网站模板设计师要求,昆明有多少做网站的公司,wordpress文字添加图片,徐州网站建设 和信在阅读本文前#xff0c;可查阅以往文章: 技术指标-ATR
技术指标有几个分支#xff0c;其中趋势指标使用最广泛。这些工具可帮助交易者确定市场趋势的方向和强度#xff0c;使他们能够相应地调整交易。如果趋势指标得到有效应用#xff0c;它们通常会产生积极的结果。
在…在阅读本文前可查阅以往文章: 技术指标-ATR
技术指标有几个分支其中趋势指标使用最广泛。这些工具可帮助交易者确定市场趋势的方向和强度使他们能够相应地调整交易。如果趋势指标得到有效应用它们通常会产生积极的结果。
在本文中将仔细研究最突出的趋势指标之一——平均方向指数 ADX。首先将对 ADX 有一个基本的了解包括其用途和计算。之后将从头开始开发指标并在 Python 中基于它实施交易策略。为了评估策略的有效性将使用 Apple 股票对其进行回溯测试并将其回报与跟踪标准普尔 500 指数的 SPY ETF 的回报进行比较。
平均真实范围 ATR
在深入研究平均方向指数 ADX 之前了解平均真实范围 ATR 至关重要因为它在计算 ADX 中起着关键作用。
ATR 是一种技术指标用于通过确定资产的平均波动量来衡量资产的波动性。它是一个滞后指标这意味着它使用过去的价格数据来计算当前值但无法预测未来价格。然而这种滞后不一定是缺点因为 ATR 旨在更准确地跟踪市场波动。此外ATR 是非方向性的这意味着它的走势独立于市场方向。要计算 ATR请执行以下步骤
计算真实范围 TR真实范围是三个值中的最大值
市场最高价减去市场最低价市场最高价减去前一收盘价前一收盘价减去市场低点这可以表示为 TR MAX[ {HIGH - LOW}, {HIGH - P.CLOSE}, {P.CLOSE - LOW} ]计算 ATR计算 TR 后ATR 是通过取指定周期数的 TR 值的平滑平均值来确定的。虽然最初的 ATR 计算涉及 Wilder Wiles指标的创建者的自定义平滑平均线但也可以使用其他移动平均线例如 SMA 或 EMA。为简单起见本文将使用 14 周期 SMA计算公式如下 ATR 14 SMA 14 [ TR ]尽管 ATR 滞后但它对于跟踪市场波动仍然非常有用。现在我们已经介绍了 ATR让我们继续讨论本文的主要重点平均方向指数 ADX
平均方向指数 ADX
ADX 是一种广泛使用的技术指标用于衡量市场趋势的强度。虽然 ADX 没有指定趋势是看涨还是看跌但它表明该趋势的强度。为了确定趋势方向ADX 与正方向指数 DI 和负方向指数 -DI 配对。顾名思义DI 衡量积极趋势看涨而 -DI 衡量消极趋势看跌。ADX 值通常介于 0 到 100 之间使其成为振荡器。传统的 ADX 设置使用 14 周期回溯。
要使用 14 周期回溯计算 ADX请执行以下步骤
确定正向 DM 和负向移动 -DM DM 计算为当前高点与前期高点之间的差值 -DM 计算为前一个低点与当前低点之间的差值 DM CURRENT HIGH - PREVIOUS HIGH-DM PREVIOUS LOW - CURRENT LOW计算 ATR如上一节所述计算 14 周期 ATR。 计算 DI 和 -DI要找到 DI请将 DM 的 14 周期 EMA 除以 14 周期 ATR然后乘以 100。对于 -DI请使用 -DM 的 14 周期 EMA。这些公式是 DI 14 100 * [ EMA 14 ( DM ) / ATR 14 ]-DI 14 100 * [ EMA 14 ( -DM ) / ATR 14 ]确定方向指数 DI方向指数的计算方法是将 DI 和 -DI 之间的绝对差除以它们的总和然后乘以 100。公式为 DI 14 | (DI 14) - (-DI 14) | / | (DI 14) (-DI 14) | * 100计算 ADXADX 是通过取当前 DI 值和先前 DI 值的加权平均值来计算的。具体来说前一个 DI 乘以 13回溯期减 1并添加到当前 DI 中。公式为 DX 14 [ ( PREV DI 14 * 13 ) DI 14 ] / 14最后使用 Wilder Wiles 设计的自定义移动平均线对 ADX 值进行平滑处理。此平滑过程可确保 ADX 值对于趋势分析是准确且一致的。
交易策略
在本文中将构建一个简单的交叉策略。每当 ADX 线超过 25 且 DI 线高于 -DI 线时该策略就会发出买入信号。相反当 ADX 线越过 25 以上但 -DI 线高于 DI 线时会触发卖出信号。我们交易策略的逻辑可以表示为
IF P.ADX 25 AND C.ADX 25 AND DI LINE - DI LINE BUYIF P.ADX 25 AND C.ADX 25 AND DI LINE - DI LINE SELL将继续在 Python 中从头开始编写 ADX 指标并基于该指标创建交易策略。然后将使用 Apple 股票数据对其进行回溯测试并将该策略的表现与 SPY ETF 进行比较以评估我们的 ADX 交叉策略与基准相比的表现。让我们深入研究编码。
Python 中的实现
步骤 1导入包
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# from termcolor import colored as cl
from math import floor
# from eodhd import APIClient
# Suppress warnings for cleaner output
import warnings
warnings.filterwarnings(ignore)plt.rcParams[figure.figsize] (20,10)
plt.style.use(fivethirtyeight)第 2 步API 密钥激活
api_key YOUR API KEY
