Python 实现 ADTM 指标计算：股票技术分析的利器系列（9）

---

介绍

ADTM（动态买卖气指标）是一种用于衡量市场买卖力量对比的指标。它通过计算动态买盘指标（DTM）和动态卖盘指标（DBM）之间的差值来反映买卖双方的力量对比情况。

简单点说，就是看买家和卖家谁更强的一个东西。就是算一算买盘（DTM）和卖盘（DBM）的活跃程度谁大，谁小。如果ADTM是正的，那就意味着买家比较牛，行情可能朝上走；反之，如果ADTM是负的，那就表示卖家势头强，股市可能往下走。所以，瞅瞅ADTM的数字，投资者就能稍微明白点市场的味道，更容易决定接下来是涨是跌。当然，有些人还会把ADTM搞个移动平均（MAADTM），就是为了数据更平滑些，看长期的买卖势头走向。

先看看官方介绍：

ADTM(动态买卖气指标）
用法
1.该指标在+1到-1之间波动；
2.低于-0.5时为很好的买入点,高于+0.5时需注意风险。

算法解释

DTM:=IF(OPEN<=REF(OPEN,1),0,MAX((HIGH-OPEN),(OPEN-REF(OPEN,1))));
DBM:=IF(OPEN>=REF(OPEN,1),0,MAX((OPEN-LOW),(OPEN-REF(OPEN,1))));
STM:=SUM(DTM,N);
SBM:=SUM(DBM,N);
ADTM:IF(STM>SBM,(STM-SBM)/STM,IF(STM=SBM,0,(STM-SBM)/SBM));
MAADTM:MA(ADTM,M);

指标	描述
DTM（动态买盘指标）	衡量股价上涨时买盘活跃程度的累加成交量
DBM（动态卖盘指标）	衡量股价下跌时卖盘活跃程度的累加成交量
STM（动态买盘指标和）	买盘活跃程度总和（上涨时）
SBM（动态卖盘指标和）	卖盘活跃程度总和（下跌时）
ADTM（动态买卖气指标）	买卖气势指标，DTM和DBM之差
MAADTM（ADTM的移动平均值）	ADTM的移动平均值，用于观察长期买卖气势趋势

核心代码

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 DTM

如果当天的开盘价小于等于前一天的开盘价，这意味着当天的股价下跌或者持平，那么对应的 DTM 值就是 0。
如果当天的开盘价大于前一天的开盘价，这意味着当天的股价上涨，那么我们要比较两者之间的差值。具体计算方式是用当天的最高价减去当天的开盘价，和前一天的开盘价减去前一天的开盘价的差值，然后取较大的那个差值作为 DTM 的值。

DTM = np.where(df['OPEN'] <= df['OPEN'].shift(1), 0,
                   np.maximum(df['HIGH'] - df['OPEN'], df['OPEN'] - df['OPEN'].shift(1)))

np.where 使用介绍

np.where 是 NumPy 库中的一个函数，用于根据条件返回输入数组中的元素。让我用更简单的语言解释一下 np.where 的作用：

这个函数有三个参数：条件、满足条件时返回的值、不满足条件时返回的值。它的作用就是根据条件来选择返回的值。

例如，假设我们有一个数组 arr，我们想要根据数组中的每个元素是否大于 0 来返回对应的值，如果大于 0，我们返回 'positive'，否则返回 'non-positive'，可以这样使用 np.where：

import numpy as np

arr = np.array([1, -2, 3, -4, 5])
result = np.where(arr > 0, 'positive', 'non-positive')
print(result)

输出结果将会是 ['positive' 'non-positive' 'positive' 'non-positive' 'positive']，这就是根据条件返回的结果。

np.maximum

np.maximum 是 NumPy 库中的一个函数，用于比较两个数组中对应位置的元素，并返回一个新数组，该数组包含每个位置上两个数组中较大的元素。

让我用更简单的语言解释一下 np.maximum 的作用：

假设我们有两个数组 arr1 和 arr2，它们有相同的形状（即相同的行数和列数）。我们想要创建一个新的数组，其中的每个元素都是对应位置上 arr1 和 arr2 中较大的元素。这时我们就可以使用 np.maximum 函数。

