python股票量化交易(6)---使用TA-Lib计算技术指标
务要日日知非,日日改过;一日不知非,即一日安于自是;一日无过可改,即一日无步可进;天下聪明俊秀不少,所以德不加修、业不加广者,只为因循二字,耽搁一生。
目录
- 什么是TA-Lib
- SMA指标的计算
- MACD指标的计算
- KDJ指标的计算
什么是TA-Lib
TA-Lib(Technical Analysis Library)是python提供的开源技术分析库,自发布以来,已经有20多年的历史,它包含了大约200个技术指标的计算函数和K线形态识别函数,例如MACD、RSI、KDJ、动量指标等。
我们从前面的几篇博文分析来看,如果你不了解这个库,我们直接分析股票的话,你需要完全记住所有指标的计算公式,对于数学不怎么好的人,实在不友好。但是我们有了TA-Lib库之后,就可以很方便的得到指标绘制的一些参数,这样可以大大节省我们的分析时间。
所以,本篇博文将讲解前面所有技术指标,通过TA-Lib库计算出来。那么我们首先,需要在python文件中导入这个库,具体代码如下:
import talib
SMA指标的计算
SMA也就是前面博文中讲解的均线,即simple moving average的缩写,TA-Lib库直接提供给我们talib.SMA()进行计算SMA。
使用SMA()函数有两个参数:
(1)timeperiod:也就是计算均线的时间,比如5日均线就写5,10日均线就写10,以此类推。
(2)close:收盘价,通过pandas直接导入收盘价那一列即可。
下面,我们来通过SMA()函数计算10,20,30日均线,具体代码如下所示:
import pandas as pd
import talib
df = pd.read_excel("牧原股份.xlsx")
df["SMA10"]=talib.SMA(df['close'],timeperiod=10)
df["SMA20"]=talib.SMA(df['close'],timeperiod=20)
df["SMA30"]=talib.SMA(df['close'],timeperiod=30)
不过这里我们需要注意,在计算均线之时,必定均线前n天是空值。比如这里计算10日均线,那么前9日是没有值的。而没有值默认会填充NaN,为了绘图时的数据好看,我们需要将这前N天的空白值赋值为第一天均线的有效值,这样看起来就会有空白的曲线。具体代码如下所示:
df['SMA10'].fillna(method="bfill",inplace=True)
df['SMA20'].fillna(method="bfill",inplace=True)
df['SMA30'].fillna(method="bfill",inplace=True)
当前,我们的均线其实还有很多不同的计算方法,比如计算指数移动平均值时,用的是EMA方法,而计算加权移动平均值时,计算的是WMA方法。不过,这些这些计算都有一个通用的方法MA,它通过最后一个参数matype区分是计算EMA,还是WMA,或者SMA。例如:
df['ma10']=talib.MA(df['close'],timeperiod=10,matype=0)
df['ma20']=talib.MA(df['close'],timeperiod=20,matype=1)
df['ma30']=talib.MA(df['close'],timeperiod=30,matype=2)
0代表SMA,1代表EMA,2代表WMA,其他的参数数值,后面讲解其他指标时我们在介绍,这三个为最常用的方法,需要记住。
完整绘制均线的代码如下:
import pandas as pd
import talib
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
df["SMA10"]=talib.SMA(df['close'],timeperiod=10)
df["SMA20"]=talib.SMA(df['close'],timeperiod=20)
df["SMA30"]=talib.SMA(df['close'],timeperiod=30)
df['SMA10'].fillna(method="bfill",inplace=True)
df['SMA20'].fillna(method="bfill",inplace=True)
df['SMA30'].fillna(method="bfill",inplace=True)
ax.plot(np.arange(0, len(df)), df['SMA10']) # 绘制5日均线
ax.plot(np.arange(0, len(df)), df['SMA20']) # 绘制10日均线
ax.plot(np.arange(0, len(df)), df['SMA30']) # 绘制30日均线
ax.xaxis.set_major_locator(ticker.MaxNLocator(20))def format_date(x, pos=None):if x < 0 or x > len(df['date']) - 1:return ''return df['date'][int(x)]ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()
运行之后,显示效果如下图所示:
MACD指标的计算
既然TA-Lib库直接提供了SMA()方法计算均线,那么肯定也会有MACD方法提供给你计算MACD的参数。具体的使用方法如下:
dif, dea, bar = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
可以看到,前面计算MACD参数之时,我们会计算EMA1(12日收盘价移动平均线)与EMA2(26收盘价移动平均线)对应的就是上面的12,26。同样的,计算DEA的公式span也为9,代入最后一个值。
