Bollinger bandas de python
Obter através da App Store Leia esta publicação em nosso aplicativo!
Calculando rolling_std em 4 colunas em pandas python para calcular uma Bollinger Band?
Eu estou apenas começando no Pandas, tentando fazer o que eu faria no excel facilmente apenas com um grande conjunto de dados. Eu tenho uma seleção de dados de preços de futuros que eu ingressei no Pandas usando:
isso me dá um DataFrame. Os dados estão no formulário abaixo:
Agora, o que estou essencialmente tentando fazer é calcular uma banda de Bollinger nos pandas. Se eu estivesse no excel, eu selecionaria o bloco inteiro das colunas 'High', 'Low', 'Open' e 'Close' para, digamos, 20 linhas e calcular o desvio padrão.
Eu vejo pandas tem a função rolling_std que pode calcular o desvio padrão de rolamento, mas apenas em uma coluna. Como obtenho Python Pandas para calcular um desvio padrão rotativo nas colunas 'High', 'Low', 'Open' e 'Close' por 20 períodos?
Você pode chamar o rolling_std no DataFrame inteiro ou no subconjunto:
technical_indicators 0.0.16.
Este módulo fornece alguns indicadores técnicos para a análise de estoques.
Este módulo fornece alguns indicadores técnicos para a análise de estoques.
Quando eu puder vou adicionar mais.
Se alguém quiser contribuir com um novo código ou correções / sugestões, sinta-se livre.
Índice de Força Relativa (RSI), ROC, envelopes de AM Média Móvel Simples (SMA), Média Móvel Ponderada (WMA), Média Móvel Exponencial (EMA) Bollinger Bands (BB), Largura de Banda do Bollinger,% B.
Requer numpy.
Este módulo foi feito e testado no Windows com o Python 2.7.3 e o numpy 1.6.1.
Bollinger bandas de python
Obter através da App Store Leia esta publicação em nosso aplicativo!
Calculando Bollinger Banda Corretamente
Minha banda de bollinger sai como a abaixo, o que não parece certo. Alguma idéia do que há de errado com o meu código para calcular bandas superiores e inferiores?
Eu obtive meus dados daqui.
cálculo para a banda de bollinger.
Tente traçar a média rolando contra suas cotações para SP e ver se faz sentido. Embora sua linha de código para calcular a média de rolagem esteja correta, pode haver algo errado nos dados transmitidos como entrada.
Acredito que as respostas dadas aqui estão incorretas, pois elas retornam o desvio padrão da amostra, enquanto a medida da população é o cálculo correto para as Bandas de Bollinger. As bandas que usam o cálculo da amostra serão muito largas. Os pandas não parecem permitir a escolha entre os cálculos de amostra e de população para qualquer solução apresentada aqui.
O Numpy permite uma escolha, por isso deve ser usado até que uma solução apropriada de pandas seja apresentada.
John Bollinger, CFA, CMT.
Bem, parece que os pandas me alcançaram. Isso funciona corretamente agora.
Bollinger Band Trading Strategy Backtest em Python.
Então, depois de muito tempo sem postar (sendo super ocupado), eu pensei em escrever um rápido Bollinger Band Trading Strategy Backtest em Python e depois executar algumas otimizações e análises, como fizemos no passado.
É muito fácil e pode ser escrito em apenas algumas linhas de código, e é por isso que eu amo muito o Python & # 8211; muitas coisas podem ser rapidamente prototipadas e testadas para ver se ele ainda retém água sem perder metade da sua vida digitando.
Assim, como alguns de vocês devem saber, o Yahoo Finance retirou sua API de dados financeiros, o que significa que não podemos mais usar o Pandas Datareader para extrair dados financeiros do site do Yahoo Finance. Há rumores de que o Google está puxando o deles também, embora eu ainda não tenha confirmado isso. Por que eles escolheram fazer isso, eu realmente não sei, mas é um pouco trabalhoso, já que muitos dos códigos que eu escrevi anteriormente para este blog não funcionam mais. . Essa é a vida, eu acho & # 8230;
Enfim, para coisas maiores e melhores, # 8211; Ainda podemos usar a incrível API do Quandl Python para extrair os dados necessários!
Agora temos um DataFrame do Pandas com os dados diários do contrato contínuo Dax. Podemos dar uma olhada rápida na estrutura dos dados usando o seguinte:
e nós temos o seguinte:
Então, em seguida, chegamos ao código para criar as próprias bandas de Bollinger:
Vamos traçar o gráfico de preços Dax, juntamente com as bandas de Bollinger superior e inferior que acabamos de criar.
Agora vamos passar para a lógica da estratégia & # 8230;
Portanto, não particularmente grandes retornos em tudo - na verdade bastante abismal!
Vamos tentar subir o tamanho da janela para usar um lookback de 50 dias para os cálculos da banda & # 8230;
Mas primeiro, vamos definir uma estratégia de negociação do Bollinger Band & # 8221; função que podemos facilmente executar de novo e de novo ao variar as entradas:
Ótimo, agora podemos apenas executar um novo backtest de estratégia com uma linha! Vamos usar um período de 50 dias para os cálculos da banda & # 8230;
O que deve nos dar uma boa aparência:
Bem, esses retornos são pelo menos melhores do que o back-test anterior, embora definitivamente ainda não seja ótimo.
Se quisermos ter uma idéia rápida de se há períodos de lookback que criem um retorno positivo, podemos configurar rapidamente alguns vetores para manter uma série de períodos diários e desvios padrão, e então apenas a força bruta e # 8221; nosso caminho através de uma série de backtests que itera sobre os dois vetores, como segue & # 8230;
Isso nos dá o seguinte enredo no final:
Concedidos neste ponto, não podemos ter certeza exatamente qual combinação de desvios padrão e períodos de retrospectiva diários produzem os resultados mostrados no gráfico acima, no entanto, o fato de que existem apenas algumas curvas de patrimônio líquido que terminam em território positivo. sugeriria para mim que isso pode não ser uma ótima estratégia para buscar o Dax pelo menos. Isso não quer dizer que as bandas de Bollinger não são úteis, apenas que usado de uma forma tão simples como descrito na estratégia acima provavelmente não vai lhe fornecer qualquer tipo de real & # 8220; edge & # 8221 ;.
Oh bem ... talvez nós possamos encontrar algo melhor da próxima vez.
15 Comentários.
Eu gosto da sua explicação. É uma pena que esta estratégia não forneça bons retornos. Continue procurando 🙂
Obrigado! Vou continuar a busca eterna por essa estratégia vencedora & # 8221; 😉
Ei obrigado por seus posts, espero que você os mantenha chegando. Estes são ótimos!
Obrigado pelo comentário! Também & # 8211; Respondi ao seu outro comentário sobre a execução de código usando dados armazenados localmente no seu computador, mas não recebi resposta de você. Estou feliz em tentar ajudá-lo a refatorar o código para usar dados mantidos localmente & # 8211; Eu só preciso saber um pouco mais sobre o formato em que ele está armazenado.