例如，假设我们有以下两个数组：

import numpy as np

arr1 = np.array([1, 3, 5, 7])
arr2 = np.array([2, 4, 6, 8])

我们可以使用 np.maximum 函数来比较这两个数组中的元素：

result = np.maximum(arr1, arr2)
print(result)

输出结果将会是 [2 4 6 8]，这个新数组中的每个元素都是对应位置上 arr1 和 arr2 中较大的元素。

计算 DBM

如果当天的开盘价大于等于前一天的开盘价，这意味着当天的股价上涨或者持平，那么对应的 DBM 值就是 0。
如果当天的开盘价小于前一天的开盘价，这意味着当天的股价下跌，我们要比较两者之间的差值。具体计算方式是用当天的开盘价减去当天的最低价，和前一天的开盘价减去前一天的开盘价的差值，然后取较大的那个差值作为 DBM 的值。

DBM = np.where(df['OPEN'] >= df['OPEN'].shift(1), 0,
                   np.maximum(df['OPEN'] - df['LOW'], df['OPEN'] - df['OPEN'].shift(1)))

计算 STM

首先，将动态买盘指标（DTM）转换为 Pandas 的 Series 类型。
然后，使用 rolling 方法创建一个滚动窗口对象，该对象会在指定的窗口大小内对数据进行滚动计算。
在这个例子中，window=N 意味着窗口的大小为 N，即在 N 天内进行计算。min_periods=1 表示即使在窗口期间只有一个非空值也会进行计算。
最后，对滚动窗口中的数据进行求和操作，得到动态买盘指标和（STM）。

STM = pd.Series(DTM).rolling(window=N, min_periods=1).sum()

计算 SBM

首先，将动态卖盘指标（DBM）转换为 Pandas 的 Series 类型。
然后，使用 rolling 方法创建一个滚动窗口对象，该对象会在指定的窗口大小内对数据进行滚动计算。
在这个例子中，window=N 意味着窗口的大小为 N，即在 N 天内进行计算。min_periods=1 表示即使在窗口期间只有一个非空值也会进行计算。
最后，对滚动窗口中的数据进行求和操作，得到动态卖盘指标和（SBM）。

SBM = pd.Series(DBM).rolling(window=N, min_periods=1).sum()

计算 ADTM

首先，比较动态买盘指标和（STM）和动态卖盘指标和（SBM）的大小关系。
如果 STM 大于 SBM，则计算公式为 (STM - SBM) / STM，表示买盘力量较强时的买卖气指标值。
如果 STM 等于 SBM，则将买卖气指标值设为 0，表示买卖力量相对平衡。
如果 STM 小于 SBM，则计算公式为 (STM - SBM) / SBM，表示卖盘力量较强时的买卖气指标值。

ADTM = np.where(STM > SBM, (STM - SBM) / STM, np.where(STM == SBM, 0, (STM - SBM) / SBM))

完整代码

import pandas as pd
import numpy as np

import a_get_data

N = 23
M = 8

# 计算ADTM指标
def calculate_ADTM(df, N, M):
    DTM = np.where(df['OPEN'] <= df['OPEN'].shift(1), 0,
                   np.maximum(df['HIGH'] - df['OPEN'], df['OPEN'] - df['OPEN'].shift(1)))
    DBM = np.where(df['OPEN'] >= df['OPEN'].shift(1), 0,
                   np.maximum(df['OPEN'] - df['LOW'], df['OPEN'] - df['OPEN'].shift(1)))
    STM = pd.Series(DTM).rolling(window=N, min_periods=1).sum()
    SBM = pd.Series(DBM).rolling(window=N, min_periods=1).sum()
    ADTM = np.where(STM > SBM, (STM - SBM) / STM, np.where(STM == SBM, 0, (STM - SBM) / SBM))
    MAADTM = pd.Series(ADTM).rolling(window=M, min_periods=1).mean()
    df['ADTM'] = ADTM
    df['MAADTM'] = MAADTM


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
    'OPEN': 填每日开盘的数据
}

df = pd.DataFrame(data)
# 计算ADTM指标
calculate_ADTM(df, N, M)

print(df)