【掘金使用技巧8】用掘金编写常用技术指标

最新推荐文章于 2024-04-15 22:18:21 发布
最新推荐文章于 2024-04-15 22:18:21 发布
阅读量802 收藏 1
点赞数 1
分类专栏： 股市|期货|量化
原文链接：https://bbs.myquant.cn/topic/2050/2
版权

掘金中缺少一些常用的技术指标函数，但在编写策略时，免不了要用到指数指标来帮助决策。因此，小编汇总了几个常用的技术指标，基于掘金的框架编写成函数，大家可以在使用时参考一下。

提示：

行情软件比如通达信的一些指标都是基于股票上市首日计算得到的，如果计算时只用小部分的时间序列，得到的结果和通达信软件是不一致的。为了保持一致，所有指标都按照上市首日计算。

前期准备

# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
import pandas as pd
import numpy as np


set_token('请输入你的token')

KDJ指标

# KDJ指标计算
# 原理：计算N日RSV = （今日收盘 - N日最低）/(N日最高-N日最低) * 100
# K = (1-(1/M1))*前一日K值 + 1/M1 * RSV
# D = (1-(1/M1))*前一日D值 + 1/M1 * K值
# J = 3 * K - 2 * D

def KDJ(symbol, N, M1, M2,end_time):
    '''
    计算KDJ指标公式
    输入： data <- dataframe，需包含开盘、收盘、最高、最低价
          N、M1、M2 <- int
          end_time <- str   结束时间
    输出： 将K、D、J合并到data后的dataframe
    '''

    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close,low,high',
                   df=True)

    # 计算前N日最低和最高，缺失值用前n日（n<N)最小值替代
    lowList = data['low'].rolling(N).min()
    lowList.fillna(value=data['low'].expanding().min(), inplace=True)
    highList = data['high'].rolling(N).max()
    highList.fillna(value=data['high'].expanding().max(), inplace=True)
    # 计算rsv
    rsv = (data['close'] - lowList) / (highList - lowList) * 100
    # 计算k,d,j
    data['kdj_k'] = rsv.ewm(alpha=1/M1, adjust=False).mean()     # ewm是指数加权函数
    data['kdj_d'] = data['kdj_k'].ewm(alpha=1/M2, adjust=False).mean()
    data['kdj_j'] = 3.0 * data['kdj_k'] - 2.0 * data['kdj_d']
    return data

# 测试一下
d = KDJ('DCE.y2101',9,3,3,'2020-12-31')

MACD指标

# MACD指标计算
# 计算12日和26日的EMA数据
# 计算12日EMA:EMA(12) = 2/(12+1) * 今日收盘价(12) + 11/(12+1) * 昨日EMA(12)
# 计算26日EMA:EMA(26) = 2/(26+1) * 今日收盘价(26) + 25/(26+1) * 昨日EMA(26)
# 计算DEA:DEA = 2/(9+1) * 今日DIFF + 8/(9+1) * 昨日DEA
# 计算MACD：MACD = 2 * (DIFF-DEA)
# 注意：上市首日DIFF、DEA、MACD均为0，次日的EMA均按照上市首日的收盘价计算

def MACD(symbol, start_time, end_time):
    '''计算MACD指标
        输入参数：symbol <- str      标的代码 （2005年以前上市的不可用）
                start_time <- str  起始时间
                end_time <- str    结束时间
        输出数据：
                macd <- dataframe  macd指标，包括DIFF、DEA、MACD

    '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',
                   df=True)
    # 将数据转化为dataframe格式
    data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()

    # 计算EMA(12)和EMA(16)
    data['EMA12'] = data['close'].ewm(alpha=2 / 13, adjust=False).mean()
    data['EMA26'] = data['close'].ewm(alpha=2 / 27, adjust=False).mean()

    # 计算DIFF、DEA、MACD
    data['DIFF'] = data['EMA12'] - data['EMA26']
    data['DEA'] = data['DIFF'].ewm(alpha=2 / 10, adjust=False).mean()
    data['MACD'] = 2 * (data['DIFF'] - data['DEA'])

