惊呆了,探究如果机器用KDJ法对股票进行做套的胜率,竟高达%80

于 2021-12-15 22:10:28 发布
阅读量1.4k 收藏 4
点赞数 1
分类专栏： 量化策略 文章标签： python 深度学习 机器学习 数据分析
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/linxinloningg/article/details/121963000
版权

做套：惊呆了！探究如果机器用KDJ法对股票进行做套的胜率,竟高达%80。

前言：

接上一篇：惊呆了,探究如果机器用MACD法对股票进行做套的胜率,竟高达%80

今天在整理自研量化系统的代码屎山时，也无意间想记录一下如果仅仅严格按照KDJ法对买入的股票进行做套，胜率将会是多少呢？

接下来就来尝试一下，首先得简单了解一下什么是KDJ，这个我也不多解释了，“dddd”，所以简单百度百科一下：随机指标KDJ一般是用于股票分析的统计体系，根据统计学原理，通过一个特定的周期（常为9日、9周等）内出现过的最高价、最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV，然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。

简单了解完之后就可以开始实现了：
  • 第一步导入数据：
    df = pd.read_csv("2021-11-19.csv")

    这里用一下2021年11月19号的上证A股所有股票的日分钟数据

    在这里插入图片描述

    忽略’code’列股票代码显示不全的问题，从数据库备份转csv时没注意code特征列数值的属性，但对这次实验不造成影响，后期把“0”补回去就好了，就是csv保存时把前面的“0”都去掉了，数据量有54w条，足够大了。

  • 构造计算KDJ的函数

    这里就需要用到kdj的公式了

    • 自己查，很简单的

    完整的计算kdj函数的代码为：

    def CalculateKDJ(price_list, _kdj):
    """
    :param price_list: 
    :param _kdj: 列表 例如 [0, 0, 0]
    :return:
    """
    RSV = 0
    if max(price_list) - min(price_list) != 0:
        RSV = (price_list[-1] - min(price_list)) / (max(price_list) - min(price_list)) * 100
    K = 2 / 3 * _kdj[0] + 1 / 3 * RSV
    D = 2 / 3 * _kdj[1] + 1 / 3 * K
    J = 3 * K - 2 * D
    return [round(K, 2), round(D, 2), round(J, 2)]
  • 此外，还利用sklearn的线性模型库linear_model构造一个可以计算一段时间内价格变动趋势的函数，其实就是分析线性方程组的斜率，从而得知在这段时间，价格变动的趋势
    def CalculateTrend(price_list):
    """
    :param price_list: 
    :return:
    """
    regr = linear_model.LinearRegression()
    X = list()
    for x in range(1, len(price_list) + 1):
        X.append([x])
    regr.fit(X, price_list)
    return regr.coef_.tolist()[0]
  • 重头戏来了，函数都备好了，万事俱备只欠东风，得构造一个逻辑函数或称为步骤函数去利用数据然后作出决策，然后再判断决策是否正确
    • 做套的两件大事（不要做反套）：
      • 卖的时候比原本持仓价格要高
      • 买的时候比原本持仓价格要低

      因此在函数中设置一个阈值"threshold"来从当这个原本持仓价格

    • 初始值设立：
      • Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。Di-1表示前一天的D值，若无前一天的D值，则用50来代替。所以初始KDJ设为[50,50,0]。
      • 原本持仓价格我们不可能每一个股票都输入一个持仓价格，因此我将持仓价格设置为当天开盘的数据，其实原本持仓价格只是从当一个阈值效果，帮助我们不要做反套，所以这样设立也确实没多大问题。
      • 不设立买入和卖出限制的股数，因为要尽可能的多测试样例，但这在现时中是不合理的，因为我们买入卖出的股份不可能是无限多。所以在想要使用的时候，可以添加一个限制操作股数的值，当买或卖达到了这个值，就不能也不用再操作这只股票了

      但KDJ就是遵循多种操作方式：

      # K与D值永远介于0到100之间。D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。

# J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。
# 当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号
# 当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号
      为了探究其中哪个更适合用于"做套"，可以把它看成超短期交易，所以可视化一下KDJ的分布规律：
      • 首先获取到全部的股票的日KDJ全部数据
        data = {'K':list(),'D':list(),'J':list()}
for code in set(df['code'].to_list()):
price_list = df[df['code'] == code]['最新价'].to_list()

threshold = price_list[0]
# Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
# Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
_KDJ = [50, 50, 0]
for i in range(9, len(price_list), 9):
    KDJ = CalculateKDJ(price_list[i - 9:i], _kdj=_KDJ)
    data['K'].append(KDJ[0])
    data['D'].append(KDJ[1])
    data['J'].append(KDJ[2])
    _KDJ = KDJ
data = pd.DataFrame(data)

      在这里插入图片描述

      随随便便看看吧，会的也不是很多，看一下每列分布吧：

      从左往右依次为K，D，J的分布情况：

      在这里插入图片描述

      • 符合：K与D值永远介于0到100之间，J指标可超过100和低于0

        但对于D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。根据数据列分布情况，我觉得这个可能对于超短期帮助不大，因此待会实验，也添加一个条件试验一下就好了。

