陶博士月线反转6.4 python 化代码

最新推荐文章于 2024-05-20 20:26:39 发布
最新推荐文章于 2024-05-20 20:26:39 发布
阅读量1.1k 收藏 18
点赞数 22
文章标签： python
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/laoshuiqiang/article/details/134767525
版权

陶博士月线反转6.4 python 化代码

量化系统有好几个月没有进度了，之前一直纠结策略问题，无从下手。最近和量化的同学聊了下，还得先把自动交易流程先跑起来后面再慢慢优化策略。

所以先拿陶博士的月线反转6.4 python 化，作为试水的策略把整个流程跑起来。后面开始研究怎么自动化交易。

聊回正题，陶博士月线反转策略(该策略来自陶博士)：

条件

  1. RPS50大于87
  2. RPS120大于90
  3. 当天RPS50或RPS120大于90
  4. 创70日最高收盘价
  5. 创70日新高，且当天RPS50或RPS120大于90。
  6. 50日内最低价大于200日内最低价
  7. 30日内最低价大于120日内最低价
  8. 20日内最低价大于50日内最低价
  9. 满足条件6，7，8 作为结构紧凑的重要条件
  10. 10天内曾创80日新高
  11. 当天创50日最高收盘价或50日最高价，且RPS50或RPS120大于90
  12. 当天收盘价必须站上20天线和200天线
  13. 当天收盘价大于200天线
  14. 当天收盘价大于250天线
  15. 45天内，收盘价站上200天线的天数大于等于2，小于45
  16. 45天内，至少有一天的最低价低于200天线;且至少站上200天线3天以上
  17. 45天内，至少有一天的最低价低于250天线;且至少站上250天线3天以上
  18. 120天线或200天线呈上升趋势
  19. 120天线或200天线呈上升趋势
  20. 120天线和200天线线呈上升趋势
  21. 120天线和200天线线呈上升趋势
  22. 120日线、200日线呈多头排列
  23. 30天内最高价与120日内最低价之比小于1.50，且120天线或200天线呈上升趋势
  24. 30天内最高价与120日内最低价之比小于1.55，且120天线和200天线线呈上升趋势
  25. 30天内最高价与120日内最低价之比小于1.65，且长期均线呈多头排列
  26. 5天内最高价距离120日内的最高价不到15%
  27. 5天内最高价距离120日内的最高价不到20%
  28. 当天收盘价距离10日内的最高价不到10%

python代码

陶博士 6.4 的公式对应 is_mouth_line_reversal 函数，其他方法是选股方法，采用了多进程，速度还行，全 A 选股一次 26 s左右（本机本系统的测试）。

import multiprocessing
import os
import time

import pandas as pd

import database.stockdatabasev2 as sdb
from config.stockconfigv2 import StockConfigV2


def is_mouth_line_reversal(df: pd.DataFrame) -> list:
    """
    陶博士月线反转 6.4
    该方法默认本地已经计算好了 rps50、rps120、rps250
    df: 列 ['open', 'high', 'low', 'close', 'rps50', 'rps120', 'rps250']
    index: 日期
    只是翻译陶博士月线反转6.4 的公式，可以优化均值计算，从本地数据库读取数据，为了通用性，这里就没有优化
    """
    last_time = time.time()
    # {RPS50大于87}
    # FYX11赋值:如果RPS50>=87,返回1,否则返回0
    FYX11 = df['rps50'].apply(lambda x: True if x >= 87 else False)

    # {RPS120大于90}
    # FYX12赋值:如果RPS120>=90,返回1,否则返回0
    FYX12 = df['rps120'].apply(lambda x: True if x >= 90 else False)

    # {当天RPS50或RPS120大于90，在后面被FYX32引用}
    # FYX130赋值:RPS50>=90 OR RPS120>=90
    c1 = df['rps50'].apply(lambda x: True if x >= 90 else False)
    c2 = df['rps120'].apply(lambda x: True if x >= 90 else False)
    FYX130 = c1 | c2