    # 上市首日，DIFF、DEA、MACD均为0
    data['DIFF'].iloc[0] = 0
    data['DEA'].iloc[0] = 0
    data['MACD'].iloc[0] = 0

    # 按照起止时间筛选
    MACD = data[(data['bob'] >= start_time)]

    return MACD

# 测试一下
a = MACD(symbol = 'DCE.y2101',start_time = '2020-01-01',end_time = '2020-10-22')

DMA指标

# DMA指标计算
# 计算DIF: close的N1日移动平均-close的N2日移动平均
# 计算AMA: DIF的M日移动平均

def DMA(symbol, start_time, end_time, N1, N2, M):
    ''' 计算DMA
        输入参数：
            symbol <- str  标的代码
            start_time <- str  开始时间
            end_time <- 结束时间
            N1 <- 大周期均值
            N2 <- 小周期均值
        输出参数：
            DMA <- dataframe
    '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',
                   df=True)
    data['MA1'] = data['close'].rolling(N1).mean()
    data['MA2'] = data['close'].rolling(N2).mean()
    data['DIF'] = data['MA1'] - data['MA2']
    data['AMA'] = data['DIF'].rolling(M).mean()

    # 将数据转化为dataframe格式
    data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()

    # 按起止时间筛选
    DMA = data[(data['bob'] >= start_time)]

    return DMA

# 测试一下
d1 = DMA(symbol = 'DCE.y2101',start_time = '2020-01-01',end_time = '2020-10-22',N1 = 10,N2 = 50,M = 6)

BIAS指标

# BIAS：乖离率指标计算
# BIAS1 : (CLOSE-N1日的平均值CLOSE）/N1日的平均值CLOSE*100
# BIAS2 : (CLOSE-N2日的平均值CLOSE）/N2日的平均值CLOSE*100
# BIAS3 : (CLOSE-N3日的平均值CLOSE）/N3日的平均值CLOSE*100

def BIAS(symbol, start_time, end_time, N1, N2, N3):
    '''计算乖离率指标
        输入值：symbol <- str 标的代码
              start_time <- str 开始时间
              end_time <- str 结束时间
              N1、N2、N3 <- 移动平均数
        输出值：
            BIAS <- dataframe
    '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',
                   df=True)

    # 将数据转化为dataframe格式
    data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()

    # 计算指标
    data['BIAS1'] = (data['close'] - data['close'].rolling(N1).mean())/data['close'].rolling(N1).mean() * 100
    data['BIAS2'] = (data['close'] - data['close'].rolling(N2).mean())/data['close'].rolling(N2).mean() * 100
    data['BIAS3'] = (data['close'] - data['close'].rolling(N3).mean())/data['close'].rolling(N3).mean() * 100

    # 按时间筛选
    BIAS = data[(data['bob'] >= start_time)]

    return BIAS

# 测试一下
d2 = BIAS(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1=6, N2=12, N3=24)

BOLL指标

# BOLL：BOLL带指标计算
# 中轨线 = N日收盘价平均值
# 上轨线 = 中轨线 + N日收盘价标准差
# 下轨线 = 中轨线 - N日收盘价标准差
def BOLL(symbol, start_time, end_time, N):
    ''' 计算布林带
        输入参数：symbol <- str 标的代码
                start_time <- str 开始日期
                end_time <- str 结束日期
                N <- N日移动平均线
        输出参数：
               BOLL <- dataframe
    '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',
                   adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)

    # 将数据转化为dataframe格式
    data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()

    # 计算指标
    data['BOLL'] = data['close'].rolling(N).mean()
    data['UB'] = data['BOLL'] + 2 * data['close'].rolling(N).std()
    data['LB'] = data['BOLL'] - 2 * data['close'].rolling(N).std()