不过,其内部实现与我们自己按公式操作其实是一样的步骤,只是TA-Lib库直接省略步骤,把方法直接给我们了,这样如果只是用于分析,多数开发者并不需要了解其原理。
虽然说它直接提供给我们计算方法MACD(),但是我们按前面公式计算是没有空值的,这里直接代码会造成空值的情况。所以我们需要额外的步骤将空值替换掉,具体代码如下:
dif[np.isnan(dif)],dea[np.isnan(dea)],bar[np.isnan(bar)]=0,0,0
完整的绘图代码如下所示:
import pandas as pd
import talib
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
dif, dea, bar = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
dif[np.isnan(dif)], dea[np.isnan(dea)], bar[np.isnan(bar)] = 0, 0, 0
ax.plot(np.arange(0, len(df)), dif)
ax.plot(np.arange(0, len(df)), dea)
red_bar = np.where(bar > 0, 2 * bar, 0)
blue_bar = np.where(bar < 0, 2 * bar, 0)
ax.bar(np.arange(0, len(df)), red_bar, color="red")
ax.bar(np.arange(0, len(df)), blue_bar, color="blue")ax.xaxis.set_major_locator(ticker.MaxNLocator(20))def format_date(x, pos=None):# 由于前面股票数据在 date 这个位置传入的都是int# 因此 x=0,1,2,...# date_tickers 是所有日期的字符串形式列表if x < 0 or x > len(df['date']) - 1:return ''return df['date'][int(x)]ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()
运行之后,显示效果如下所示:
KDJ指标的计算
虽然说计算SMA与MACD的方法名在TA-Lib库中是一致的,但是这次还真不是KDJ函数。在TA-Lib库中计算KDJ的方法为talib.STOCH函数。首先,我们可以通过该函数计算出K、D的值,然后通过K、D计算出J值,具体的计算方式如下:
df['K'], df['D'] = talib.STOCH(df['high'].values, df['low'].values, df['close'].values, fastk_period=9, slowk_period=3,slowk_matype=0, slowd_period=3, slowd_matype=0)
df['K'].fillna(0,inplace=True)
df['D'].fillna(0,inplace=True)
df['J']=3*df['K']-2*df['D']
这里fastk_period=9,slowk_period=3,slowd_period=3,虽然计算方式不同,但核心思想是一致的。同样的,使用TA-Lib库计算出来的KD值也有无效值,需要用0进行替换。
完整的绘制KDJ曲线代码如下:
import pandas as pd
import talib
import matplotlib.pyplot as plt
import matplotlib.ticker as tickerfig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
df['K'], df['D'] = talib.STOCH(df['high'].values, df['low'].values, df['close'].values, fastk_period=9, slowk_period=3,slowk_matype=0, slowd_period=3, slowd_matype=0)
df['K'].fillna(0,inplace=True)
df['D'].fillna(0,inplace=True)
df['J']=3*df['K']-2*df['D']
ax.plot(df["date"], df["K"], label ="K")
ax.plot(df["date"], df["D"], label ="D")
ax.plot(df["date"], df["J"], label ="J")
plt.legend()
ax.xaxis.set_major_locator(ticker.MaxNLocator(20))
def format_date(x, pos=None):# 由于前面股票数据在 date 这个位置传入的都是int# 因此 x=0,1,2,...# date_tickers 是所有日期的字符串形式列表if x < 0 or x > len(df['date']) - 1:return ''return df['date'][int(x)]ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()
运行之后,显示效果如下所示:
python股票量化交易(6)---使用TA-Lib计算技术指标相关推荐
- python股票量化交易接口是应用到股票上吗?
python股票量化交易接口是应用到股票上吗?当然可以,而且是任何交易者都可以使用量化交易技术,股票交易数据是很容版易采集的,就是分析起来比权较麻烦,如果题主是职业散户,美股研究社更建议使用一些软件炒 ...
