Python量化择时的技术指标函数

简介: Python量化择时的技术指标函数

Python量化择时的技术指标函数
技术指标通过对原始数据(开盘价、收盘价、最低价、最高价、成交量、成交金额、成交笔数)的处理,来反映出市场的某一方面深层的内涵,这些内涵是很难通过原始数据直接看出来的。技术指标能客观地反映某些既成过去的事实,将某些市场的数据形象化、直观化,将某些分析理论数量化和精细化。

量化择时概述
量化择时是指利用数量化的方法,通过各种技术分析的量化分析,找到自选股中的股票的买点和卖点时机。在各种技术分析中,技术指标是非常重要的量化分析手段,也是最常用的量化分析工具。

目前,应用于股市的技术指标有几百种,按照不同的计算原理和反映状况,可大致分4类,分别是趋向指标、压力支撑指标和量价指标。如下图所示:

image.png

趋向指标(Trend Indicators):
趋向指标是用来显示市场趋势方向和强度的技术指标。常见的趋向指标包括移动平均线(如简单移动平均线和指数移动平均线)和趋势线(如斜率趋势线和通道趋势线)。趋向指标可以帮助交易者识别市场的上升、下降或横盘趋势。

反趋向指标(Oscillators):
反趋向指标是用来辅助判断市场超买和超卖状态的技术指标。典型的反趋向指标包括相对强弱指数(RSI)、随机指标(Stochastic Oscillator)和平均真实区间指数(Average True Range, ATR)。这些指标可帮助投资者确定何时市场可能过热或过冷,从而作出更明智的交易决策。

压力支撑指标(Support and Resistance Indicators):
压力支撑指标是用来标识股价可能会遇到阻力或支撑的水平的技术指标。这些指标包括移动平均线、布林带(Bollinger Bands)、波动率通道等。支撑线代表价格下跌受到支持的水平,而阻力线则表示价格上涨受到阻碍的水平。

量价指标(Volume-Price Indicators):
量价指标是通过比较交易量和价格的变化来帮助投资者评估市场情绪和趋势的指标。典型的量价指标包括成交量指标、积极成交量指标(Accumulation/Distribution Line)、相对量力指数(On-Balance Volume, OBV)等。这些指标能够提供有关市场参与者活动水平的信息,有助于确认价格走势的可靠性。

这些技术指标在股市中被广泛使用,但需要注意,技术指标的单独使用可能并不总是有效的,应结合其他分析方法和市场情况进行综合考虑。

趋向指标函数
趋向指标是投资者最容易在市场中获利的方法,也是股票、期货、外汇市场中最为著名的格言“让利润充分增长、限制损失”的真实反映。

MACD指标函数
MACD指标,即平滑异同平均线。在Python量化炒股策略中,平滑异同平均线MACD的语法格式如下:

MACD(security_list, check_date, SHORT=12, LONG=26,MID=9)

各参数意义如下:

security_list:股票列表,可以是一只股票,也可是多只股票

check_date:要查询数据的日期

SHORT:统计的天数SHORT

LONG:统计的天数LONG

MID:统计的天数MID

返回DIF、DEA和MACD的值,返回类型为字典(dict),键(key)为股票代码,值(value)为数据。

平滑异同平均线MACD用法具体如下:

第一,DIFF、DEA均为正,DIFF向上突破DEA,买入信号

第二,DIFF、DEA均为负,DIFF向下跌破DEA,卖出信号

第三,DEA线与K线发生 背离,行情反转信号

第四,分析MACD柱状线,由红变绿(正变负),卖出信号;由绿变红,买入信号

单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = '002465.XSHE'
# 计算并输出security_list1的MACD值
macd_diff, macd_dea, macd_macd = MACD(security_list1, check_date='2024-04-26', SHORT=12, LONG=26,MID=9)
print('海格通信的MACD指标的DIFF值:', macd_diff[security_list1])
print('海格通信的MACD指标的DEA值:',macd_dea[security_list1])
print('海格通信的MACD指标的MACD值:', macd_macd[security_list1])

首先导入technical_analysis库,这样才可以使用函数MACD()。在这里定义计算的股票为海格通信,接着就调用函数MACD(),获得DIF、DEA和MACD的值,最后利用print()函数显示。

单击工具栏中的运行按钮,快捷键(shift+enter),运行结果如下图所示:
image.png

利用函数MACD()获得DIF、DEA和MACD的值后,就可以量化择时,进行股票的买卖操作。例如,DIFF、DEA均为正,DIFF向上突破D EA,买入信号,转为Python代码如下:

macd_diff[security_list1] > 0
macd_dea[security_list1] > 0
macd_diff[security_list1] > macd_dea[security_list1]

DIFF、DEA均为负,DIFF向下跌破DEA,卖出信号,转为Python代码如下:

macd_diff[security_list1] < 0
macd_dea[security_list1] < 0
macd_diff[security_list1] < macd_dea[security_list1]

EMV指标函数
EMV指标,即简易波动指标。在Python量化炒股策略中,简易波动指标EMV的语法格式如下:

EMV(security_list, check_date, N = 14, M = 9)

