Python 金融量化均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)(1)

最新推荐文章于 2024-06-18 08:49:17 发布

程序员云养猫

最新推荐文章于 2024-06-18 08:49:17 发布

阅读量824

点赞数 16

分类专栏：程序员文章标签： python 金融开发语言

本文链接：https://blog.csdn.net/m0_60635176/article/details/138460922

版权

程序员专栏收录该内容

179 篇文章 0 订阅

订阅专栏

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

在这里插入图片描述

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

在这里插入图片描述

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

在这里插入图片描述

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

调用

plot_smaCal(‘深证成指’,Close[‘2020’],5,10,20,50)

输出结果如图：

在这里插入图片描述

1.5 直接使用mplfinance库来绘制

直接使用mplfinance库来绘制不失为一种更简单的方法。

import mplfinance as mpf

road = path + ‘/深证成指2020年收盘数据附5&10日MAV图.jpg’

s = mpf.make_mpf_style(base_mpf_style=‘blueskies’, rc={‘font.family’: ‘SimHei’}) # 解决mplfinance绘制输出中文乱码

mpf.plot(df[‘2020’], type=‘line’,

ylabel=“price”, style=s, title=‘深证成指2020年时序图附5&10日双均线’, mav=(5, 10), volume=True, ylabel_lower=“volume(shares)”, savefig=road)

通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。

然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)

图像效果如下：

在这里插入图片描述

2.加权移动平均

2.1 加权移动平均数

加权移动平均，即对数据赋予一定的权重后再求平均。

一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。

WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5

(其中w1 + w2 + w3 + w4 + w5 = 1)

5日加权移动平均线

b1 = np.array([1, 2, 3, 4, 5])

w1 = b1/sum(b1) # 定义一组权重

Wma5 = pd.Series(0.0, index=Close.index)

for i in range(4,len(Close)):

Wma5[i] = sum(w1*Close[i-4:(i+1)])

10日加权移动平均线

b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

w2 = b2/sum(b2) # 定义一组权重

Wma10 = pd.Series(0.0, index=Close.index)

for i in range(9,len(Close)):

Wma10[i] = sum(w2*Close[i-9:(i+1)])

2.2 定义加权移动平均计算函数

def wmaCal(tsPrice, weight):

import pandas as pd

import numpy as np

k = len(weight)

arrWeight = np.array(weight)

Wma=pd.Series(0.0, index=tsPrice.index)

for i in range(k-1, len(tsPrice.index)):

Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])

return(Wma)

调用

b = np.array([1, 2, 3, 4, 5])

w = b1/sum(b)

wmaCal(Close[‘2020’],w)

2.3 绘制加权移动平均线

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.plot(Close[‘2020’], label=“Close”, color=‘g’)

plt.plot(Wma5[‘2020’], label=“Wma5”, color=‘r’, linestyle=‘dashed’)

plt.plot(Wma10[‘2020’], label=“Wma10”, color=‘b’, linestyle=‘dashed’)

plt.title(‘深证成指近2020年收盘数据附5&10日加权WAV图’)

plt.legend() # 增设图例

plt.show()

plt.savefig(path + ‘/深证成指2020年收盘数据时序图附5&10日MAV.png’)

图像效果展示如下：

在这里插入图片描述

3.指数加权移动平均(EMA)(EXPMA)(EWMA)

3.1指数加权移动平均数

指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。

第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k

即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均

后边的按此公式以此类推。

第五天指数加权移动平均数为前五天的算数平均数

Ewma5_number1 = np.mean(Close[0:5])

Ewma5 = pd.Series(0.0, index=Close.index)

Ewma5[4]=Ewma5_number1

计算第六天及以后的指数移动平均数

for i in range(5, len(Close)):

Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2

Ewma5.head(10)

由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。

3.2 指数加权移动平均线

绘制指数加权移动平均线图像

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.plot(Close[‘2020’], label=“Close”, color=‘r’)

plt.plot(Ewma5[‘2020’], label=“Ewma5”, color=‘g’, linestyle=‘-.’)

plt.title(‘深证成指近2020年收盘数据时序图附5日指数移动平均线’)

plt.legend()

plt.show()

结果如图所示：

在这里插入图片描述

3.2定义计算指数加权移动平均数函数

def ewmaCal(tsPrice, period=5,exponential=0.2):

import pandas as pd

import numpy as np

Ewma = pd.Series(0.0, index=tsPrice.index)

Ewma[period-1]=np.mean(tsPrice[:period])

for i in range(period, len(tsPrice)):

Ewma[i] = exponential * tsPrice[i] + (1 - exponential) * Ewma[i-1]

return(Ewma)