    # {创70日最高收盘价}
    # FYX131赋值:收盘价>=70日内收盘价的最高值
    FYX131 = df['close'] >= df['close'].rolling(70).max()

    # {创70日新高，且当天RPS50或RPS120大于90。在后面被FYX21、FYX22、FYX63、FYX72等引用}
    # FYX13赋值:FYX130 AND FYX131
    FYX13 = FYX130 & FYX131

    # FYX1赋值:FYX11 OR FYX12
    FYX1 = FYX11 | FYX12

    # {50日内最低价大于200日内最低价}
    # FYX21赋值:50日内最低价的最低值>200日内最低价的最低值 AND FYX13
    c1 = df['low'].rolling(50).min() > df['low'].rolling(200).min()
    FYX21 = c1 & FYX13

    # {30 日内最低价大于120日内最低价，且FYX13}
    # FYX22赋值:30日内最低价的最低值>120日内最低价的最低值 AND FYX13
    c1 = df['low'].rolling(30).min() > df['low'].rolling(120).min()
    FYX22 = c1 & FYX13

    # {20日内最低价大于50日内最低价，顺鑫农业2018年4月2日的月线反转信号}
    # FYX23赋值:20日内最低价的最低值>50日内最低价的最低值
    FYX23 = df['low'].rolling(20).min() > df['low'].rolling(50).min()

    # {结构紧凑的重要条件}
    # FYX2赋值:FYX21 OR FYX22 OR FYX23
    FYX2 = FYX21 | FYX22 | FYX23

    # NH80赋值:如果最高价>80日内最高价的最高值,赋值 0,否则赋值1
    c1 = df['high'] > df['high'].rolling(80).max()
    NH80 = c1.apply(lambda x: 0 if x else 1)

    # {10天内曾创80日新高}
    # FYX31赋值:统计NH8010日中满足True的天数
    FYX31 = NH80.rolling(10).sum() > 0

    # {当天创50日最高收盘价或50日最高价，且RPS50或RPS120大于90}
    # FYX32赋值:(收盘价>=50日内收盘价的最高值 OR 最高价>=50日内最高价的最高值) AND FYX130
    c1 = df['close'] >= df['close'].rolling(50).max()
    c2 = df['high'] >= df['high'].rolling(50).max()
    FYX32 = (c1 | c2) & FYX130

    # FYX3赋值:FYX31 OR FYX32
    FYX3 = FYX31 | FYX32

    # {当天收盘价必须站上20天线和200天线}
    # FYX4赋值:收盘价>收盘价的20日简单移动平均 AND 收盘价>收盘价的200日简单移动平均 AND 收盘价的120日简单移动平均/收盘价的200日简单移动平均>0.9
    c1 = df['close'] > df['close'].rolling(20).mean()
    c2 = df['close'] > df['close'].rolling(200).mean()
    c3 = df['close'].rolling(120).mean() / df['close'].rolling(200).mean() > 0.9
    FYX4 = c1 & c2 & c3

    # {当天收盘价大于200天线}
    # NN200赋值:如果收盘价>收盘价的200日简单移动平均,返回1,否则返回0
    c1 = df['close'] > df['close'].rolling(200).mean()
    NN200 = c1.apply(lambda x: 1 if x else 0)

    # AA200赋值:统计45日中满足NN200的天数
    AA200 = NN200.rolling(45).sum()

    # {当天收盘价大于250天线}
    # NN250赋值:如果收盘价>收盘价的250日简单移动平均,返回1,否则返回0
    c1 = df['close'] > df['close'].rolling(250).mean()
    NN250 = c1.apply(lambda x: 1 if x else 0)

    # AA250赋值:统计45日中满足NN250的天数
    AA250 = NN250.rolling(45).sum()

    # {45天内，收盘价站上200天线的天数大于等于2，小于45}
    # FYX51赋值:AA200>=2 AND AA200<45
    FYX51 = (AA200 >= 2) & (AA200 < 45)

    # LNN200赋值:如果最低价<收盘价的200日简单移动平均,返回1,否则返回0
    c1 = df['low'] < df['close'].rolling(200).mean()
    LNN200 = c1.apply(lambda x: 1 if x else 0)