其中,security_list和check_date参数与MACD指标相同。

参数N和M表示统计的天数N和统计的天数M。

返回EMV和MAEMV的值,返回类型也与MACD指标相同。简易波动指标EMV用法具体如下:

第一,EMV由下往上穿越0轴时,视为中期买进信号。

第二,EMV由上往下穿越0轴时,视为中期卖出信号。

第三,EMV的平均线穿越0轴,产生假信号的机会较少。

需要注意的是,须长期使用EMV指标才能获得最佳利润。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台。然后单击“新建”按钮,创建Python3文件,输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = ['000001.XSHE', '000002.XSHE', '601211.XSHG', '603177.XSHG']
# 计算并输出 security_list1的EMV值
EMV1,MAEMV1 = EMV(security_list1, check_date='2024-04-26', N=14, M=9)
for stock in security_list1:
    print(EMV1[stock])
    print(MAEMV1[stock])

注意:这里显示多只股票的EMV指标的参数值,要使用for循环语句显示

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:
image.png

UOS指标函数
UOS指标,即终极指标。其语法格式如下:

UOS(security_list, check_date, N1=7, N2=14,N3=28,M=6)

其中, security_list和check_date参数与MACD指标相同。

参数N1、N2、N3和M分别表示统计的天数N1、N2、N3以及统计的天数M。返回终极指标和MAUOS的值,返回类型也与MACD指标相同。终极指标UOS用法具体如下:

第一,UOS上升至50~70之间,而后向下跌破其N字曲线低点时,为短线卖点。

第二,UOS上升超过70,而后向下跌破70时,为中线卖点。

第三,UOS下跌至45以下,而后向上突破其N字曲线高点时,为短信买点。

第四,UOS下跌至35以下,产生一底比一底高的背离现象时,为底部特征。

单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = '002465.XSHE'
# 计算并输出security_list1的UOS值
uos_ultiInc, uos_mauos = UOS(security_list1, check_date='2024-04-26', N1=7, N2=14, N3=28,M=6)
print('海格通信的终极指标UOS的终极指标值:',uos_ultiInc[security_list1])
print('海格通信的终极目标UOS的MAUOS的值:', uos_mauos[security_list1])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:

image.png

GDX指标函数
GDX指标,即鬼道线,语法格式如下:

GDX(security_list, check_date, N=30,M=9)

其中,security_list和check_date参数与MACD指标相同。

参数N和M分别表示统计的天数N和统计的天数M

返回济安线、压力线和支撑线的值,返回类型也与MACD指标相同。

鬼道线指标GDX,是一种用技术手段和经验判断来决定买卖股票的方法。该公式对趋势线做了平滑和修正处理,更精确地反映了股价运行规律。

当股价上升到压力线时,投资者就卖出股票。

当股价下跌到支撑线时,投资者就进行相应的补进。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = '002465.XSHE'
security_list2 = ['002465.XSHE', '002540.XSHE', '600108.XSHG']
# 计算并输出security_list1的GDX值
gdx_jax, gdx_ylx, gdx_zcx = GDX(security_list1, check_date='2024-04-26', N=30, M=9)
print('海格通信的济安线的值:', gdx_jax[security_list1])
print('海格通信的压力线的值:',gdx_ylx[security_list1])
print('海格通信的支撑线的值:', gdx_zcx[security_list1])

# 输出security_list2的GDX值
gdx_jax, gdx_ylx, gdx_zcx = GDX(security_list2, check_date='2024-04-26', N=30, M=9)
print('\n\n海格通信、亚太科技、亚盛集团的济安线、压力线和支撑线的值:\n')
for stock in security_list2:
    print(gdx_jax[stock])
    print(gdx_ylx[stock])
    print(gdx_zcx[stock])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:
image.png


JS指标函数

JS指标,即加速线。其语法格式如下:

JS(security_list, check_date, N=5, M1=5,M2=10,M3=20)

其中,security_list和check_date参数与MACD指标相同。

参数N1、M1、M2和M3表示统计的天数。返回JS、MAJS1、MAJS2和MAJS3的值,返回类型也与MACD指标相同。

加速线指标是衡量股价涨速的工具,加速线指标上升表明股价上升动力增加,加速线指标下降表明股价下降压力增加。

加速线适用于DMI表明趋势明显时(DMI.ADX大于20)使用:

第一、如果加速线在0值附近形成平台,则表明既不是最好的买入时机也不是最好的卖出时机;

第二,在加速线发生金叉后,均线形成底部是买入时机。

第三,在加速线发生死叉后,均线形成顶部是卖出时机。

当股价下跌到支撑线时,投资者就进行相应的补进。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

#导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = ['002465.XSHE', '002540.XSHE', '600108.XSHG']
# 输出security_list2的JS值
js_jsx, js_majsx1, js_majsx2, js_majsx3 = JS(security_list1, check_date='2024-04-26', N=5,M1=5,M2=10,M3=20)
for stock in security_list1:
    print(js_jsx[stock])
    print(js_majsx1[stock])
    print(js_majsx2[stock])
    print(js_majsx3[stock])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:

image.png

MA指标函数
MA指标,即均线,其语法格式如下:

