Python实现股票量化交易学习进阶(一)之基础库(知识准备)搭建

最新推荐文章于 2024-10-23 02:56:35 发布

在路上奔跑~

最新推荐文章于 2024-10-23 02:56:35 发布

阅读量1.3w

点赞数 15

分类专栏： Python

本文链接：https://blog.csdn.net/u011930054/article/details/112944314

版权

Python 专栏收录该内容

4 篇文章 14 订阅

订阅专栏

股票量化交易学习第一篇之基础搭建

1、写在前面
2、股票技术指标分析

1、写在前面

从本文开始准备写写关于股票量化交易的连载博客，重点记录自己对于量化交易平台实现的学习路径，针对一些重点第三方库以及重点知识做个备忘录。
我要实现的量化交易框架只是一个针对金融数据获取、清洗、整合及一些量化策略的实现、回测等功能，并不会实现股票真实的程序化交易功能，所有在实现量化交易框架必须先掌握一些第三方库的知识，这里给出涉及到的相关库，需要提前安装并对库的使用知识提前储备.

1.1、Numpy库的安装

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
可以通过安装Anaconda3来实现NumPy、Pandas等基础库的安装，也可以使用下面命令安装Numpy：

pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

默认情况使用国外线路，国外太慢，我们使用清华的镜像。
关于Numpy的教程可以单击《Numpy教程》链接进行学习。

1.2、Pandas库的安装

Pandas 是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas 的目标是成为 Python 数据分析实践与实战的必备高级工具，其长远目标是成为最强大、最灵活、可以支持任何语言的开源数据分析工具。
同样Pandas可以通过安装Anaconda3来实现统一安装，如果需要单独安装可以使用下面的命令：

使用conda安装

conda install Pandas

如果要安装指定版本的pandas使用下面命令

conda install Pandas=0.20.3

使用pip安装

pip3 install Pandas

1.3、金融数据获取

股市金融数据获取我主要通过两个平台，一个是tushare，一个是聚宽，两个平台都可以注册后免费使用，国泰君安的量化交易库也是使用的聚宽平台的jqdata库，有兴趣可以搜索了解一下，如果有交易账号的话可以自己直接实现程序化交易的部分。

tushare的安装及文档链接

pip3 install tushare

注意该平台现有新旧两个接口文档，新接口将一些功能从旧接口中迁移了，使用时要注意看文档。
新接口文档链接
导入包方式

import tushare as ts

聚宽JoinQuant的安装及文档链接

 pip3 install jqdatasdk

或者下面的，速度能快点：

pip3 install jqdatasdk -i https://mirrors.aliyun.com/pypi/simple/

升级：

pip3 install -U jqdatasdk

导入jqdatasdk包方式
import jqdatasdk as jq

1.4、talib金融库的安装及文档链接

TA-Lib，全称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。TA-Lib可分为10个子板块：Overlap Studies(重叠指标)，Momentum Indicators(动量指标)，Volume Indicators(交易量指标)，Cycle Indicators(周期指标)，Price Transform(价格变换)，Volatility Indicators(波动率指标)，Pattern Recognition(模式识别)，Statistic Functions(统计函数)，Math Transform(数学变换)和Math Operators(数学运算)，见下图。
在这里插入图片描述
安装与使用

安装：在cmd上使用“pip install talib”命令一般会报错，正确安装方法是，进入https://www.lfd.uci.edu/~gohlke/pythonlibs/，下拉选择TA_Lib-0.4.19-cp38-cp38-win_amd64.whl（win系统64位，python3.8版本，根据自己系统和python版本选择相应的安装包），将下载包放在某一路径中，然后在Anaconda Prompt（或windows的cmd）里面输入命令：

pip install [文件全路径名]

安装效果(TA_Lib-0.4.19-cp38-cp38-win_amd64.whl文件放在C:\Users\ml\Desktop\Python路径下)
在这里插入图片描述安装后登录Python测试：

