response.()

    if data['status'] == "0000":
        transactions = data['data']
        df = pd.DataFrame(transactions)

        # 将 'transaction_date' 列转换为 datetime 对象
        # Bithumb API 返回的日期时间格式为 '%Y-%m-%d %H:%M:%S'
        df['transaction_date'] = pd.to_datetime(df['transaction_date'], format='%Y-%m-%d %H:%M:%S')

        # 将 'price' 和 'units_traded' 列转换为数值类型
        # 确保数据类型正确，以便进行后续计算
        df['price'] = pd.to_numeric(df['price'])
        df['units_traded'] = pd.to_numeric(df['units_traded'])

        # 按 'transaction_date' 列对数据进行排序
        # 确保数据按时间顺序排列，便于计算移动平均线
        df = df.sort_values(by='transaction_date')

        # 计算 20 日移动平均线
        # 使用 rolling() 方法计算窗口为 20 的移动平均值
        df['MA20'] = df['price'].rolling(window=20).mean()

        # 使用 matplotlib.pyplot 库绘制图表
        plt.figure(figsize=(12, 6))
        plt.plot(df['transaction_date'], df['price'], label='Price', color='blue')
        plt.plot(df['transaction_date'], df['MA20'], label='MA20', color='red')
        plt.xlabel('Transaction Date')
        plt.ylabel('Price (KRW)') # 修改 y 轴标签，更清晰地表达价格单位
        plt.title('BTC/KRW Price and 20-day Moving Average') # 更详细的图表标题
        plt.legend()
        plt.grid(True) # 添加网格线，使图表更易读
        plt.show()

    else:
        print(f"Error: {data['message']}")

except requests.exceptions.RequestException as e:
    print(f"Request Error: {e}")
except .JSONDecodeError as e: # 修正异常类型
    print(f"JSON Decode Error: {e}")
except KeyError as e:
    print(f"Key Error: {e}")
except Exception as e:
    print(f"An unexpected error occurred: {e}") # 添加通用异常捕获

代码解释：

  • 导入必要的 Python 库： requests 用于发送 HTTP 请求， pandas 用于数据处理， matplotlib.pyplot 用于绘制图表。
  • 然后，定义 API 端点 URL。
  • 使用 requests.get() 方法发送 GET 请求，并使用 response.raise_for_status() 检查请求是否成功。
  • 通过 response.() 解析 JSON 响应。
  • 检查 API 返回的状态码，如果状态码为 "0000"，则表示请求成功。
  • 从响应数据中提取交易历史记录，并将其转换为 pandas DataFrame。
  • 将 'transaction_date' 列转换为 datetime 对象，将 'price' 和 'units_traded' 列转换为数值类型。
  • 按 'transaction_date' 列对数据进行排序。
  • 计算 20 日移动平均线。
  • 使用 matplotlib.pyplot 库绘制图表，展示 BTC/KRW 的价格和 20 日移动平均线。
  • 添加异常处理，捕获可能出现的 requests.exceptions.RequestException , .JSONDecodeError 和 KeyError 异常，确保程序的健壮性。

此代码段提供了一个获取和可视化 Bithumb 交易历史数据的示例，并加入了错误处理机制，提高了代码的可用性。 请注意，API 使用可能受到 Bithumb 的使用条款限制，并可能需要 API 密钥。

6. 自动化交易与行情分析系统构建

整合前述步骤，可构建全自动化的加密货币行情分析和交易系统。核心在于任务调度、数据处理、策略执行和风险控制。

数据采集自动化： 利用定时任务（如Cron Jobs或Windows计划任务）定期从Bithumb API获取市场数据。获取频率可根据具体需求调整，例如，高频交易可能需要每秒或每分钟更新数据，而长期投资则可以每小时或每天更新。采集的数据包括交易对的最新成交价、成交量、买一价、卖一价、深度数据、历史K线数据等。

数据清洗与处理： 对原始数据进行清洗，去除异常值、缺失值和重复数据。转换数据格式，使其适用于后续的分析和计算。例如，将时间戳转换为标准日期格式，将价格和成交量转换为数值类型。计算各种技术指标，如移动平均线（MA）、指数移动平均线（EMA）、相对强弱指标（RSI）、移动平均收敛散度（MACD）、布林带（Bollinger Bands）等。这些指标可以帮助分析师识别市场趋势、超买超卖区域和潜在的交易信号。

数据存储与管理： 将清洗后的数据和计算得到的技术指标存储到数据库（如MySQL、PostgreSQL）或文件系统（如CSV、JSON）。数据库可以提供更高效的数据查询和管理功能，而文件系统则更简单易用。选择合适的存储方案取决于数据量、查询频率和系统复杂性。

策略执行自动化： 基于技术指标和市场规则，构建交易策略。例如，当RSI低于30时买入，当RSI高于70时卖出；或者当价格突破布林带上轨时卖出，当价格跌破布林带下轨时买入。将交易策略编写成程序代码，并与交易所API对接，实现自动交易。交易策略应包含止损和止盈设置，以控制风险。

风险控制与监控： 设置报警规则，当市场出现异常波动或交易策略触发时，自动发送邮件、短信或通过即时通讯工具（如Telegram、Slack）发送提醒。异常波动包括价格大幅波动、成交量异常放大、技术指标出现极端值等。监控系统应实时监控交易账户的资金状况、持仓情况和交易执行情况，确保系统运行稳定可靠。

系统优化与改进： 定期回测交易策略，评估其盈利能力和风险水平。根据回测结果，调整策略参数或改进策略逻辑。持续优化系统性能，提高数据采集和处理效率，降低交易延迟。

借助Bithumb API，可以获取全面深入的市场数据，实现高级行情分析。务必牢记，加密货币市场具备高波动性，任何分析结果都不能保证盈利。进行投资决策前，务必进行充分的研究，审慎评估风险承受能力。