TA-Lib学习研究笔记（二）——Overlap Studies上

TA-Lib学习研究笔记（二）——Overlap Studies

1. Overlap Studies 指标

['BBANDS', 'DEMA', 'EMA', 'HT_TRENDLINE', 'KAMA', 'MA', 'MAMA', 'MAVP', 'MIDPOINT', 'MIDPRICE', 'SAR', 'SAREXT', 'SMA', 'T3', 'TEMA', 'TRIMA', 'WMA']

2.数据准备

get_data函数参数（代码，起始时间，终止时间）
返回dataframe 变量df ，column如下：

ts_code,trade_date,open,high,low,close,pre_close,change,pct_chg,vol,amount

以000002代码测试，2021年的数据，程序示例：

import numpy as np
import talib as tlb
import matplotlib.pyplot as plt
import pandas as pd  
from sqlalchemy import create_engine

if __name__ == '__main__':
    #matplotlib作图设置
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    
    #数据获取
    start_date = '2021-01-01'
    end_date   = '2022-01-01'
    df = get_data('000002', start_date, end_date)

3.指标学习测试

（1）BBANDS

函数名：BBANDS
名称： 布林线指标
简介：其利用统计原理，求出股价的标准差及其信赖区间，从而确定股价的波动范围及未来走势，利用波带显示股价的安全高低价位，因而也被称为布林带。
语法：

upperband, middleband, lowerband = BBANDS(close, timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)
参数：
（1）close：收盘价。
（2）timeperiod：计算的周期。
（3） nbdevup：上限价格相对于周期内标准偏差的倍数，取值越大，则上限越大，通道越宽。
（4）nbdevdn：下限价格相对于周期内标准偏差的倍数，取值越大，则下限越大，通道越宽。
（5）matype：平均值计算类型，0代表简单一定平均，还可以有加权平均等方式。

    df['upper'], df['middle'], df['lower'] = tlb.BBANDS(df['close'], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0)

    # 做图
    df[['close','upper','middle','lower']].plot(title='布林线')
    plt.grid() #启用网格
    plt.legend(['close', 'upper', 'middle', 'lower']) # 设置图示
    plt.show()

执行效果：
在这里插入图片描述

（2）DEMA双指数平均线

函数名：DEMA
名称： 双移动平均线
简介：两条移动平均线来产生趋势信号，较长期者用来识别趋势，较短期者用来选择时机。正是两条平均线及价格三者的相互作用，才共同产生了趋势信号。

output = talib.DEMA(close, timeperiod)

df['DEMA'] = tlb.DEMA(df['close'], timeperiod=20)

# 做图
df[['close','DEMA']].plot(title='双移动平均线')
plt.grid() #启用网格
plt.legend(['close','DEMA']) # 设置图示
plt.show()

在这里插入图片描述

（3）EMA

函数名：EMA Exponential Moving Average
名称： 指数平均数
简介：是一种趋向类指标，其构造原理是仍然对价格收盘价进行算术平均，并根据计算结果来进行分析，用于判断价格未来走势的变动趋势。

real = EMA(close, timeperiod=20)

df['EMA'] = tlb.EMA(df['close'], timeperiod=20)

# 做图
df[['close','EMA']].plot(title='指数平均数')
plt.grid() #启用网格
plt.legend(['close','EMA']) # 设置图示
plt.show()

在这里插入图片描述

（4）HT_TRENDLINE

函数名：HT_TRENDLINE
名称： 希尔伯特瞬时变换
简介：是一种趋向类指标，其构造原理是仍然对价格收盘价进行算术平均，并根据计算结果来进行分析，用于判断价格未来走势的变动趋势。

real = HT_TRENDLINE(close)

df['HT_TRENDLINE'] = tlb.HT_TRENDLINE(df['close'])

# 做图
df[['close','HT_TRENDLINE']].plot(title='希尔伯特瞬时变换')
plt.grid() #启用网格
plt.legend(['close','HT_TRENDLINE']) # 设置图示
plt.show()

在这里插入图片描述

（5）KAMA

名称：KAMA Kaufman Adaptive Moving Average 考夫曼自适应移动平均线
简介：短期均线贴近价格走势，灵敏度高，但会有很多噪声，产生虚假信号；长期均线在判断趋势上一般比较准确，但是长期均线有着严重滞后的问题。我们想得到这样的均线，当价格沿一个方向快速移动时，短期的移动平均线是最合适的；当价格在横盘的过程中，长期移动平均线是合适的。
语法：

real = KAMA(close, timeperiod=30)

df['KAMA'] = tlb.KAMA(df['close'], timeperiod=30)