由于talib库没有中文文档，此处给出两个参考链接，深入学习还请自行搜索吧。链接一、链接二。
连接二是比较全的翻译文档。

1.5、Matplotlib 库安装及文档链接

Matplotlib 是 Python 的绘图库。它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。

可以通过anaconda3进行安装也可以用下面方式：

pip3 install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

使用镜像地址安装速度块。
学习文档链接。

1.6、mplfinance库安装及文档链接

使用Python的matplotlib库，可以快速创建高质量的图形，绘制金融类图形建议使用mplfinance模块，mplfinance原本是Matplotlib的子模块，现被剥离成为一个独立的库。对于绘制K线图等金融领域常用的可视化图形建议使用mplfinance模块。

mplfinance模块是在2020年初开始频繁更新的，在此之前最常用的是旧版mpl_finance模块，别看名字只差一点，但用法还是象成很大的。现在使用旧版已经会提示：

WARNING: `mpl_finance` is deprecated:
    Please use `mplfinance` instead (no hyphen, no underscore).
    To install: `pip install --upgrade mplfinance` 
   For more information, see: https://pypi.org/project/mplfinance/

旧版说不定哪天就停用了。而新版mplfinance比旧版使用起来更加方便，使得创建金融图表变得更加容易，并且新版能很好的直接与pandas数据接口对接。两个版本的模块都脱胎于经典的数据可视化模块matplotlib，但重要的是新的API自动完成用户以前必须用旧API“手动”完成的额外matplotlib工作。

mplfinance模块安装

pip3 install mplfinance

1.7、backtrader回测框架

Backtrader是一个基于Python的自动化回溯测试框架，作者是德国人 Daniel Rodriguez，是一个易懂、易上手的量化投资框架。后面进行策略回测时用Backtrader进行简单的量化策略回溯。
backtrader的安装:

pip3 install backtrader

Backtrader有几个要掌握的核心概念：

Line
价格数据（Data Feeds）、技术指标（Indicators）和策略（Strategies）都是 Line。
“Line” 是由一系列的点组成的。典型的价格数据，通常由以下类别的数据组成：
Open, High, Low, Close, Volume, OpenInterest
开盘价、最高价、最低价、收盘价、成交量、持仓量
价格数据中的所有”Open” (开盘价)按时间组成一条 Line。所以，一组含有以上6个类别的价格数据，共有6条 Line。
如果我们也算上“DateTime”（时间，可以看作是一组数据的主键），一共有7条 Line。
下标0
当访问一条 Line 的数据时，会默认指向下标为 0 的数据。
最后一个数据通过下标 -1 来访问。这也设计是为了符合 Python 的迭代器规则（一条 Line 可以被迭代，因此也是iterable）。
在-1之后是索引0，它用于访问当前时刻。
Cerebro引擎
在回测前必须实例化Cerebro引擎，当调用Cerebro.run()方法开始回测，run方法运行时调用Strategy类的next()方法
Broker实例
broker 经纪人的概念，可以简化用户的理解和使用。经纪人可以设置初始账户资金、交易手续费等参数。如果用户未设置代理，则会设置默认的代理。
默认情况线，系统提供了1万块钱来开始交易。

# 设置经纪人初始交易资金额
cerebro.broker.setcash(100000.0)

Strategy策略类
交易策略定义类，需要自己继承。
将自己的交易策略写在next方法中，需要初始化的数据写在__init__方法中。这个是整个回测框架的核心，所有策略的定义、买卖交易等都是在这个类实现的。

backtrader框架的中文文档

1.8、scikit-learn (sklearn) 机器学习模块

Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。Sklearn具有以下特点：

简单高效的数据挖掘和数据分析工具
让每个人能够在复杂环境中重复使用
建立NumPy、Scipy、MatPlotLib之上

在这里插入图片描述 sklearn的安装：
Sklearn安装要求Python(>=2.7 or >=3.3)、NumPy (>= 1.8.2)、SciPy (>= 0.13.3)。如果已经安装NumPy和SciPy，安装scikit-learn可以使用

pip3 install -U scikit-learn

scikit-learn (sklearn) 官方文档中文版

2、股票技术指标分析

2.1、均线分析

均线是指股价在一定交易时间内的算术平均数的连线，反映了一段时间内持股者的平均成本价。例如5日均线，就是将最近的5个交易日的收盘价相加，再除以5，就是5日的算术平均数。

