股市K线图指标算法的代码实现（一）

最新推荐文章于 2024-05-02 18:32:42 发布
最新推荐文章于 2024-05-02 18:32:42 发布
阅读量1.4w 收藏 54
点赞数 8
分类专栏： JAVA，算法 文章标签： 算法 金融 JAVA
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/carryworld/article/details/74452954
版权

这几个月在做一个关于证券的项目，项目里一些图表的绘制，包括K线图以及相关指标算法的绘制让我有点为难，毕竟我也不炒股，没接触过过这些东西。原先是使用的ta-lib这个金融库来进行相关的计算。不过有些算法得出的结果有些不太理想（主要是和同花顺的数据进行对比），因此自己动手写了几个算法进行使用。趁现在有时间，记录下计算过程。在计算前首先要明白MA的使用，MA表示移动平均，

即MA（X，10）=  （x1+x2+x3+....+x10）/10；表示最近10天的X的平均数，X为数组，例如X可以取历史收盘价数据。

代码如下：

private void MA(float[] arr,int optInTimePeriod) {
       double ma;
        double closeSum = 0;
        int period;
        for (int i = 0; i < arr.length; i++) {
            closeSum += arr[i];
            if (i >= (optInTimePeriod - 1)) {
                period = i - optInTimePeriod;
                if (period >= 0) {
                    closeSum -= arr[period];
                }
                ma = (float) closeSum / optInTimePeriod;
            }
        }
    }

封装的数据类：

public class ChartDataBean extends BaseBean {
    public double[] open;  //开盘价
    public long[] time;    //时间
    public double[] volume;   //成交量
    public double[] high;    //最高价
    public double[] low;    //最低价
    public double[] close;   //收盘价
    public double[] avgPrice;   //均价
    public double[] price;     //价格
    public boolean isLastPage;   //是否为最后一页数据
    public AskBean askBean;
    public BidBean bidBean;
    public int length = 0;
    public int newLength = 0;
    public double preClose = 1;
}

1.MACD

MACD的图表中包含了dif，dea以及macd三个数据，要计算macd，首先要计算ema，ema表示的是n日的移动平均。

例如：12日EMA的计算：EMA（12） = MA（close，12）

以下以12为快速移动平均值，26为慢速平均值，则 差离值（DIF）的计算：

DIF = EMA（12） - EMA（26） 。

根据差离值计算其9日的EMA，即离差平均值，是所求的DEA值。

DEA = （前一日DEA X 8/10 + 今日DIF X 2/10）

MACD = （DIF-DEA）*2。 

代码如下：

public void setMACD( int shortValue, int longValue, int mValue,) {
        double emaShort = 0.0;
        double emaLong = 0.0;
        double macd;
        double dif;
        double dea = 0.0;
        for (int i = 0; i < mChartData.close.length; i++) {
            if (i == 0) {
                emaShort =mChartData.close[i];
                emaLong = mChartData.close[i];
                dif = 0;
                dea = 0;
                macd = 0;
            } else {
               emaShort = (emaShort * (shortValue - 1) + mChartData.close[i] * 2) / (shortValue + 1);
               emaLong = (emaLong * (longValue - 1) + mChartData.close[i] * 2) / (longValue + 1);
               dif = emaShort - emaLong;
               dea = (dea * (mValue - 1) + dif * 2) / (mValue + 1);
               macd = (dif - dea) * 2;
            }
        }
    }

2.EXPMA

EXPMA=[2*X+(N-1)*Y’]/(N+1)，其中X表示的是当日收盘价，N为周期天数

代码如下：

public void EXPMA( int optInTimePeriod) {
        double expma;
        double preExpma = mChartData.close[0];
        double a = 1.0 * 2 / (optInTimePeriod + 1);
        for (int i = 0; i < mChartData.close.length; i++) {
            if (i == 0) {
                expma = mChartData.close[0];
            } else {
                expma = mChartData.close[i] * a + (1 - a) * preExpma;
            }
            preExpma = expma;
        }
    }