    # 按时间筛选
    BOLL = data[(data['bob'] >= start_time)]

    return BOLL

# 测试一下
d3 = BOLL(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N=20)

RSI指标

# RSI指标计算
# RSI = N日内收盘价涨数和的均值/N日内收盘价涨和跌的均值*100
def RSI(symbol, start_time, end_time, N1, N2, N3):
    ''' 计算RSI相对强弱指数
        输入参数：symbol <- str 标的代码
                start_time <- str 开始日期
                end_time <- str 结束日期
                N <- N日移动平均线
        输出参数：
               RSI <- dataframe
    '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close,pre_close',
                   adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)

    # 将数据转化为dataframe格式
    data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()

    # 计算指标
    data['change'] = data['close'] - data['pre_close']          # 计算涨跌幅
    data.loc[(data['pre_close'] == 0), 'change'] = 0            # 如果是首日，change记为0
    data['x'] = data['change'].apply(lambda x: max(x, 0))       # 涨跌幅<0换为0
    data['RSI1'] = data['x'].ewm(alpha=1 / N1, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1/N1, adjust=False).mean()) * 100
    data['RSI2'] = data['x'].ewm(alpha=1 / N2, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1 / N2, adjust=False).mean()) * 100
    data['RSI3'] = data['x'].ewm(alpha=1 / N3, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1 / N3, adjust=False).mean()) * 100


    # 输出
    RSI = data[(data['bob'] >= start_time)]

    return RSI

# 测试一下
d4 = RSI(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1=6, N2=12, N3=24)

威廉指标WR

# WR威廉指标计算
# WR(N) = 100 * [HIGH(N)-C] / [HIGH(N)-LOW(N)]
def WR(symbol, start_time, end_time, N1, N2):
    ''' 计算威廉指数
        输入：symbol <- str 标的代码
             start_time <- str 开始时间
             end_time <- 结束时间
             N <- 周期数
        输出：WR <- dataframe
        '''
    # 取历史数据，取到上市首日
    data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time,
                   fields='symbol,bob,close,high,low',
                   adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)
    # 计算指标
    data['WR1'] = 100 * (data['high'].rolling(N1).max() - data['close']) / (data['high'].rolling(N1).max() - data['low'].rolling(N1).min())
    data['WR2'] = 100 * (data['high'].rolling(N2).max() - data['close']) / (data['high'].rolling(N2).max() - data['low'].rolling(N2).min())

    # 缺失值填充
    data['WR1'].fillna(value=100 * (data['high'].expanding().max() - data['close']) / (data['high'].expanding().max() - data['low'].expanding().min()), inplace=True)
    data['WR2'].fillna(value=100 * (data['high'].expanding().max() - data['close']) / (data['high'].expanding().max() - data['low'].expanding().min()), inplace=True)
    # 输出
    WR = data[(data['bob'] >= start_time)]

