tradingview-webhooks-bot

GitHub
751 211 中等 1 次阅读 今天GPL-3.0其他语言模型开发框架
AI 解读 由 AI 自动生成,仅供参考

tradingview-webhooks-bot 是一个基于 Python 构建的轻量级框架,旨在帮助交易者将 TradingView 的技术分析信号转化为实际的自动化操作。它并非直接提供现成的交易策略库,而是作为一个灵活的基础设施,让用户能够接收 TradingView 发出的 Webhook 通知,并在此基础上编写和执行自定义逻辑。

对于希望在 TradingView 图表上制定策略,但需要将信号对接到个人交易系统、数据库或通知服务的用户来说,这个工具解决了“最后一公里”的连接难题。它特别适合具备一定编程基础的开发者、量化交易爱好者以及希望搭建私有化交易基础设施的研究人员。普通用户若无需定制逻辑,可能更适合直接使用成熟的商业方案。

该工具的核心亮点在于其事件驱动架构和模块化设计。内置的 Flask Web 服务作为图形化管理界面,简化了配置流程;同时,它提供了便捷的命令行工具,让用户能快速创建、注册并将自定义“动作”链接到"Webhook 接收”等事件上。无论是部署在云端还是本地,配合 Docker 容器化技术,都能实现稳定高效的运行。通过 tradingview-webhooks-bot,用户可以完全掌控数据流向,自由扩展功能,打造专属的自动化交易工作流。

使用场景

一位量化交易开发者希望将 TradingView 上的自定义技术指标信号,实时转化为自动化的交易所下单指令,以实现全天候无人值守交易。

没有 tradingview-webhooks-bot 时

  • 开发重复造轮子:每次新增策略都需要从头搭建 Flask 服务器来接收 webhook 请求,处理 JSON 解析和签名验证,耗费大量基础编码时间。
  • 逻辑耦合严重:信号接收代码与具体的下单逻辑(如连接币安或盈透证券 API)混杂在一起,导致代码难以维护,修改任一环节都容易引发系统崩溃。
  • 扩展性极差:若想增加“发送交易通知到 Telegram"或“记录日志到数据库”等额外动作,必须修改核心代码,无法做到模块化插拔。
  • 部署调试困难:缺乏统一的管理界面和本地测试环境,排查 webhook 接收失败或数据格式错误的问题如同大海捞针。

使用 tradingview-webhooks-bot 后

  • 框架化快速启动:利用其内置的 Flask 架构和事件驱动机制,只需一条命令即可创建并注册新的动作模块,瞬间完成信号接收环境的搭建。
  • 关注点分离清晰:开发者仅需在 run 方法中编写纯粹的交易逻辑,底层的数据校验、路由分发由框架自动处理,大幅降低出错率。
  • 灵活的功能组合:通过简单的命令行链接,可将同一个"WebhookReceived"事件同时触发“下单”、“发通知”、“记日志”等多个独立动作,无需改动原有代码。
  • 可视化调试便捷:借助自带的 GUI 界面和 Docker 一键部署能力,能实时监控 webhook 流入状态和数据载荷,显著缩短从策略构思到实盘运行的周期。

tradingview-webhooks-bot 将繁琐的基础设施搭建转化为标准化的模块组装,让交易者能专注于策略逻辑本身而非底层代码实现。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

不需要 GPU

内存

未说明

依赖
notes该工具是一个基于 Python 的轻量级框架,用于处理 TradingView webhook。推荐使用 Docker 部署(提供了适配 Windows/Mac/Linux 的 docker-compose.yml 文件)。若手动安装,需在 src 目录下运行。实际交易逻辑需用户自行集成第三方库(如 ccxt)在自定义 Action 中实现。
python3.x (通过 python3 命令调用)
Flask
tradingview-webhooks-bot hero image

快速开始

demopic

tvwb_demo.webm

📀 实时演示 🖥

现在有一个实时演示可以在 http://tvwb.robswc.me 上访问。
欢迎去看看,或者向它发送一些 webhook!