 3.DMA

DMA涉及到两个数据，DMA，AMA，以下以10为短期平均值，50为长期平均值

DMA=MA（close，10）— MA（close，50）

AMA=MA（DMA，10）

代码如下：

public void setDMA(int shortValue, int longValue, int mValue,List<Entry> firstData, List<Entry> secondData) {
        firstData.clear();
        secondData.clear();
        if (mChartData==null){
            return;
        }
        double[] dma = new double[mChartData.close.length];
        int period;
        double dmaSum = 0;
        double closeLongSum = 0;
        double closeShortSum = 0;
        double closeLongAve;
        double closeShortAve;
        for (int i = 0; i < mChartData.close.length; i++) {
            closeLongSum += mChartData.close[i];
            if (i >= (longValue - shortValue)) {
                period = i - shortValue;
                closeShortSum += mChartData.close[i];
                if (period >= (longValue - shortValue)) {
                    closeShortSum -= mChartData.close[period];
                }
            }
            if (i >= (longValue - 1)) {
                period = i - longValue;
                if (period >= 0) {
                    closeLongSum -= mChartData.close[period];
                }
                closeLongAve = closeLongSum / longValue;
                closeShortAve = closeShortSum / shortValue;
                dma[i] = closeShortAve - closeLongAve;
                dmaSum += dma[i];
                Entry dmaEntry = new Entry(i, (float) dma[i]);
                firstData.add(dmaEntry);
                if (i >= (longValue + mValue - 2)) {
                    period = i - mValue;
                    if (period >= (longValue - 1)) {
                        dmaSum -= dma[period];
                    }
                    Entry amaEntry = new Entry(i, (float) (dmaSum / mValue));
                    secondData.add(amaEntry);
                }
            }
        }
    }

4.DMI

DMI指标共有+DI（即PDI，下同)、-DI（即MDI，下同)、ADX、ADXR四条线,也是它的四个参数值,它分为多空指标(+DI、-DI)和趋向指标(ADX、ADXR)两组指标.
（1）DM表示当日动向，有正动向（+dm）以及负动向（-dm）
+dm = 今日最高价-昨日最高价，如果+dm<0或+dm<=-dm,取+dm = 0；
-dm = 昨日最低价-今日最低价，如果-dm<0或-dm<=+dm，取-dm = 0；

（2）TR表示真实波幅
A、当日的最高价减去当日的最低价的价差。
B、当日的最高价减去前一日的收盘价的价差。
C、当日的最低价减去前一日的收盘价的价差。
TR是A、B、C中的数值最大者

（3） 以12日作为计算周期为例
+DI（12）=（+DM12÷TR12）×100   （DM12表示近12天的DM的和，TR12表示近12天的tr的和）
-DI（12）=（-DM12÷TR12）×100

