高级 Python 技术：掌握波动率指标以更好地进行市场分析

最新推荐文章于 2025-04-30 22:50:09 发布
最新推荐文章于 2025-04-30 22:50:09 发布
阅读量971 收藏 30
点赞数 32
分类专栏： # 研报复现 量化交易 文章标签： python 数据挖掘 大数据 数据分析 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/vipsh2011/article/details/144938564
版权

Backtrader 策略实例

波动率类，用来衡量资产价格变动的大小。常见的波动类指标有 ATR、BBANDS、DC 等。

波动性是金融市场的一个关键方面，反映了金融工具价格随时间的变化程度。投资者和交易者使用波动率指标来衡量市场不确定性并识别交易机会。

1. Chaikin Volatility (CHV)

Chaikin Volatility (CHV) 指标是由 Marc Chaikin 开发的一种技术分析工具，用于衡量资产价格的波动性。它通过比较一段时间内最高价与最低价之间的价差变化来反映市场波动性的变化。CHV 指标不直接预测价格方向，而是专注于波动性的变化，帮助交易者识别潜在的市场突破或趋势反转。

Chaikin Volatility (CHV)指标衡量给定时期内最高价和最低价之间的价差，有助于评估市场波动性。利差扩大表明波动性增加，而利差缩小表明波动性降低。

  1. 计算方法
    CHV 指标的计算基于以下步骤：
    1）. 计算价差范围 (High - Low)：
    2）. 计算价差的指数移动平均 (EMA)：
    3）. 计算波动率变化：

    • 比较当前 EMA 与 n 周期前的 EMA，计算百分比变化：
    • 对价差范围进行指数移动平均计算，通常使用 10 周期 EMA：

。

    • 每个周期的价差范围为最高价与最低价之差：

。

  1. 指标解读
    1）. 波动性增加：
  • CHV 值上升表明市场波动性增加，通常出现在价格大幅波动或市场情绪剧烈变化时。这可能预示着潜在的市场突破或趋势反转。
    2）. 波动性下降：
  • CHV 值下降表明市场波动性降低，通常出现在价格盘整或市场情绪平稳时。这可能预示着市场即将进入盘整或趋势反转。
    3）. 市场顶部与底部：
  • 在市场顶部，波动性通常会增加，随后可能伴随价格反转。
  • 在市场底部，波动性可能突然增加（如恐慌性抛售），随后可能伴随价格反弹。
import pandas as pd
import plotly.graph_objects as go
from plotly.subplots import make_subplots

ticker = "^GSPC"  # S&P 500 index symbol

# Define the Chaikin Volatility function
def chaikin_volatility(data, period=10):
    data['HL'] = data['High'] - data['Low']
    data['CHV'] = data['HL'].ewm(span=period, adjust=False).mean()
    data['ChaikinVolatility'] = data['CHV'].pct_change(periods=period) * 100
    return data

# Apply the Chaikin Volatility function to the data
data = chaikin_volatility(data)

# Create the subplot figure
fig = make_subplots(rows=1, cols=1, shared_xaxes=True, vertical_spacing=0.3)

# Plot the Chaikin Volatility indicator
fig.add_trace(go.Scatter(x=data.index, y=data['CHV'], mode='lines', name='Chaikin Volatility', line=dict(color='orange')), row=1, col=1)

# Update layout for better presentation
fig.update_layout(
    title="Chaikin Volatility Indicator (S&P 500)",
    xaxis_title="Date",
    yaxis_title="Chaikin Volatility",
    template="plotly_dark"
)

# Show the plot
fig.show()

Chaikin Volatility Indicator (S&P 500)

观察 CHV 的急剧增加或减少;它们可以指示即将到来的价格变动。高峰和低谷通常先于重大市场变化。

2. Donchian Channels

Donchian Channels（唐奇安通道）是由 Richard Donchian 开发的一种技术分析工具，用于识别价格趋势和波动性。它通过计算一定周期内的最高价和最低价，形成一个价格通道，帮助交易者判断市场的支撑位、阻力位以及趋势方向。

参考以往文章【策略篇】常用技术指标-唐奇安、BOLL

# Define the Donchian Channels function
def donchian_channels(data, period=20):
    data['Upper'] = data['High'].rolling(window=period).max()
    data['Lower'] = data['Low'].rolling(window=period).min()
    data['Middle'] = (data['Upper'] + data['Lower']) / 2
    return data