    # LAA200赋值:统计45日中满足LNN200的天数
    LAA200 = LNN200.rolling(45).sum()

    # {45天内，至少有一天的最低价低于200天线;且至少站上200天线3天以上}
    # FYX52赋值:LAA200>0 AND AA200>2
    FYX52 = (LAA200 > 0) & (AA200 > 2)

    # LNN250赋值:如果最低价<收盘价的250日简单移动平均,返回1,否则返回0
    c1 = df['low'] < df['close'].rolling(250).mean()
    LNN250 = c1.apply(lambda x: 1 if x else 0)

    # LAA250赋值:统计45日中满足LNN250的天数
    LAA250 = LNN250.rolling(45).sum()

    # {45天内，至少有一天的最低价低于250天线;且至少站上250天线3天以上}
    # FYX53赋值:LAA250>0 AND AA250>2
    FYX53 = (LAA250 > 0) & (AA250 > 2)

    # FYX5赋值:FYX51 OR FYX52 OR FYX53
    FYX5 = FYX51 | FYX52 | FYX53

    # {120天线或200天线呈上升趋势}
    # FYX6011赋值:收盘价的120日简单移动平均>=10日前的收盘价的120日简单移动平均 OR 收盘价的200日简单移动平均>=10日前的收盘价的200日简单移动平均
    c1 = df['close'].rolling(120).mean() >= df['close'].shift(10).rolling(120).mean()
    c2 = df['close'].rolling(200).mean() >= df['close'].shift(10).rolling(200).mean()
    FYX6011 = c1 | c2

    # {120天线或200天线呈上升趋势}
    # FYX6012赋值:收盘价的120日简单移动平均>=15日前的收盘价的120日简单移动平均 OR 收盘价的200日简单移动平均>=15日前的收盘价的200日简单移动平均
    c1 = df['close'].rolling(120).mean() >= df['close'].shift(15).rolling(120).mean()
    c2 = df['close'].rolling(200).mean() >= df['close'].shift(15).rolling(200).mean()
    FYX6012 = c1 | c2

    # FYX601赋值:FYX6011 OR FYX6012
    FYX601 = FYX6011 | FYX6012

    # {120天线和200天线线呈上升趋势}
    # FYX6021赋值:收盘价的120日简单移动平均>=10日前的收盘价的120日简单移动平均 AND 收盘价的200日简单移动平均>=10日前的收盘价的200日简单移动平均
    c1 = df['close'].rolling(120).mean() >= df['close'].shift(10).rolling(120).mean()
    c2 = df['close'].rolling(200).mean() >= df['close'].shift(10).rolling(200).mean()
    FYX6021 = c1 & c2

    # {120天线和200天线线呈上升趋势}
    # FYX6022赋值:收盘价的120日简单移动平均>=15日前的收盘价的120日简单移动平均 AND 收盘价的200日简单移动平均>=15日前的收盘价的200日简单移动平均
    c1 = df['close'].rolling(120).mean() >= df['close'].shift(15).rolling(120).mean()
    c2 = df['close'].rolling(200).mean() >= df['close'].shift(15).rolling(200).mean()
    FYX6022 = c1 & c2

    # FYX602赋值:FYX6021 OR FYX6022
    FYX602 = FYX6021 | FYX6022

    # {120日线、200日线呈多头排列}
    # FYX603赋值:收盘价的120日简单移动平均>收盘价的200日简单移动平均 AND FYX601
    FYX603 = (df['close'].rolling(120).mean() > df['close'].rolling(200).mean()) & FYX601