在talib中，移动平均线系列指标包括：SMA简单移动平均线、EMA指数移动平均线、WMA加权移动平均线、DEMA双移动平均线、TEMA三重指数移动平均线、TRIMA三角移动平均线、KAMA考夫曼自适应移动平均线、MAMA为MESA自适应移动平均线、T3三重指数移动平均线。
通用函数名：MA
调用代码：ta.MA(close,timeperiod=30,matype=0)
参数说明：

close为收盘价numpy.ndarray类型或pandas.Series类型
timeperiod平均数计算时间间隔，默认是30天，输入5,为5日平均数，以此类推。
matype平均线指标类型，默认值为SMA，如果输入数字则：0=SMA, 1=EMA, 2=WMA, 3=DEMA, 4=TEMA, 5=TRIMA, 6=KAMA, 7=MAMA, 8=T3；也可以使用talib中的MA_Type，导入后直接按MA_Type.SMA方式输入。
不同类型的移动均线也有各自相应的调用函数：
代码例子一:

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
close = np.array([1, 2, 3, 4, 5, 6], dtype='f8')
se = pd.Series(close, dtype='f8')
# 方法一使用通用函数MA计算5日算术均线，传入matype参数调用简单移动平均线
# 如果调用指数移动平均线则参数matype=MA_Type.EMA
# 第一个参数可以传入close，也可以传入se
output = ta.MA(se, timeperiod=5, matype=MA_Type.SMA)
print(output)
# 方法二 直接调用SMA函数，传入计算时间间隔计算5日均线
output = ta.SMA(se, timeperiod=5)
print(output)

输出结果:
在这里插入图片描述移动平均线是技术分析理论中应用最普遍的指标之一，主要用于确认、跟踪和判断趋势，提示买入和卖出信号，在单边市场行情中可以较好的把握市场机会和规避风险。但是，移动平均线一般要与其他的技术指标或基本面相结合来使用，特别是当市场处于盘整行情时，其买入卖出信号会频繁出现，容易失真。
代码例子二：
计算跨境通2021-01-01至2021-01-20日之间股价的5日算术均线(简单易懂平均线)
使用聚宽平台获取股票数据。

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
import jqdatasdk as jq
# 聚宽平台权限验证
jq.auth('*******', '********')
# 聚宽平台获取股价
close = jq.get_price('002640.XSHE',
                     start_date='2021-01-01',
                     end_date='2021-01-20',
                     frequency='1d',
                     fq='pre')
# 方法一使用通用函数MA计算5日算术均线，传入matype参数0等同于MA_Type.SMA
close['5MA'] = ta.MA(close['close'], timeperiod=5, matype=0)
close['10MA'] = ta.MA(close['close'], timeperiod=10, matype=MA_Type.SMA)
# 由于日期间隔短，无法计算20日、30日、60日的均线
'''close['20MA'] = ta.MA(close['close'], timeperiod=20, matype=MA_Type.SMA)
close['30MA'] = ta.MA(close['close'], timeperiod=30, matype=MA_Type.SMA)
close['60MA'] = ta.MA(close['close'], timeperiod=60, matype=MA_Type.SMA)'''
print(close)

输出结果：
在这里插入图片描述代码例子三：
将上个例子改进一下实现图形化输出

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
import jqdatasdk as jq
from matplotlib import pyplot as plt
from pylab import mpl
# 聚宽平台权限验证
jq.auth('******', '*******')
# 聚宽平台获取股价
close = jq.get_price('002640.XSHE',
                     start_date='2020-11-01',
                     end_date='2021-01-20',
                     frequency='1d',
                     fq='pre')

mpl.rcParams['font.sans-serif'] = [
    'SimHei'
]  # 使图形中的中文正常编码显示,其中，sans-serif 表示字体中的无衬线体，SimHe是黑体

mpl.rcParams['axes.unicode_minus'] = False  # 使坐标轴刻度表签不显示正负号

types = ['SMA', 'EMA', 'WMA', 'DEMA', 'TEMA', 'TRIMA', 'KAMA', 'MAMA', 'T3']
for i in range(len(types)):
    close[types[i]] = ta.MA(close['close'], timeperiod=5, matype=i)
#close.tail()
# 使用loc[]获取局部行和列的切片
'''
iloc:即index locate 用index索引进行定位，所以参数是整型，如：df.iloc[10:20,3:5]
loc:则可以使用column名和index名进行定位，如：df.loc['image1':'image10','age':'score']
df['col1']取得第一列或df[['col1','col2','col3']]获取三列
'''

