乐学偶得的Python与量化学习笔记

最近在看乐学偶得（公众号：乐学Fintech）William老师讲的Python系列与量化交易的内容，公众号干货很多，一遍搬运一遍在这里做笔记记录一下，方便以后复习：

 

之前跟大家分享过用Python调用talib实现技术指标分析，但是许多小伙伴有更高的需求：比如需要指标自定义，或者想明白技术分析背后的原理。所以，这一期我们跟大家分享一下通过纯Python+Pandas+Numpy+Math实现talib中的常见指标，是学习底层算法与自定义交易指标，提升内功的非常好的材料。

我们需要的库非常简单，只需要这三个：

import numpyfrom pandas import *from math import *

 

*关于pandas版本的问题，我们视频中跟大家分享过，注意以下用法需要pandas的版本为0.21，若报ewma无法调用的错误，可以指定安装此版本的pandas，或者通过

•  

pandas.DataFrame(ts).ewm(span=12).mean()

这样调用的方法解决。

 

1.移动平均

 

def MA(df, n):    MA = Series(rolling_mean(df['Close'], n), name = 'MA_' + str(n))    df = df.join(MA)    return df

 

 

 

2.指数移动平均

 

def EMA(df, n):    EMA = Series(ewma(df['Close'], span = n, min_periods = n - 1), name = 'EMA_' + str(n))    df = df.join(EMA)    return df

 

 

 

3.动量

 

def MOM(df, n):    M = Series(df['Close'].diff(n), name = 'Momentum_' + str(n))    df = df.join(M)    return df

 

 

 

4.变化率

 

def ROC(df, n):    M = df['Close'].diff(n - 1)    N = df['Close'].shift(n - 1)    ROC = Series(M / N, name = 'ROC_' + str(n))    df = df.join(ROC)    return df

 

 

 

5.均幅指标

 

def ATR(df, n):    i = 0    TR_l = [0]    while i < df.index[-1]:        TR = max(df.get_value(i + 1, 'High'), df.get_value(i, 'Close')) - min(df.get_value(i + 1, 'Low'), df.get_value(i, 'Close'))        TR_l.append(TR)        i = i + 1    TR_s = Series(TR_l)    ATR = Series(ewma(TR_s, span = n, min_periods = n), name = 'ATR_' + str(n))    df = df.join(ATR)    return df

 

 

6.布林线

 

def BBANDS(df, n):    MA = Series(rolling_mean(df['Close'], n))    MSD = Series(rolling_std(df['Close'], n))    b1 = 4 * MSD / MA    B1 = Series(b1, name = 'BollingerB_' + str(n))    df = df.join(B1)    b2 = (df['Close'] - MA + 2 * MSD) / (4 * MSD)    B2 = Series(b2, name = 'Bollinger%b_' + str(n))    df = df.join(B2)    return df

 

 

7.转折、支撑、阻力点

 

def PPSR(df):    PP = Series((df['High'] + df['Low'] + df['Close']) / 3)    R1 = Series(2 * PP - df['Low'])    S1 = Series(2 * PP - df['High'])    R2 = Series(PP + df['High'] - df['Low'])    S2 = Series(PP - df['High'] + df['Low'])    R3 = Series(df['High'] + 2 * (PP - df['Low']))    S3 = Series(df['Low'] - 2 * (df['High'] - PP))    psr = {'PP':PP, 'R1':R1, 'S1':S1, 'R2':R2, 'S