    # {30天内最高价与120日内最低价之比小于1.50，且120天线或200天线呈上升趋势，石英股份2022年的平台在120天左右}
    # FYX61赋值:30日内最高价的最高值/120日内最低价的最低值<1.50 AND FYX601
    c1 = df['high'].rolling(30).max() / df['low'].rolling(120).min() < 1.50
    FYX61 = c1 & FYX601

    # {30天内最高价与120日内最低价之比小于1.55，且120天线和200天线线呈上升趋势}
    # FYX62赋值:30日内最高价的最高值/120日内最低价的最低值<1.55 AND FYX602
    c1 = df['high'].rolling(30).max() / df['low'].rolling(120).min() < 1.55
    FYX62 = c1 & FYX602

    # {30天内最高价与120日内最低价之比小于1.65，且长期均线呈多头排列，且满足FYX13}
    # FYX63赋值:30日内最高价的最高值/120日内最低价的最低值<1.65 AND FYX603 AND FYX13
    c1 = df['high'].rolling(30).max() / df['low'].rolling(120).min() < 1.65
    FYX63 = c1 & FYX603 & FYX13

    # FYX6赋值:FYX61 OR FYX62 OR FYX63
    FYX6 = FYX61 | FYX62 | FYX63

    # {5天内最高价距离120日内的最高价不到15 %}
    # FYX71赋值:5日内最高价的最高值/120日内最高价的最高值>0.85
    c1 = df['high'].rolling(5).max() / df['high'].rolling(120).max() > 0.85
    FYX71 = c1

    # {5天内最高价距离120日内的最高价不到20 %，且满足FYX13}
    # FYX72赋值:5日内最高价的最高值/120日内最高价的最高值>0.8 AND FYX13
    c1 = df['high'].rolling(5).max() / df['high'].rolling(120).max() > 0.8
    FYX72 = c1 & FYX13

    # {当天收盘价距离10日内的最高价不到10 %}
    # FYX73赋值:收盘价/10日内最高价的最高值>0.9
    c1 = df['close'] / df['high'].rolling(10).max() > 0.9
    FYX73 = c1

    # FYX7赋值:(FYX71 OR FYX72) AND FYX73
    FYX7 = (FYX71 | FYX72) & FYX73

    # YXFZ赋值:FYX1 AND FYX2 AND FYX3 AND FYX4 AND FYX5 AND FYX6 AND FYX7
    YXFZ = FYX1 & FYX2 & FYX3 & FYX4 & FYX5 & FYX6 & FYX7

    # OUT赋值：当满足条件在15周期内首次YXFZ距今天数=0时
    OUT = YXFZ.apply(lambda x: 1 if x else 0).rolling(15).sum().apply(lambda x: 1 if x > 0 else 0).diff(1)

    # 找出出大于等于1 的日期,并格式化%Y-%m-%d
    OUT = OUT[OUT >= 1]
    BUY_DATE = OUT.index.strftime('%Y-%m-%d').tolist()
    # print(f'耗时：{time.time() - last_time}', '月线反转:', BUY_DATE)
    return BUY_DATE


def _mouth_stock_picking_task(
        task_index,
        part_codes,
        start_time,
        end_time
):
    """
    月线反转选股任务，由于封装好的数据库可以一次性查多个股数据，所以一次性查回来即可
    选出来的时最后一个交易日的股票代码，如果需要一段时间的，修改日期判断范围即可
    @param part_codes: 任务需要处理的股票代码集合
    @param start_time: 开始时间 注意，开始时间必须比结束时间早一年多，否则影响计算结果
    @param end_time: 结束时间 注意，结束时间必须是最近一个交易日，否则影响计算结果
    """

    last_time = time.time()
    # 本地数据库方法，一次性查回所有股票数据股票集合时part_codes
    all_stocks_df = sdb.stock_daily(part_codes, start_time, end_time)
    picking_list = []
    for code in part_codes:
        stock_df = all_stocks_df[all_stocks_df['code'] == code]
        stock_df.sort_index(inplace=True)
        buy_date = is_mouth_line_reversal(stock_df)