Olá senhor! Eu tenho uma pergunta sobre como você baixar os dados Dax. O que authtoken = & # 8221; 5GGEggAyyGa6_mVsKrxZ & # 8221; significar?? É um site? Além disso, se eu quiser obter os dados de uma determinada ação, como a Apple, qual será o código correspondente? Agradeço antecipadamente!
O & # 8220; authtoken & # 8221; é algo que é usado ao baixar dados da API do Quandl.
Os pandas corrigiram seu DataReader para que o Yahoo Finance API possa ser usado novamente agora & # 8211; Portanto, a solução mais simples para o seu problema é usar algo no seguinte formato:
de dados de importação de pandas_datareader, wb.
Isso fará com que os dados do índice de caixa Dax entre essas duas datas alterem as datas conforme necessário. espero que ajude!
Ei! Obrigado por estas mensagens. Realmente apreciá-los. Não deveria ser: df [& # 8216; Strategy Return & # 8217;] = df [& # 8216; Market Return & # 8217;] * df [& # 82161; Posição & # 8217;]. Shift (1) para estar correto?
Oi Aleksander & # 8211; Eu acho que você está de fato correto; porque estamos usando o preço de liquidação para determinar se as bandas de bollinger foram atingidas, a posição determinada no dia anterior será a posição que afeta os retornos do dia seguinte. Então, em suma, sim, eu acho que você está correto. Vou mudar o código quando tiver um momento. Bem manchado & # 8211; obrigado por isso!
Muito obrigado por isso. Ajuda iniciantes como eu a levar isso para vários outros domínios, como Criptomoedas. Continue postando este ótimo conteúdo! Muito útil para ver como o Python pode testar uma ideia.
Não tem problema, obrigado pelo comentário & # 8211; Eu vou tentar postar um artigo muito em breve nas mesmas linhas, mas desta vez usando o Oscilador Estocástico como um sinal.
Quando você executa uma venda, as linhas seguintes não devem ser preenchidas com 0 depois de -1? Você efetivamente parou de fazer uma perda / ganho então? Se você continuar multiplicando por -1 no meu entendimento, você continuará & # 8216; fazendo uma perda & # 8217; na soma mesmo que você vendeu?
Oi Jed & # 8211; na verdade, essa estratégia funciona com base na suposição de que você é "longo" e "extenso". quando o preço atinge a faixa inferior e vai & # 8220; short & # 8221; quando os preços atingem a faixa superior, em vez de apenas vender sua posição longa quando a faixa superior é atingida. ASSIM, há sempre uma posição sendo mantida, seja ela longa ou curta. Espero que isso explique.
oi obrigado pelo post realmente me ajudou a aprender algoritmo em python de seu site, eu tenho uma pequena pergunta quando é executado um loop para calcular posição minha posição dataframe dosent alterar ele mostrar nenhum como selecionado anteriormente cna você me ajudar neste seria realmente ajuda thx.
Oi Hardik & # 8211; você está usando o código que eu escrevi acima ou você está adaptando e mudando de alguma forma?
Simplesmente Python.
Programação, Python, Automação.
Bandas de Bollinger.
Análise técnica básica de ações com python.
Análises técnicas simples para estoques podem ser realizadas usando o módulo python pandas com display gráfico. Exemplo de análise básica incluindo médias móveis simples, Divergência de Convergência Média Móvel (MACD) e bandas e largura de Bollinger.
Para que a análise técnica seja realizada, os preços diários precisam ser coletados para cada ação. A API do Yahoo Finance pode recuperar os dados necessários. O post anterior descreveu o método para vincular a API do YF ao python. Depois que os preços históricos são recuperados, o método para obter as várias análises técnicas pode ser feito facilmente usando o método de média móvel Pandas e os gráficos podem ser feitos usando a função de plotagem Pandas e ajuda adicional do Matplotlib.
Abaixo está o trecho do script que inicializa os dados históricos e exibe as Bandas de Bollinger e a Largura de Bollinger para um estoque específico (Keppel Corp: BN4.SI).
Categorias.
Serviços de programação.
Julho 2017 (1) junho 2017 (1) fevereiro 2017 (1) dezembro 2016 (2) novembro 2016 (1) setembro 2016 (1) julho 2016 (1) março 2016 (1) fevereiro 2016 (1) janeiro 2016 (1) Dezembro de 2015 (1) setembro de 2015 (1) agosto de 2015 (2) julho de 2015 (1) maio de 2015 (2) abril de 2015 (1) março de 2015 (3) fevereiro de 2015 (3) janeiro de 2015 (3) dezembro de 2014 (2) Novembro de 2014 (2) outubro de 2014 (4) setembro de 2014 (3) agosto de 2014 (5) julho de 2014 (5) junho de 2014 (2) maio de 2014 (2) abril de 2014 (5) março de 2014 (3)
Blogs que eu sigo.
Tweets recentes.
Meu link do Github.
Postagens recentes.
Analisando o conjunto de dados da Iris com o Scikit-learn 22 de julho de 2017 Instalando o XGBoost no Windows 20 de junho de 2017 Criar notificações detalhadas do trem 6 de fevereiro de 2017 Raspando preços de casas usando o Python Scrapy Part 2 12 de dezembro de 2016 Automatizando o Planilhas Google com o Python 6 de dezembro de 2016.
Top Posts & amp; Páginas.
Links Pessoais.
Categorias.
Exemplos de codificação para análise quantitativa de dados ambientais e simulação.
Uma seleção diária do melhor conteúdo publicado no WordPress, coletado para você por humanos que gostam de ler.
explore big data, análise de dados e aprendizado de máquina.
Random Little Soft / Hard Stuff.
Seja preguiçoso, codifique menos, vá verde.
Blog de arte generativa para dots2art julienleonard.
Ciência de Dados, Machine Learning, CS Theory, Systems & amp; Rede.
Construa indicadores técnicos em Python.
O Indicador Técnico é essencialmente uma representação matemática baseada em conjuntos de dados como preço (alto, baixo, aberto, próximo, etc.) ou volume de uma segurança para prever tendências de preço. Existem vários tipos de indicadores técnicos que são usados para analisar e detectar a direção do movimento do preço. Os traders os usam para estudar o movimento de preços de curto prazo, uma vez que não se mostram muito úteis para investidores de longo prazo. Eles são empregados principalmente para prever os níveis futuros de preços.
Os indicadores técnicos não seguem um padrão geral, ou seja, eles se comportam de maneira diferente em cada segurança. O que pode ser um bom indicador para uma determinada segurança, pode não sustentar o caso da outra. Assim, usando um.
Como essas análises podem ser feitas em python, um trecho de código também é inserido junto com a descrição dos indicadores. Gráficos de exemplo com exemplos também são acrescentados para maior clareza.