# Apply the Donchian Channels function to the data
data = donchian_channels(data)

# Create the subplot figure
fig = make_subplots(rows=1, cols=1, shared_xaxes=True, vertical_spacing=0.3,
                    subplot_titles=["Donchian Channels with Candlestick"], 
                    row_heights=[0.7], 
                    row_width=[0.3])

# Plot the Candlestick chart
fig.add_trace(go.Candlestick(x=data.index, 
                             open=data['Open'], 
                             high=data['High'], 
                             low=data['Low'], 
                             close=data['Close'],
                             name="Candlestick", 
                             increasing_line_color='green', 
                             decreasing_line_color='red'), row=1, col=1)

# Plot the Donchian Channels
fig.add_trace(go.Scatter(x=data.index, y=data['Upper'], mode='lines', name='Upper Channel', line=dict(color='green')), row=1, col=1)
fig.add_trace(go.Scatter(x=data.index, y=data['Lower'], mode='lines', name='Lower Channel', line=dict(color='red')), row=1, col=1)
fig.add_trace(go.Scatter(x=data.index, y=data['Middle'], mode='lines', name='Middle Channel', line=dict(color='blue', dash='dot')), row=1, col=1)

# Update layout for better presentation
fig.update_layout(
    title="Donchian Channels with Candlestick (S&P 500)",
    xaxis_title="Date",
    yaxis_title="Price",
    template="plotly_dark",
    xaxis_rangeslider_visible=False
)

# Show the plot
fig.show()

Donchian Channels with Candlestick (S&P 500)

价格突破通道上方或下方可能预示着强劲的趋势。使用 volume 进行确认以评估 breakout 的可靠性。

3. Keltner Channels

Keltner 通道使用平均真实范围 （ATR） 来创建波动率包络线。它们由三条线组成：一条中央移动平均线和其上方和下方的两条外线，由 ATR 的倍数偏移。

参考以往文章在 Python 中使用 ADX 进行算法交易

# Define the Keltner Channels function
def keltner_channels(data, period=20, atr_multiplier=2):
    data['TR'] = data[['High', 'Low', 'Close']].apply(
        lambda x: max(
            x['High'] - x['Low'],
            abs(x['High'] - x['Close']),
            abs(x['Low'] - x['Close'])
        ), axis=1
    )
    data['ATR'] = data['TR'].rolling(window=period).mean()
    data['Middle'] = data['Close'].rolling(window=period).mean()
    data['Upper'] = data['Middle'] + atr_multiplier * data['ATR']
    data['Lower'] = data['Middle'] - atr_multiplier * data['ATR']
    return data

# Apply the Keltner Channels function to the data
data = keltner_channels(data)

# Create the subplot figure
fig = make_subplots(
    rows=1, cols=1, shared_xaxes=True, vertical_spacing=0.3,
    subplot_titles=["Keltner Channels with Candlestick"], 
    row_heights=[0.7], 
    row_width=[0.3]
)

# Plot the Candlestick chart
fig.add_trace(go.Candlestick(
    x=data.index, 
    open=data['Open'], 
    high=data['High'], 
    low=data['Low'], 
    close=data['Close'],
    name="Candlestick", 
    increasing_line_color='green', 
    decreasing_line_color='red'
    ), row=1, col=1)

# Plot the Keltner Channels
fig.add_trace(go.Scatter(x=data.index, y=data['Upper'], mode='lines', name='Upper Channel', line=dict(color='green')), row=1, col=1)
fig.add_trace(go.Scatter(x=data.index, y=data['Lower'], mode='lines', name='Lower Channel', line=dict(color='red')), row=1, col=1)
fig.add_trace(go.Scatter(x=data.index, y=data['Middle'], mode='lines', name='Middle Channel', line=dict(color='blue', dash='dot')), row=1, col=1)

# Update layout for better presentation
fig.update_layout(
    title="Keltner Channels with Candlestick (S&P 500)",
    xaxis_title="Date",
    yaxis_title="Price",
    template="plotly_dark",
    xaxis_rangeslider_visible=False
)

# Show the plot
fig.show()

Keltner Channels with Candlestick (S&P 500)

价格在 Keltner 通道之外的移动表明存在强劲势头或趋势反转的可能性。请等待确认。

4. Relative Volatility Index (RVI)

Relative Volatility Index (RVI) 是一种技术分析工具，用于衡量金融市场价格波动的方向和强度。它由 Donald Dorsey 于 1993 年开发，是相对强弱指数（RSI）的变体，但 RVI 更侧重于波动性而非价格动量。

