Python 实现股票指标计算——DMI

myqijin

于 2024-07-31 02:00:00 发布

阅读量96

点赞数 2

分类专栏：股票文章标签： python

本文链接：https://blog.csdn.net/myqijin/article/details/140568579

版权

股票专栏收录该内容

19 篇文章 0 订阅

订阅专栏

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