        # 如果买点日期包含end_time，说明是最近一个交易日的买点
        if len(buy_date) > 0 and end_time in buy_date:
            picking_list.append(code)
        #
        # if len(buy_date) > 0:
        #     picking_list.append(code)
    print(f'任务{task_index}耗时：{time.time() - last_time}', '月线反转:', picking_list)

    return picking_list


def mouth_line_reversal_stock_picking():
    """
    月线反转选股，多进程提速
    """
    config = StockConfigV2()
    # 本地配置，全 A 的股票代码
    stock_codes = config.get_stock_codes()
    start_time = '2022-06-01'  # 距离最后一个交易日提前一年半
    end_time = '2023-12-02'  # 最近一个交易日
    end_time = config.legal_trade_date(end_time)

    last_time = time.time()

    picking_list = []
    # 根据 cpu 个数拆分股票任务数
    cpu_count = os.cpu_count()
    item_count = int(len(stock_codes) / cpu_count)
    with multiprocessing.Pool(processes=cpu_count) as pool:
        futures = []
        for sumLen in range(cpu_count):
            start_index = sumLen * item_count
            end_index = start_index + item_count
            # 如果是最后一个任务，索引到最后
            if sumLen == cpu_count - 1:
                end_index = len(stock_codes)
            # 切片，分任务
            part_codes = stock_codes[start_index: end_index]
            print(f'任务{sumLen} 开始位置：{start_index} 结束位置：{end_index}')
            # 异步启动任务
            future = pool.apply_async(_mouth_stock_picking_task,
                                      args=(sumLen,
                                            part_codes,
                                            start_time,
                                            end_time)
                                      )
            futures.append(future)

        # 等待所有任务完毕
        pool.close()
        pool.join()

        # 获取所有任务的返回值
        for future in futures:
            picking_list += future.get()
        print(f'总耗时：{time.time() - last_time}', '月线反转财富代码:', picking_list)


if __name__ == '__main__':
    # start_time = '2022-01-01'
    # end_time = '2023-12-02'
    # stocks_df = sdb.stock_daily('000429', start_time, end_time)
    # is_mouth_line_reversal(stocks_df)
    mouth_line_reversal_stock_picking()
    pass

跑代码日志： alt

验证

这 python 化的代码到底准不准？我们验证一下出现买点的时间是否和通达信一直即可。由于我的量化系统已经实现了买点标注的功能，验证相对简单。我对比了很多个票，买点位置都是可以对得上的，所以上面的代码是问题不大的。

