什么是60日均线

什么是60日均线

  均线系统理论是最常用的分析指标之一,均线所反映的是过去一段时间内市场的平均成本变化情况。

  60日均线,即是某支股票在市场上往前60天的平均收盘价格,其意义在于它反映了这支股票60天的平均成本。该均线一般是中长期走势,60日均价是最近三个月的收盘平均价,对个股后期走势有重要意义,很多技术指标已经明了,所以个股如果有效跌破60日均价,大多后市看跌

  打开K线图,一般显示的技术指标就是均线指标,若不是在键盘上敲入MA就可以转换成均线指标,看最上面一行会显示MA5,MA10等,60日均线当然就是MA60了,一般默认参数是 5,10,20,30,120,250,如是没有你可以修改参数值,方法为选中均线右键单击,在弹出的右键菜单中选择调整指标参数就可以了。

[ 编辑]

60日均线的作用

  60日均线是股价的生命线,跌破生命线就有一定的下跌空间。大盘指数也有这种规律,当指数跌破60日平均线后,意味着大盘有一定的下跌空间。大盘指数是由所有个股价格加权统计后产生的,而个股价格却有很大的差异:当大部分股价跌破生命线时,有小部分股价仍能停留在生命线之上,所谓强势股,就是指这一部分股票。

  指数刚开始跌破生命线时,盘中可发现许多强势股,但是随着指数的不断下跌,能经得住考验、坚持在生命线之上的个股会越来越少,真正的强势股能耐得住指数的不断下跌,在下一个指数上升浪发动时,仍然坚持在生命线之上,这其中往往就有下一波行情的黑马苗子。明白了这个道理,我们不必在指数刚刚开始下跌的时候去寻找黑马苗子,事实证明,这时候选黑马往往是徒劳的。

  当指数逐步下跌时,空方能量会逐步减弱,表现为:阴线实体逐步减小,直到出现下影线较长的T字形,或十字星成交量逐步萎缩,直至严重萎缩。5日均线和10日均线的距离开始减小,直至粘合在一起。这至少说明下跌的空间越来越小,这时是观察黑马苗子的良好时机。观察的重点是:哪些个股还能停留在生命线之上?在60日平均线以上还可以区分出5日、10日、20日和30日四个档位,能位于5日平均线之上的是最强的个股,其次分别为10日、20日和30日平均线以上的个股。另外,还要观察其在60日平均线以上横盘的时间长度,盘的时间越长,其走势越强。还有股价离开60日平均线之间的厚度,其厚度越大,说明主力收集筹码的决心越大,日后的涨势也大。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
实现一个 Python 的 5日均线和60日均线的回测策略,可以分为以下几个步骤: 1. 数据准备:从数据源获取股票的历史格数据,并计算出5日均线和60日均线。 ```python import pandas as pd import numpy as np import talib # 从数据源获取股票的历史格数据 df = pd.read_csv('stock_data.csv', index_col='date') df.index = pd.to_datetime(df.index) # 计算5日均线和60日均线 df['ma5'] = talib.SMA(df['close'], timeperiod=5) df['ma60'] = talib.SMA(df['close'], timeperiod=60) ``` 2. 策略设计:定义一个简单的交易策略,当5日均线上穿60日均线时,买入;当5日均线下穿60日均线时,卖出。 ```python # 定义交易策略 def trading_strategy(df): df['position'] = np.where(df['ma5'] > df['ma60'], 1, 0) df['position'] = np.where(df['ma5'] < df['ma60'], -1, df['position']) df['position'] = df['position'].fillna(method='ffill') return df ``` 3. 回测模拟:模拟策略的执行过程,并计算出交易收益和回测指标。 ```python # 模拟交易过程 df = trading_strategy(df) df['pct_change'] = df['close'].pct_change() df['strategy_return'] = df['pct_change'] * df['position'].shift(1) # 计算回测指标 total_return = df['strategy_return'].cumsum()[-1] annualized_return = (1 + total_return) ** (252 / len(df)) - 1 max_drawdown = (df['strategy_return'].cumsum().rolling(window=len(df), min_periods=1).max() - df['strategy_return'].cumsum()).max() sharpe_ratio = df['strategy_return'].mean() / df['strategy_return'].std() * np.sqrt(252) # 打印回测指标 print('总收益率:{:.2%}'.format(total_return)) print('年化收益率:{:.2%}'.format(annualized_return)) print('最大回撤:{:.2%}'.format(max_drawdown)) print('夏普比率:{:.2f}'.format(sharpe_ratio)) ``` 以上代码中,使用 talib 库计算出5日均线和60日均线。定义一个名为 trading_strategy 的函数,实现交易策略的逻辑。在模拟交易过程中,先调用 trading_strategy 函数计算出交易信号,然后根据信号计算出交易收益,并计算出回测指标。最后打印出总收益率、年化收益率、最大回撤和夏普比率等回测指标。 需要注意的是,以上代码仅为示例,实际回测策略需要根据具体需求进行调整和优化,同时需要注意风险管理和交易成本等问题。
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