    return WR

# 测试一下
d5 = WR(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1 = 10,N2 = 6)
喜数女量化
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
掘金一键签到，玩游戏，抽奖，沾福气脚本
06-18
这种脚本通常是用编程语言如Python或JavaScript编写的，通过模拟用户行为来实现自动签到。 接着，我们讨论“玩游戏”这部分。掘金社区有时会举办各种在线游戏活动，这些活动可能涉及到技术问答、解谜等，旨在提高...
python-kdj算法
云金杞
12-18 7075
def cal_kdj_system(data,N,M1,lower,upper): data['llv_low']=data['low'].rolling(N).min() data['hhv_high']=data['high'].rolling(N).max() data['rsv']=(data['close']-data['llv_low'])/(data['h...
laravel只读取指定的$request数据
lion的博客
05-19 803
只获取指定$request数据可以用 $request->only() 或者只排除指定数据 $request->except() public function goods(Request $request) { //获取全部数据 $all = $request->all(); //只获取name和type $only = $request->only('name','type'); //获取除了type的所有数据
头条AI掘金术最新玩法，全AI制作无需人工修稿，一键生成单篇文章收益500+
最新发布
qq_21095001的博客
04-15 299
本期项目是头条AI掘金最新玩法！本玩法是继手搓玩法的又一次升级！本期教程有些长！请大家耐心看完!如果有什么不懂的，都可以联系初晨大家按照教程来一步一步操作很快就能学会还有头条新账号一定要去养号养号过程也很简单就是模拟正常用户去刷头条即可每天刷2~3个小时连续刷2~3天即可。
在掘金，拿到策略以后如何跑起来？
量化交易研究
03-09 3077
近期有许多的小伙伴新加入了我们的掘金大家庭，在此先表示热烈欢迎。 但萌新往往避免不了一些问题，首当其冲的就是如何使用的问题。策略是有了，怎么在掘金量化的平台上顺利跑起来呢？ 不用担心，今天的内容就是为了解决这个问题！下面我们将带领大家“走一遍”掘金的入门路线。建议收藏，不易走丢哦~ 先说明，由于掘金量化终端运行于本地Windows环境，为了保证运行可靠性，推荐大家至少使用以下配置： 在本文中，我们使用的配置和软件分别是： - Windows 10 64位系统
码上掘金编程挑战赛特别圆桌｜技术人的「码上掘金」之路
程序猿DD
10-27 226
曾经，有多少开发者的前端学习第一站是w3school？从小白到掌握基本的编程语法，w3school为开发者提供了丰富的免费教程。最受欢迎的一个功能莫过于「亲自试一试」TIY（Try It Yourself），在左边输入代码，右边就可以看到结果。我们期待有这样一个好用的在线代码playground平台，在那儿，无需搭建复杂的开发环境即可实现代码效果的即时预览、演示。于是，我们在今年，稀土掘金正式推出...
Android项目源码掘金技术社区客户端源码
09-26
网站介绍是：掘金是中国质量最高的技术分享社区,邀请稀土用户作为 Co-Editor 来分享优质的技术干货,从前端到后端开发,从设计到产品,让每一个掘金用户都能挖掘到有价值的干货。使用了十多个第三方的库。如果是技术...
快速在 VSCode 中打开掘金，读文章或者刷沸点
03-06
1. **阅读文章**：浏览掘金上的技术文章，无需离开VSCode。这使得你可以快速查阅相关知识，同时保持编写代码的状态，避免在浏览器与编辑器之间频繁切换，节省时间，提高工作效率。 2. **刷沸点**：掘金的沸点类似于...
小程序源码 掘金首页信息流 (代码+截图)
06-19
小程序源码 掘金首页信息流 (代码+截图)小程序源码 掘金首页信息流 (代码+截图)小程序源码 掘金首页信息流 (代码+截图)小程序源码 掘金首页信息流 (代码+截图)小程序源码 掘金首页信息流 (代码+截图)小程序源码 掘金...
微信小程序源码 掘金首页信息流(学习版)
06-18
微信小程序源码 掘金首页信息流(学习版)微信小程序源码 掘金首页信息流(学习版)微信小程序源码 掘金首页信息流(学习版)微信小程序源码 掘金首页信息流(学习版)微信小程序源码 掘金首页信息流(学习版)微信小程序源码 ...
经典策略-掘金量化.pdf
12-03