client APIClient(api_key)步骤 3提取历史数据
# EXTRACTING HISTORICAL DATAdef get_historical_data(ticker, start_date):json_resp client.get_eod_historical_stock_market_data(symbol ticker, period d, from_date start_date, order a)df pd.DataFrame(json_resp)df df.set_index(date)df.index pd.to_datetime(df.index)return dfdef get_stock_data_csv(filepath):stock pd.read_csv(filepath,parse_dates[Date])stock[Date] pd.to_datetime(stock[Date], utcTrue).dt.tz_localize(None)stock stock.set_index(Date)return stockaapl get_stock_data_csv(./data.csv)
spy get_stock_data_csv(./SPY.csv)
print(aapl.tail())
print(spy.tail())
# aapl get_historical_data(AAPL, 2020-01-01)
# aapl.tail()Open High Low Close Volume \
Date
2024-12-11 05:00:00 247.960007 250.800003 246.259995 246.490005 45205800
2024-12-12 05:00:00 246.889999 248.740005 245.679993 247.960007 32777500
2024-12-13 05:00:00 247.820007 249.289993 246.240005 248.130005 33155300
2024-12-16 05:00:00 247.990005 251.380005 247.649994 251.039993 51694800
2024-12-17 05:00:00 250.080002 253.830002 249.779999 253.479996 51321700 DividendsStockSplits
Date
2024-12-11 05:00:00 0.0 0.0
2024-12-12 05:00:00 0.0 0.0
2024-12-13 05:00:00 0.0 0.0
2024-12-16 05:00:00 0.0 0.0
2024-12-17 05:00:00 0.0 0.0Close Open High Low Vol 涨跌幅
Date
2024-01-16 474.93 475.26 476.61 473.06 85.01M-0.37%
2024-01-12 476.68 477.84 478.60 475.23 58.03M 0.07%
2024-01-11 476.35 477.59 478.12 472.26 77.94M-0.04%
2024-01-10 476.56 474.16 477.45 473.87 67.31M 0.57%
2024-01-09 473.88 471.87 474.93 471.35 65.93M-0.15%第 4 步ADX 计算
计算平均方向指数 ADX 值
def get_adx(high, low, close, lookback):plus_dm high.diff()minus_dm low.diff()plus_dm[plus_dm 0] 0minus_dm[minus_dm 0] 0tr1 pd.DataFrame(high - low)tr2 pd.DataFrame(abs(high - close.shift(1)))tr3 pd.DataFrame(abs(low - close.shift(1)))frames [tr1, tr2, tr3]tr pd.concat(frames, axis 1, join inner).max(axis 1)atr tr.rolling(lookback).mean()plus_di 100 * (plus_dm.ewm(alpha 1/lookback).mean() / atr)minus_di abs(100 * (minus_dm.ewm(alpha 1/lookback).mean() / atr))dx (abs(plus_di - minus_di) / abs(plus_di minus_di)) * 100adx ((dx.shift(1) * (lookback - 1)) dx) / lookbackadx_smooth adx.ewm(alpha 1/lookback).mean()return plus_di, minus_di, adx_smoothaapl[plus_di] pd.DataFrame(get_adx(aapl[High], aapl[Low], aapl[Close], 14)[0]).rename(columns {0:plus_di})
aapl[minus_di] pd.DataFrame(get_adx(aapl[High], aapl[Low], aapl[Close], 14)[1]).rename(columns {0:minus_di})
aapl[adx] pd.DataFrame(get_adx(aapl[High], aapl[Low], aapl[Close], 14)[2]).rename(columns {0:adx})
aapl aapl.dropna()