# 使用DataFrame的plot方法绘制图像会按照数据的每一列绘制一条曲线
# figsize=(16, 6)图片尺寸大小16*6
close.loc['2020-12-16':,'SMA':].plot(figsize=(16, 6))
# 获取当前坐标轴
ax = plt.gca()
# 设置右侧框线无颜色(隐藏)
ax.spines['right'].set_color('none')
# 设置顶部框线无颜色(隐藏)
ax.spines['top'].set_color('none')
# 设置图形标题
plt.title('上证指数各种类型移动平均线',fontsize=15)
# 设置X轴标签文字为空
plt.xlabel('')
# plt.ylabel('y轴') # y轴标签文字设置
plt.show()

输出结果：

在这里插入图片描述从输出结果来看，坐标轴不是从原点开始画的，进行代码修改一下

2.1.1、获取当前坐标轴

ax = plt.gca()
# spines是指坐标图四周的框
# 获取你想要挪动的坐标轴，这里只有顶部、底部、左、右四个方向参数
ax.xaxis.set_ticks_position('bottom')  #  要挪动底部的X轴，所以先目光锁定底部！
# 在这里，position位置参数有三种，这里用到了“按Y轴刻度位置挪动”
# 'data'表示按数值挪动，其后数字代表挪动到Y轴的刻度值
ax.spines['bottom'].set_position(('data', 0))

默认情况下坐标系四周有边框，这个边框叫做spines，下图中红框选定的黑色线就叫做边框
在这里插入图片描述这四个边框时可以使用颜色隐藏的，将颜色设置成无色就隐藏了

ax.spines['right'].set_color('none')

代码中没有使用matplotlib的 pyplot进行画图，而是用了pandas.DataFrame.plot( )方法进行了画图
plt画图方式

plt.figure(figsize = (5,5))
plt.plot()  # 画个只有坐标系的图（因为没有传参数，所以显示空白）

pandas.DataFrame.plot( )简介
使用DataFrame的plot方法绘制图像会按照数据的每一列绘制一条曲线，默认按照列columns的名称在适当的位置展示图例，比matplotlib绘制节省时间，且DataFrame格式的数据更规范，方便向量化及计算。
DataFrame.plot( )函数：

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None, figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None, 
                fontsize=None, colormap=None, position=0.5, table=False, yerr=None, 
                xerr=None, stacked=True/False, sort_columns=False, 
                secondary_y=False, mark_right=True, **kwds)

注意：每种绘图类型都有相对应的方法
df.plot(kind=‘line’)与df.plot.line()等价
参数介绍

x : label or position, default None#指数据列的标签或位置参数
y : label, position or list of label, positions, default None
kind : str#绘图类型
‘line’ : line plot (default)#折线图
‘bar’ : vertical bar plot#条形图。stacked为True时为堆叠的柱状图
‘barh’ : horizontal bar plot#横向条形图
‘hist’ : histogram#直方图（数值频率分布）
‘box’ : boxplot#箱型图
‘kde’ : Kernel Density Estimation plot#密度图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : area plot#与x轴所围区域图（面积图）。Stacked=True时，每列必须全部为正或负值，stacked=False时，对数据没有要求
‘pie’ : pie plot#饼图。数值必须为正值，需指定Y轴或者subplots=True
‘scatter’ : scatter plot#散点图。需指定X轴Y轴
‘hexbin’ : hexbin plot#蜂巢图。需指定X轴Y轴
ax : matplotlib axes object, default None#子图(axes, 也可以理解成坐标轴) 要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot其中，变量和函数通过改变figure和axes中的元素（例如：title,label,点和线等等）一起描述figure和axes，也就是在画布上绘图。
subplots : boolean, default False#是否对列分别作子图
sharex : boolean, default True if ax is None else False#如果ax为None，则默认为True，否则为False
sharey : boolean, default False#如果有子图，子图共y轴刻度，标签
figsize : a tuple (width, height) in inches#图片尺寸大小
use_index : boolean, default True#默认用索引做x轴
title : string#图片的标题用字符串