# 做图
df[['close','KAMA']].plot(title='考夫曼自适应移动平均线')
plt.grid() #启用网格
plt.legend(['close','KAMA']) # 设置图示
plt.show()

在这里插入图片描述

（6）MA

函数名：MA - Moving average 移动平均线
名称： 移动平均线
简介：移动平均线，Moving Average，简称MA，原本的意思是移动平均，由于将其制作成线形，所以一般称之为移动平均线，简称均线。它是将某一段时间的收盘价之和除以该周期。 比如日线MA5指5天内的收盘价除以5 。

语法：
real = MA(close, timeperiod=30, matype=0)

df['MA5'] = tlb.MA(df['close'], timeperiod=5, matype=0)
df['MA10'] = tlb.MA(df['close'], timeperiod=10, matype=0)
df['MA30'] = tlb.MA(df['close'], timeperiod=30, matype=0)

# 做图
df[['close','MA5','MA10','MA30']].plot(title='移动平均线')
plt.grid() #启用网格
plt.legend(['close','MA5','MA10','MA30']) # 设置图示
plt.show()

在这里插入图片描述

（7）MAMA

MAMA是MESA自适应移动平均线，全称为MESA Adaptive Moving Average。它是根据价格的移动平均线和自适应移动平均线来计算的，它的设计初衷是能够更好地适应不同市场的变化。

指标作用
MAMA指标使用了一种称为Hilbert变换的数学方法来计算价格的移动平均线。这种方法可以将价格的周期性变化进行平滑处理，减少了滞后性，使得MAMA指标能够更快地响应市场的变化。
MAMA指标由两条线组成：MAMA线和FAMA线。MAMA线是根据价格的移动平均线计算得出的，它可以显示价格的趋势方向。FAMA线是根据MAMA线计算得出的，它可以显示价格的趋势变化的速度。
MAMA指标的应用主要有两个方面：

  1. 确定趋势：当MAMA线向上穿过FAMA线时，可以视为买入信号，表示价格可能会上涨；当MAMA线向下穿过FAMA线时，可以视为卖出信号，表示价格可能会下跌。
  2. 确定超买超卖：当MAMA线超过了价格的最高点时，可以视为超买信号，表示价格可能会回调；当MAMA线低于价格的最低点时，可以视为超卖信号，表示价格可能会反弹。
    语法：

mama, fama = MAMA(close）

df['mama'], df['fama'] = tlb.MAMA(df['close'])
# 做图
df[['close','mama','fama']].plot(title='自适应移动平均线')
plt.grid() #启用网格
plt.legend(['close','mama','fama']) # 设置图示
plt.show()

在这里插入图片描述

（8）MAVP

Moving average with variable period，计算带有可变周期的移动平均线。
语法：
下面是 MAVP 函数的参数说明：

  • close: 必需参数，表示收盘价序列的数组或 pandas Series。
  • periods: 必需参数，表示要进行移动平均的周期值。它是一个包含多个周期值的数组。
  • minperiod: 可选参数，表示移动平均线计算的最小周期。默认值为 2。
  • maxperiod: 可选参数，表示移动平均线计算的最大周期。默认值为 30。
  • matype: 可选参数，表示移动平均线的类型。可以选择以下类型：
    0: 简单移动平均线（SMA）
    1: 加权移动平均线（WMA）
    2: 指数移动平均线（EMA）
    3: 光滑移动平均线（SMA with offset）默认值为 0。

real = MAVP(close, periods, minperiod=2, maxperiod=30, matype=0)

注意：periods参数必须是numpy.array ,类型必须是float ，长度与close的一致。
测试了多次，才搞明白了periods参数。开始总是报不是浮点数，periods用浮点数，报错：Exception: input array lengths are different 。
原因就是close和periods长度必须一致。

#periods 必须是numpy.array ,类型必须是float ，长度与close的一致。测试用赋值都是5，一周的交易日
length = len(df['close'])  
value = 5  
periods = np.full(length, value, dtype=float)  
 
df['MAVP'] = tlb.MAVP(df['close'], periods, minperiod=5, maxperiod=10, matype=0)

# 做图
df[['close','MAVP']].plot(title='变周期移动平均线')
plt.grid() #启用网格
plt.legend(['close','MAVP']) # 设置图示
plt.show()

在这里插入图片描述

（9）MIDPOINT - MidPoint over period

MIDPOINT函数用于计算指定期间内的中点值
语法：

real = MIDPOINT(close, timeperiod=14)

示例：

df['MIDPOINT'] = tlb.MIDPOINT(df['close'], timeperiod=14)
# 做图
df[['close','MIDPOINT']].plot(title='MidPoint over period')
plt.grid() #启用网格
plt.legend(['close','MIDPOINT']) # 设置图示
plt.show()

在这里插入图片描述

（10）MIDPRICE

MIDPRICE - Midpoint Price over period
在TA-Lib中，MIDPRICE函数用于计算指定期间内的中间价格。它基于最高价、最低价来计算一个期间内的中间价格。
参数：