代码002575
通达信： alt 我自己的系统标注： alt

代码300058
通达信： alt 我自己的系统标注： alt

写于 2023 年 12 月 03 日 17:16

本文由 mdnice 多平台发布

醉卧梦星河
关注
  • 22
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
选股方法-陶博士-月线反方法的思路来源
weixin_30950887的博客
03-11 1583
一、月线反转的基本思路 从行业、估值、市值、超预期、换手率、RPS和K线形态等综合研判，本文我用一些案例做了综合研判。 股价一年新高，这当然是长线牛股的必经之路，股票的年线肯定了当前股价的下方。反过来，如果股价站上年线，股价不一定就一年新高的。或者说股价站上年线，应该是领先于股价一年新高的时间点的。 牛股启动的形态特征是RPS到达90以上 + 股价一年来新高。 月K线有效突破下降趋势，...
用python把股票日K线转换成月K线周期数据,这可能是网上最稀缺的代码
lmhopen的博客
08-12 2047
先爬取K线数据保存为temp.csv,python如何爬取股票数据的代码我有另外的文章介绍.用python把股票日线转换成月K线周期,这可能是网上最稀缺的代码.然后读取文件里的日K线数据转换成月K线周期,再保存成CSV文件。在网上找了半天,真的非常稀缺,把日K线转换成月线周期.东拼西凑,再加上自己的修改,终于写出来了....
经典动量与反转交易策略python版
01-29
量化交易策略之动量与反转交易python版，用户可修改参数进行自定义，可借助米匡、聚宽等网站平台实现量化交易。动量反转策略被证实为长久以来仍有明显效果的交易策略。
Python代码-字符串判断方法.py
06-14
——学习参考资料：仅用于个人学习使用！ 本代码仅作学习交流，切勿用于商业用途，否则后果自负。若涉及侵权，请联系，会尽快处理! 未进行详尽测试，请自行调试!
Python股票数据，指数月线涨跌幅回测系统
我的Python教程
02-29 1277
6.回测数据应用：回测数据有上涨次数（涨幅>=0），下跌次数，平均涨幅，涨幅3%的次数，胜率等给大家做综合数据分析，比如1990-2024年，这个期间，一月份上涨了多少次，下跌了多少次，从而判断一月份适不适合操作，平均涨幅是把所有一月份的所有涨跌幅相加，如果数值为正，那么就比较良好。为了保证数据的正确性，你可以随机挑选几个不同时间的数据，去和股票软件上的月线对照一下，看数据是否正确，数据如果不正确，回测也就没有意义了，最下面的是回测数据的结果。方便直观的去，进一步找股票的变化与时间的规律关系。
NetworkStructureDSLs:带有Python代码生成和分析的TRS和PNS DSL
03-16
网络结构DSL 带有Python代码生成和分析的TRS和PNS DSL 设置 确保下载了正确的软件。 Python Python3- //www.python.org/downloads/ Python库 确保安装了以下python库。 您可以使用pip install <module>来安装适当的模块。 麻木 科学的 文本 Matplotlob 的OpenCVPython的 网络 Graphviz 这用于将网络结构和元模型显示为图像。 特别是，您将需要下载的Graphviz / bin /文件夹中的dot.exe。 执行代码生成 创建一个location.json文件，在CodeGen\目录中执行map.html文件。 请按照html文件底部的步骤操作，然后导出位置文件。 适当的代码生成文件位于CodeGen\Python目录中。 要在命令行中执行，请运行python co
中小企业信息化服务包“陶讯通”.ppt
11-21
中小企业信息化服务包“陶讯通”.ppt
线绕陶瓷式铂电阻元件
07-11
本文列出了W60 系列和 W86 系列线绕陶程式铂电阻元件的主要特性参数及外形尺寸。
【vn.py】策略实现之R-Breaker策略
敲代码的quant的博客
09-16 7273
写在前面 vnpy中提供了很多CTA策略的源码，前面的文章也对很多策略进行了代码分析。这些工作不仅仅是为了了解那些策略的逻辑，更多的是为以后的自己基于vnpy进行策略提供思路和借鉴。因此，这篇文章将以有名的R-Breaker策略为例，基于vnpy实现这个策略的逻辑并进行回测与参数优化。 R-Breaker R-Breaker是一种中高频的日内交易策略，这个策略也长期被Future Truth杂志评...
python 通达信公式函数_次新股的选股公式（20190321）