Índice de Canal de Commodity (CCI)
O índice do canal de mercadorias (CCI) é um oscilador que foi originalmente introduzido por Donald Lambert em 1980. O CCI pode ser usado para identificar retornos cíclicos em classes de ativos, sejam commodities, índices, ações ou ETFs. A CCI também é usada pelos comerciantes para identificar os níveis de sobrecompra / sobrevenda de títulos.
Estimativa.
O CCI analisa a relação entre preço e média móvel. As etapas envolvidas na estimativa do CCI incluem:
Computando o preço típico para a segurança. O preço típico é obtido pela média do preço alto, baixo e próximo do dia. Encontrar a média móvel para o número de dias escolhido com base no preço típico. Calculando o desvio padrão para o mesmo período usado para o MA.
A fórmula para o CCI é dada por:
O índice é dimensionado por um fator inverso de 0,015 para fornecer números mais legíveis.
O CCI pode ser usado para determinar os níveis de sobrecompra e sobrevenda. Leituras acima de +100 podem implicar uma condição de sobrecompra, enquanto leituras abaixo de -100 podem implicar uma condição de sobrevenda. No entanto, deve-se ter cuidado porque uma segurança pode continuar se movendo mais alto depois que o indicador CCI se torna overbought. Da mesma forma, os títulos podem continuar se movendo para baixo após o vencimento do indicador.
Sempre que a segurança estiver nos níveis de sobrecompra / sobrevenda, conforme indicado pelo CCI, há uma boa chance de que o preço verá correções. Assim, um comerciante pode usar esses níveis de sobrecompra / sobrevenda para entrar em posições curtas / longas.
Os comerciantes também podem procurar sinais de divergência para tomar posições adequadas usando o CCI. Uma divergência de alta ocorre quando o título subjacente faz uma baixa mais baixa e o CCI forma uma baixa mais alta, o que mostra menos momento de queda. Da mesma forma, uma divergência de baixa é formada quando a segurança registra uma alta mais alta e o CCI forma uma alta mais baixa, o que mostra menor momento de alta.
Código Python para calcular o Índice de Canal de Commodity.
No código abaixo, usamos as funções Series, rolling_mean, rolling_std e join para calcular o Índice de Canal de Commodity. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função rolling_std calcula o desvio padrão com base no preço fornecido. A função de junção une uma determinada série com uma série especificada / dataframe.
Também plotamos a série NSE Price e os valores do Índice de Canal de Commodities (CCI) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama faz o gráfico da série de preços NSE, enquanto a segunda subtrama registra os valores de CCI.
Facilidade de Movimento (EVM)
Facilidade de Movimento (EMV) é um oscilador baseado em volume que foi desenvolvido por Richard Arms. O EVM indica a facilidade com que os preços sobem ou descem, tendo em conta o volume da garantia. Por exemplo, um aumento de preços em um volume baixo significa que os preços avançaram com relativa facilidade, e houve pouca pressão de venda. Valores de EVM positivos indicam que o mercado está subindo com facilidade, enquanto valores negativos indicam um declínio fácil.
Estimativa.
Para calcular o EMV, calculamos primeiro a distância movida. É dado por:
Em seguida, calculamos a taxa Box, que usa o volume e o intervalo alto-baixo:
Para calcular o EMV de período n, tomamos a média móvel simples do período n do EMV de 1 período.
A facilidade de movimento (EMV) pode ser usada para confirmar uma tendência de alta ou baixa. Uma facilidade de movimento positiva sustentada juntamente com um mercado em alta confirma uma tendência de alta, enquanto os valores negativos de Facilidade de Movimento com a queda dos preços confirmam uma tendência de baixa. Além de usar como um indicador independente, Facilidade de Movimento (EMV) também é usado com outros indicadores na análise de gráficos.
Código Python para calcular a facilidade de movimento (EMV)
Exemplo de código: 14 dias de facilidade de movimento (EMV) para AAPL.
No código abaixo, usamos as funções Series, rolling_mean, shift e join para calcular o indicador de Facilidade de Movimento (EMV). A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função shift é usada para buscar o preço alto e baixo do dia anterior. A função de junção une uma determinada série com uma série especificada / dataframe.
Nós também plotamos a série de Preços AAPL e os valores de Facilidade de Movimento (EVM) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama faz o gráfico da série de preços AAPL, enquanto a segunda subtrama registra os valores de EVM.
Média móvel (MA)
A média móvel é um dos indicadores técnicos mais utilizados. Ele é usado junto com outros indicadores técnicos ou pode formar o bloco de construção para o cálculo de outros indicadores técnicos.
Uma "média móvel" é a média dos preços dos ativos em relação ao número "x" de dias / semanas. O termo "em movimento" é usado porque o grupo de dados avança a cada novo dia de negociação. Para cada novo dia, incluímos o preço desse dia e excluímos o preço do primeiro dia na sequência de dados.
As médias móveis mais utilizadas são as médias móveis de 5 dias, 10 dias, 20 dias, 50 dias e 200 dias.
Estimativa.
Existem diferentes tipos de médias móveis usadas para análise, média móvel simples (SMA), média móvel ponderada (WMA) e média móvel exponencial (EMA).
Para computar uma SMA de 20 dias, tomamos a soma dos preços em 20 dias e dividimos por 20. Para chegar ao próximo ponto de dados para a SMA de 20 dias, incluímos o preço do próximo dia de negociação, excluindo o preço. do primeiro dia de negociação. Desta forma, o grupo de dados avança.
O SMA atribui pesos iguais a cada ponto de preço no grupo. Quando calculamos um WMA de 20 dias, atribuímos pesos variáveis a cada preço. O último preço, ou seja, o preço do 20º dia obtém o maior peso, enquanto o primeiro preço obtém o menor peso. Essa soma é então dividida pela soma dos pesos usados.
Para calcular o EMA de 20 dias, primeiro calculamos o primeiro valor de EMA usando uma média móvel simples. Em seguida, calculamos o multiplicador e, a partir daí, calculamos o segundo valor de EMA que usamos o multiplicador e o EMA do dia anterior. Essa fórmula é usada para calcular os valores de EMA subsequentes.
A média móvel informa se uma tendência começou, terminou ou foi revertida. A média dos preços produz uma linha mais suave que facilita a identificação da tendência subjacente. No entanto, a média móvel fica abaixo da ação do mercado.
Uma média móvel mais curta é mais sensível que uma média móvel mais longa. No entanto, é propenso a gerar sinais de negociação falsos.
Usando uma única Média Móvel - Uma única média móvel pode ser usada para gerar sinais de negociação. Quando o preço de fechamento se move acima da média móvel, um sinal de compra é gerado e vice-versa. Quando se utiliza uma única média móvel, deve-se selecionar o período da média de tal forma que seja sensível ao gerar sinais de negociação e, ao mesmo tempo, insensível a emitir sinais falsos.