（4）以6日为周期计算adxr，adx
DX = |（-DM）-（+DM）| / （（-DM）+（+DM））*100；
ADX = MA（DX，6）；
ADXR=（当日的ADX+前n日的ADX）÷2
代码如下： 
public void setDMI(int m1, int m2,List<Entry> firstData, List<Entry> secondData, List<Entry> thirdData, List<Entry> fourthData) {
        firstData.clear();
        secondData.clear();
        thirdData.clear();
        fourthData.clear();
        if (mChartData==null){
            return;
        }
        double[] plusDi = new double[mChartData.close.length];
        double[] minusDi = new double[mChartData.close.length];
        double[] adx = new double[mChartData.close.length];
        double[] tr = new double[mChartData.close.length];
        double[] plusDm = new double[mChartData.close.length];
        double[] minusDm = new double[mChartData.close.length];
        double[] adxValue = new double[mChartData.close.length];
        int period;
        double adxValueSum = 0;
        plusDi[0] = 0;
        tr[0] = mChartData.high[0] - mChartData.low[0];
        plusDm[0] = 0;
        minusDm[0] = 0;
        double sumPlusDm = 0;
        double sumMinusDm = 0;
        double sumTr = mChartData.high[0] - mChartData.low[0];
        firstData.add(new Entry(0, (float) plusDi[0]));
        secondData.add(new Entry(0, (float) minusDi[0]));
        for (int i = 1; i < mChartData.close.length; i++) {
            plusDm[i] = mChartData.high[i] - mChartData.high[i - 1];
            minusDm[i] = mChartData.low[i - 1] - mChartData.low[i];
            if (plusDm[i] < 0 || plusDm[i] <= minusDm[i]) {
                plusDm[i] = 0;
            }
            if (minusDm[i] < 0 || minusDm[i] <= plusDm[i]) {
                minusDm[i] = 0;
            }
            tr[i] = getAbsMax(mChartData.high[i] - mChartData.low[i], mChartData.high[i] - mChartData.close[i - 1], mChartData.low[i] - mChartData.close[i - 1]);
            sumTr += tr[i];
            sumPlusDm += plusDm[i];
            sumMinusDm += minusDm[i];
            if (i >= (m1 - 1)) {
                period = i - m1;
                if (period >= 0) {
                    sumPlusDm -= plusDm[period];
                    sumMinusDm -= minusDm[period];
                    sumTr -= tr[period];
                }
            }
            plusDi[i] = 100.0 * sumPlusDm / sumTr;
            minusDi[i] = 100 * sumMinusDm / sumTr;
            Entry pdiEntry = new Entry(i, (float) plusDi[i]);
            Entry mdiEntry = new Entry(i, (float) minusDi[i]);
            firstData.add(pdiEntry);
            secondData.add(mdiEntry);
            adxValue[i] = Math.abs(minusDi[i] - plusDi[i]) / (minusDi[i] + plusDi[i]) * 100.0;
            adxValueSum += adxValue[i];
            if (i >= m2) {
                adxValueSum -= adxValue[i - m2];
                adx[i] = adxValueSum / m2;
                Entry adxEntry = new Entry(i, (float) adx[i]);
                thirdData.add(adxEntry);
            }
            if (i >= 2 * m2) {
                Entry adxrEntry = new Entry(i, (float) ((adx[i] + adx[i - m2]) / 2));
                fourthData.add(adxrEntry);
            }
        }
    }
private double getAbsMax(double a, double b, double c) {
        a = Math.abs(a);
        b = Math.abs(b);
        c = Math.abs(c);
        double temp = Math.max(a, b);
        return Math.max(temp, c);
    }


5.OBV
如果当日收盘价比昨日收盘价高，则obv为昨日obv加上今日成交量，反之则减去今日成交量，若二者相等，则不增不减。
代码如下： 
public void setOBV() {
        double obv;
        double preObv = 0;
        for (int i = 0; i < mChartData.close.length; i++) {
            if (i == 0) {
                obv = 0;
            } else {
                if (mChartData.close[i] > mChartData.close[i - 1]) {
                    obv = (preObv + mChartData.volume[i]);
                } else if (mChartData.close[i] < mChartData.close[i - 1]) {
                    obv = (preObv - mChartData.volume[i]);
                } else {
                    obv = preObv;
                }
            }
            preObv = obv;
        }
    }