以上是摘录的一些参数介绍，具体关于函数的内容可以点击链接参考一下别人的总结。

2.2、MACD平滑异同移动平均线

函数名： MACD
名称： 平滑异同移动平均线
简介： 利用收盘价的短期（常用为12日）指数移动平均线与长期（常用为26日）指数移动平均线之间的聚合与分离状况，对买进、卖出时机作出研判的技术指标
函数调用方式：

macd, macdsignal, macdhist = MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)

MACD是DIFF线，它的反应会比较快。

MACDsinal是DEA线，它的反应会比较慢。

而MACDhist是x坐标轴上的柱子。
例子一

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
import jqdatasdk as jq
from matplotlib import pyplot as plt
from pylab import mpl
# 聚宽平台权限验证
jq.auth('19935162681', 'ByKy19935162681')
# 聚宽平台获取股价
close = jq.get_price('601899.XSHG',
                     start_date='2020-10-14',
                     end_date='2021-01-20',
                     frequency='1d',
                     fq='pre')
# macd为DIFF线，macdsignal为DEA线,macdhist为MACD柱状线
macd, macdsignal, macdhist = ta.MACD(close["close"],
                                     fastperiod=12,
                                     slowperiod=26,
                                     signalperiod=9)
close['DIFF'] = macd
close['DEA'] = macdsignal
close['hists'] = macdhist
# 画线，由于三条线是两种类型，需要单画
df=close.loc['2020-11-30':'2021-01-21', 'DIFF':]
with pd.plotting.plot_params.use('x_compat', True): #方法一
  df.DIFF.plot(figsize=(16, 6))
  df.DEA.plot()
  #df.hists.plot.bar(width=0.1)
  df.hists.plot()
print(df)
mpl.rcParams['font.sans-serif'] = [
    'SimHei'
]  # 使图形中的中文正常编码显示,其中，sans-serif 表示字体中的无衬线体，SimHe 是 黑体

ax = plt.gca()

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

plt.title('MACD平滑异同移动平均线', fontsize=15)

plt.xlabel('')

plt.show()

输出结果：
在这里插入图片描述

2.2.1 修正talib中MACD指标缺陷

使用talib中MACD函数，计算会存在一定误差，所以通过自己写一个函数来实现与股票软件中公式计算结果一致，代码如下：

import pandas as pd
# 在k线基础上计算MACD，并将结果存储在df上面(dif,dea,bar)
def calc_macd(close, fastperiod=12, slowperiod=26, signalperiod=9):
    '''
    通过传入的收盘价close的series类型计算MACD，返回的macd是dif，macdsignal是dea，macdhist是macd
    fastperiod=12, slowperiod=26, signalperiod=9这三个参数分别对应股票软件上的三个日期参数
    close是收盘价列
    '''
    if not isinstance(close, pd.Series):
        raise Exception("传入的close参数不是Series类型!")
    ewma12 = close.ewm(span=fastperiod, adjust=False).mean()
    ewma26 = close.ewm(span=slowperiod, adjust=False).mean()
    macd = ewma12 - ewma26
    macdsignal = macd.ewm(span=signalperiod, adjust=False).mean()
    macdhist = (macd - macdsignal) * 2
    return (macd, macdsignal, macdhist)

单独放在一个模块中，引入即可。

2.3、CCI顺势指标

函数名： CCI
名称： 顺势指标
简介： CCI指标专门测量股价是否已超出常态分布范围

指标应用：

1.当CCI指标曲线在+100线～-100线的常态区间里运行时,CCI指标参考意义不大，可以用KDJ等其它技术指标进行研判。
2.当CCI指标曲线从上向下突破+100线而重新进入常态区间时，表明市场价格的上涨阶段可能结束，将进入一个比较长时间的震荡整理阶段，应及时平多做空。
3.当CCI指标曲线从上向下突破-100线而进入另一个非常态区间（超卖区）时，表明市场价格的弱势状态已经形成，将进入一个比较长的寻底过程，可以持有空单等待更高利润。如果CCI指标曲线在超卖区运行了相当长的一段时间后开始掉头向上，表明价格的短期底部初步探明，可以少量建仓。CCI指标曲线在超卖区运行的时间越长，确认短期的底部的准确度越高。
4.CCI指标曲线从下向上突破-100线而重新进入常态区间时，表明市场价格的探底阶段可能结束，有可能进入一个盘整阶段，可以逢低少量做多。
5.CCI指标曲线从下向上突破+100线而进入非常态区间(超买区)时，表明市场价格已经脱离常态而进入强势状态，如果伴随较大的市场交投，应及时介入成功率将很大。
6.CCI指标曲线从下向上突破+100线而进入非常态区间(超买区)后，只要CCI指标曲线一直朝上运行，表明价格依然保持强势可以继续持有待涨。但是，如果在远离+100线的地方开始掉头向下时，则表明市场价格的强势状态将可能难以维持，涨势可能转弱，应考虑卖出。如果前期的短期涨幅过高同时价格回落时交投活跃，则应该果断逢高卖出或做空。