DigitalOcean 推荐徽章

在 Discord 上获取支持

是什么 🔬

Tradingview-webhooks-bot (TVWB) 是一个基于 Python 的小型框架,允许你使用来自 Tradingview 的 webhooks 的数据来扩展或实现自己的逻辑。TVWB 并不是一个交易库,而是一个用于构建自定义交易逻辑的框架。

怎么做 🏗

TVWB 本质上是一组组件,其中 Web 应用程序充当 GUI。TVWB 在设计时考虑了事件驱动架构,为你提供了扩展或实现自定义逻辑所需的构建模块。 TVWB 使用 Flask 来处理 webhooks,并为你提供了一个简单的 API 来与数据交互。

快速入门 📘

Docker Compose 命令

docker-compose run app start

安装

托管


请确保你在 src 目录下。运行以下命令时,如果你是手动安装的
如果你使用的是 Docker, 请通过 docker-compose run app shell 启动 tvwb.py shell(在项目根目录下),并省略命令中的 python3 tvwb.py 部分。


创建一个动作

python3 tvwb.py action:create NewAction --register

这会创建一个动作,并自动将其注册到应用中。在此处了解更多关于注册的信息

注意,动作和事件名称应始终使用帕斯卡命名法。

你也可以查看一些“预制”的社区动作

将动作链接到事件

python3 tvwb.py action:link NewAction WebhookReceived

这会将动作链接到 WebhookReceived 事件。当应用接收到 webhook 时,就会触发 WebhookReceived 事件,目前这是唯一的默认事件。

编辑动作

导航到 src/components/actions/NewAction.py,编辑 run 方法。你会看到类似下面的代码。 你可以删除“自定义运行方法”的注释,并替换为自己的逻辑。以下是访问 webhook 数据的一个示例。

class NewAction(Action):
    def __init__(self):
        super().__init__()

    def run(self, *args, **kwargs):
        super().run(*args, **kwargs)  # 这是必需的
        """
        自定义运行方法。在这里添加你的自定义逻辑。
        """
        data = self.validate_data()  # 始终通过调用此方法从 webhook 获取数据!
        print('来自 webhook 的数据:', data)

运行应用

python3 tvwb.py start

发送 webhook

导航到 http://localhost:5000。确保你看到 WebhookReceived 事件。点击“详情”展开事件框。 找到“Key”字段并记下其值。这就是你用来向应用发送 webhook 的密钥。复制下面的 JSON 数据,将“YOUR_KEY_HERE”替换为你刚才复制的密钥。

{
    "key": "YOUR_KEY_HERE",
    "message": "我是一个 webhook!"
}

key 字段是必需的,因为它既用于验证 webhook,也告诉应用应该触发哪个事件。除此之外,你可以发送任何你想发送的数据。这些数据将通过 validate_data() 方法供你的动作使用。(参见上文,编辑动作)

在 Tradingview 上,使用上述 JSON 数据创建一个新的 webhook,并将其发送到 http://ipaddr:5000/webhook。你应该会在控制台看到来自 webhook 的数据打印出来。

常见问题解答

那我到底该如何进行交易呢?

要真正提交交易,你需要使用像 ccxt 这样的库来进行加密货币交易。对于其他经纪商,通常也有 SDK 或 API 可用。一般的流程大致如下:webhook 信号 -> TVWB(这里使用 ccxt)-> 经纪商。你的交易提交将在自定义动作的 run 方法中完成。

tvwb.py shell

你可以使用 tvwb.py shell 命令打开一个带有应用上下文的 Python shell。这样你就可以在不每次都输入 python3 tvwb.py 的情况下与应用进行交互。

在 Windows/Mac 上运行 Docker?

感谢 @khamarr3524 指出,在 Windows 或 Mac 上运行 Docker 时存在一些差异。我已经添加了针对不同操作系统的 docker-compose.yml 文件来适应这些差异。现在应该可以顺利运行各自操作系统对应的 docker-compose.yml 文件了!

我还能在哪里获得帮助?

目前维基仍在建设中。不过你仍然可以在那里找到一些有用的信息。如果需要更多帮助,可以在 Twitter 上私信我,或者加入 Discord。我会尽力尽快回复你!

版本历史

v1.0.22024/02/29
v1.0.12024/02/27
v0.5-beta2022/09/26

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架