liumijay
关注
  • 8
    点赞
  • 踩
  • 54
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
k-中心点算法Matlab代码实现
06-19
之前总结了一篇k-中心点算法的文章后，现给出Matlab代码实现，代码含有详细的注释便于读者理解。
利用神经网络预测股票收盘价（含源代码）
weixin_30908941的博客
12-16 1597
攒了几天，发一个大的 这是前几天投了一家量化分析职位，他给的题目的是写神经网络择时模型，大概就是用神经网络预测收盘价 database类：该类用于获得新浪网中的数据，并将其放入本地数据库。在本地数据库中建立两个表，分别是Data2012to2015和Data2015to2016,表中都含有日期，当日开盘价、当日收盘价、当日最高价、当日最低价。Data2012to2015为训练数据集，Data2...
Matlab画k线图
热门推荐
陈海峰的博客
05-06 1万+
KLine.m function KLine(varargin) %% fun help % function Kplot(O,H,L,C) % Kplot(O,H,L,C,date) % Kplot(O,H,L,C,date,colorUp,colorDown,colorLine) % % Kplot(OHLC) % Kp
【GitHub项目推荐--10个最佳开源推荐系统/算法/资源】【转载】
j8267643的博客
03-25 1459
推荐系统的核心是推荐引擎，推荐引擎根据特定客户之前的购买历史过滤出他或她感兴趣或会购买的产品。关于客户的可用数据越多，建议就越准确。但如果客户是新客户，这种方法将失败，因为我们没有该客户以前的数据。因此，为了解决这个问题，就需改变策略，通常推荐最受欢迎的产品给客户不一定准确，因为对所有新客户推荐内容都是一样的。因此，一些APP会询问新客户的兴趣，以便他们可以更准确地推荐。针对不同的客户或者产品，推荐引擎的过滤方式可以包括：基于内容的过滤、协同过滤、混合过滤等。（1）基于内容的过滤。
【matlab实现股票量化分析收盘价曲线作图-附源码】
dongbao520的博客
04-13 2099
简要分析曲线趋势变化。
用Python绘制专业的K线图【含源代码】
weixin_44433834的博客
09-29 7469
使用Python绘制一幅专业的K线图，是量化投资和金融数据分析的必备功课。 下面我将从K线图简介、数据获取、K线图绘制及成交量绘制等方面，结合源代码，一步步实现专业K线图的绘制。 K线图简介 K线图又被成为“蜡烛图”、“阴阳线”等，它在视觉效果上可以很清晰得凸显出市场多空形势，K线图成为大家查看行情数据以及各式量化分析不可或缺的一环。在K线图常见的时间跨度分钟、日、周以及月。 K线由高开低收四个价格绘制而成。分为阳线与阴线两种，收盘价高于开盘价时为阳线，收盘价低于开盘价时为阴线；K线图的示意图如下： K线.
Python --相似K线匹配--实现股票走势预测 Tushare
weixin_39569364的博客
04-19 7567
Python --相似K线匹配–实现股票走势预测 Tushare 前言 同花顺和东方财富都提供了一个免费的功能可以查找相似走势的K线，提供参考。差不多，东方财富可以选择分析的周期，同花顺是固定120日的分析周期。我们可以通过tushare的数据源获取历史交易数据自己实现一个类似功能。 一、获取历史交易数据 1.引入库，读取历史交易数据 Tushare是一个免费、开源的python财经数据接口包。注册用户后到个人中心改一下名字获取积分，基本的功能都可以用了。大家可以用我的邀请码注册 ①首先要安装tus
股市K线图指标算法的代码实现（二）
carryWorld的博客
07-06 1万+
算法补充，包括KDJ，PBX（PUBU），CCI，ATR，BIAS
Vue使用echarts图表实现k线图（分K，日K，周K，月K）
pxhing的博客
05-05 1万+
一，安装安装 ECharts
股票K线指标算法整理（Java封装工具类）
qq_28844947的博客
11-13 6475
工具类下载地址： https://download.csdn.net/download/qq_28844947/11088865 可查看应用效果之一：https://www.coinsmt.com/fullScreen/huobipro_btc_usdt 目前是java实现 使用在MPAndroid上面，其他语言和图表工具类比过去，可以然后将X,Y赋值过去 使用需知 char...
用python实现k近邻算法的示例代码
09-20
主要介绍了用python实现k近邻算法的示例代码，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
金融交易K线核心算法(源码)
02-22
本K线算法支持任意周期，支持任意交易时间段，支持任意品种。本K线算法基于CTP开发，耦合性极低，如果进行移植，只需要修改行情源的数据类型。
