使用MACD指标在上证指数000001.SH上开发单边多头策略

  学校开设的项目,金融工程的入门版~

  软件:tradestation

  语言:easylanguage

  这次任务要求写几个策略:使用MACD、RSI、Momentum这几个指标。

  其实这个平台挺好上手的,国信的入门视频超棒,真的很快就上手了。easylanguage也是,有其他编程语言的基础这个也很容易上手。

  丢个国信的链接上来(虽然直接百度也能找到),我也完全是按照这个来学的...

http://www.guosen.com.cn/gxzq/tradestation/course-list.jsp?classid=000100020012001600010001


    打开软件后点左边那个灰色的交易应用程序有很多选项,选择图形分析就是下图了(这是我已经插入策略后的结果图),选择EasyLanguage可以打开策略编辑界面。


啥也不说了,直接上图上结果吧

MACD:

这个平台有个很好的帮助,可以搜索任何你想要的函数,而且可以看到定义、举例什么的,容易上手。我这个代码实际上也就是根据MACD指标来写的,修改一点就可以。至于具体的语法问题建议直接看国信的视频,有专业人士带着一点一点入门,不过还是直接写代码掌握更快一些(一开始我就是随便写==完全不知写的啥居然都运行起来了,后来看的视频才知道自己写的啥【星星眼】)


在图形分析界面上单击右键(不要点在k线图上),可以看到上面这张图。具体功能还是要靠自己挖掘的,我就说说我用到的几个吧。

设置代码就是设置所选股票的一些信息,可以选择15分钟线啊,起止时间啊

设置策略可以直接对策略的参数进行设置,其中还有一个很好用的功能——优化。可以给参数设置范围,然后跑出所选范围中表现最好的参数。

启用\禁用策略就是可以一下子把自己写的三个策略都加载进去,然后选择启用哪个或者禁用哪个。

然后插入策略什么的是肯定要用到啦(不然怎么测试自己写的策略呢)

可以查看自己写的策略的性能评价


效果还是不错的(说明优化真的效果)

Momentum指标:

图形分析:


策略表现:


RSI指标:


图像分析:


策略表现:


总体来说,MACD的表现最好了。

总结一下这次碰到的问题:

1、关于指标的问题的是直接百度的,但是因为还需要结合k线图的实际情况,所以不能直接套用百度经验的指标。比如关于RSI指标,百度的描述是——短期RSI在80以上水平,由上往下交叉长期RSI,为卖出信号;短期RSI在20以下水平,由下往上交叉长期RSI,为买进信号。但是实际上我选择的上证指数向上达不到80,向下达不到20,所以这参数的选择是有问题的。后来经过调试我选择了50作为分水岭,就可以调节出相对合适的结果了。

2、ts这个平台的函数是可以直接使用的,但是对于指标的理解还要靠个人,虽然编程的时候重点在于如何使用函数。





  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值