【神器】提取时间序列技术指标的神器

最新推荐文章于 2023-04-21 19:01:50 发布

allein_STR

最新推荐文章于 2023-04-21 19:01:50 发布

阅读量402

点赞数

分类专栏：时序相关 python 文章标签：人工智能算法 python 时序指标 Powered by 金山文档

原文链接：https://mp.weixin.qq.com/s/H_gRGxGfGroTh33hD1-u2g

版权

python 同时被 2 个专栏收录

67 篇文章 2 订阅

订阅专栏

时序相关

10 篇文章 6 订阅

订阅专栏

互联网上有一个最简单而又强大的技术库，叫做pandas_ta。这个python库为你提供了一个简化的API，让你从时间序列中提取技术分析指标

它利用具有 130 多个指标和实用程序函数以及 60 多个 TA Lib 烛台模式的 Pandas 包。包括许多常用的指标，例如：蜡烛图(cdl_pattern)、简单移动平均线(sma)、移动平均线收敛散度(macd)、赫尔指数移动平均线(hma)、布林带(bbands)、平衡交易量(obv )、aroon、Squeeze等等。

为什么使用pandas_ta？

使用方便

通常有几种方法可以从股票价格中提取技术分析指标，其中一种是手动编辑完整的处理过程。如果只需要使用像移动平均线这样的简单指标，这种方法实现起来比较轻松，但当我们需要使用更复杂的数学模型时，此时就会想到想是否有这样的python库来轻松实现，其实这就是API的作用，它们调解低级代码的复杂性，提供一个简化的高级接口。

2. 与 pandas DataFrame兼容

import pandas as pd
import pandas_ta as ta
df = pd.DataFrame() # 一个空的DataFrame
            # 导入数据
df = pd.read_csv("path/to/symbol.csv", sep=",")
# 如果你安装了 yfinance
df = df.ta.ticker("aapl")
# VWAP要求DataFrame索引是一个DatetimeIndex。
# 用DataFrame中合适的列替换datetime
df.set_index(pd.DatetimeIndex(df["datetime"]),
             inplace=True)
# 计算结果返回并添加到DataFrame中去
df.ta.log_return(cumulative=True,
                 append=True)
df.ta.percent_return(cumulative=True,
                     append=True)
# 查看下包含结果的列
df.columns
# 查看下具体数据
df.tail()
# 继续后期处理

安装 pandas_ta

$ pip install pandas_ta

pandas_ta实例应用

请注意，pandas_ta 要求数据以特定的格式结构化。

日期需要采用pandas.datetime格式。

列必须是OCHL格式

OCHL指的是金融业中一些常用的指标，用于存储价格随时间的变化。开盘价、收盘价、最高价和最低价。不同的技术分析指标可能只需要其中的一列或多列，所以拥有全部四列将使我们能够模拟库中的大多数可用指标。

为了演示目的，使用如下程序将生成一个程序性的OCHL股票。

from scipy.stats import skewnorm
import plotly.graph_objects as go
import plotly.express as px
import pandas_ta as ta
import pandas as pd
import numpy as np
import random

# 高低差的正态分布
def create_pdf(sd, mean, alfa):
    # 反转阿尔法的信号
    x = skewnorm.rvs(alfa, size=1000000) 
    print(x)
    def calc(k, sd, mean):
        return (k*sd)+mean
    x = calc(x, sd, mean) # 分布标准化
    return x

def graph_stock(df_original):
  # Time_column是一个字符串
  df = df_original.copy()
  pd.options.plotting.backend = "plotly"
  # 需要用索引创建一个列，否则plot就不会画出它
  df['date'] = df.index
  #fig = px.line(df, x='time', y=['price', 'price_2'])
  fig = px.line(df, x='date', y=df.columns)
  fig.show()
  # 保存为png
  #fig.write_image("csvfiles/btc.mark2mkt.png")

def graph_OCHL(df_OCHL, title):
    #fig_1 = px.line(df, x=df.index, y=df.columns, title=title)
    fig_2 = go.Figure(data=go.Ohlc(x=df_OCHL.index,
                        open=df_OCHL['open'],
                        high=df_OCHL['high'],
                        low=df_OCHL['low'],
                        close=df_OCHL['close']))
    fig_2.update(layout_xaxis_rangeslider_visible=False)
    fig_2.show()

def OCHL(group_values):
    min_ = min(group_values)
    max_ = max(group_values)
    range = max_ - min_
    open = min_+range*random.random()
    close = min_+range*random.random()
    return min_, max_, open, close

def simulate_stock(initial_price, drift, volatility, trend, days):
    days=days*24
    def create_pdf(sd, mean, alfa):
        # 反转阿尔法的信号
        x = skewnorm.rvs(alfa, size=1000000) 
        def calc(k, sd, mean):
            return (k*sd)+mean
        x = calc(x, sd, mean) # 标准的分布
        return x

    def create_empty_df(days):
        # 创建一个带有日期的空数据帧
        empty = pd.DatetimeIndex(
            pd.date_range("2020-01-01", periods=days, freq="D")
        )
        empty = pd.DataFrame(empty)
        # 时间，分钟，秒都在减少
        empty.index = [str(x)[0:empty.shape[0]] for x in list(empty.pop(0))]
        # 最终数据集
        stock = pd.DataFrame([x for x in range(0, empty.shape[0])])
        stock.index = empty.index
        return stock