      D值和J值的变化曲线：

    在这里插入图片描述

    然后我叠加了一个用于判断趋势的函数:

    • 当判断到买时趋势是向下的（<0）,则放弃购买

    • 当判断到卖时趋势是向上的（>0）,则放弃售卖

    判断胜负的方式用，买入（卖出）时的价格低于（高于）接下来10分钟的平均价，则判为胜。

        for code in tqdm(set(df['code'].to_list())):
        price_list = df[df['code'] == code]['最新价'].to_list()
        r = 0
        t = 0
        threshold = price_list[0]
        # Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
        # Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
        _KDJ = [50, 50, 0]
        for i in range(5, len(price_list), 5):
            KDJ = CalculateKDJ(price_list[i - 5:i], _kdj=_KDJ)
            if price_list[i] < threshold:
                if KDJ[2] >= 100:
                    if CalculateTrend(price_list[i - 5:i]) > 0:
                        buy['code'].append(code)
                        buy['买入价'].append(price_list[i])
                        buy['买入后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] <= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1
            if price_list[i] > threshold:
                if KDJ[2] <= 0:
                    if CalculateTrend(price_list[i - 5:i]) < 0:
                        sell['code'].append(code)
                        sell['卖出价'].append(price_list[i])
                        sell['卖出后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] >= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1
            _KDJ = KDJ
        if t != 0:
            rate['code'].append(code)
            rate['胜率'].append(r / t)

    一通捣鼓下来，观看实验效果：

    • 仅用“J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。”

      胜率为在这里插入图片描述

    • 用“J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。”和

      D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。“胜率为在这里插入图片描述

      ，反而降低了

    • 用“当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号”和“当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号”胜率为在这里插入图片描述
      可见J值更敏感，对于这种“日内做套”的手段，胜率显得更高一点。

完整代码：
import pandas as pd
from sklearn import linear_model
from tqdm import tqdm
import numpy as np


def CalculateKDJ(price_list, _kdj):
    """
    :param price_list: 
    :param _kdj: 列表 例如 [0, 0, 0]
    :return:
    """

    RSV = 0
    if max(price_list) - min(price_list) != 0:
        RSV = (price_list[-1] - min(price_list)) / (max(price_list) - min(price_list)) * 100

    K = 2 / 3 * _kdj[0] + 1 / 3 * RSV

    D = 2 / 3 * _kdj[1] + 1 / 3 * K

    J = 3 * K - 2 * D

    return [round(K, 2), round(D, 2), round(J, 2)]


def CalculateTrend(price_list):
    """
    :param price_list: 
    :return:
    """
    regr = linear_model.LinearRegression()
    X = list()
    for x in range(1, len(price_list) + 1):
        X.append([x])
    regr.fit(X, price_list)
    return regr.coef_.tolist()[0]


if __name__ == '__main__':

    # K与D值永远介于0到100之间。D大于80时，行情呈现超买现象。D小于20时，行情呈现超卖现象。

    # J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。
    # 当K值由较小逐渐大于D值，在图形上显示K线从下方上穿D线，所以在图形上K线向上突破D线时，俗称金叉，即为买进的讯号
    # 当K值由较大逐渐小于D值，在图形上显示K线从上方下穿D线，所以在图形上K线向下突破D线时，俗称死叉，即为卖出的讯号
    df = pd.read_csv("min_test_data.csv")

    buy = {'code': list(), '买入价': list(), '买入后十分钟平均价:': list()}
    sell = {'code': list(), '卖出价': list(), '卖出后十分钟平均价:': list()}
    rate = {'code': list(), '胜率': list()}
    for code in tqdm(set(df['code'].to_list())):

        price_list = df[df['code'] == code]['最新价'].to_list()

        r = 0
        t = 0

        threshold = price_list[0]
        # Ki-1表示前一天的K值，若无前一天的K值，则用50来代替。
        # Di-1表示前一天的D值，若无前一天的D值，则用50来代替。
        _KDJ = [50, 50, 0]

        for i in range(5, len(price_list), 5):
            KDJ = CalculateKDJ(price_list[i - 5:i], _kdj=_KDJ)
            if price_list[i] < threshold:

                if KDJ[2] >= 100:

                    if CalculateTrend(price_list[i - 5:i]) > 0:
                        buy['code'].append(code)
                        buy['买入价'].append(price_list[i])
                        buy['买入后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] <= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1

            if price_list[i] > threshold:
                if KDJ[2] <= 0:

                    if CalculateTrend(price_list[i - 5:i]) < 0:
                        sell['code'].append(code)
                        sell['卖出价'].append(price_list[i])
                        sell['卖出后十分钟平均价:'].append(np.mean(price_list[i + 1:i + 11]))
                        r += 1 if price_list[i] >= np.mean(price_list[i + 1:i + 11]) else -1
                        t += 1

            _KDJ = KDJ

        if t != 0:
            rate['code'].append(code)
            rate['胜率'].append(r / t)

    buy = pd.DataFrame(buy)
    print(buy.head())
    sell = pd.DataFrame(sell)
    print(sell.head())
    rate = pd.DataFrame(rate)
    print(rate.head())
    print(rate['胜率'].sum() / len(rate))
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

打赏作者

linxinloningg

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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