- 《Python股票量化交易从入门到实践》随书赠送“回测框架”的使用帮助
点击:QTYX最新版本使用指南[文字版] 点击:QTYX最新版本使用指南[视频版] 点击: QTYX历史版本更新说明 赠送"回测框架"的目的 为了帮助读者再建立一座从书本知识到实战 ...
- python股票量化交易(1)---K线图、均线与成交量绘制
远思扬祖宗之德,近思盖父母之愆:上思报国之恩,下思造家之福:外思济人之急,内思闲己之邪. 本文目录 前言 获取股票的数据 绘制K线图 均线图 成交量 前言 都说2020年是牛市的起点,很显然对于数据来 ...
- python股票量化交易(8)---K线图:锤头,射击之星,早晨之星
人之有志,如树之有根,立定此志,须念念谦虚,尘尘方便,自然感动天地,而造福由我. 目录 锤头 倒锤头 射击之星 早晨之星 锤头 本篇接着上篇介绍K线形态. 首先,我们今天介绍的第一个K线形态是锤头,T ...
- python股票量化交易入门到实践_量化资料学习《Python与量化投资从基础到实战》+《量化交易之路用Python做股票量化分析》+《组织与管理研究的实证方法第2版》...
我们需要利用Python进行数据分析的指南,有大量的关于数据处理分析的应用,重点学习如何高效地利用Python解决投资策略问题,推荐学习<Python与量化投资从基础到实战>等电子资料. ...
- python股票量化交易(7)---K线图:乌鸦、乌云压顶、十字星
随缘济众,其类至繁,约言其纲,大约有十:第一,与人为善;第二,爱敬存心;第三,成人之美;第四,劝人为善;第五,救人危急;第六,兴建大利;第七,舍财作福;第八,护持正法;第九,敬重尊长;第十,爱惜物命. ...
- python股票量化交易(12)---使用pyqt5构建股票交易软件主页
目录 实时股票数据 每笔交易详情数据 绘制股票走势图与买卖盘数据 实时股票数据 接着上篇博文的内容,今天我们来实现获取与绘制实时的股票行情数据.首先,我们需要通过akshare库获取某一天的实时交易数 ...
- python股票量化交易(3)---趋势类指标MACD
虚心屈己,受福之基.彼气盈者,必非远器,纵发亦无受用. 文章目录 什么是MACD MACD指标的计算 绘制MACD图 什么是MACD MACD全称为Moving Average Convergence ...
- python股票量化交易(11)---使用pyqt5构建股票交易软件主页
目录 前言 构建界面的整体框架 主页顶部 前言 在前面10篇博文中,我们详细介绍了各种股票图形的绘制以及股票的预测算法,但是有一点非常的不方便,就是每次查看某个股票的数据,我们还需要将代码替换或者更改 ...
最新文章
- 谈 三层结构与MVC模式的区别
- linux下打印机共享及监控
- Linux下C/C++编译环境搭建
- 三、linux内核驱动裁剪
- oracle中的not in和not exists注意事项
- 如何让IDEA启动多个SpringBoot实例
- oracle ref游标用法,[置顶] Oracle 参照游标(SYS_REFCURSOR)使用
- CF802O-April Fools‘ Problem(hard)【wqs二分,优先队列】
- 小熊的人生回忆(一)
- 什么是c语言内存编码,c语言内存泄露示例解析
- 使用TensorFlow.js的AI聊天机器人三:改进了文本中的情感检测
- 大数据分析需注意什么问题
- 项目中比较常用的数据筛选场景
- OSPF邻接关系状态机
- matlab脑电打码,matlab 脑电信号特征提取程序
- 个人信息保护须形成更大合力
- [手把手教你] 用Swoft 搭建微服务(TCP RPC)
- Hbase 的Java API 操作
- matlab实现手写数字识别案例,Matlab手写数字识别
- 如何制作APP-微信小程序