  1. RVI 的计算方法
    RVI 的计算基于价格的标准差（Standard Deviation），而不是简单的价格变化。其公式与 RSI 类似，但使用标准差来衡量波动性。以下是简化版的 RVI 计算公式：
    1）. 计算标准差：
    2）. 计算 RVI：
  • 计算正标准差和负标准差的平均值（Usum 和 Dsum）。
  • 使用以下公式计算 RVI：

    • RVI 的值范围在 0 到 100 之间。
    • 计算选定周期内收盘价的标准差（STD）。
    • 对于每个交易日，如果收盘价高于前一日收盘价，则记录为正标准差（u = STD(n)）；否则为 0。
    • 如果收盘价低于前一日收盘价，则记录为负标准差（d = STD(n)）；否则为 0。
  1. RVI 的解读
  • RVI > 50：表明市场波动性较高，通常与价格上涨趋势相关，可能预示着买入机会。
  • RVI < 50：表明市场波动性较低，通常与价格下跌趋势相关，可能预示着卖出机会。
  • RVI > 70：表明市场处于超买状态，可能预示着价格反转。
  • RVI < 30：表明市场处于超卖状态，可能预示着价格反弹。

总结
Relative Volatility Index (RVI) 是一种强大的技术分析工具，能够帮助交易者识别市场波动性和趋势强度。尽管其计算复杂且存在一定滞后性，但结合其他指标使用时，RVI 可以提供更全面的市场洞察，帮助交易者做出更明智的决策。

import numpy as np


# Define the Relative Volatility Index (RVI) function
def relative_volatility_index(data, period=14):
    # Calculate the difference between the Close and Open prices
    data['Upward Volatility'] = np.where(data['Close'] > data['Open'], data['Close'] - data['Open'], 0)
    data['Total Volatility'] = abs(data['Close'] - data['Open'])

    # Calculate the rolling sum of Upward Volatility and Total Volatility
    data['Upward Volatility Sum'] = data['Upward Volatility'].rolling(window=period).sum()
    data['Total Volatility Sum'] = data['Total Volatility'].rolling(window=period).sum()

    # Calculate RVI as the ratio of Upward Volatility to Total Volatility
    data['RVI'] = data['Upward Volatility Sum'] / data['Total Volatility Sum'] * 100

    return data

# Apply the Relative Volatility Index (RVI) function to the data
data = relative_volatility_index(data)

# Create the subplot figure
fig = make_subplots(rows=1, cols=1, shared_xaxes=True, vertical_spacing=0.3)

# Plot the RVI indicator
fig.add_trace(go.Scatter(x=data.index, y=data['RVI'], mode='lines', name='Relative Volatility Index', line=dict(color='orange')), row=1, col=1)

# Update layout for better presentation
fig.update_layout(
    title="Relative Volatility Index (RVI) Indicator (S&P 500)",
    xaxis_title="Date",
    yaxis_title="RVI Value",
    template="plotly_dark"
)

# Show the plot
fig.show()

Relative Volatility Index (RVI) Indicator (S&P 500)

上升的 RVI 表明走强的趋势，而下降的 RVI 表明势头减弱。交叉和背离可以确定进入或退出机会。

5. Standard Deviation

标准差是一种简单而有效的价格离散度衡量标准。高标准差表示高波动性，而低标准差表示稳定性。

# Define the standard deviation function
def standard_deviation(data, period=20):
    data['Std_Dev'] = data['Close'].rolling(window=period).std()
    return data

# Apply the standard deviation function to the data
data = standard_deviation(data)

# Create the subplot figure
fig = make_subplots(rows=1, cols=1, shared_xaxes=True, vertical_spacing=0.3)

# Plot the standard deviation indicator
fig.add_trace(go.Scatter(x=data.index, y=data['Std_Dev'], mode='lines', name='Standard Deviation', line=dict(color='orange')), row=1, col=1)

# Update layout for better presentation
fig.update_layout(
    title="Standard Deviation Indicator (S&P 500)",
    xaxis_title="Date",
    yaxis_title="Standard Deviation",
    template="plotly_dark"
)

# Show the plot
fig.show()

Standard Deviation Indicator (S&P 500)

标准差的飙升表明波动性增加。调整策略以应对不断变化的市场条件。

波动率指标提供对市场动态的宝贵见解，并帮助交易者做出明智的决策。使用 Python，您可以有效地实施这些指标并针对特定的交易策略对其进行自定义。开始尝试这些指标，以增强您的交易工具包并更好地了解市场行为。