Usando duas médias móveis - Usar uma única média móvel pode ser desvantajoso. Por isso, muitos comerciantes usam duas médias móveis para gerar sinais. Nesse caso, um sinal de compra é gerado quando a média mais curta cruza acima da média mais longa. Da mesma forma, uma venda é gerada quando a menor cruza abaixo da média mais longa. Usando duas médias móveis reduz os sinais falsos que são mais prováveis ao usar uma única média móvel.
Os traders também usam três médias móveis, como o sistema de média móvel de 5, 10 e 20 dias amplamente utilizado nos mercados de commodities.
Código Python para computação de médias móveis para NIFTY.
No código abaixo, usamos as funções Series, rolling mean e join para criar as funções SMA e EWMA. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função de junção une uma determinada série com uma série especificada / dataframe.
Também plotamos a série de preços NIFTY, SMA de 50 dias e EWMA de 200 dias.
Taxa de variação (ROC)
A taxa de variação (ROC) é um indicador técnico que mede a variação percentual entre o preço mais recente e o preço & # 8220; n & # 8221; dias atrás. O indicador flutua em torno da linha zero.
Se o ROC está subindo, ele dá um sinal de alta, enquanto um ROC em queda dá um sinal de baixa. Pode-se calcular o ROC com base em diferentes períodos para medir o momentum de curto prazo ou o momentum de longo prazo.
Estimativa.
Código Python para calcular taxa de variação (ROC)
Exemplo de código: Taxa de alteração de 5 dias (ROC) para NIFTY.
No código abaixo, usamos as funções Series, diff, shift e join para calcular a taxa de variação (ROC). A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença de preços entre o preço do dia atual e o preço "n" do dia anterior. A função shift é usada para buscar o preço do dia anterior de "n". A função de junção une uma determinada série com uma série especificada / dataframe.
Nós também plotamos a série NIFTY Price e os valores de Rate of Change (ROC) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama representa a série de preços NIFTY, enquanto a segunda subtrama registra os valores da ROC.
Bandas de Bollinger.
O conceito de bandas de Bollinger foi desenvolvido por John Bollinger. Essas bandas compreendem uma banda de Bollinger superior e uma banda de Bollinger inferior e são colocadas dois desvios padrão acima e abaixo de uma média móvel.
As bandas de Bollinger expandem e contratam com base na volatilidade. Durante um período de crescente volatilidade, as bandas se ampliam e elas se contraem conforme a volatilidade diminui. Os preços são considerados relativamente altos quando se movem acima da faixa superior e relativamente baixos quando vão abaixo da faixa inferior.
Para criar as bandas, primeiro calculamos o SMA e usamos isso para calcular os valores das bandas.
Para usar bandas de Bollinger para gerar sinais, uma abordagem simples seria usar as bandas superior e inferior como as metas de preço. Se o preço rebate a faixa inferior e cruza a linha da média móvel, a faixa superior se torna a meta de preço superior.
No caso de um cruzamento do preço abaixo da linha da média móvel, a faixa inferior torna-se o preço alvo descendente.
Código Python para computação de Bollinger Bands para NIFTY.
No código abaixo, rolando a função para criar a função de banda Bollinger. Os métodos de média e desvio padrão são usados para calcular essas métricas respectivas usando o preço de fechamento. Depois de computarmos a média e o desvio padrão, calculamos a banda de Bollinger superior e a banda de Bollinger inferior. A função de banda do Bollinger é chamada nos dados do preço NIFTY usando a janela média móvel de 50 dias.
Índice de força.
O índice de força foi criado por Alexander Elder. O índice de força leva em conta a direção do preço da ação, a extensão do movimento do preço da ação e o volume. Usando esses três elementos, forma um oscilador que mede a pressão de compra e venda.
Cada um desses três fatores desempenha um papel importante na determinação do índice de força. Por exemplo, um grande avanço nos preços, que é dado pela extensão do movimento dos preços, mostra uma forte pressão de compra. Um grande declínio no volume pesado indica uma forte pressão de venda.
Estimativa.
Exemplo: índice de força de computação (1) e período de índice de força (15).
O índice de força para o período de 15 dias é uma média móvel exponencial do índice de força de 1 período.
O Force Index pode ser usado para determinar ou confirmar a tendência, identificar correções e prever reversões com divergências. Um índice de força mais curto é usado para determinar a tendência de curto prazo, enquanto um índice de força mais longo, por exemplo, um índice de força de 100 dias, pode ser usado para determinar a tendência de longo prazo dos preços.
Um índice de força também pode ser usado para identificar correções em uma determinada tendência. Para fazer isso, ele pode ser usado em conjunto com um indicador de tendência seguinte. Por exemplo, pode-se usar uma MME de 22 dias para tendência e um índice de força de 2 dias para identificar correções na tendência.
Código Python para calcular o índice de força para o estoque da Apple Inc. (AAPL).
No código abaixo, usamos as funções Series, diff e join para calcular o índice de força. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença entre o ponto de dados atual e o ponto de dados “n” períodos / dias de intervalo. A função de junção une uma determinada série com uma série especificada / dataframe.
Se você está procurando mais informações sobre bibliotecas Python para a Algo Trading, confira nossa postagem no blog. Se você é um programador ou um profissional de tecnologia buscando aprender negociações automatizadas com especialistas como o Dr. Yves Hilpisch, dê uma olhada no nosso curso Executive Program em Algorithmic Trading (EPAT).
Posts Relacionados:
9 thoughts on “Construa Indicadores Técnicos em Python”
Use o artigo ful. Também seria útil se você pudesse escrever uma artilharia que combina os vários indicadores técnicos em um programa. Por exemplo, compre se houver uma quebra de preço de uma faixa de negociação de três semanas e também houver uma expansão nos volumes e o RSI de 14 dias estiver dando sinais positivos.
Boa postagem & # 8230; Você também pode fornecer algumas estratégias de negociação para o mesmo?
os indicadores técnicos são uma boa maneira de estimar o movimento dos preços. você também pode postar algo em despesas? eles são um tópico muito interessante para estudar e prever.
Muito obrigado,
Algumas correções no código & # 8230 ;.
importar pandas como pd.
#import pandas. io. data como web.
Em vez de pandas. io. data, você precisará primeiro instalar o pandas. datareader.
import pandas_datareader. data como web.
import matplotlib. pyplot como plt.
Com o Pandas 0.18.0, as funções de janela foram refatoradas para serem métodos em objetos Series / DataFrame.
pd. rolling_mean está obsoleto para o DataFrame e será removido em uma versão futura, substitua por DataFrame. rolling (window = 3, center = False).mean ()
Portanto, a função CCI pode ser alterada para.
def CCI (data, ndays):
CCI = pd. Series ((TP & # 8211; TP. rolling (janela = n dias, centro = Falso).mean ()) / (0.015 * TP. rolling (window = ndays, centro = False).std ()) , name = & # 8216; CCI & # 8217;)
Também para a última parte do matplotlib, adicionamos as seguintes linhas para mostrar o gráfico.
