备案控制台
探索云世界
开发者社区 开发与运维 文章 正文

Python 金融量化 均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)

2022-04-19 931
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Python 金融量化 均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)

捕捉趋势最普遍的方法为移动平均线，根据求平均的方式不同，移动平均数又可分为简单移动平均数(Simple Moving Average, SMA)，加权移动平均数(Weighted Moving Average, WMA)，和指数移动平均数(Exponential Moving Average, EXPMA或EMA)。

目录

获取数据

以从Tushare获取深证成指(‘399001.SZ’)股价数据为例。

# 导入相关模块
import os
import numpy as np
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
# from pylab import mpl

token = 'Your token'   # 输入你的接口密匙，获取方式及相关权限见Tushare官网。
pro = ts.pro_api(token)
df = pro.index_daily(ts_code='399001.SZ')  #index_daily为指数日线的接口。股票的则为daily。

# 将获取到的DataFrame数据进行标准化处理，转换为方便自己使用的一种规范格式。
df = df.loc[:, ['trade_date', 'open', 'high', 'low', 'close', 'vol']]
df.rename(
    columns={
        'trade_date': 'Date', 'open': 'Open',
        'high': 'High', 'low': 'Low',
        'close': 'Close', 'vol': 'Volume'},
    inplace=True)       # 重定义列名，方便统一规范操作。
df['Date'] = pd.to_datetime(df['Date'])  # 转换日期列的格式，便于作图
df.set_index(['Date'], inplace=True)  # 将日期列作为行索引
df = df.sort_index()  # 倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。
Close = df['Close']   # 取出收盘数据。
    
now = datetime.now()  # 现在时间
today = now.strftime('%Y-%m-%d')   # 今日日期

# 设置一会儿生成的图像文件的保存路径，这里该三行命令在D盘创建一个以今日日期命名的文件夹。
path = 'D:/' + today
if not os.path.exists(path):
    os.mkdir(path)
# 准备工作完毕，走起！

1.简单移动平均(SMA)

1.1 简单移动平均数

  • 即以算术平均的方式对目标数据对象求均值。(5日为例)
    在这里插入图片描述
# 求取5日简单移动平均数
Sma5 = pd.Series(0.0,index=Close.index)
for i in range(4,len(Close)):
    Sma5[i] = sum(Close[i-4:(i+1)])/5
# 求取10日简单移动平均数
Sma10 = pd.Series(0.0,index=Close.index)
for i in range(9,len(Close)):
    Sma10[i] = sum(Close[i-9:(i+1)])/10

1.2 绘制5&10日简单移动平均线

# 取2020年的数据绘图 
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close['2020'], label="Close", color='g')
plt.plot(Sma5['2020'], label="Sma5", color='r', linestyle='dashed')
plt.plot(Sma10['2020'], label="Sma10", color='b', linestyle='dashed')
plt.title('深证成指近2020全年收盘数据附5&10日MAV图')
plt.legend()  # 增设图例
plt.show()
# plt.savefig(path + '/深证成指2020年收盘数据时序图附5&10日MAV.png')

运行效果如下图所示：
在这里插入图片描述

1.3 定义简单移动平均计算函数

def smaCal(tsPrice, k):
    import pandas as pd
    Sma = pd.Series(0.0, index=tsPrice.index)
    for i in range(k-1, len(tsPrice)):
        Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
    return(Sma)

# 调用
smaCal(Close['2020'], 5)

1.4 定义简单移动平均绘图函数

# 设定传入三个参数：name:序列名字(如“深证成指”，便于注明于图像标题。)
# tsPrice: Series类型的数据序列。
# 不定参数我们规定为最多只能五个，即最多添加五根均线。
def plot_smaCal(name,tsPrice, *args):
    if len(args)>5:
        print('提示：添加均线数量最多是五个！')
        return None
    import pandas as pd
    plt.plot(tsPrice, label="Close", color='g')
    colors = ['r', 'k', 'b', 'c', 'y']   # 设定5个颜色，也即关系到上边均线数量的上限。
    j = 0   # 用于颜色索引转换
    for k in args: 
        Sma=pd.Series(0.0, index=tsPrice.index)
        for i in range(k-1, len(tsPrice)):
            Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
        plt.plot(Sma[k-1:], label="Sma"+str(k), color=colors[j], linestyle='dashed')
        j += 1
    days='&'.join([str(ints) for ints in args])
    plt.title(name + '收盘数据附' + days + '日MAV图')
    plt.legend()  # 增设图例
    plt.show()
    #  plt.savefig(path + '/' + name + '收盘数据时序图附' + days + 'MAV.png')