  • high：一个包含最高价序列的数组或指标。
  • low：一个包含最低价序列的数组或指标。
  • timePeriod：期间长度，表示要计算中间价格的期间数。

语法：

real = MIDPRICE(high, low, timeperiod=14)

示例：


df['MIDPRICE'] = tlb.MIDPRICE(df['high'], df['low'],timeperiod=14)
# 做图
df[['high','low','MIDPRICE']].plot(title='Midpoint Price over period')
plt.grid() #启用网格
plt.legend(['high','low','MIDPRICE']) # 设置图示
plt.show()

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/212954.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

文心一言 VS 讯飞星火 VS chatgpt （148）-- 算法导论12.2 3题

文心一言 VS 讯飞星火 VS chatgpt （148）-- 算法导论12.2 3题

三、用go语言，写出过程 TREE-PREDECESSOR 的伪代码。 文心一言： 以下是使用Go语言编写的TREE-PREDECESSOR函数的伪代码： func TREE-PREDECESSOR(node) { if node.parent ! nil { return node.parent } // 如果节点是根节点&#xff0c…
阅读更多...
有点迷糊class和初始化参数的用法了

有点迷糊class和初始化参数的用法了

翻阅手册https://www.runoob.com/python3/python3-class.html Python从设计之初就已经是一门面向对象的语言，正因为如此，在Python中创建一个类和对象是很容易的。本章节我们将详细介绍Python的面向对象编程。 如果你以前没有接触过面向对象的编程语言&…
阅读更多...
洛谷 P1998 阶乘之和 C++代码

洛谷 P1998 阶乘之和 C++代码

前言 今天我们来做洛谷上的一道题目。 网址：[NOIP1998 普及组] 阶乘之和 - 洛谷 西江月夜行黄沙道中 【宋】 辛弃疾 明月别枝惊鹊，清风半夜鸣蝉。稻花香里说丰年，听取WA声一片。 七八个星天外，两三点雨山前。旧时茅店社林边&…
阅读更多...
『亚马逊云科技产品测评』活动征文｜基于亚马逊云EC2搭建OA系统

『亚马逊云科技产品测评』活动征文｜基于亚马逊云EC2搭建OA系统

授权声明：本篇文章授权活动官方亚马逊云科技文章转发、改写权，包括不限于在 Developer Centre, 知乎，自媒体平台，第三方开发者媒体等亚马逊云科技官方渠道 亚马逊EC2云服务器（Elastic Compute Cloud）是亚马…
阅读更多...
Verilog 入门（九）（建模实例）

Verilog 入门（九）（建模实例）

文章目录 建模的不同方式条件操作建模通用移位寄存器状态机建模Moore 有限状态机建模Mealy 型有限状态机建模 建模的不同方式 分别使用数据流方式、行为方式和结构方式对下图所示的电路进行建模： 数据流方式：使用连续赋值语句对电路建模 module Save_M…
阅读更多...
【ArcGIS Pro微课1000例】0043：深度学习--框架库安装

【ArcGIS Pro微课1000例】0043：深度学习--框架库安装

ArcGIS Pro 中的所有深度学习地理处理工具都要求安装支持的深度学习框架库。 文章目录 深度学习框架库下载深度学习框架库安装注意事项深度学习框架库下载 由于是python开发，可以采用安装包与Pip两种方式安装，本文讲解采用安装包安装。 点击深度学习框架库下载，打开网站，…
阅读更多...
二叉树链式结构的实现和二叉树的遍历以及判断完全二叉树

二叉树链式结构的实现和二叉树的遍历以及判断完全二叉树

二叉树的实现 定义结构体 我们首先定义一个结构来存放二叉树的节点 结构体里分别存放左子节点和右子节点以及节点存放的数据 typedef int BTDataType; typedef struct BinaryTreeNode {BTDataType data;struct BinaryTreeNode* left;struct BinaryTreeNode* right; }BTNode;…
阅读更多...
【数电笔记】20-有约束的逻辑函数化简

【数电笔记】20-有约束的逻辑函数化简

目录 说明： 约束项和约束条件 1. 引例 1.1 引例中的约束项 1.2 引例中的约束条件 利用约束项 / 约束条件化简逻辑函数 1. 例1 2. 例2 3. 例3 4. 例4 说明： 笔记配套视频来源：B站；本系列笔记并未记录所有章节&#xff0…
阅读更多...
HTTPS安全防窃听、防冒充、防篡改三大机制原理