以Python语言，经典量化交易策略，可以用以基础的学习和改进参照。
掘金量化3参数优化（使用掘金3的策略师必读）
塞尔达的传说
04-27 2241
原 掘金量化3参数优化（使用掘金3的策略师必读） 参数优化目的 ​ 我们在进行策略编写时，很容易受到参数调整的困扰，比如说双均线策略，到底长短均线的周期怎么来定义？“5日线”和“10日线”组合一定是最好的吗？如果多次回测，怎么记录回测结果？ ​ 带着这些疑问，我们来共同探讨掘金量化3的参数优化示例程序。 参数优化思想 ​ 我们将心目中的参数进行循环遍历回测，记录每次回测结果和参数，然后就可以根据某...
如何使用掘金进行量化策略绩效分
塞尔达的传说
04-29 2131
原 如何使用掘金进行量化策略绩效分析？ 自掘金量化绩效分析推出后，受众多掘金用户的热烈反响，今天掘金小Q给大家整理下掘金绩效分析的使用指引，帮助大家快速入手使用。 一、掘金绩效分析功能特点 1.专业分析引擎 用高仿真清算模型，清算准确，处理效率高，完整重现交易场景 2.可交互分析图表 提供动态可交互的模型界面，让投资细节和全局一目了然 3.分析全面 绩效分析包含多指标、多模型，能够全面剖析交易特点...
如何使用掘金编辑器写专栏
专注基础架构领域
03-06 1889
我们建议掘友使用 Markdown 编辑器来写作文章 掘金 Markdown 编辑器整合了 Markdown 标准语法，可以看官方文档。除了标准语法中的： 段落 标题：# h1、## h2 文字变形：**粗体**、*斜体*、代码块 链接：[]() 图片：![]() 列表：-1. 引言：> 之外，掘金还支持一些有趣的语法： 表格 等级 掘力值下限 掘力值上限 Lv1 0 99 Lv2 100 999 Lv3 1000 ..
掘金量化 | 短周期量价策略（附源码）
量化交易研究
12-17 2613
可能不少朋友都有阅读过国泰君安《基于短周期价量特征的多因子选股体系》这篇研报，对其内多达191个量价因子印象深刻。该研报是在2017年中旬发布的，时至今日已过去四年时光，为此大家可能会好奇，这些因子“尚能饭否”？  ​ 为此，基于单因子方式，我们做了一些简单测试。  ​ 一、策略逻辑简述：  ​ 基于研报内的量价因子，做多单因子前N只股票，周频持仓。  ​ 我们测试了Alpha001至Alpha050这50个因子，其中Alpha007因子在今年表现较为优越。其因子定义分为如下：  ​ Alp
很燃基于掘金量化台的《Python量化交易战新简
塞尔达的传说
04-28 2225
原 很燃！基于掘金量化平台的《Python量化交易实战》新书简介 内容简介： 在目前不断变化、蓬勃发展的中国资本市场，量化投资作为新兴的投资方法，引来越来越多的关注，使用量化投资技术的证券从业人员也越来越多。 本书分为11章，内容包括Python环境的搭建、Python数据相关类库的使用、掘金量化终端的使用、Talib金融库的详解、多因子策略的介绍、带技术指标的多因子策略、中证红利指数增强策略、...
金融平台（掘金量化）量化PYTHON（二）-量化回测框架介绍
weixin_38496610的博客
09-16 4811
策略创建运行流程 1.创建运行策略 1.1创建策略 打开“掘金量化3.0”客户端，进入“我的策略”-“新建策略”，如下所示： 平台本身提供了很多经典策略，选择“空策略”，命名为“量化策略示例”，代码如下： # coding=utf-8 from __future__ import print_function, absolute_import from gm.api import * # 策略中必须有init方法 def init(context): pass ...
掘金网站使用指南
weixin_34205826的博客
05-01 2354
如何使用掘金社区 1、 专栏 & 分享 写的技术性文章叫做专栏 转载的文章叫分享 2、沸点 & 话题 掘友们的朋友圈 3、 小册 掘金小册是一个小篇幅、高浓度、成体系、有收益的技术学习平台。 是一个可以收费的平台。 如果想要了解更多，请阅读《如何写一部掘金小册》 如果想要申请小册作者，您可以 获得 Lv5 及以上的等级，如何升级 在《如何写一部掘金小册》最后一节有具体申请方...
python去除图中的水印 ‘@稀土掘金技术社区’
09-08
要去除图片中的水印 '@稀土掘金技术社区'，可以使用Python的图片处理库OpenCV来实现。 首先，我们需要将图片加载到Python中。可以使用OpenCV的`imread`函数来读取图片。例如，使用以下代码加载名为`image.jpg`的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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