# 调用
plot_smaCal('深证成指',Close['2020'],5,10,20,50)

输出结果如图：
在这里插入图片描述

1.5 直接使用mplfinance库来绘制

直接使用mplfinance库来绘制不失为一种更简单的方法。

import mplfinance as mpf
road = path + '/深证成指2020年收盘数据附5&10日MAV图.jpg'
s = mpf.make_mpf_style(base_mpf_style='blueskies', rc={'font.family': 'SimHei'})   # 解决mplfinance绘制输出中文乱码
mpf.plot(df['2020'], type='line',
        ylabel="price", style=s, title='深证成指2020年时序图附5&10日双均线', mav=(5, 10), volume=True, ylabel_lower="volume(shares)", savefig=road)
# 通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。
然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)

图像效果如下：
在这里插入图片描述

2.加权移动平均

2.1 加权移动平均数

加权移动平均，即对数据赋予一定的权重后再求平均。
一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。
WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5
(其中w1 + w2 + w3 + w4 + w5 = 1)

# 5日加权移动平均线
b1 = np.array([1, 2, 3, 4, 5])
w1 = b1/sum(b1)    # 定义一组权重
Wma5 = pd.Series(0.0, index=Close.index)
for i in range(4,len(Close)):
    Wma5[i] = sum(w1*Close[i-4:(i+1)])
# 10日加权移动平均线
b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
w2 = b2/sum(b2)   # 定义一组权重
Wma10 = pd.Series(0.0, index=Close.index)
for i in range(9,len(Close)):
    Wma10[i] = sum(w2*Close[i-9:(i+1)])

2.2 定义加权移动平均计算函数

def wmaCal(tsPrice, weight):
    import pandas as pd
    import numpy as np
    k = len(weight)
    arrWeight = np.array(weight)
    Wma=pd.Series(0.0, index=tsPrice.index)
    for i in range(k-1, len(tsPrice.index)):
        Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])
    return(Wma)

# 调用
b = np.array([1, 2, 3, 4, 5])
w = b1/sum(b)
wmaCal(Close['2020'],w)

2.3 绘制加权移动平均线

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close['2020'], label="Close", color='g')
plt.plot(Wma5['2020'], label="Wma5", color='r', linestyle='dashed')
plt.plot(Wma10['2020'], label="Wma10", color='b', linestyle='dashed')
plt.title('深证成指近2020年收盘数据附5&10日加权WAV图')
plt.legend()  # 增设图例
plt.show()
# plt.savefig(path + '/深证成指2020年收盘数据时序图附5&10日MAV.png')

图像效果展示如下：
在这里插入图片描述

3.指数加权移动平均(EMA)(EXPMA)(EWMA)

3.1指数加权移动平均数

指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。
第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k
即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均
后边的按此公式以此类推。

# 第五天指数加权移动平均数为前五天的算数平均数
Ewma5_number1 = np.mean(Close[0:5])
Ewma5 = pd.Series(0.0, index=Close.index)
Ewma5[4]=Ewma5_number1

# 计算第六天及以后的指数移动平均数
for i in range(5, len(Close)):
    Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2

Ewma5.head(10)
  • 由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。

3.2 指数加权移动平均线

# 绘制指数加权移动平均线图像
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close['2020'], label="Close", color='r')
plt.plot(Ewma5['2020'], label="Ewma5", color='g', linestyle='-.')
plt.title('深证成指近2020年收盘数据时序图附5日指数移动平均线')
plt.legend()
plt.show()

结果如图所示：
在这里插入图片描述

3.2定义计算指数加权移动平均数函数

def ewmaCal(tsPrice, period=5,exponential=0.2):
    import pandas as pd
    import numpy as np
    Ewma = pd.Series(0.0, index=tsPrice.index)
    Ewma[period-1]=np.mean(tsPrice[:period])
    for i in range(period, len(tsPrice)):
        Ewma[i] = exponential * tsPrice[i] + (1 - exponential) * Ewma[i-1]
    return(Ewma)


# 调用
Ewma=ewmaCal(Close,5,0.2)
Ewma.head(10)

4.常用平均方法比较

  • 简单移动平均(SMA)对前n期的价格求算术平均，所有价格数据同等权重。
  • 加权移动平均(WMA)赋予价格数据不同的权重。一般近期数据权重大，远期数据权重小。
  • 指数移动平均(EMA)类似于加权移动平均，是以指数形式递减加权的移动平均。
  • 三条均线对收盘价曲线的变化往往都有一定的滞后性。