Vai trabalhar no resto dos indicadores técnicos e pode enviar o código para você no email, se aceitável.
28 de fevereiro de 2017.
OI Sean, agradeço o seu post. Muito útil. Você pode postar seu código atualizado?
Artigo muito informativo. Mas copiar e colar é um pouco difícil. Eu adicionei este notebook & # 8230;
7 de setembro de 2017.
Um artigo muito bom, mas a minha pergunta é onde obtenho código python para os outros indicadores técnicos? Eu gostaria do conjunto completo de indicadores técnicos em código python.
12 de setembro de 2017.
A melhor maneira será construir os indicadores necessários. Obrigado por gostar do artigo.
Obter através da App Store Leia esta publicação em nosso aplicativo!
Calculando Bollinger Banda Corretamente
Minha banda de bollinger sai como a abaixo, o que não parece certo. Alguma idéia do que há de errado com o meu código para calcular bandas superiores e inferiores?
Eu obtive meus dados daqui.
cálculo para a banda de bollinger.
Tente traçar a média rolando contra suas cotações para SP e ver se faz sentido. Embora sua linha de código para calcular a média de rolagem esteja correta, pode haver algo errado nos dados transmitidos como entrada.
Acredito que as respostas dadas aqui estão incorretas, pois elas retornam o desvio padrão da amostra, enquanto a medida da população é o cálculo correto para as Bandas de Bollinger. As bandas que usam o cálculo da amostra serão muito largas. Os pandas não parecem permitir a escolha entre os cálculos de amostra e de população para qualquer solução apresentada aqui.
O Numpy permite uma escolha, por isso deve ser usado até que uma solução apropriada de pandas seja apresentada.
John Bollinger, CFA, CMT.
Bem, parece que os pandas me alcançaram. Isso funciona corretamente agora.
Bollinger Band Trading Strategy Backtest em Python.
Então, depois de muito tempo sem postar (sendo super ocupado), eu pensei em escrever um rápido Bollinger Band Trading Strategy Backtest em Python e depois executar algumas otimizações e análises, como fizemos no passado.
É muito fácil e pode ser escrito em apenas algumas linhas de código, e é por isso que eu amo muito o Python & # 8211; muitas coisas podem ser rapidamente prototipadas e testadas para ver se ele ainda retém água sem perder metade da sua vida digitando.
Assim, como alguns de vocês devem saber, o Yahoo Finance retirou sua API de dados financeiros, o que significa que não podemos mais usar o Pandas Datareader para extrair dados financeiros do site do Yahoo Finance. Há rumores de que o Google está puxando o deles também, embora eu ainda não tenha confirmado isso. Por que eles escolheram fazer isso, eu realmente não sei, mas é um pouco trabalhoso, já que muitos dos códigos que eu escrevi anteriormente para este blog não funcionam mais. . Essa é a vida, eu acho & # 8230;
Enfim, para coisas maiores e melhores, # 8211; Ainda podemos usar a incrível API do Quandl Python para extrair os dados necessários!
Agora temos um DataFrame do Pandas com os dados diários do contrato contínuo Dax. Podemos dar uma olhada rápida na estrutura dos dados usando o seguinte:
e nós temos o seguinte:
Então, em seguida, chegamos ao código para criar as próprias bandas de Bollinger:
Vamos traçar o gráfico de preços Dax, juntamente com as bandas de Bollinger superior e inferior que acabamos de criar.
Agora vamos passar para a lógica da estratégia & # 8230;
Portanto, não particularmente grandes retornos em tudo - na verdade bastante abismal!
Vamos tentar subir o tamanho da janela para usar um lookback de 50 dias para os cálculos da banda & # 8230;
Mas primeiro, vamos definir uma estratégia de negociação do Bollinger Band & # 8221; função que podemos facilmente executar de novo e de novo ao variar as entradas:
Ótimo, agora podemos apenas executar um novo backtest de estratégia com uma linha! Vamos usar um período de 50 dias para os cálculos da banda & # 8230;
O que deve nos dar uma boa aparência:
Bem, esses retornos são pelo menos melhores do que o back-test anterior, embora definitivamente ainda não seja ótimo.
Se quisermos ter uma idéia rápida de se há períodos de lookback que criem um retorno positivo, podemos configurar rapidamente alguns vetores para manter uma série de períodos diários e desvios padrão, e então apenas a força bruta e # 8221; nosso caminho através de uma série de backtests que itera sobre os dois vetores, como segue & # 8230;
Isso nos dá o seguinte enredo no final:
Concedidos neste ponto, não podemos ter certeza exatamente qual combinação de desvios padrão e períodos de retrospectiva diários produzem os resultados mostrados no gráfico acima, no entanto, o fato de que existem apenas algumas curvas de patrimônio líquido que terminam em território positivo. sugeriria para mim que isso pode não ser uma ótima estratégia para buscar o Dax pelo menos. Isso não quer dizer que as bandas de Bollinger não são úteis, apenas que usado de uma forma tão simples como descrito na estratégia acima provavelmente não vai lhe fornecer qualquer tipo de real & # 8220; edge & # 8221 ;.
Oh bem ... talvez nós possamos encontrar algo melhor da próxima vez.
15 Comentários.
Eu gosto da sua explicação. É uma pena que esta estratégia não forneça bons retornos. Continue procurando 🙂
Obrigado! Vou continuar a busca eterna por essa estratégia vencedora & # 8221; 😉
Ei obrigado por seus posts, espero que você os mantenha chegando. Estes são ótimos!
Obrigado pelo comentário! Também & # 8211; Respondi ao seu outro comentário sobre a execução de código usando dados armazenados localmente no seu computador, mas não recebi resposta de você. Estou feliz em tentar ajudá-lo a refatorar o código para usar dados mantidos localmente & # 8211; Eu só preciso saber um pouco mais sobre o formato em que ele está armazenado.
Olá senhor! Eu tenho uma pergunta sobre como você baixar os dados Dax. O que authtoken = & # 8221; 5GGEggAyyGa6_mVsKrxZ & # 8221; significar?? É um site? Além disso, se eu quiser obter os dados de uma determinada ação, como a Apple, qual será o código correspondente? Agradeço antecipadamente!
O & # 8220; authtoken & # 8221; é algo que é usado ao baixar dados da API do Quandl.
Os pandas corrigiram seu DataReader para que o Yahoo Finance API possa ser usado novamente agora & # 8211; Portanto, a solução mais simples para o seu problema é usar algo no seguinte formato:
de dados de importação de pandas_datareader, wb.
Isso fará com que os dados do índice de caixa Dax entre essas duas datas alterem as datas conforme necessário. espero que ajude!
Ei! Obrigado por estas mensagens. Realmente apreciá-los. Não deveria ser: df [& # 8216; Strategy Return & # 8217;] = df [& # 8216; Market Return & # 8217;] * df [& # 82161; Posição & # 8217;]. Shift (1) para estar correto?
