DMI (Directional Movement Index) - 动向指标
1 公式
MTR:=SUM(MAX(MAX(HIGH-LOW,ABS(HIGH-REF(CLOSE,1))),ABS(REF(CLOSE,1)-LOW)),N);
HD :=HIGH-REF(HIGH,1);
LD :=REF(LOW,1)-LOW;
DMP:=SUM(IF(HD>0&&HD>LD,HD,0),N);
DMM:=SUM(IF(LD>0&&LD>HD,LD,0),N);
PDI: DMP*100/MTR;
MDI: DMM*100/MTR;
ADX: MA(ABS(MDI-PDI)/(MDI+PDI)*100,M);
ADXR:(ADX+REF(ADX,M))/2;
2 数据准备
我们以科创50指数 000688 为例,指数开始日期为2019-12-31,数据格式如下:
3 计算过程
def calculate_dmi(df: pd.DataFrame, N=14, M=6):
'''
计算 DMI 相关指标,包括 +DI, -DI, ADX, 和 ADXR。
参数:
df (pd.DataFrame): 包含至少 'high', 'low', 'close' 列的DataFrame,分别代表最高价,最低价,和收盘价。
N (int): 用于计算 EMA 的时间窗口大小,默认为14。
M (int): 用于计算 ADXR 的时间窗口大小,默认为6。
返回:
pd.DataFrame: 包含 +DI, -DI, ADX, 和 ADXR 值的DataFrame。
'''
# 创建一个df的副本以避免修改原始数据
data = df.copy()
# 提取高、低、收盘价
high = data['high']
low = data['low']
close = data['close']
# 计算 True Range (TR)
# TR 是每日的最高价和最低价之差,或最高价和昨日收盘价之差的绝对值,或最低价和昨日收盘价之差的绝对值的最大值
tr1 = high - low
tr2 = abs(high - close.shift(1))
tr3 = abs(close.shift(1) - low)
tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)
mtr = tr.rolling(N, min_periods=1).sum()
# 计算 +DM 和 -DM
# +DM 在价格上升时为当前最高价和前一交易日最高价之差
# -DM 在价格下降时为前一交易日最低价和当前最低价之差
hd = high - high.shift(1)
ld = low.shift(1) - low # 注意这里修正了 shift 的使用
hd[hd < 0] = 0 # 当差值小于0时置零
hd[hd < ld] = 0 # 当+DM小于-DM时置零
ld[ld < 0] = 0 # 当差值小于0时置零
ld[ld < hd] = 0 # 当-DM小于+DM时置零
# 使用简单移动平均 (SMA) 计算平滑后的 TR, +DM, 和 -DM
dmp = hd.rolling(N, min_periods=1).sum()
dmm = ld.rolling(N, min_periods=1).sum()
# 计算 +DI 和 -DI
# DI 是平滑后的 +DM 或 -DM 与平滑后的 TR 的比率
pdi = 100 * (dmp / mtr)
mdi = 100 * (dmm / mtr)
# 计算 ADX
# ADX 是 +DI 和 -DI 之间的差异与它们的和的比率的平滑版本
dx = 100 * abs(mdi - pdi) / (mdi + pdi)
adx = dx.rolling(M).mean()
# 计算 ADXR
# ADXR 是当前 ADX 和 M 个周期前的 ADX 的平均值
adxr = (adx + adx.shift(M)) / 2
# 将计算出的指标添加到 DataFrame
data['pdi'] = pdi
data['mdi'] = mdi
data['adx'] = adx
data['adxr'] = adxr
# 返回包含所有计算出的指标的 DataFrame
return data
4 注意事项
参数N=9,M1=3,M2=3时,计算结果与东方财富软件中一致
雪球无此指标