5.双均线交叉策略

利用长短期均线的相对关系，来识别价格趋势的变化。

  1. 先求出短期均线和长期均线。
  2. 当短期均线从下向上穿过长期均线时，释放出买入信号。
  3. 当短期均线从上向下穿过长期均线时，释放出买入信号。
    长短均线的时间跨度的选择，因人而异。

6.异同移动平均线(MACD)

6.1 指标概述

  • MACD指标由两线一柱组合起来形成。
  • 快速线为DIF，慢速线为DEA，柱状图为MACD。
  • 快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。
  • 柱状图MACD由快速线DIF与慢速线DEA作差得到。
  • MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。
  • 一般默认MACD的求值参数为12、26和9。
  • DIF = EMA(close,12) - EMA(close,26)
  • DEA = EMA(DIF,9)
  • MACD = DIF - DEA

6.2 绘图代码

# 计算相关指标，用到了上边定义过的函数ewmaCal()。
DIF = ewmaCal(Close, 12, 2/(1+12)) - ewmaCal(Close, 26, 2/(1+26))
DEA = ewmaCal(DIF, 9, 2 / (1+9))  # DEA的线图也被称为信号线
MACD = DIF - DEA
MACD1 = MACD[MACD.values > 0]  # MACD数据大于零的部分 作图体现为红色
MACD2 = MACD[MACD.values < 0]  # MACD数据小于零的部分 作图体现为绿色

# 绘制2020年全年深证成指MACD图像
plt.rcParams['font.sans-serif'] = ['SimHei']   # 设定显示中文
plt.rcParams['axes.unicode_minus'] = False   # 设定正常显示负号
plt.subplot(211)
plt.plot(DIF['2020'], label="DIF", color="k")
plt.plot(DEA['2020'], label="DEA", color="b",linestyle='dashed')
plt.title("信号线DIF与DEA")
plt.xlabel('date')
plt.ylabel('value')
plt.legend()
plt.subplot(212)
plt.bar(MACD1['2020'].index, height=MACD1['2020'], color='r', edgecolor='k')
plt.bar(MACD2['2020'].index, height=MACD2['2020'], color='g', edgecolor='k')
plt.title('MACD')
plt.xlabel('date')
plt.ylabel('value')
plt.show()
# plt.savefig(path + '/深证成指2020年MACD指标图.png')

生成结果如下：
在这里插入图片描述

6.3常用MACD交易思想

这里我们阐述一些常用的MACD交易思想：

  1. 当DIF和DEA都在零刻度线上方时，表明市场是多头行情；反之，当DIF和DEA都在零刻度线下方时，表明市场是空头行情。投资实战中，“零上双金叉” 策略广为人们使用：当DIF和DEA都在零刻度线上方，在一段时间内，DIF先上穿DEA线，不久DIF下跌到DEA线的下方，然后DIF又上穿DEA线，此时，说明股价上涨趋势较强，市场处于上涨行情中。
  2. 当DIF下穿信号线DEA时，释放出买入信号；当DIF向上穿过信号线DEA时，释放出卖出信号。
  3. MACD柱状图的高低表示DIF与DEA的离差值大小，柱状图在零刻度附近时，释放出买卖信号。柱形图在零刻度线上方，表示DIF大于DEA，市场走势较强；柱形图在零刻度线下方，表示DIF小于DEA，市场走势较弱。
  4. MACD指标的形态分析也是一大关注焦点，可以套用一般的形态分析理论与方法。