Oi Aleksander & # 8211; Eu acho que você está de fato correto; porque estamos usando o preço de liquidação para determinar se as bandas de bollinger foram atingidas, a posição determinada no dia anterior será a posição que afeta os retornos do dia seguinte. Então, em suma, sim, eu acho que você está correto. Vou mudar o código quando tiver um momento. Bem manchado & # 8211; obrigado por isso!
Muito obrigado por isso. Ajuda iniciantes como eu a levar isso para vários outros domínios, como Criptomoedas. Continue postando este ótimo conteúdo! Muito útil para ver como o Python pode testar uma ideia.
Não tem problema, obrigado pelo comentário & # 8211; Eu vou tentar postar um artigo muito em breve nas mesmas linhas, mas desta vez usando o Oscilador Estocástico como um sinal.
Quando você executa uma venda, as linhas seguintes não devem ser preenchidas com 0 depois de -1? Você efetivamente parou de fazer uma perda / ganho então? Se você continuar multiplicando por -1 no meu entendimento, você continuará & # 8216; fazendo uma perda & # 8217; na soma mesmo que você vendeu?
Oi Jed & # 8211; na verdade, essa estratégia funciona com base na suposição de que você é "longo" e "extenso". quando o preço atinge a faixa inferior e vai & # 8220; short & # 8221; quando os preços atingem a faixa superior, em vez de apenas vender sua posição longa quando a faixa superior é atingida. ASSIM, há sempre uma posição sendo mantida, seja ela longa ou curta. Espero que isso explique.
oi obrigado pelo post realmente me ajudou a aprender algoritmo em python de seu site, eu tenho uma pequena pergunta quando é executado um loop para calcular posição minha posição dataframe dosent alterar ele mostrar nenhum como selecionado anteriormente cna você me ajudar neste seria realmente ajuda thx.
Oi Hardik & # 8211; você está usando o código que eu escrevi acima ou você está adaptando e mudando de alguma forma?
Simplesmente Python.
Programação, Python, Automação.
Bandas de Bollinger.
Análise técnica básica de ações com python.
Análises técnicas simples para estoques podem ser realizadas usando o módulo python pandas com display gráfico. Exemplo de análise básica incluindo médias móveis simples, Divergência de Convergência Média Móvel (MACD) e bandas e largura de Bollinger.
Para que a análise técnica seja realizada, os preços diários precisam ser coletados para cada ação. A API do Yahoo Finance pode recuperar os dados necessários. O post anterior descreveu o método para vincular a API do YF ao python. Depois que os preços históricos são recuperados, o método para obter as várias análises técnicas pode ser feito facilmente usando o método de média móvel Pandas e os gráficos podem ser feitos usando a função de plotagem Pandas e ajuda adicional do Matplotlib.
Abaixo está o trecho do script que inicializa os dados históricos e exibe as Bandas de Bollinger e a Largura de Bollinger para um estoque específico (Keppel Corp: BN4.SI).
Categorias.
Serviços de programação.
Julho 2017 (1) junho 2017 (1) fevereiro 2017 (1) dezembro 2016 (2) novembro 2016 (1) setembro 2016 (1) julho 2016 (1) março 2016 (1) fevereiro 2016 (1) janeiro 2016 (1) Dezembro de 2015 (1) setembro de 2015 (1) agosto de 2015 (2) julho de 2015 (1) maio de 2015 (2) abril de 2015 (1) março de 2015 (3) fevereiro de 2015 (3) janeiro de 2015 (3) dezembro de 2014 (2) Novembro de 2014 (2) outubro de 2014 (4) setembro de 2014 (3) agosto de 2014 (5) julho de 2014 (5) junho de 2014 (2) maio de 2014 (2) abril de 2014 (5) março de 2014 (3)
Blogs que eu sigo.
Tweets recentes.
Meu link do Github.
Postagens recentes.
Analisando o conjunto de dados da Iris com o Scikit-learn 22 de julho de 2017 Instalando o XGBoost no Windows 20 de junho de 2017 Criar notificações detalhadas do trem 6 de fevereiro de 2017 Raspando preços de casas usando o Python Scrapy Part 2 12 de dezembro de 2016 Automatizando o Planilhas Google com o Python 6 de dezembro de 2016.
Top Posts & amp; Páginas.
Links Pessoais.
Categorias.
Exemplos de codificação para análise quantitativa de dados ambientais e simulação.
Uma seleção diária do melhor conteúdo publicado no WordPress, coletado para você por humanos que gostam de ler.
explore big data, análise de dados e aprendizado de máquina.
Random Little Soft / Hard Stuff.
Seja preguiçoso, codifique menos, vá verde.
Blog de arte generativa para dots2art julienleonard.
Ciência de Dados, Machine Learning, CS Theory, Systems & amp; Rede.
Construa indicadores técnicos em Python.
O Indicador Técnico é essencialmente uma representação matemática baseada em conjuntos de dados como preço (alto, baixo, aberto, próximo, etc.) ou volume de uma segurança para prever tendências de preço. Existem vários tipos de indicadores técnicos que são usados para analisar e detectar a direção do movimento do preço. Os traders os usam para estudar o movimento de preços de curto prazo, uma vez que não se mostram muito úteis para investidores de longo prazo. Eles são empregados principalmente para prever os níveis futuros de preços.
Os indicadores técnicos não seguem um padrão geral, ou seja, eles se comportam de maneira diferente em cada segurança. O que pode ser um bom indicador para uma determinada segurança, pode não sustentar o caso da outra. Assim, usando um.
Como essas análises podem ser feitas em python, um trecho de código também é inserido junto com a descrição dos indicadores. Gráficos de exemplo com exemplos também são acrescentados para maior clareza.
Índice de Canal de Commodity (CCI)
O índice do canal de mercadorias (CCI) é um oscilador que foi originalmente introduzido por Donald Lambert em 1980. O CCI pode ser usado para identificar retornos cíclicos em classes de ativos, sejam commodities, índices, ações ou ETFs. A CCI também é usada pelos comerciantes para identificar os níveis de sobrecompra / sobrevenda de títulos.
Estimativa.
O CCI analisa a relação entre preço e média móvel. As etapas envolvidas na estimativa do CCI incluem:
Computando o preço típico para a segurança. O preço típico é obtido pela média do preço alto, baixo e próximo do dia. Encontrar a média móvel para o número de dias escolhido com base no preço típico. Calculando o desvio padrão para o mesmo período usado para o MA.
A fórmula para o CCI é dada por:
O índice é dimensionado por um fator inverso de 0,015 para fornecer números mais legíveis.
O CCI pode ser usado para determinar os níveis de sobrecompra e sobrevenda. Leituras acima de +100 podem implicar uma condição de sobrecompra, enquanto leituras abaixo de -100 podem implicar uma condição de sobrevenda. No entanto, deve-se ter cuidado porque uma segurança pode continuar se movendo mais alto depois que o indicador CCI se torna overbought. Da mesma forma, os títulos podem continuar se movendo para baixo após o vencimento do indicador.