调用

Ewma=ewmaCal(Close,5,0.2)

Ewma.head(10)

4.常用平均方法比较

简单移动平均(SMA)对前n期的价格求算术平均，所有价格数据同等权重。
加权移动平均(WMA)赋予价格数据不同的权重。一般近期数据权重大，远期数据权重小。
指数移动平均(EMA)类似于加权移动平均，是以指数形式递减加权的移动平均。
三条均线对收盘价曲线的变化往往都有一定的滞后性。

5.双均线交叉策略

利用长短期均线的相对关系，来识别价格趋势的变化。

先求出短期均线和长期均线。
当短期均线从下向上穿过长期均线时，释放出买入信号。
当短期均线从上向下穿过长期均线时，释放出买入信号。

长短均线的时间跨度的选择，因人而异。

6.异同移动平均线(MACD)

6.1 指标概述

MACD指标由两线一柱组合起来形成。
快速线为DIF，慢速线为DEA，柱状图为MACD。
快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。
柱状图MACD由快速线DIF与慢速线DEA作差得到。
MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。
一般默认MACD的求值参数为12、26和9。
DIF = EMA(close,12) - EMA(close,26)
DEA = EMA(DIF,9)
MACD = DIF - DEA

6.2 绘图代码

计算相关指标，用到了上边定义过的函数ewmaCal()。

DIF = ewmaCal(Close, 12, 2/(1+12)) - ewmaCal(Close, 26, 2/(1+26))

DEA = ewmaCal(DIF, 9, 2 / (1+9)) # DEA的线图也被称为信号线

MACD = DIF - DEA

MACD1 = MACD[MACD.values > 0] # MACD数据大于零的部分作图体现为红色

MACD2 = MACD[MACD.values < 0] # MACD数据小于零的部分作图体现为绿色

绘制2020年全年深证成指MACD图像

plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 设定显示中文

plt.rcParams[‘axes.unicode_minus’] = False # 设定正常显示负号

plt.subplot(211)

plt.plot(DIF[‘2020’], label=“DIF”, color=“k”)

plt.plot(DEA[‘2020’], label=“DEA”, color=“b”,linestyle=‘dashed’)

plt.title(“信号线DIF与DEA”)

plt.xlabel(‘date’)

plt.ylabel(‘value’)

plt.legend()

plt.subplot(212)

plt.bar(MACD1[‘2020’].index, height=MACD1[‘2020’], color=‘r’, edgecolor=‘k’)

plt.bar(MACD2[‘2020’].index, height=MACD2[‘2020’], color=‘g’, edgecolor=‘k’)

plt.title(‘MACD’)

plt.xlabel(‘date’)

plt.ylabel(‘value’)

plt.show()

plt.savefig(path + ‘/深证成指2020年MACD指标图.png’)

生成结果如下：

在这里插入图片描述

6.3常用MACD交易思想

这里我们阐述一些常用的MACD交易思想：

当DIF和DEA都在零刻度线上方时，表明市场是多头行情；反之，当DIF和DEA都在零刻度线下方时，表明市场是空头行情。投资实战中，“零上双金叉” 策略广为人们使用：当DIF和DEA都在零刻度线上方，在一段时间内，DIF先上穿DEA线，不久DIF下跌到DEA线的下方，然后DIF又上穿DEA线，此时，说明股价上涨趋势较强，市场处于上涨行情中。
当DIF下穿信号线DEA时，释放出买入信号；当DIF向上穿过信号线DEA时，释放出卖出信号。
MACD柱状图的高低表示DIF与DEA的离差值大小，柱状图在零刻度附近时，释放出买卖信号。柱形图在零刻度线上方，表示DIF大于DEA，市场走势较强；柱形图在零刻度线下方，表示DIF小于DEA，市场走势较弱。
MACD指标的形态分析也是一大关注焦点，可以套用一般的形态分析理论与方法。

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

（1）Python所有方向的学习路线（新版）

最近我才对这些路线做了一下新的更新，知识体系更全面了。

在这里插入图片描述

（2）Python学习视频

在这里插入图片描述

（3）100多个练手项目

在这里插入图片描述

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

在这里插入图片描述

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

在这里插入图片描述

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

程序员云养猫

关注

16
点赞
踩
29

收藏

觉得还不错? 一键收藏
0
评论
Python 金融量化均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)(1)

MACD指标由两线一柱组合起来形成。快速线为DIF，慢速线为DEA，柱状图为MACD。快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。柱状图MACD由快速线DIF与慢速线DEA作差得到。MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。一般默认MACD的求值参数为12、26和9。
复制链接

扫一扫