CCI主要是在超买和超卖区域发生作用，对急涨急跌的行情检测性相对准确。非常适用于股票、外汇、贵金属等市场的短期操作。

函数调用方式:

   real = CCI(high, low, close, timeperiod=14)

例子一
计算紫金矿业从2020-10-14至2021-01-21内的每天CCI指标，并将11-30以后的cci画图显示。

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
import jqdatasdk as jq
from matplotlib import pyplot as plt
from pylab import mpl
# 聚宽平台权限验证
jq.auth('19935162681', 'ByKy19935162681')
# 聚宽平台获取股价
close = jq.get_price('601899.XSHG',
                     start_date='2020-10-14',
                     end_date='2021-01-22',
                     frequency='1d',
                     fq='pre')
# 参数分别是最高价集合、最低价集合、收盘价集合，时间间隔14天
close['cci'] = ta.CCI(close['high'], close['low'], close['close'], timeperiod=14)

# 截取行从11-30至01-22
df=close.loc['2020-11-30':'2021-01-22']
# 针对cci列进行划线
df.cci.plot(figsize=(16, 6))

print(df)
mpl.rcParams['font.sans-serif'] = [
    'SimHei'
]  # 使图形中的中文正常编码显示,其中，sans-serif 表示字体中的无衬线体，SimHe 是 黑体

ax = plt.gca()

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

plt.title('CCI顺势指标', fontsize=15)

plt.xlabel('')

plt.show()

输出结果
在这里插入图片描述

2.4、KDJ随机指标

KDJ指标又叫随机指标，是一种相当新颖、实用的技术分析指标，它起先用于期货市场的分析，后被广泛用于股市的中短期趋势分析，是期货和股票市场上最常用的技术分析工具。
随机指标KDJ一般是用于股票分析的统计体系，根据统计学原理，通过一个特定的周期（常为9日、9周等）内出现过的最高价、最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV，然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。

在talib库中没有直接计算KDJ的函数，在炒股软件中针对kdj的公式如下：

#RSV赋值:(收盘价-N日内最低价的最低值)/(N日内最高价的最高值-N日内最低价的最低值)*100
RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100;
#输出K:RSV的M1日[1日权重]移动平均
K:SMA(RSV,M1,1);
#输出D:K的M2日[1日权重]移动平均
D:SMA(K,M2,1);
#输出J:3*K-2*D
J:3*K-2*D;

通过上面的公式可以看出来K和D指标使用的SMA进行计算的，而这个SMA公式的股票软件中的定义是这样的：
在这里插入图片描述
上图红框中可以看出来，股票软件中的SMA函数是加权移动平均函数，不是talib中的SMA简单移动平均函数，talib库中的SMA函数对应股票软件中的函数是MA。

但是我从talib库中没有找到能与股票软件中SMA能对应的函数，所以这里将股票软件中的KD两个指标的公式调整成MA，这样救恩那个保证计算结果一致。
在这里插入图片描述
上图是股票软件中修改后的公式。

函数名： STOCH
名称： 随机指标,俗称KD

函数调用方式:

slowk, slowd = STOCH(high, low, close, fastk_period=5, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)