HTTPS安全防窃听、防冒充、防篡改三大机制原理

前言 本文内容主要对以下两篇文章内容整理过滤，用最直观的角度了解到HTTPS的保护机制，当然啦，如果想要深入了解HTTPS，本文是远远不够的，可以针对以下第一个链接中的文章拓展板块进行学习，希望大家通过本文能…
阅读更多...
css如何设置文本添加下划线

css如何设置文本添加下划线

css文本添加下划线 text-decoration: underline;text-decoration相关属性参数 参数描述none默认。定义标准的文本。underline定义文本下的一条线。overline定义文本上的一条线。line-through定义穿过文本下的一条线。blink定义闪烁的文本。inherit规定应该从父元素继承 text-…
阅读更多...
人体姿态估计算法

人体姿态估计算法

人体姿态估计算法 1 什么是人体姿态估计2 基于经典传统和基于深度学习的方法2.1 基于经典传统的人体姿态估计算法2.2 基于深度学习的人体姿态估计算法OpenPoseAlphaPose (RMPE) 3 算法应用4 Paper 人体姿态估计在现实中的应用场景很丰富，如下 动作捕捉：三…
阅读更多...
非常好的简历精选7篇

非常好的简历精选7篇

想要打造一份令人眼前一亮的简历，赢得招聘方的青睐？参考这7篇精选的“非常好的简历”案例！无论是应届毕业生还是职场人士，都能从中借鉴灵感，提升简历质量。让求职之路更加顺畅，轻松斩获心仪职位&#xff01…
阅读更多...
跨境独立站和传统外贸的差异

跨境独立站和传统外贸的差异

跨境独立站和传统外贸主要在以下几个方面存在区别： 交易形式：传统外贸主要涉及线下交易，买卖双方需要经过面谈、磋商、签订合同等环节。而跨境独立站则主要通过线上平台进行交易，买卖双方可以通过平台发布产品、协商价格、完成支…
阅读更多...
linux 内核regulator

linux 内核regulator

问题 在sys文件系统下没有生成cpu 调频的相关节点。 日志对比 [ 3.588745] cpu cpu4: Looking up cpu-supply from device tree [ 3.588753] cpu cpu4: Failed to get reg [ 3.588791] cpu cpu4: Looking up cpu-supply from device tree [ 3.588808] Failed to i…
阅读更多...
【数电笔记】18-卡诺图化简

【数电笔记】18-卡诺图化简

目录 说明： 用卡诺图化简逻辑函数 1. 公式法化简与卡诺图化简对比 2. 化简依据 3. 化简规律 3.1 两个小方块相邻 3.2 四个小方块相邻 3.3 八个小方块相邻 4. 卡诺图化简法步骤 4.1 例1 4.2 例2 5. 画卡诺圈规则 5.1 例1 6. 特殊情况 6.1 例1 6.2 例…
阅读更多...
【LeetCode刷题笔记】103. 二叉树的锯齿形层序遍历

【LeetCode刷题笔记】103. 二叉树的锯齿形层序遍历

创作不易&#xff0c;本篇文章如果帮助到了你&#xff0c;还请点赞 关注支持一下♡>&#x16966;<)!! 主页专栏有更多知识&#xff0c;如有疑问欢迎大家指正讨论&#xff0c;共同进步&#xff01; 更多算法知识专栏&#xff1a;算法分析&#x1f525; 给大家跳段街舞感谢…
阅读更多...
linux安装镜像cento7

linux安装镜像cento7

点击创建新的虚拟机 点击典型&#xff0c;下一步 浏览&#xff0c;centos7下载文件的位置 找到位置后&#xff0c;效果如下图所示 下一步&#xff0c;填写用户名和密码&#xff0c;再点击下一步 给虚拟机起名字&#xff0c;默认就行&#xff1b;虚拟机安装路径&#xff0c;默认…
阅读更多...
JavaSE自定义验证码图片生成器

JavaSE自定义验证码图片生成器

设计项目的时候打算在原有的功能上补充验证码功能&#xff0c;在实现了邮箱验证码之后想着顺便把一个简单的图片验证码生成器也实现一下&#xff0c;用作分享。 注意&#xff0c;实际开发中验证码往往采用各种组件&#xff0c;通过导入依赖来在后端开发时使用相关功能&#xf…
阅读更多...
组件的props属性

组件的props属性

目录 1&#xff1a;使用props的作用&#xff1a; 2&#xff1a;props自定义属性的用法&#xff1a; 3&#xff1a;集合v-bind使用自定义属性&#xff1a; 4&#xff1a;props自定义属性是只读的&#xff1a; 5&#xff1a;default默认值&#xff1a; 6&#xff1a;type值类…
阅读更多...
Unity版本使用情况统计（更新至2023年10月）

Unity版本使用情况统计（更新至2023年10月）

本期UWA发布的内容是第十三期Unity版本使用统计&#xff0c;统计周期为2023年5月至2023年10月&#xff0c;数据来源于UWA网站&#xff08;www.uwa4d.com&#xff09;性能诊断提测的项目。希望给Unity开发者提供相关的行业趋势&#xff0c;了解近半年来哪些Unity版本的使用概率更…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站