Sempre que a segurança estiver nos níveis de sobrecompra / sobrevenda, conforme indicado pelo CCI, há uma boa chance de que o preço verá correções. Assim, um comerciante pode usar esses níveis de sobrecompra / sobrevenda para entrar em posições curtas / longas.
Os comerciantes também podem procurar sinais de divergência para tomar posições adequadas usando o CCI. Uma divergência de alta ocorre quando o título subjacente faz uma baixa mais baixa e o CCI forma uma baixa mais alta, o que mostra menos momento de queda. Da mesma forma, uma divergência de baixa é formada quando a segurança registra uma alta mais alta e o CCI forma uma alta mais baixa, o que mostra menor momento de alta.
Código Python para calcular o Índice de Canal de Commodity.
No código abaixo, usamos as funções Series, rolling_mean, rolling_std e join para calcular o Índice de Canal de Commodity. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função rolling_std calcula o desvio padrão com base no preço fornecido. A função de junção une uma determinada série com uma série especificada / dataframe.
Também plotamos a série NSE Price e os valores do Índice de Canal de Commodities (CCI) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama faz o gráfico da série de preços NSE, enquanto a segunda subtrama registra os valores de CCI.
Facilidade de Movimento (EVM)
Facilidade de Movimento (EMV) é um oscilador baseado em volume que foi desenvolvido por Richard Arms. O EVM indica a facilidade com que os preços sobem ou descem, tendo em conta o volume da garantia. Por exemplo, um aumento de preços em um volume baixo significa que os preços avançaram com relativa facilidade, e houve pouca pressão de venda. Valores de EVM positivos indicam que o mercado está subindo com facilidade, enquanto valores negativos indicam um declínio fácil.
Estimativa.
Para calcular o EMV, calculamos primeiro a distância movida. É dado por:
Em seguida, calculamos a taxa Box, que usa o volume e o intervalo alto-baixo:
Para calcular o EMV de período n, tomamos a média móvel simples do período n do EMV de 1 período.
A facilidade de movimento (EMV) pode ser usada para confirmar uma tendência de alta ou baixa. Uma facilidade de movimento positiva sustentada juntamente com um mercado em alta confirma uma tendência de alta, enquanto os valores negativos de Facilidade de Movimento com a queda dos preços confirmam uma tendência de baixa. Além de usar como um indicador independente, Facilidade de Movimento (EMV) também é usado com outros indicadores na análise de gráficos.
Código Python para calcular a facilidade de movimento (EMV)
Exemplo de código: 14 dias de facilidade de movimento (EMV) para AAPL.
No código abaixo, usamos as funções Series, rolling_mean, shift e join para calcular o indicador de Facilidade de Movimento (EMV). A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função shift é usada para buscar o preço alto e baixo do dia anterior. A função de junção une uma determinada série com uma série especificada / dataframe.
Nós também plotamos a série de Preços AAPL e os valores de Facilidade de Movimento (EVM) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama faz o gráfico da série de preços AAPL, enquanto a segunda subtrama registra os valores de EVM.
Média móvel (MA)
A média móvel é um dos indicadores técnicos mais utilizados. Ele é usado junto com outros indicadores técnicos ou pode formar o bloco de construção para o cálculo de outros indicadores técnicos.
Uma "média móvel" é a média dos preços dos ativos em relação ao número "x" de dias / semanas. O termo "em movimento" é usado porque o grupo de dados avança a cada novo dia de negociação. Para cada novo dia, incluímos o preço desse dia e excluímos o preço do primeiro dia na sequência de dados.
As médias móveis mais utilizadas são as médias móveis de 5 dias, 10 dias, 20 dias, 50 dias e 200 dias.
Estimativa.
Existem diferentes tipos de médias móveis usadas para análise, média móvel simples (SMA), média móvel ponderada (WMA) e média móvel exponencial (EMA).
Para computar uma SMA de 20 dias, tomamos a soma dos preços em 20 dias e dividimos por 20. Para chegar ao próximo ponto de dados para a SMA de 20 dias, incluímos o preço do próximo dia de negociação, excluindo o preço. do primeiro dia de negociação. Desta forma, o grupo de dados avança.
O SMA atribui pesos iguais a cada ponto de preço no grupo. Quando calculamos um WMA de 20 dias, atribuímos pesos variáveis a cada preço. O último preço, ou seja, o preço do 20º dia obtém o maior peso, enquanto o primeiro preço obtém o menor peso. Essa soma é então dividida pela soma dos pesos usados.
Para calcular o EMA de 20 dias, primeiro calculamos o primeiro valor de EMA usando uma média móvel simples. Em seguida, calculamos o multiplicador e, a partir daí, calculamos o segundo valor de EMA que usamos o multiplicador e o EMA do dia anterior. Essa fórmula é usada para calcular os valores de EMA subsequentes.
A média móvel informa se uma tendência começou, terminou ou foi revertida. A média dos preços produz uma linha mais suave que facilita a identificação da tendência subjacente. No entanto, a média móvel fica abaixo da ação do mercado.
Uma média móvel mais curta é mais sensível que uma média móvel mais longa. No entanto, é propenso a gerar sinais de negociação falsos.
Usando uma única Média Móvel - Uma única média móvel pode ser usada para gerar sinais de negociação. Quando o preço de fechamento se move acima da média móvel, um sinal de compra é gerado e vice-versa. Quando se utiliza uma única média móvel, deve-se selecionar o período da média de tal forma que seja sensível ao gerar sinais de negociação e, ao mesmo tempo, insensível a emitir sinais falsos.
Usando duas médias móveis - Usar uma única média móvel pode ser desvantajoso. Por isso, muitos comerciantes usam duas médias móveis para gerar sinais. Nesse caso, um sinal de compra é gerado quando a média mais curta cruza acima da média mais longa. Da mesma forma, uma venda é gerada quando a menor cruza abaixo da média mais longa. Usando duas médias móveis reduz os sinais falsos que são mais prováveis ao usar uma única média móvel.
Os traders também usam três médias móveis, como o sistema de média móvel de 5, 10 e 20 dias amplamente utilizado nos mercados de commodities.
Código Python para computação de médias móveis para NIFTY.
No código abaixo, usamos as funções Series, rolling mean e join para criar as funções SMA e EWMA. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função rolling_mean usa uma série temporal ou um quadro de dados juntamente com o número de períodos e calcula a média. A função de junção une uma determinada série com uma série especificada / dataframe.
Também plotamos a série de preços NIFTY, SMA de 50 dias e EWMA de 200 dias.
Taxa de variação (ROC)
A taxa de variação (ROC) é um indicador técnico que mede a variação percentual entre o preço mais recente e o preço & # 8220; n & # 8221; dias atrás. O indicador flutua em torno da linha zero.