量化交易策略：波动性指标Keltner通道（附python代码）
木头大左的博客
07-18 1473
Keltner通道是由著名技术分析师Chester W. Keltner在上个世纪60年代发明的一种技术指标。它基于价格和某种市场波动性度量（通常为移动平均）之间的关系，用于预测价格趋势的变化。Keltner通道的上下轨分别表示了价格的上限和下限，反映了市场在一定周期内的波动范围。这使得Keltner通道成为一种非常实用的波动性指标。Keltner通道在金融市场上得到了广泛的应用，尤其是在股票、期货和外汇等交易领域。
如何使用Python计算隐含波动率
这家伙很懒，什么都没有留下
11-20 1085
隐含波动率是从期权定价模型中反推得出的一种波动率，它反映了市场对于未来资产价格波动的预期。期权是一种金融衍生品，赋予买方在未来某个时间点或时间段内以约定价格（行权价格）买入或卖出资产的权利，而非义务。期权的价格受标的资产价格、行权价格、到期时间以及波动率等因素影响。通过将期权市场价格与期权定价模型进行比较，并反向求解波动率，可以得到隐含波动率。隐含波动率通常用作期权交易者和投资者判断市场对未来波动的预期工具。
python cnn 股市_股市分析——ATR指标(附python代码)
weixin_39693950的博客
12-08 2202
今天给大家介绍下ATR指标，废话不多说，直接上定义和公式，代码在公式后面(如果找不到文档的，可以从第一篇代码里下载)纯理工男一枚，不喜勿喷，只是想编编代码玩玩，以后可能再用CNN、DNN什么的预测一下。小白不白：初识股市+爬取数据画图(Python代码)​zhuanlan.zhihu.comATR均幅指标均幅指标Average true range(ATR)是取一定时间周期内的股价波动幅度的移动平...
python实现ATR指标模型 量化策略 python 策略开发
专注金融量化投资交易 策略开发
01-25 3110
指标说明 ATR又称 Average true range平均真实波动范围,简称ATR指标,是由J.Welles Wilder 发明的,ATR指标主要是用来衡量市场波动的强烈度,即为了显示市场变化率的指标。 首先提出的,这一指标主要用来衡量价格的波动。因此,这一技术指标并不能直接反映价格走向及其趋势稳定性,而只是表明价格波动的程度。 计算公式 t——当日； n——时间长度； Ci——第i日的收盘价； Hi——第i日的最高价； Li——第i日的最低价。 计算公式： 均幅指标 均幅指标 其中： TRi = m
使用 Python 的波动率和交易量指标的高级动量交易策略
进击的小学生
12-20 1002
一个简单的动量指标可以计算为给定时期内股票价格的变化率 （ROC）。这有助于发出潜在的买入或卖出操作信号。
Python 数学和股票：Chaikin 波动率简介
sentdex的博客
08-16 492
Shake and Volatility 指标详解 本视频介绍了 Shake and Volatility 指标，它是一种衡量市场波动性的指标。 与其他指标对比: Shake and Volatility 与平均真实波动幅度 (Average True Range, ATR) 类似，但作者更推荐使用 ATR。 与布林带 (Bollinger Bands) 相比，Shake and Volatil...
【量化交易必备】六大波动率指标深度解析
Python金融量化
12-17 7883
在量化交易中，波动率是衡量市场价格波动强度的一个重要指标。波动率高通常意味着市场的不确定性增加，而波动率低则可能表明市场处于平静期。不同的波动率指标在不同的市场环境中有着不同的应用场景，帮助交易者根据市场的变化做出更为精准的决策。本文将详细介绍六种常用的波动率指标，包括平均真实波幅（ATR）、布林带（Bollinger Bands）、唐奇安通道（Donchian Channels）、凯尔特纳通道（...
Python量化策略：经波动率调整的随机震荡指标
weixin_42731853的博客
12-03 2947
我们都知道著名的随机震荡指标，它是MACD和RSI之外的主要指标之一。众所周知，它波动很大，有时会在很短时间内从超买区域转移到超卖区域。 随机振荡指标一直令我着迷，因为它的简单性和对已知归一化功能的使用。我发现它在技术分析中占据重要的地位，因此在量化交易中也使用了它。但是，我相信我们应该始终对所学知识进行创新，因此，在本文中，我们将优化该指标，令其能够反映价格的波动性。 本文来自《数据黑客》，登录官网可阅读更多精彩资讯和文章。 随机震荡指标 随机震荡指标通过在计算中纳入高点和低点，试图找到超卖和超买区域。计