aapl.tail()Open High Low Close Volume Dividends Stock Splits plus_di minus_di adx Date 2024-12-11 05:00:00 247.960007 250.800003 246.259995 246.490005 45205800 0.0 0.0 39.240212 10.421796 26.914880 2024-12-12 05:00:00 246.889999 248.740005 245.679993 247.960007 32777500 0.0 0.0 37.541729 11.235419 29.116418 2024-12-13 05:00:00 247.820007 249.289993 246.240005 248.130005 33155300 0.0 0.0 35.755395 10.344918 30.894996 2024-12-16 05:00:00 247.990005 251.380005 247.649994 251.039993 51694800 0.0 0.0 37.541790 9.560514 32.647216 2024-12-17 05:00:00 250.080002 253.830002 249.779999 253.479996 51321700 0.0 0.0 38.999477 8.626999 34.580789
首先定义一个名为 get_adx 的函数该函数采用四个参数股票的最高价 high、最低价 low 和收盘价 close 价格以及回溯期 lookback它决定了计算时要考虑的周期数。
plus_dm 计算当前高点和前一高点之间的差值。任何负值都设置为零。minus_dm 计算前一个低点和当前低点之间的差值。任何正值都设置为零真实范围 TR我们计算三个价格差值当前最高价减去最低价绝对最高价减去前一收盘价绝对最低价减去前一收盘价。真实范围 TR 是每个时间段这三个差异中的最大值我们将其存储在 tr 变量中。ATR 计算为指定回溯期内真实范围 tr 的滚动平均值。我们将此值存储在 atr 变量中。方向指数 DX方向指数 DX 衡量 DI 和 -DI 之间的差异。DX 的计算方法是将 DI 和 -DI 之间的绝对差除以它们的总和然后乘以 100。DX 值存储在 dx 变量中。ADX 是使用平滑技术计算的。当前 DX 乘以回溯期之前的 ADX 乘以上一期计数。此平滑的 ADX 存储在 adx_smooth 变量中。
第 5 步ADX 图
将可视化计算出的 Apple AAPL 的 ADX 值以更好地了解趋势强度和方向性运动。这里的主要目标是观察该图以便更好地了解平均方向指数 ADX 以及正方向指标 DI 和负方向指标 -DI 如何随时间变化。
ax1 plt.subplot2grid((11,1), (0,0), rowspan 5, colspan 1)
ax2 plt.subplot2grid((11,1), (6,0), rowspan 5, colspan 1)
ax1.plot(aapl[Close], linewidth 2, color #ff9800)
ax1.set_title(AAPL CLOSING PRICE)
ax2.plot(aapl[plus_di], color #26a69a, label DI 14, linewidth 3, alpha 0.3)
ax2.plot(aapl[minus_di], color #f44336, label - DI 14, linewidth 3, alpha 0.3)
ax2.plot(aapl[adx], color #2196f3, label ADX 14, linewidth 3)
ax2.axhline(25, color grey, linewidth 2, linestyle --)
ax2.legend()
ax2.set_title(AAPL ADX 14)
plt.show()png
上图分为两个部分顶部显示苹果的收盘价而底部显示 ADX 指标的组成部分。在下方面板中与 ADX 一起您将看到一条设置为 25 级别的灰色虚线用作阈值。如前所述ADX 不衡量趋势方向而是衡量趋势的强度。这在图表中很明显因为 ADX 线在市场表现出强劲趋势无论是向上还是向下时上升在市场盘整期间下跌。
这同样适用于方向索引 DI 和 -DI 行。DI 线往往在稳固的上升趋势中上升在市场下跌时下降。相反-DI 线在下降趋势中增加在上升趋势中下降。
ADX 不仅可用于衡量趋势强度;它也是识别区间市场的绝佳工具当一只股票在定义的高点和低点之间波动而没有明显的动量时。当 DI 和 -DI 线靠得更近时市场通常是区间波动的。相反这些线之间的差距越大市场趋势的可能性就越大。对于那些不熟悉 ADX 图表的人来说线条运动和市场方向之间的反比关系最初可能看起来令人困惑。
第 6 步创建交易策略
首先定义函数 implement_adx_strategy它采用四个参数股票价格 prices、正方向指数 pdi、负方向指数 ndi 和平均方向指数 adx。