weixin_39962394的博客
11-11 1428
郑重提醒：本人没有其他公众号。本人没有微博。微博上复制我公众号文章的，都是骗子。本人没有任何收费学习群。本人没有任何股票交流群。凡是用本人名义联系您做股票或者收费的任何事项，都是骗局。请谨防骗子。请谨防骗子。请谨防骗子。我唯一的新浪博客是blog.sina.com.cn/taoboshi友情提醒：想抄作业的。可以取关了。本公众号今后没有股票代码可以抄的。免责声明：文中提到的个股，仅仅是案...
陶二矿数字化变电站改造方案设计与研究
07-14
以陶二矿35kV变电站为背景,介绍了其变电站的基本电气情况,以及该站数字化改造设计所要实现的功能。通过对比分析从CBZ-8000B智能变电站自动化系统和DHW6000数字化变电站系统中选择了更为适合陶二35kV变电站的DHW6000设计方案,对陶二矿数字化变电站各层功能实现方式进行了说明,并给出了DHW6000数字化变电站系统应用于陶二矿数字化设计的具体设备配置,对于各个设备型号的特点给出了说明。最后给出了陶二矿数字化变电站系统具体的配置清单。
记录8 板块月线反转
abc
01-03 1701
记录8 板块月线反转 https://xueqiu.com/8362166809/136991405 月线反转指标，在陶博士的悉心教导下，很多人都会设置指标了，只是更多用于个股的选股上，个人觉得这个指标其实更适合板块的选择，毕竟现在流行板块轮动，一个板块龙头出来，后面的小弟集体跟风，成为市场上最耀眼的风景，也能走得更远一些 作者：大叔爱吃鱼 ...
基于回归幅度的反转交易策略
weixin_33979203的博客
01-24 345
基于回归幅度的反转交易策略 NO1：前言 河水并不需要计划自己的行进路线，却毫无例外的到达海洋。价格也同样如此，它总是沿着最小阻力线去运动，它总是怎么容易怎么来。如果上升的阻力比下跌的阻力小，价格就会上涨，反之亦然。通常一个大幅度的反转形态，意味着随后会有更大幅度的运动。 无论是上升趋势，还是下降趋势，在每一次重大的趋势运动之后，都将产生一定程度的回撤。回撤与原有价格幅度往往构成...
LeetCode链表逆序：翻转策略面试最简代码综合运用
击水三千里的专栏
02-14 361
主要讨论面试环境下的最简洁写法
陶博士-选股思路-如何应用月线反转
weixin_30556959的博客
03-12 1391
《选股结果核对（20190309）》我再次指出：我的新姨太的寻找方向，次新+月线反转，次新+接近一年新高，是最重要的方向。 [20190311-Jessot-注意，这是并列的两个指标，并不是要取交集] 主要方向是明确的：次新成长股。无论后市如何演变，成长股会是永远的主线之一。根据历史经验，现在这个时间点，无论后市如何演绎，业绩超预期的成长股很有可能会脱颖而出的。 [20190311-J...
「量化技术」Inv_Strategy 胜率76%的趋势反转策略
weixin_39385561的博客
07-14 735
Inv_Strategy为自研的趋势反转策略，能够有效识别到时间序列的趋势拐点，能辅助进行交易决策，规避风险、降低持仓成本。策略基于深度神经网络技术，利用前2个月的量价关系进行inference（推理），训练的模型在A股、ETF、外汇和期货中泛化性强，反转标签识别成功率达76%...
【hackmyvm】Slowman靶机
最新发布
woshicainiao666的博客
05-20 121
发现/secretLOGIN/login.html为登录地址，根据账号密码登录发现一个zip，但是需要密码。在FTP中得到的账号，爆破一下SSH。上传linpeas.sh文件，报一下。SSH爆破无果，试试mysql。得到用户名和加密的密码。
【Python】Python中变量或者函数加下划线‘_‘的含义
yangweipeng708的博客
05-14 654
理解这些约定可以帮助Python开发者编写更清晰、更Pythonic的代码，并理解其他Python代码中的命名习惯。）通常用来指示特定的编程约定或用法，这些约定主要关乎变量和函数的可访问性以及预期的使用范围。在Python中，变量或函数前面加一个下划线（
压电陶瓷迟滞模型的matlab代码
07-05