MA(security_list, check_date, timeperiod=5)

其中,security_list和check_date参数与MACD指标相同。

参数timeperiod表示统计的天数。返回MA的值,返回类型也与MACD指标相同。

均线MA指标用法具体如下:

第一,股价高于平均线,视为强势;股价低于平均线,视为弱势;

第二,平均线向上涨升,具有助涨力道;平均线向下跌降,具有助跌力道;

第三,2条以上平均线向上交叉时,买进;

第四,2条以上平均线向下交叉时,卖出;

第五,移动平均线的信号经常落后股价,若以EXPMA、VMA辅助,可以改善。

当股价下跌到支撑线时,投资者就进行相应的补进。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表
security_list1 = '002465.XSHE'
# 计算并输出security_list1的MA值
MA1 = MA(security_list1, check_date='2024-04-26', timeperiod=5)
MA2 = MA(security_list1, check_date='2024-04-26', timeperiod=10)
MA3 = MA(security_list1, check_date='2024-04-26', timeperiod=30)
print('海格通信的5日均线:', MA1[security_list1])
print('海格通信的10日均线:', MA2[security_list1])
print('海格通信的30日均线:', MA3[security_list1])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:
image.png

EXPMA的指标函数
EXPMA指标,即指数平均线。其语法格式如下:

EXPMA(security_list, check_date,timeperiod=12)

其中,security_list和check_date参数与MACD指标相同。

参数timeperiod表示统计的天数。返回EXPMA的值,返回类型也与MACD指标相同。

指数平均线EXPMA指标用法具体如下:

第一,EXPMA一般以观察12日和50日2条均线为主。

第二,12日指数平均线向上交叉50日指数平均线时,买进;

第三,12日指数平均线向下交叉50日指数平均线时,卖出。

当股价下跌到支撑线时,投资者就进行相应的补进。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
security_list1 = ['002465.XSHE', '002540.XSHE', '601108.XSHG']
# 输出security_list2的EXPMA值
EXPMA1 = EXPMA(security_list1, check_date='2024-04-26', timeperiod=12)
for stock in security_list1:
    print(EXPMA1[stock])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:

image.png

VMA指标函数
VMA指标,即变异平均线,语法格式如下:

VMA(security_list, check_date, timeperiod=12)

其中,security_list和check_date参数与MACD指标相同。

参数time period,表示统计的天数。返回VMA的值,返回类型也与MACD指标相同。

变异平均线VMA指标用法具体如下:

第一,股价高于平均线,视为强势;股价低于平均线,视为弱势。

第二,平均线向上涨升,具有助涨力道;平均线向下跌降,具有助跌力道

第三,2条以上平均线向上交叉时,买进。

第四,2条以上平均线向下交叉时,卖出。

当股价下跌到支撑线时,投资者就进行相应的补进。单击聚宽JoinQuant量化炒股平台中的“策略研究/研究环境”命令,进入Jupyter Notebook的研究平台,然后单击“新建”按钮,创建Python3文件,接着输入如下代码:

# 导入technical_analysis库
from jqlib.technical_analysis import *
# 定义股票池列表,调用get_concept_stocks函数,获取风力发电概念板块的成分股
security_list1 = get_concept_stocks('SC0034')
# 输出security_list1的12日变异平均线值
VMA1 = VMA(security_list1, check_date='2024-04-26', timeperiod=12)
for stock in security_list1:
    print(VMA1[stock])

单击工具栏运行按钮,快捷键(shift+enter),运行结果如下图:

image.png

相关文章
|
11天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
8天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2522 18
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
8天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1525 15
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
4天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。
|
10天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
593 14
|
1月前
|
运维 Cloud Native Devops
一线实战:运维人少,我们从 0 到 1 实践 DevOps 和云原生
上海经证科技有限公司为有效推进软件项目管理和开发工作,选择了阿里云云效作为 DevOps 解决方案。通过云效,实现了从 0 开始,到现在近百个微服务、数百条流水线与应用交付的全面覆盖,有效支撑了敏捷开发流程。
19283 30
|
10天前
|
人工智能 自动驾驶 机器人
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
过去22个月,AI发展速度超过任何历史时期,但我们依然还处于AGI变革的早期。生成式AI最大的想象力,绝不是在手机屏幕上做一两个新的超级app,而是接管数字世界,改变物理世界。
492 49
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
|
1月前
|
人工智能 自然语言处理 搜索推荐
阿里云Elasticsearch AI搜索实践
本文介绍了阿里云 Elasticsearch 在AI 搜索方面的技术实践与探索。
18842 20
|
1月前
|
Rust Apache 对象存储
Apache Paimon V0.9最新进展
Apache Paimon V0.9 版本即将发布,此版本带来了多项新特性并解决了关键挑战。Paimon自2022年从Flink社区诞生以来迅速成长,已成为Apache顶级项目,并广泛应用于阿里集团内外的多家企业。
17530 13
Apache Paimon V0.9最新进展
|
3天前
|
云安全 存储 运维
叮咚!您有一份六大必做安全操作清单,请查收
云安全态势管理(CSPM)开启免费试用
367 4
叮咚!您有一份六大必做安全操作清单,请查收