Python量化分析：负债率指标在价值投资中的应用指南
最新发布
AI天才研究院
04-30 963
本文旨在为价值投资者提供一个实用的Python量化分析框架，特别关注负债率指标在股票筛选和投资决策中的应用。负债率指标的核心概念和计算方法使用Python获取和处理财务数据基于负债率指标的股票筛选策略投资组合构建和绩效评估风险管理与策略优化首先介绍负债率指标的理论基础然后讲解Python实现的技术细节接着展示完整的应用案例最后讨论实际应用中的注意事项和扩展方向负债率(Debt Ratio)：总负债与总资产的比率，反映公司财务杠杆水平。
第三篇【传奇开心果系列】Python的自动化办公库技术点案例示例：深度解读Pandas股票市场数据分析
jackchuanqi的博客
03-05 8046
Pandas是一个流行的Python库，用于数据操作和分析。在金融领域，特别是股票市场数据分析中，Pandas非常有用。通常分析股票价格、交易量和财务数据时，你可以使用Pandas来加载、处理和分析这些数据。当涉及股票价格、交易量和财务数据分析时，除了基本的数据加载、清洗和统计分析之外，还有许多扩展思路可以帮助你深入挖掘数据并得出更深入的见解。数据导入与处理-使用Pandas的read_csv()函数导入股票市场数据文件，创建DataFrame。-使用head()info()describe()
Python时间序列选择波动率预测指数收益算法分析案例
拓端研究室TRL
10-28 598
在确定要考虑哪个ATM认购期权合约时，我们选择期权合约，其中执行价格/底层价格的比率最接近1.要选择OTM认沽期权合约，我们首先筛选出合约0.9
蔡金波动性指标 - CHV - MetaTrader 4脚本.zip
09-13
该波动指标是蔡金账户对于最高和最低价格之间的价差设定的。该波动值是以最高和最低的之间的范围宽度为基础的。
Chaikin波动率（CHV） - MetaTrader 5脚本.zip
09-12
Chaikin波动率指标计算最高和最低价格的偏差。它基于最高和最低价之间的幅度来衡量波动率。和平均真实波动幅度不同，Chaikin指标不考虑价格的缺口。
Python：平均真实波动幅度（ATR）3 数学和股票指标
sentdex的博客
08-16 644
这段文字主要介绍了如何使用 Python 代码绘制股票的平均真实波动幅度（ATR）指标，以及如何将 ATR 指标与其他指标（如 RSI）结合分析。 具体步骤如下： 获取代码： 从网站 sentdex.com/startingpoint.py 下载代码，并将其粘贴到一个空的 Python 脚本中。 添加 ATR 函数： 将之前编写过的计算 ATR 指标的函数复制到当前脚本中，并进行适当的格式调整。...
Python：平均真实波动幅度 (ATR) 2 数学与股票指标
sentdex的博客
08-16 452
这段文字是关于在 Python 中使用 NumPy 库来计算 ATR（Average True Range，平均真实波幅）指标的教程的一部分。 教程首先介绍了 ATR 指标的用途，并提供了一个样本数据文件，方便读者跟着教程一起操作。样本数据文件可以从 sentex.com/sampledata.txt 下载，并将其复制到与 Python 脚本相同的目录下。 教程接下来展示了如何使用 NumPy 库...
量化软件：赫兹量化小白面板指标CHV（成交量震荡指标）
Herzqt123的博客
04-12 401
总而言之，CHV是一种关键的技术指标，可以帮助交易员判断成交量波动的强弱和市场的趋势，以优化交易决策。但是，为了更好地掌握市场机会，交易员还需要结合其他技术指标和基本面分析，以了解市场的全貌并制定科学的交易策略。成交量震荡指标（CHV）是一种衡量市场成交量波动程度的技术指标，它通过比较每个交易日的成交量和一定时间内的成交量移动平均值之间的差异来计算。CHV指标与价格相关，可以帮助交易员判断价格波动的强度和市场的趋势。交易员可以根据CHV指标的数值来判断成交量波动的强弱和市场的涨跌趋势。
Python科学计算与图形渲染库
12-03
本课程是NumPy丛入门到精通课程。主要介绍了NumPy函数库的使用方法。
精益生产25个必备工具！
07-04 828
1. 准时生产（JIT） 基于客户需求的拉动式生产，基于多种精益工具，如看板，标准化作业，均衡生产等。可以极大的降低库存，扩大现金流。 2. 5S方法 是管理工作区域的一个神器：整理（Sort），除去多余的；整顿（Set in order），将物品归位；清扫（S...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值