@Channelchan 2017-03-06T18:58:13.000000Z 字数 3730 阅读 26739

TA_Lib 动能篇

Momentum MACD Oscillator RSI Stochastic

技术分析对价格的计算与物理学中对速度的计算相似，需要知道价格移动的距离、时间、移动的速度与加速度，这些变化都反映着市场价格在不同维度上的变化。在技术分析中动量指标的类型主要有两种，一种是Momentum 指标，它有中间轴，可以是0或100，上下没有界限；另一种是Oscillator 振荡器，它的取值在0至100之间。以下我们一起通过算法，代码、图表和策略来理解价格的动量。

Momentum 指标有中间轴，可以是0或100，上下没有界限。

Oscillator 振荡器取值在0-100之间。

Momentum

$ROCR100=(Rrice_t/prevPrice_{t-10})*100$
可将不同股票叠加对比的动能指标，找出目前最强的股票。

import talib as ta
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

symbol=['000001','000005','000006','000008','000009']
data_dict={}
for s in symbol:
    data = ts.get_k_data(s, start='2016-01-01', end='2016-12-31', ktype='D',autype='qfq')
    data.index = pd.to_datetime(data['date'], format='%Y-%m-%d')
    data['ROC'] = ta.abstract.ROCR100(data)
    data_dict[s]=data['ROC']
data = pd.DataFrame(data_dict)

plt.plot(data)
plt.hlines(100,data.index[0],data.index[-1] , linestyles='dashed', alpha=0.5)
plt.legend(data.columns, loc='upper left')
plt.show()

常见用法：
1. 当指标大于100，看涨，小于100看跌。
2. 当各个股票放在一起对比，可以找出最强最弱的股票。

MACD

output： MACD, MACDsignal, Hist

$MACD = 26'day 'EMA - 12'day'EMA$

$MACD'signal=9'day 'EMA(MACD)$

$Hist = MACD - MACD' signal$

data = ts.get_k_data('000001', start='2016-01-01', end='2016-12-31', ktype='D',autype='qfq')
data.index = pd.to_datetime(data['date'],format='%Y-%m-%d')
dc = np.array(data['close'])
data['MACD'], data['signal'], data['hist'] = ta.MACD(dc)

fig, (ax, ax1) = plt.subplots(2, 1, sharex=True)
ax.plot(data.index, data['close'])
ax1.plot(data.index, data['MACD'])
ax1.plot(data.index, data['signal'])
ax1.bar(data.index, data['hist'])
plt.show()

macd
三种常见用法：
交叉信号（Cross Signals）
金叉或MACD大于MACDsignal，看涨；死叉或MACD小于MACDsignal，看跌。
柱的斜率（The slope of MACD-Histogram）
当前的柱比前一根高，看涨；当前的柱比前一根低，看跌。
背离（Divergence）
价格创新高，而MACD的值没有创新高，顶背离，看跌。
价格创新低，而MACD的值没有创新低，底背离，看涨。

Oscillator（0-100）

RSI

RSI是属于领先指标或同步指标，永远不会滞后。

$RSI=100-\frac{100}{1+RS}$

$RS=\frac{average 'of 'net 'UP 'closing 'changes 'for 'selected 'period 'of 'days}{average 'of 'net 'DOWN 'closing 'changes 'for 'selected 'period 'of 'days}$

data['RSI'] = ta.RSI(dc,20)

plt.subplot(2,1,1)
plt.plot(data['close'])
plt.subplot(2,1,2)
plt.plot(data['RSI'],'r')
plt.axhline(70,alpha=0.3)
plt.axhline(30,alpha=0.3)
plt.show()

常见用法：

图表的领先形态（Charting Patterns-Leading ahead）
可以通过观察RSI对价格做领先的形态或走势判断。

超买超卖（Overbought/OverSold）
当RSI下穿30后回升上穿30，买入；当RSI上穿70后下穿70，卖出。

背离（Divergence）
价格创新高，而RSI的值没有创新高，顶背离，看跌。
价格创新低，而RSI的值没有创新低，底背离，看涨。

Stochastic

$Fast'K=\frac{C_t-L_n}{H_n-L_n}$

$Slow'K=MA(Fast'K,3)$

$Slow'D=MA(Slow'K,3)$

kd = ta.abstract.STOCH(data, fastk_period=5, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
plt.subplot(2,1,1)
plt.plot(data['close'])
plt.subplot(2,1,2)
plt.plot(kd['slowk'])
plt.plot(kd['slowd'],'y')
plt.axhline(70,alpha=0.3)
plt.axhline(30,alpha=0.3)
plt.show()

超买超卖（Overbought/OverSold）
当K下穿30后回升上穿30，买入；当K上穿70后下穿70，卖出。

交叉信号（Cross Signals）
金叉或K大于D，看涨；死叉或K小于D，看跌。

线的方向（Line Direction）
当K,D两条线都往同一个方向时，对价格的短期方向是一种确认。

RSI均线判断背离方法:

底背离买入：

$Close_t< MA(Close,20) 'and' RSI > MA(RSI,20)$
顶背离卖出：

$Close_t> MA(Close,20) 'and' RSI < MA(RSI,20)$

import talib as ta
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
data = ts.get_k_data('000001', start='2016-01-01', end='2016-12-31', ktype='D',autype='qfq')
data.index = pd.to_datetime(data['date'],format='%Y-%m-%d')
data['RSI'] = ta.abstract.RSI(data, 14)
data['RSI_MA'] = ta.abstract.MA(data, 20, price='RSI')
data['C_MA'] = ta.abstract.MA(data, 20, price='close')
x_b = []
y_b = []
x_s = []
y_s = []
data = data.dropna()
it = data.iterrows()
t0, d0 = next(it)
pos = 0
for t1, d1 in it:
    if pos==0 and d1.close < d1.C_MA and d1.RSI > d1.RSI_MA:
        x_b.append(t1)
        y_b.append(d1.close)
        pos=1
    elif pos==1 and d1.close > d1.C_MA and d1.RSI < d1.RSI_MA:
        x_s.append(t1)
        y_s.append(d1.close)
        pos=0
    t0, d0 = t1, d1
plt.subplot(2,1,1)
plt.plot(data['close'])
plt.plot(data['C_MA'])
plt.scatter(x_b, y_b, c='r', marker='^', linewidths=3)
plt.scatter(x_s, y_s, c='g', marker='v', linewidths=3)
plt.subplot(2,1,2)
plt.plot(data['RSI'],'r')
plt.plot(data['RSI_MA'],'y')
plt.axhline(70,alpha=0.3)
plt.axhline(30,alpha=0.3)
plt.show()