def implement_adx_strategy(prices, pdi, ndi, adx):buy_price []sell_price []adx_signal []signal 0for i in range(len(prices)):if adx[i-1] 25and adx[i] 25and pdi[i] ndi[i]:if signal ! 1:buy_price.append(prices[i])sell_price.append(np.nan)signal 1adx_signal.append(signal)else:buy_price.append(np.nan)sell_price.append(np.nan)adx_signal.append(0)elif adx[i-1] 25and adx[i] 25and ndi[i] pdi[i]:if signal ! -1:buy_price.append(np.nan)sell_price.append(prices[i])signal -1adx_signal.append(signal)else:buy_price.append(np.nan)sell_price.append(np.nan)adx_signal.append(0)else:buy_price.append(np.nan)sell_price.append(np.nan)adx_signal.append(0)return buy_price, sell_price, adx_signalbuy_price, sell_price, adx_signal implement_adx_strategy(aapl[Close], aapl[plus_di], aapl[minus_di], aapl[adx])第 7 步绘制交易信号
将可视化生成的交易信号以及 Apple 的股票价格和 ADX 值。该图将帮助我们了解触发买入和卖出信号的点以及市场趋势的整体强度。
ax1 plt.subplot2grid((11,1), (0,0), rowspan 5, colspan 1)
ax2 plt.subplot2grid((11,1), (6,0), rowspan 5, colspan 1)
ax1.plot(aapl[Close], linewidth 3, color #ff9800, alpha 0.6)
ax1.set_title(AAPL CLOSING PRICE)
ax1.plot(aapl.index, buy_price, marker ^, color #26a69a, markersize 14, linewidth 0, label BUY SIGNAL)
ax1.plot(aapl.index, sell_price, marker v, color #f44336, markersize 14, linewidth 0, label SELL SIGNAL)
ax2.plot(aapl[plus_di], color #26a69a, label DI 14, linewidth 3, alpha 0.3)
ax2.plot(aapl[minus_di], color #f44336, label - DI 14, linewidth 3, alpha 0.3)
ax2.plot(aapl[adx], color #2196f3, label ADX 14, linewidth 3)
ax2.axhline(25, color grey, linewidth 2, linestyle --)
ax2.legend()
ax2.set_title(AAPL ADX 14)
plt.show()第 8 步创建位置
将创建一个头寸列表该列表根据 ADX 策略生成的买入和卖出信号指示我们是否持有股票用 1 表示或不持有用 0 表示。
position []
for i in range(len(adx_signal)):if adx_signal[i] 1:position.append(0)else:position.append(1)for i in range(len(aapl[Close])):if adx_signal[i] 1:position[i] 1elif adx_signal[i] -1:position[i] 0else:position[i] position[i-1]close_price aapl[Close]
plus_di aapl[plus_di]
minus_di aapl[minus_di]
adx aapl[adx]
adx_signal pd.DataFrame(adx_signal).rename(columns {0:adx_signal}).set_index(aapl.index)
position pd.DataFrame(position).rename(columns {0:adx_position}).set_index(aapl.index)frames [close_price, plus_di, minus_di, adx, adx_signal, position]
strategy pd.concat(frames, join inner, axis 1)strategyClose plus_di minus_di adx adx_signal adx_position Date 2024-01-09 05:00:00 184.237411 13.867265 43.053447 51.275152 0 1 2024-01-10 05:00:00 185.282288 16.287091 37.208587 50.824545 0 1 2024-01-11 05:00:00 184.685211 16.551815 33.924799 46.506508 0 1 2024-01-12 05:00:00 185.013611 15.624095 32.023333 43.140585 0 1 2024-01-16 05:00:00 182.734787 13.298633 40.283191 41.391108 0 1 ... ... ... ... ... ... ... 2024-12-11 05:00:00 246.490005 39.240212 10.421796 26.914880 0 1 2024-12-12 05:00:00 247.960007 37.541729 11.235419 29.116418 0 1 2024-12-13 05:00:00 248.130005 35.755395 10.344918 30.894996 0 1 2024-12-16 05:00:00 251.039993 37.541790 9.560514 32.647216 0 1 2024-12-17 05:00:00 253.479996 38.999477 8.626999 34.580789 0 1