    #ran = create_pdf(0.1, 0.2, 0) #del?
    #np.random.choice(ran) #del?
    #skeleton
    stock = create_empty_df(days)
    #初识值
    stock[0][0] = initial_price
    # 创建整个股票数据框
    x = create_pdf(volatility, drift, trend)
    for _ in range(1, stock.shape[0]):
        stock.iloc[_] = stock.iloc[_-1]*(1+np.random.choice(x))
    stock.index = pd.DatetimeIndex(stock.index)
    return stock

def simulate_OCHL_stock(df, graph_timeseries=False, graph_OCHL=False):
    df_ = list()
    #df.groupby(np.arange(len(df))//24).apply(OCHL) non funziona
    # 这是正确的方法，但需要从0开始创建一个新的df
    for a, b in df.groupby(np.arange(len(df))//24):
        group_values = np.array(b.values).flatten()
        low, high, open, close = OCHL(group_values)
        df_.append([low, high, open, close])

    df_OCHL = pd.DataFrame(df_, index=pd.Series(pd.date_range("2020-01-01", periods=365, freq="D")), columns=['low', 'high', 'open', 'close'])

    #graph

    if graph_timeseries==True: graph_stock(df)
    if graph_OCHL==True:
        fig = go.Figure(
            data=go.Ohlc(x=df_OCHL.index,
            open=df_OCHL['open'],
            high=df_OCHL['high'],
            low=df_OCHL['low'],
            close=df_OCHL['close'])
        )
        fig.update(layout_xaxis_rangeslider_visible=False)
        fig.show()
    return df_OCHL

生成股票数据

df_OCHL = simulate_OCHL_stock(simulate_stock(1000, 0, 0.01, 0, 365), 
                              graph_timeseries=True, 
                              graph_OCHL=True)

我们可以看到，每当我运行该算法时，就会产生一个新的时间序列，有4个维度，每个维度代表股票的一个OCHL数据。默认情况下，该股票只工作了365天（毕竟是出于测试目的）。让我们看一下生成的数据。

我们可以通过使用嵌入的布尔参数**graph_timeseries和graph_OCHL**轻松地绘制数据。

收盘股价产生的数据

OCHL产生的数据

如果我们看一下DataFrame，生成的数据会是这样的。请注意，这种格式正是pandas_ta所要求的数据模式。

有开盘、收盘、最高、最低栏目的股票

创建备份

使用copy函数来克隆原始DataFrame。

df_backup = df_OCHL.copy()

之所以要复制数据，是因为 pandas_ta 会直接编辑我们应用技术分析策略的数据集。它的工作方式不像普通函数那样，我们可以输入我们的DataFrame，然后收到一个副本作为输出。

应用pandas_ta strategy: SMA

最流行的技术分析策略被称为简单移动平均线。该技术包括创建两条不同长度的移动平均线，并使用交叉点作为买入和卖出信号。

#导入备份
df = df_backup.copy()MyStrategy = ta.Strategy(
    name="DCSMA10",
    ta=[
        {"kind": "ohlc4"},
        {"kind": "sma", "length": 10},
        {"kind": "sma", "length": 20},
    ]
)
# 运行策略
df.ta.strategy(MyStrategy)
df = df.drop(['low', 'high', 'open'], axis=1)
graph_stock(df)

应用该策略后，我们可以看到新的列是如何被添加到我们的原始数据集中的。

两个不同长度的简单移动平均线

布林带

当然，我们也可以采用更复杂的技术，如布林带：这种策略包括当价格达到下限带以下时买入股票，当价格达到上限带以上时卖出。

我们的假设是，当趋势的导数（也就是瞬时变化率）根据我们的参数达到最大容忍度时，是股票反转趋势的适当时机。

#导入备份
df = df_backup.copy()MyStrategy = ta.Strategy(
    name="strategy_3",
    ta=[{
        "close": 'close', 
        "kind": "bbands", 
        "length": 15,
        "std": 2
    }]
)
# 运行策略
df.ta.strategy(MyStrategy)
df = df.drop(['low', 'high', 'open'], axis=1)
graph_stock(df)

布林带的标准偏差为2

本文只做知识传播分享，无商用，若侵权，请联系告知删除~

若本文对您有些许帮助，还希望点赞+收藏+评论，您的支持是我持续更新的动力！

allein_STR

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
【神器】提取时间序列技术指标的神器

如果只需要使用像移动平均线这样的简单指标，这种方法实现起来比较轻松，但当我们需要使用更复杂的数学模型时，此时就会想到想是否有这样的python库来轻松实现，其实这就是API的作用，它们调解低级代码的复杂性，提供一个简化的高级接口。我们可以看到，每当我运行该算法时，就会产生一个新的时间序列，有4个维度，每个维度代表股票的一个OCHL数据。我们的假设是，当趋势的导数（也就是瞬时变化率）根据我们的参数达到最大容忍度时，是股票反转趋势的适当时机。应用该策略后，我们可以看到新的列是如何被添加到我们的原始数据集中的。
复制链接

扫一扫