K-Means算法实现遥感图像变化检测
03-24
K-Means算法实现遥感图像变化检测，k均值算法
K均值聚类算法的Java版实现代码示例
08-28
主要介绍了K均值聚类算法的Java版实现代码示例，具有一定借鉴价值，需要的朋友可以参考下。
k均值算法c++语言实现代码
09-04
k均值算法c++语言实现代码
leetcode16-3Sum Closest
我的程序人生
04-29 379
这道题目和那道3Num的题目很类似，解题思路也是类似的，我们先对数组排序，然后固定一个元素，通过双指针遍历剩下的元素，用一个哨兵记录三个元素的和与target的diff，分别处理三个元素的和小于target，大于target，等于target这三种情况即可。请你从 nums 中选出三个整数，使它们的和与 target 最接近。解释：与 target 最接近的和是 2 (-1 + 2 + 1 = 2)。输入：nums = [-1,2,1,-4], target = 1。假定每组输入只存在恰好一个解。
c++容器与算法概述
北风
05-01 520
简单讲述输入输出运算符重载 以及容器的简单使用及接口哦苦
【算法】高精度乘法
最新发布
m0_73209194的博客
05-02 432
高精度乘法
c入门基础题（3）
梦昼初
04-26 1051
1、找出数组中最大元素的位置（下标值） 输入 多组测试，每组先输入一个不大于10的整数n 然后是n个整数 输出 输出这n个整数中最大的元素及下标值 样例输入 4 1 4 5 6 样例输出 6 3 #include<stdio.h> int main(){ int a[20]; int n,x=0,y,z,s,m,f; int i,j; while(scanf("%d",&n)!=EOF){ for(i=1;i<=n;i++){ scanf("%d",&y)
编写代码 使用 K近邻算法 算法实现图片识别
07-16
当使用K近邻算法进行图像分类时，一种常见的方法是将每个图像表示为特征向量，然后使用KNN算法根据特征向量的距离进行分类。以下是一个使用KNN算法实现图片识别的示例代码： ```python import numpy as np from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载图像数据集 def load_dataset(): # TODO: 加载图像数据集，将图像转换为特征向量 # 返回特征矩阵 X 和标签向量 y pass # 划分训练集和测试集 def split_dataset(X, y): X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) return X_train, X_test, y_train, y_test # 使用KNN算法进行图像分类 def image_classification(X_train, X_test, y_train, y_test): knn = KNeighborsClassifier(n_neighbors=5) # 创建KNN分类器对象 knn.fit(X_train, y_train) # 在训练集上训练KNN模型 y_pred = knn.predict(X_test) # 在测试集上进行预测 accuracy = accuracy_score(y_test, y_pred) # 计算准确率 return accuracy def main(): X, y = load_dataset() # 加载图像数据集 X_train, X_test, y_train, y_test = split_dataset(X, y) # 划分训练集和测试集 accuracy = image_classification(X_train, X_test, y_train, y_test) # 使用KNN算法进行图像分类 print("准确率:", accuracy) if __name__ == '__main__': main() ``` 在上述代码中，你需要自行实现 `load_dataset()` 函数来加载图像数据集并将图像转换为特征向量。可以使用图像处理库（如OpenCV）来读取和处理图像，然后将每个图像转换为特征向量。通常，可以使用图像的像素值、颜色直方图、梯度直方图等作为特征。然后，通过调用 `split_dataset()` 函数将数据集划分为训练集和测试集。最后，通过调用 `image_classification()` 函数使用KNN算法进行图像分类，并计算准确率。 请注意，这只是一个示例代码框架，你需要根据你的具体需求和数据集进行相应的实现和调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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