量化交易中N字型技术形态的实现，天勤，mindgo，python版同花顺，okex，huobi，binance等平台都可正常使用

量化中N字型技术形态的实现
最近一个客户提出了使用N字型技术形态量化交易的思路，本人比较擅长技术或数据统计的编写，这种自定义的略费了一些时间，大约一天完工，简单说一下思路。
通过波段可以简单的看到，在k线波段的走势中和sdkj的波段有些类似，也就是skdj的金叉-死叉之间往往是大概率的波段高点，死叉-金叉则是波段的低点，当然因为有些时候行情的波动高点低可能会在其他的地方，认真观察会发现，当金叉死叉间的k线数量大于10根以上的话，基本上90%的概率就是波段的高低点。有了这个思路就比较好写了。
编写sdkj指标的数据，获取金叉死叉k线，获取金叉死叉之间的高低点即可，为了减小出错的概率，以大于10根的k线的波段为基准，依次从高点低到下一个金死叉求高低点，然后高点低存储然后进行判断即可。
分享部分代码供朋友们参考。

		     
            #存储走出的波段的最高最低点位
            lowest = []
            highest = []
           #记录所有的金叉死叉的list，包括id及方向
            _md = []
            #计算sdkj数据，并把数据放置到天勤web guid的附图中
            nn, mm = 15, 3
            lowv = k1['low'].rolling(nn).min()
            highv = k1['high'].rolling(nn).max()
            rsv = tl.EMA((k1['close'] - lowv) / (highv - lowv) * 100, mm)
            k1['k'] = tl.EMA(rsv, mm)            
            k1['d'] = tl.MA(k1['k'], mm)                
            k1['zero'] = 50           
            k1['crossup'] = tafunc.crossup(k1['d'], k1['zero'])
            k1['crossdown'] = tafunc.crossdown(k1['d'], k1['zero'])
            #非天勤可以去除下面的代码，此几行代码为在附图画sdkj指标
            k1['k.board'] = 'SKDJ'           
            k1['d.board']='SKDJ'
             k1['d.color'] = 0xFF9933CC   
            k1['d.width'] = 4   
            k1['zero.board']='SKDJ'
            k1['crossup.board'] = 'SKDJ'
            k1['crossdown.board'] = 'SKDJ'
            #遍历所有数据，存储_md
            for i in range(500):
                if k1['crossup'].iloc[i] == 1:
                    _md.append([i, 1])
                if k1['crossdown'].iloc[i] == 1:
                    _md.append([i, -1])
             #倒序查找4个波段之前的符合10根k线的id，N字其实只需要高低点各2个数据即可
            for i in range(-4, -len(_md), -1):
                ss = 0
                if _md[i][0] - _md[i - 1][0] >= 10:
                    ss = i
                    ss1 = _md[i][1]
                    print('获取到符合条件的点位', i, _md[i][0], _md[i][1])
                    break
            if ss != 0:
                #如果此点是死叉，则先找低点
                if ss1 == -1:
                    index1 = k1['high'].iloc[_md[ss - 1][0]:_md[ss][0]].idxmax()
                    num1 = k1['high'].iloc[index1]
                    highest.append(num1)                    
                    ss2 = ss
                    while ss2 < 0:
                        if index1 < _md[ss2 + 1][0] <= 499:
                            index1 = k1['low'].iloc[(index1):_md[ss2 + 1][0]].idxmin()
                            num2 = k1['low'].iloc[index1]
                            lowest.append(num2)
                            
                        if index1 < _md[ss2 + 2][0] <= 499:
                            index1 = k1['high'].iloc[index1:_md[ss2 + 2][0]].idxmax()
                            num3 = k1['high'].iloc[index1]
                            highest.append(num3)
                            
                        ss2 = ss2 + 2
                 #如果此点是金叉，则先找高点
                elif ss1 == 1:
                    index1 = k1['low'].iloc[_md[ss - 1][0]:_md[ss][0]].idxmin()
                    num1 = k1['low'].iloc[index1]
                    lowest.append(num1)
                    ss2 = ss                    
                    while ss2 < 0:
                        if index1 < _md[ss2 + 1][0] <= 499:
                            index1 = k1['high'].iloc[(index1):_md[ss2 + 1][0]].idxmax()
                            num2 = k1['high'].iloc[index1]
                            highest.append(num2)                            
                        if index1 < _md[ss2 + 2][0] <= 499:
                            index1 = k1['low'].iloc[index1:_md[ss2 + 2][0]].idxmin()
                            num3 = k1['low'].iloc[index1]
                            lowest.append(num3)                            
                        ss2 = ss2 + 2
			#数据筛选并正序高低点数据打印
			highest=highest[-2:]
            lowest=lowest[-2:]
            print(f'高点\n{highest}')
            print(f'低点\n{lowest}')
            
            

到了这里，下一步就是判断了，有了2个高点 2个低点，n字自然就出来了
上升的用2个低点，一个高点
下降的用2个高点，一个低点。
以上代码在天勤，mindgo，python版同花顺，okex，huobi，binance等平台都可正常使用，用的指标为ema，我直接调用了talib的，也可以自定义，代码可以参考：

def ema(series, n):
    """
    指数加权移动平均线: 求series序列n周期的指数加权移动平均

        计算公式:
            ema(x, n) = 2 * x / (n + 1) + (n - 1) * ema(x, n).shift(1) / (n + 1)

        注意:
            1. n 需大于等于1
            2. 对距离当前较近的k线赋予了较大的权重

    Args:
        series (pandas.Series): 数据序列

        n (int): 周期

    Returns:
        pandas.Series: 指数加权移动平均线序列

    """
    ema_data = series.ewm(span=n, adjust=False).mean()
    return ema_data