策略验证_指标买点分析技法_运用KDJ随机指标选择买点_利用随机指数寻找个股中的买入点和卖出点-CSDN博客

本文链接：https://blog.csdn.net/m0_37967652/article/details/127998332

写在前面：
1. 本文中提到的“股票策略校验工具”的具体使用操作请查看该博文；
2. 文中知识内容来自书籍《同花顺炒股软件从入门到精通》
3. 本系列文章是用来学习技法，文中所得内容都仅仅只是作为演示功能使用

解说

KDJ随机指标，是威廉指标的一种延伸工具，最早起源于期货市场，由乔治·莱恩首创。它通过计算当日或最近几日最高价、最低价及收盘价等价格波动的幅度，来反映价格趋势的强弱，及超买超卖的状态。

随机指标在图表上共有3根线，K线、D线和J线。随机指标在计算中考虑了计算周期内的最高随机指标价、最低价，兼顾了股价波动中的随机振幅，因而随机指标更能真实地反映股价的波动，其提示作用更加明显。随机指标KD线中，K为快速指标，D为慢速指标。当K线向上突破D线时，表示为上升趋势，可以买进；当K线向下突破D线时，可以卖出。又当KD值升到90以上时表示偏高，跌到20以下时表示偏低。太高就有下跌的可能，而太低就有上涨的机会。

KDJ随机指标对买点的应用原则如下。

1）K值在50以下的低水平，并且呈现上涨的趋势，并且K线由下向上和D线有交叉现象，此时为买点，后期股票会产生大的上涨行情。

2）K线由下向上交叉D线失败转而向下探底后，K线再次向上交叉D线，两线所夹的空间叫做向上反转风洞。当出现向上反转风洞时股价将上涨。

3）当K值小于20时，股价极容易短期内上涨，此时一般为较好的买点。

4）在一般情况下，D值小于20时，股价很容易短期内回弹。如果D值继续减少到15时，股价会在极短时间内快速上涨，但这只是短期回弹上涨，这种瞬间回档或反弹不代表行情已经反转。

5）J线信号一般不出现，一旦出现，可靠性最强。当J值小于0时，代表股价已经见底，是较好的买点。

策略代码

def excute_strategy(base_data,data_dir):
    '''
    指标买点分析技法 - 运用KDJ随机指标选择买点
    解析：
    1. K值在50以下的低水平，并且呈现上涨的趋势，并且K线由下向上和D线有交叉现象，此时为买点，后期股票会产生大的上涨行情
    2. K线由下向上交叉D点失败转而向下探底后，K线再次向上交叉D线，两线所夹的空间叫做向上反转风洞。当出现向上反转风洞时股价将上涨
    3. 当K值小于20时，股价极容易短期内上涨，此时一般为较好的买点。
    4. 在一般情况下，D值小于20时，股价很容易短期内回弹。如果D值继续减少到15时，股价会在极短时间内快速上涨，但这只是短期回弹上涨，这种瞬间回档或反弹不代表行情已经反转。
    5. J线信号一般不出现，一旦出现，可靠性最强。当J值小于0时，代表股价已经见底，是较好的买点
    通俗翻译：
    1. K线上穿D线，且K<50
    2. 比较麻烦，本策略不实现
    3. K线上穿20
    4. 本策略不实现
    5. J线上穿0
    自定义：
    1. 买入时点 =》 走势确定后下一交易日
    2. 胜 =》 买入后第三个交易日收盘价上升，为胜
    只计算最近两年的数据
    :param base_data:股票代码与股票简称 键值对
    :param data_dir:股票日数据文件所在目录
    :return:
    '''
    import pandas as pd
    import numpy as np
    import talib,os
    from datetime import datetime
    from dateutil.relativedelta import relativedelta
    from tools import stock_factor_caculate

    def res_pre_two_year_first_day():
        pre_year_day = (datetime.now() - relativedelta(years=2)).strftime('%Y-%m-%d')
        return pre_year_day
    caculate_start_date_str = res_pre_two_year_first_day()

    dailydata_file_list = os.listdir(data_dir)

    total_count = 0
    total_win = 0
    check_count = 0
    list_list = []
    detail_map = {}
    factor_list = ['KDJ']
    ma_list = []
    for item in dailydata_file_list:
        item_arr = item.split('.')
        ticker = item_arr[0]
        secName = base_data[ticker]
        file_path = data_dir + item
        df = pd.read_csv(file_path,encoding='utf-8')
        # 删除停牌的数据
        df = df.loc[df['openPrice'] > 0].copy()
        df['o_date'] = df['tradeDate']
        df['o_date'] = pd.to_datetime(df['o_date'])
        df = df.loc[df['o_date'] >= caculate_start_date_str].copy()
        # 保存未复权收盘价数据
        df['close'] = df['closePrice']
        # 计算前复权数据
        df['openPrice'] = df['openPrice'] * df['accumAdjFactor']
        df['closePrice'] = df['closePrice'] * df['accumAdjFactor']
        df['highestPrice'] = df['highestPrice'] * df['accumAdjFactor']
        df['lowestPrice'] = df['lowestPrice'] * df['accumAdjFactor']

        if len(df)<=0:
            continue

        # 开始计算
        for item in factor_list:
            df = stock_factor_caculate.caculate_factor(df,item)
        for item in ma_list:
            df = stock_factor_caculate.caculate_factor(df,item)
        df.reset_index(inplace=True)
        df['i_row'] = [i for i in range(len(df))]
        df['three_chg'] = round(((df['close'].shift(-3) - df['close']) / df['close']) * 100, 4)
        df['three_after_close'] = df['close'].shift(-3)

        # kdj_k kdj_d kdj_j
        df['target_yeah'] = 0
        df.loc[(df['kdj_k']<50) & (df['kdj_k'].shift(1)<df['kdj_d'].shift(1)) & (df['kdj_k']>=df['kdj_d']),'target_yeah'] = 1
        df.loc[(df['kdj_k'].shift(1)<20) & (df['kdj_k']>=20),'target_yeah'] = 1
        df.loc[(df['kdj_j'].shift(1)<0) & (df['kdj_j']>=0),'target_yeah'] = 1

        i_row_list = df.loc[df['target_yeah']==1]['i_row'].values.tolist()

        node_count = 0
        node_win = 0
        duration_list = []
        table_list = []
        for i,row0 in enumerate(i_row_list):
            row = row0 + 1
            if row >= len(df):
                continue
            date_str = df.iloc[row]['tradeDate']
            cur_close = df.iloc[row]['close']
            three_after_close = df.iloc[row]['three_after_close']
            three_chg = df.iloc[row]['three_chg']

            table_list.append([
                i,date_str,cur_close,three_after_close,three_chg
            ])
            duration_list.append([row-2,row+3])
            node_count += 1
            if three_chg<0:
                node_win +=1
            pass

        list_list.append({
            'ticker':ticker,
            'secName':secName,
            'count':node_count,
            'win':0 if node_count<=0 else round((node_win/node_count)*100,2)
        })
        detail_map[ticker] = {
            'table_list': table_list,
            'duration_list': duration_list
        }

        total_count += node_count
        total_win += node_win
        check_count += 1
        pass
    df = pd.DataFrame(list_list)

    results_data = {
        'check_count':check_count,
        'total_count':total_count,
        'total_win':0 if total_count<=0 else round((total_win/total_count)*100,2),
        'start_date_str':caculate_start_date_str,
        'df':df,
        'detail_map':detail_map,
        'factor_list':factor_list,
        'ma_list':ma_list
    }
    return results_data