### 回答1： 压电陶瓷迟滞模型是描述压电陶瓷材料在受到外力作用时产生的电荷与应变之间的关系的数学模型。下面是一个简单的压电陶瓷迟滞模型的 MATLAB 代码： ```matlab clear; % 清除当前的所有变量和函数定义 clc; % 清除命令行窗口中的内容 % 输入参数 E = 1; % 压电系数 B = 0.1; % 无迟滞的饱和应变 alpha = 0.001; % 迟滞开关参数 N = 10; % 迟滞环的个数 V = zeros(1,N); % 初始化每个迟滞环的电压 sigma = zeros(1,N); % 初始化每个迟滞环的应变 % 外力信号 t = 0:0.1:10; % 时间范围 F = sin(t); % 外力信号，这里假设为正弦波 % 计算电荷与应变的关系 for i = 1:length(t) f = F(i); % 外力信号的当前值 for j = 1:N V(j) = V(j) + alpha * (B * sigma(j) - V(j) - f); % 更新迟滞环的电压 sigma(j) = sigma(j) + E * (V(j) - sigma(j)); % 更新迟滞环的应变 end q(i) = sum(sigma); % 计算总电荷 end % 绘制电荷与时间的关系曲线 plot(t, q); xlabel('时间'); ylabel('电荷'); title('压电陶瓷迟滞模型'); ``` 上述代码中，我们首先定义了压电系数 E、无迟滞的饱和应变 B、迟滞开关参数 alpha 和迟滞环的个数 N。然后，我们初始化每个迟滞环的电压 V 和应变 sigma。 接着，我们定义了外力信号 F，这里假设为一个正弦波。然后，我们根据迟滞模型的公式，在每个时间步骤中依次更新每个迟滞环的电压和应变。最后，我们计算总电荷 q，并绘制电荷与时间的关系曲线。 以上是一个简易的压电陶瓷迟滞模型的 MATLAB 代码实现，具体的模型参数和外力信号可以根据实际需求进行调整。 ### 回答2： 压电陶瓷迟滞模型是描述压电陶瓷材料在电压或电场激励下的非线性响应的数学模型。下面是一个简单的压电陶瓷迟滞模型的MATLAB代码示例： ```matlab % 定义模型参数 alpha = 0.05; % 陶瓷的线性部分斜率 beta = 0.03; % 陶瓷的迟滞强度 gamma = 0.02; % 陶瓷的非线性度 phi = 0; % 陶瓷的初始相位 % 定义电压激励 V = linspace(-1, 1, 100); % 电压范围为-1到1，分成100个点 % 计算输出响应 D = zeros(size(V)); % 初始化输出响应矩阵 for i = 1:length(V) % 计算每个点的输出响应 D(i) = alpha * V(i) + beta * (1 - exp(-gamma * V(i))) + phi; end % 绘制电压-输出响应曲线 plot(V, D); xlabel('电压'); ylabel('输出响应'); title('压电陶瓷迟滞模型'); ``` 这段代码首先定义了压电陶瓷迟滞模型的参数（alpha，beta，gamma和phi），然后使用linspace函数生成了一个从-1到1的电压范围，并将其分成100个点。接下来，使用一个for循环计算每个电压点的输出响应，并将其保存在D矩阵中。最后，使用plot函数绘制了电压-输出响应的曲线图。 ### 回答3： 压电陶瓷迟滞模型可以通过非线性差分方程进行描述。在MATLAB中，可以使用迭代方法求解该差分方程的数值解。以下是一个基本的MATLAB代码示例： ```matlab % 参数设置 alpha = 0.2; % 非线性迟滞系数 beta = 0.8; % 非线性增益系数 V = 0.2; % 初始电压 T = 0.001; % 时间步长 N = 1000; % 迭代次数 V_out = zeros(N, 1); % 存储电压输出结果 % 迭代计算 for n = 1:N % 迟滞等效电压 V_hyst = beta * V + alpha * tanh(V); % 更新电压 V = V + T * V_hyst; % 存储输出结果 V_out(n) = V; end % 绘制电压输出结果 plot(1:N, V_out); xlabel('迭代次数'); ylabel('电压'); title('压电陶瓷迟滞模型输出'); ``` 在上述代码中，首先设置了迟滞模型的参数，如非线性迟滞系数和非线性增益系数。然后定义了电压的初始值和时间步长。接着创建一个用于存储电压输出结果的数组，长度为迭代次数N。 在迭代计算的循环中，首先计算迟滞等效电压V_hyst，然后更新电压V。每次迭代结束后，将电压值存储到输出结果数组中。 最后，使用plot函数绘制出电压输出结果的图像，横轴为迭代次数，纵轴为电压值。

“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
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