DIF与DEA的交叉与背离策略分析：

  1. 先求出DIF(离差值，快线)、DEA(信号线，慢线)的值；
  2. DIF、DEA均为正，DIF向上突破DEA，买入信号。
  3. DIF、DEA均为负，DIF向下跌破DEA，卖出信号。
文章标签：
Python
关键词：
Python系统
Python策略
Python指数
Python绘图
Python量化
侯小啾
目录
相关文章
游客pxynxsrl3ycx6
|
23天前
|
存储 人工智能 搜索推荐
【python】python用户管理系统[简易版]（源码+报告）【独一无二】
【python】python用户管理系统[简易版]（源码+报告）【独一无二】
游客pxynxsrl3ycx6
36 0
实沈
|
29天前
|
Python
Python实现简易天气查询系统
Python实现简易天气查询系统
实沈
29 4
4as3qn2go3ure
|
1天前
|
数据可视化 Python
Python的分子模拟动态促进DF Theory理论对二进制硬盘系统的适用性
Python的分子模拟动态促进DF Theory理论对二进制硬盘系统的适用性
4as3qn2go3ure
3 0
1941623231718325
|
7天前
|
数据采集 JavaScript 前端开发
使用Python打造爬虫程序之破茧而出：Python爬虫遭遇反爬虫机制及应对策略
【4月更文挑战第19天】本文探讨了Python爬虫应对反爬虫机制的策略。常见的反爬虫机制包括User-Agent检测、IP限制、动态加载内容、验证码验证和Cookie跟踪。应对策略包括设置合理User-Agent、使用代理IP、处理动态加载内容、验证码识别及维护Cookie。此外，还提到高级策略如降低请求频率、模拟人类行为、分布式爬虫和学习网站规则。开发者需不断学习新策略，同时遵守规则和法律法规，确保爬虫的稳定性和合法性。
1941623231718325
15 1
4as3qn2go3ure
|
9天前
|
Python
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
4as3qn2go3ure
15 1
小白学大数据
|
10天前
|
数据采集 NoSQL 搜索推荐
五一假期畅游指南：Python技术构建的热门景点分析系统解读
五一假期畅游指南：Python技术构建的热门景点分析系统解读
小白学大数据
26 0
米码收割机
|
18天前
|
人工智能 机器人 测试技术
【Python】Python仓储管理系统（源码）【独一无二】
【Python】Python仓储管理系统（源码）【独一无二】
米码收割机
29 0
游客pxynxsrl3ycx6
|
23天前
|
人工智能 机器人 测试技术
【Python】Python房屋销售系统(源码)【独一无二】（课程设计）
【Python】Python房屋销售系统(源码)【独一无二】（课程设计）
游客pxynxsrl3ycx6
29 0
轻松学编程
|
26天前
|
机器学习/深度学习 数据采集 算法
基于Apriori关联规则的电影推荐系统（附python代码）
这是一个基于Apriori算法的电影推荐系统概览。系统通过挖掘用户评分数据来发现关联规则，例如用户观看某部电影后可能感兴趣的其他电影。算法核心是逐层生成频繁项集并设定最小支持度阈值，之后计算规则的置信度。案例中展示了数据预处理、频繁项集生成以及规则提取的过程，具体包括用户评分电影的统计分析，如1-5部电影的评分组合。最后，通过Python代码展示了Apriori算法的实现，生成推荐规则，并给出了一个简单的推荐示例。整个过程旨在提高推荐的精准度，基于用户已评分的电影推测他们可能尚未评分但可能喜欢的电影。
轻松学编程
56 1
基于Apriori关联规则的电影推荐系统（附python代码）
实沈
|
29天前
|
Python
Python实现简易文件管理系统
Python实现简易文件管理系统
实沈
28 5

热门文章

最新文章

  • 1
    阿里云 MaxCompute MaxFrame 开启免费邀测，统一 Python 开发生态
  • 2
    使用Python实现DBSCAN聚类算法
  • 3
    在Python Web开发过程中：数据库与缓存，MySQL和NoSQL数据库的主要差异是什么？
  • 4
    流畅的 Python 第二版（GPT 重译）（一）(1)
  • 5
    【Python】python天气数据抓取与数据分析（源码+论文）【独一无二】
  • 6
    Python 学习之路 01基础入门---【Python安装，Python程序基本组成】
  • 7
    流畅的 Python 第二版（GPT 重译）（十一）(1)
  • 8
    Python 数据分析（PYDA）第三版（三）（1）
  • 9
    Python函数使用(四)
  • 10
    Python速成篇（基础语法）上
  • 1
    Python中的装饰器：概念、用法和实例
    19
  • 2
    Python中的装饰器：概念、用法及实例
    18
  • 3
    使用Python实现图像处理中的边缘检测算法
    47
  • 4
    Python中如何实现字符串反转？请提供至少两种方法。
    19
  • 5
    在Python中，如何创建一个迭代器？
    21
  • 6
    请解释Python中的迭代器和生成器的区别？并分别举例说明。
    20
  • 7
    在Python中，如何使用装饰器重写类的方法？
    23
  • 8
    Python中的装饰器：概念、用法及实例
    19
  • 9
    Python中的装饰器：概念、应用与实例
    17
  • 10
    Python中的装饰器：概念、用法和实例
    20

    • 相关课程

    更多
  • Python爬虫实战
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • 用Python画圣诞树
  • 使用Python完成RDS数据开发及分析
  • Python选择及循环结构
  • 云端Python及基本操作
  • Python网络通信程序典型应用
  • Python新手入门（Anolis OS）
    • 下一篇
    部署LAMP环境（Alibaba Cloud Linux 3）