例子一
紫金矿业时间段内的KDJ指标

import numpy as np
import talib as ta
from talib import MA_Type
import pandas as pd
import jqdatasdk as jq
from matplotlib import pyplot as plt
from pylab import mpl
# 聚宽平台权限验证
jq.auth('19935162681', 'ByKy19935162681')
# 聚宽平台获取股价
close = jq.get_price('601899.XSHG',
                     start_date='2020-10-14',
                     end_date='2021-01-22',
                     frequency='1d',
                     fq='pre')
# slowk是指标K，slowd是指标D
close['slowk'], close['slowd'] = ta.STOCH(
			close['high'], # 股票最高价集合
			close['low'], # 股票最低价集合
			close['close'],# 股票收盘价集合
                        fastk_period=9,# 指定RSV参数中N日的N,一般输入9日
                        slowk_period=3,# 指标K中M1的参数，一般为3日
                        slowk_matype=0,# 指定使用的均线函数 0=SMA, 1=EMA, 2=WMA, 3=DEMA, 4=TEMA, 5=TRIMA, 6=KAMA, 7=MAMA, 8=T3 (Default=SMA)
                        slowd_period=3,# 指标K中M2的参数，一般为3日
                        slowd_matype=0)# 指定使用的均线函数 0=SMA, 1=EMA, 2=WMA, 3=DEMA, 4=TEMA, 5=TRIMA, 6=KAMA, 7=MAMA, 8=T3 (Default=SMA)
# J线指标需要自己计算，根据股票软件中J的公式进行计算
close['slowj'] = 3*close['slowk']- 2*close['slowd']

# 截取行从11-30至01-22
df=close.loc['2020-11-30':'2021-01-22','slowk':]
# 进行划线
df.plot(figsize=(16, 6))

print(df)
mpl.rcParams['font.sans-serif'] = [
    'SimHei'
]  # 使图形中的中文正常编码显示,其中，sans-serif 表示字体中的无衬线体，SimHe 是 黑体

ax = plt.gca()

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

plt.title('KDJ随机指标', fontsize=15)

plt.xlabel('')

plt.show()

print(df)的输出结果：
在这里插入图片描述图像输出结果：

KDJ指标具体使用方式介绍：
在这里插入图片描述

2.4.1修正talib库中针对KDJ指标计算缺陷

由于talib库中STOCH函数计算缺陷，这里我们自己实现一个KDJ计算的函数，下面代码是自己写的一个tools模块，引入模块后调用cal_kdj函数即可计算出与股票软件公式的计算相符合的结果

import pandas as pd
'''
针对股票数据计算工具模块
'''

def calc_kdj(df, fastk_period=9, slowk_period=3,slowd_period=3,fillna=False):
    '''
    根据传入的最高价、最低价、收盘价计算KDJ指标
    参数:
    df:pandas的DataFrame类型，需要包含最低价、最高价及收盘价
    fastk_period:RSV中日期间隔 int 类型。默认为9日
    slowk_period:K线指标日期间隔 int类型。默认为3天
    slowd_period:D线指标日期间隔 int类型。默认为3天
    fillna:bool类型，默认为False。为True时，在计算RSV的最高价(或最低价)的最大值(或最小值)过程中如果存在Nan数据将被传入的df中的最大值或最小值填充
    '''
    # 检查传入的参数是否是pandas的DataFrame类型
    if not isinstance(df, pd.DataFrame):
        raise Exception("传入的参数不是pandas的DataFrame类型!")
    # 检查传入的df是否存在high、low、close三列，不存在报错
    if ('high' not in df.columns) or ('low' not in df.columns) or (
            'close' not in df.columns):
        # 抛出异常
        raise Exception("传入的参数不存在最高价、最低价、收盘价中的一个或几个!")
    # 计算指定日期间隔内的最低价的最小值
    low_list = df['low'].rolling(fastk_period, min_periods=fastk_period).min()
    # 将NAN填充成现有数据中的最小值
    if fillna == True:
        low_list.fillna(value=df['low'].expanding().min(), inplace=True)
    # 计算指定日期间隔的最高阶的最大值
    high_list = df['high'].rolling(9, min_periods=9).max()
    # 将NAN填充成现有数据中的最大值
    if fillna == True:
        high_list.fillna(value=df['high'].expanding().max(), inplace=True)
    # 计算RSV （国泰君安中的RSV公式RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100;）
    # RSV赋值:(收盘价-N日内最低价的最低值)/(N日内最高价的最高值-N日内最低价的最低值)*100
    rsv = (df['close'] - low_list) / (high_list - low_list) * 100

    k = pd.DataFrame(rsv).ewm(com=slowk_period-1).mean()

    d = k.ewm(com=slowd_period-1).mean()

    j = 3 * k - 2 * d
    return (k, d, j)