Se o ROC está subindo, ele dá um sinal de alta, enquanto um ROC em queda dá um sinal de baixa. Pode-se calcular o ROC com base em diferentes períodos para medir o momentum de curto prazo ou o momentum de longo prazo.
Estimativa.
Código Python para calcular taxa de variação (ROC)
Exemplo de código: Taxa de alteração de 5 dias (ROC) para NIFTY.
No código abaixo, usamos as funções Series, diff, shift e join para calcular a taxa de variação (ROC). A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença de preços entre o preço do dia atual e o preço "n" do dia anterior. A função shift é usada para buscar o preço do dia anterior de "n". A função de junção une uma determinada série com uma série especificada / dataframe.
Nós também plotamos a série NIFTY Price e os valores de Rate of Change (ROC) abaixo do gráfico de preços. Primeiro criamos uma figura vazia usando a função plt. figure e depois criamos duas subtramas. A primeira subtrama representa a série de preços NIFTY, enquanto a segunda subtrama registra os valores da ROC.
Bandas de Bollinger.
O conceito de bandas de Bollinger foi desenvolvido por John Bollinger. Essas bandas compreendem uma banda de Bollinger superior e uma banda de Bollinger inferior e são colocadas dois desvios padrão acima e abaixo de uma média móvel.
As bandas de Bollinger expandem e contratam com base na volatilidade. Durante um período de crescente volatilidade, as bandas se ampliam e elas se contraem conforme a volatilidade diminui. Os preços são considerados relativamente altos quando se movem acima da faixa superior e relativamente baixos quando vão abaixo da faixa inferior.
Para criar as bandas, primeiro calculamos o SMA e usamos isso para calcular os valores das bandas.
Para usar bandas de Bollinger para gerar sinais, uma abordagem simples seria usar as bandas superior e inferior como as metas de preço. Se o preço rebate a faixa inferior e cruza a linha da média móvel, a faixa superior se torna a meta de preço superior.
No caso de um cruzamento do preço abaixo da linha da média móvel, a faixa inferior torna-se o preço alvo descendente.
Código Python para computação de Bollinger Bands para NIFTY.
No código abaixo, rolando a função para criar a função de banda Bollinger. Os métodos de média e desvio padrão são usados para calcular essas métricas respectivas usando o preço de fechamento. Depois de computarmos a média e o desvio padrão, calculamos a banda de Bollinger superior e a banda de Bollinger inferior. A função de banda do Bollinger é chamada nos dados do preço NIFTY usando a janela média móvel de 50 dias.
Índice de força.
O índice de força foi criado por Alexander Elder. O índice de força leva em conta a direção do preço da ação, a extensão do movimento do preço da ação e o volume. Usando esses três elementos, forma um oscilador que mede a pressão de compra e venda.
Cada um desses três fatores desempenha um papel importante na determinação do índice de força. Por exemplo, um grande avanço nos preços, que é dado pela extensão do movimento dos preços, mostra uma forte pressão de compra. Um grande declínio no volume pesado indica uma forte pressão de venda.
Estimativa.
Exemplo: índice de força de computação (1) e período de índice de força (15).
O índice de força para o período de 15 dias é uma média móvel exponencial do índice de força de 1 período.
O Force Index pode ser usado para determinar ou confirmar a tendência, identificar correções e prever reversões com divergências. Um índice de força mais curto é usado para determinar a tendência de curto prazo, enquanto um índice de força mais longo, por exemplo, um índice de força de 100 dias, pode ser usado para determinar a tendência de longo prazo dos preços.
Um índice de força também pode ser usado para identificar correções em uma determinada tendência. Para fazer isso, ele pode ser usado em conjunto com um indicador de tendência seguinte. Por exemplo, pode-se usar uma MME de 22 dias para tendência e um índice de força de 2 dias para identificar correções na tendência.
Código Python para calcular o índice de força para o estoque da Apple Inc. (AAPL).
No código abaixo, usamos as funções Series, diff e join para calcular o índice de força. A função de série é usada para formar uma série que é um objeto de matriz unidimensional contendo uma matriz de dados. A função diff calcula a diferença entre o ponto de dados atual e o ponto de dados “n” períodos / dias de intervalo. A função de junção une uma determinada série com uma série especificada / dataframe.
Se você está procurando mais informações sobre bibliotecas Python para a Algo Trading, confira nossa postagem no blog. Se você é um programador ou um profissional de tecnologia buscando aprender negociações automatizadas com especialistas como o Dr. Yves Hilpisch, dê uma olhada no nosso curso Executive Program em Algorithmic Trading (EPAT).
Posts Relacionados:
9 thoughts on “Construa Indicadores Técnicos em Python”
Use o artigo ful. Também seria útil se você pudesse escrever uma artilharia que combina os vários indicadores técnicos em um programa. Por exemplo, compre se houver uma quebra de preço de uma faixa de negociação de três semanas e também houver uma expansão nos volumes e o RSI de 14 dias estiver dando sinais positivos.
Boa postagem & # 8230; Você também pode fornecer algumas estratégias de negociação para o mesmo?
os indicadores técnicos são uma boa maneira de estimar o movimento dos preços. você também pode postar algo em despesas? eles são um tópico muito interessante para estudar e prever.
Muito obrigado,
Algumas correções no código & # 8230 ;.
importar pandas como pd.
#import pandas. io. data como web.
Em vez de pandas. io. data, você precisará primeiro instalar o pandas. datareader.
import pandas_datareader. data como web.
import matplotlib. pyplot como plt.
Com o Pandas 0.18.0, as funções de janela foram refatoradas para serem métodos em objetos Series / DataFrame.
pd. rolling_mean está obsoleto para o DataFrame e será removido em uma versão futura, substitua por DataFrame. rolling (window = 3, center = False).mean ()
Portanto, a função CCI pode ser alterada para.
def CCI (data, ndays):
CCI = pd. Series ((TP & # 8211; TP. rolling (janela = n dias, centro = Falso).mean ()) / (0.015 * TP. rolling (window = ndays, centro = False).std ()) , name = & # 8216; CCI & # 8217;)
Também para a última parte do matplotlib, adicionamos as seguintes linhas para mostrar o gráfico.
Vai trabalhar no resto dos indicadores técnicos e pode enviar o código para você no email, se aceitável.
28 de fevereiro de 2017.
OI Sean, agradeço o seu post. Muito útil. Você pode postar seu código atualizado?
Artigo muito informativo. Mas copiar e colar é um pouco difícil. Eu adicionei este notebook & # 8230;
7 de setembro de 2017.
Um artigo muito bom, mas a minha pergunta é onde obtenho código python para os outros indicadores técnicos? Eu gostaria do conjunto completo de indicadores técnicos em código python.
12 de setembro de 2017.
A melhor maneira será construir os indicadores necessários. Obrigado por gostar do artigo.
Комментариев нет:
Отправить комментарий