Python实现KDJ指标计算：股票技术分析的利器系列（3）

---

介绍

先看看官方介绍：

KDJ(随机指标）
用法
1.D指标>80 时，回档机率大；D指标<20时，反弹机率大；
2.K在20左右向上交叉D时，视为买进信号；
3.K在80左右向下交叉D时，视为卖出信号；
4.J>100 时，股价易反转下跌；J<0 时，股价易反转上涨；
5.KDJ 波动于50左右的任何信号，其作用不大。

算法解释

RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100;
K:SMA(RSV,M1,1);
D:SMA(K,M2,1);
J:3*K-2*D;

1. RSV（Raw Stochastic Value）：原始随机值。RSV是根据最近N个交易日内的收盘价，计算其相对于最高价和最低价的位置比例。公式为：RSV = (CLOSE - LLV(LOW, N)) / (HHV(HIGH, N) - LLV(LOW, N)) * 100。其中LLV代表最低价的最小值，HHV代表最高价的最大值。

2. LLV（Lowest Value）：最低价的最小值。LLV函数用于计算最近N个交易日内的最低价的最小值。

3. HHV（Highest Value）：最高价的最大值。HHV函数用于计算最近N个交易日内的最高价的最大值。

4. SMA（Simple Moving Average）：简单移动平均线。SMA是一种用于平滑数据的常见方法，通过计算一段时间内数据的平均值来观察价格的长期趋势。

KDJ指标中的K、D、J分别代表：

• K：代表快速随机值，是RSV的平滑移动平均线，常用于观察价格的短期波动情况。
• D：代表慢速随机值，是K的平滑移动平均线，用于观察价格的中期趋势。
• J：代表J值，是根据K和D计算得出的一个值，常用于观察价格的长期趋势和判断超买超卖情况。

在KDJ指标中，通常会设定两个参数M1和M2，分别用于计算K和D的移动平均值。

代码

rolling函数介绍

rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

• window: 用于计算统计量的窗口大小。
• min_periods: 每个窗口最少需要的非空观测值数量。
• center: 确定窗口是否居中，默认为 False。
• win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
• on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。
• axis: 执行滚动操作的轴，默认为 0，表示按列执行操作。
• closed: 确定窗口的哪一端是闭合的，默认为 None。

计算LLV（最低价最小值）和HHV（最高价最大值）

# 定义函数计算LLV（最低价最小值）和HHV（最高价最大值）
def calculate_llv_high_low(high, low, n):
    return low.rolling(window=n).min(), high.rolling(window=n).max()

计算RSV

# 定义函数计算RSV
def calculate_rsv(close, llv_low, hhv_high):
    return (close - llv_low) / (hhv_high - llv_low) * 100

计算SMA（简单移动平均）

# 定义函数计算SMA（简单移动平均）
def calculate_sma(data, window):
    return data.rolling(window=window).mean()

完整代码

import pandas as pd


# 定义函数计算LLV（最低价最小值）和HHV（最高价最大值）
def calculate_llv_high_low(high, low, n):
    return low.rolling(window=n).min(), high.rolling(window=n).max()


# 定义函数计算RSV
def calculate_rsv(close, llv_low, hhv_high):
    return (close - llv_low) / (hhv_high - llv_low) * 100


# 定义函数计算SMA（简单移动平均）
def calculate_sma(data, window):
    return data.rolling(window=window).mean()


# 示例数据
data = {
    'CLOSE': 填每日收盘的数据,
    'HIGH': 填每日最高的数据,
    'LOW': 填每日最低的数据
}
df = pd.DataFrame(data)

# 设置参数
N = 9
M1 = 3
M2 = 3

# 计算LLV和HHV
df['LLV_LOW'], df['HHV_HIGH'] = calculate_llv_high_low(df['HIGH'], df['LOW'], N)

# 计算RSV
df['RSV'] = calculate_rsv(df['CLOSE'], df['LLV_LOW'], df['HHV_HIGH'])

# 计算K
df['K'] = calculate_sma(df['RSV'], M1)

# 计算D
df['D'] = calculate_sma(df['K'], M2)

# 计算J
df['J'] = 3 * df['K'] - 2 * df['D']

print(df)

计算结果