同花顺Supermind量化交易技术面分析专题（一）-- 相似k线的定量

最新推荐文章于 2024-12-02 08:34:36 发布

Supermind量化

最新推荐文章于 2024-12-02 08:34:36 发布

阅读量1.3k

点赞数

文章标签：人工智能大数据

本文链接：https://blog.csdn.net/qq_22808537/article/details/132916103

版权

本文探讨了技术分析中的‘历史会重演’原则，以K线图为基础，介绍了如何定量分析相似K线，特别是在预测股价、市场分析和形态选股中的应用。通过计算开盘价、收盘价、最低价和最高价的相关系数来确定K线的相似度，从而理解股票走势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

导读:

“历史会重演”是技术分析的三大假设之一，市场行为与投资者心理有着千丝万缕的联系。比如价格形态，它们通过一些特定的价格图表形状表现出来，而这些图形表示了人们对某市场看好或看淡的心理。“历史会重演”，即：打开未来之门的钥匙隐藏在历史中。本文以K线图为基础，秉着“历史会重演”的理念，阐述了“相似K线”技术，并着重介绍该技术在“预测股价”、“分析市场”，“形态选股”三个方面的应用。

认识K线图:

传统的技术分析通过历史价格、成交量、资金流来预测股价涨跌，其中历史价格一般指的就是K线，某个周期内的K线由开盘价、最高价、最低价、收盘价构成。因为周期不同，会使得K线表现形式产生差异，因此我们往往在讲K线时，在K线前指明周期，比如：日级K线、60分钟K线、15分钟K线等等。

如何我们该定量“相似K线”？:

我们选取两只股票的历史K线图，分别为：浦发银行（600000.SH）和中国石化（600028.SH），时间轴为2017-11-13至2018-02-05，共计60根K线。我们需要做的事情是：采用一个标准的公式，来计算出两段K线的相似程度，即相似值：K
注意：K线的相似程度受到历史长度和时间周期的影响，本文一律采用了60根日级K线来计算相似值

两段K线的相似度K=（开盘价相关系数+收盘价相关系数+最低价相关系数+最高价相关系数）/4。
注意：相似度最高为1，即走势完全相同，相似度最低为-1，即走势完全相反，越接近0，则代表走势越不相关。

根据公式，我们计算出两段K线的相似度T=0.57
定性描述：两张K线图相似度并不是特别高
定量描述：两张K线图相似度为0.57

相似K线的定量

1.设置样本池,并获取股票代码

In [24]:

indexcode = '000016.SH'
startdate = '20140101'
enddate = '20190201'
stocklist = get_index_stocks(indexcode,enddate)
stocklist

Out[24]:

['600196.SH',
 '600519.SH',
 '600036.SH',
 '601857.SH',
 '600050.SH',
 '601186.SH',
 '600029.SH',
 '601989.SH',
 '601166.SH',
 '601939.SH',
 '600309.SH',
 '600703.SH',
 '600000.SH',
 '600048.SH',
 '601088.SH',
 '601398.SH',
 '600887.SH',
 '600585.SH',
 '600690.SH',
 '601318.SH',
 '600276.SH',
 '600028.SH',
 '601818.SH',
 '601688.SH',
 '601888.SH',
 '601766.SH',
 '603993.SH',
 '601229.SH',
 '600340.SH',
 '600606.SH',
 '601138.SH',
 '600030.SH',
 '601169.SH',
 '600019.SH',
 '601668.SH',
 '600547.SH',
 '601988.SH',
 '603259.SH',
 '601328.SH',
 '601336.SH',
 '601390.SH',
 '601800.SH',
 '601360.SH',
 '600016.SH',
 '601628.SH',
 '601211.SH',
 '601006.SH',
 '600104.SH',
 '601601.SH',
 '601288.SH']

2.获取样本池股票的近四年的开高低收成交量

In [25]:

data = get_price(stocklist,startdate,enddate,'1d',['open','high','low','close'],is_panel =1)
#收盘价
closedf = data['close'].fillna(0)
opendf = data['open'].fillna(0)
highdf = data['high'].fillna(0)
lowdf = data['low'].fillna(0)
lowdf

Out[25]:

	600000.SH	600016.SH	600019.SH	600028.SH	600029.SH	600030.SH	600036.SH	600048.SH	600050.SH	600104.SH	...	601766.SH	601800.SH	601818.SH	601857.SH	601888.SH	601939.SH	601988.SH	601989.SH	603259.SH	603993.SH
2014-01-02	4.88	4.47	3.00	3.03	2.36	10.80	7.11	3.94	3.00	6.45	...	4.24	3.02	1.80	6.84	15.49	2.63	1.67	5.48	0.00	1.84
2014-01-03	4.74	4.39	2.99	2.94	2.31	10.52	6.84	3.88	2.95	5.96	...	4.13	2.97	1.77	6.81	15.25	2.58	1.64	5.36	0.00	1.83
2014-01-06	4.78	4.26	2.79	2.89	2.23	10.18	6.76	3.60	2.87	5.64	...	3.93	2.84	1.71	6.72	14.76	2.52	1.58	5.03	0.00	1.74
2014-01-07	4.69	4.18	2.86	2.98	2.22	10.29	6.72	3.55	2.87	5.57	...	3.91	2.85	1.72	6.89	14.69	2.55	1.57	5.01	0.00	1.74
2014-01-08	4.76	4.19	2.72	2.95	2.22	10.28	6.90	3.48	2.82	5.80	...	3.67	2.84	1.72	6.83	14.45	2.52	1.57	5.00	0.00	1.71
2014-01-09	4.79	4.21	2.77	2.95	2.21	10.13	7.05	3.56	2.82	5.66	...	3.76	2.83	1.71	6.79	14.41	2.50	1.57	5.01	0.00	1.66
2014-01-10	4.85	4.19	2.73	2.98	2.19	9.82	7.05	3.58	2.78	5.55	...	3.75	2.82	1.70	6.71	14.53	2.50	1.57	4.81	0.00	1.64
2014-01-13	4.92	4.19	2.76	2.98	2.19	9.