238 rows × 6 columns
第 9 步回测
将使用 Apple AAPL 的历史股票数据为我们的平均方向指数 ADX 交易策略实施回溯测试流程。这将帮助我们评估我们的策略在选定时间段内的表现。让我们继续实施此过程。
aapl_ret pd.DataFrame(np.diff(aapl[Close])).rename(columns {0:returns})
adx_strategy_ret []for i in range(len(aapl_ret)):returns aapl_ret[returns][i]*strategy[adx_position][i]adx_strategy_ret.append(returns)adx_strategy_ret_df pd.DataFrame(adx_strategy_ret).rename(columns {0:adx_returns})
investment_value 100000
adx_investment_ret []for i in range(len(adx_strategy_ret_df[adx_returns])):number_of_stocks floor(investment_value/aapl[Close][i])returns number_of_stocks*adx_strategy_ret_df[adx_returns][i]adx_investment_ret.append(returns)adx_investment_ret_df pd.DataFrame(adx_investment_ret).rename(columns {0:investment_returns})
total_investment_ret round(sum(adx_investment_ret_df[investment_returns]), 2)
profit_percentage floor((total_investment_ret/investment_value)*100)
print(Profit gained from the ADX strategy by investing $100k in AAPL : {}.format(total_investment_ret))
print(Profit percentage of the ADX strategy : {}%.format(profit_percentage))Profit gained from the ADX strategy by investing $100k in AAPL : 29391.81
Profit percentage of the ADX strategy : 29%第 10 步SPY ETF 比较
将使用我们创建的“get_historical_data”函数检索 SPY ETF 数据并将其回报与应用于 Apple 的平均方向指数策略的回报进行比较。
def get_benchmark(spy_holp, start_date, investment_value):#spy get_historical_data(SPY, start_date)[Close]spy spy_holp[Close]benchmark pd.DataFrame(np.diff(spy)).rename(columns {0:benchmark_returns})investment_value investment_valuebenchmark_investment_ret []for i in range(len(benchmark[benchmark_returns])):number_of_stocks floor(investment_value/spy[i])returns number_of_stocks*benchmark[benchmark_returns][i]benchmark_investment_ret.append(returns)benchmark_investment_ret_df pd.DataFrame(benchmark_investment_ret).rename(columns {0:investment_returns})return benchmark_investment_ret_dfbenchmark get_benchmark(spy,2024-01-09, 100000)investment_value 100000
total_benchmark_investment_ret round(sum(benchmark[investment_returns]), 2)
benchmark_profit_percentage floor((total_benchmark_investment_ret/investment_value)*100)
print((Benchmark profit by investing $100k : {}.format(total_benchmark_investment_ret)))
print((Benchmark Profit percentage : {}%.format(benchmark_profit_percentage)))
print((ADX Strategy profit is {}% higher than the Benchmark Profit.format(profit_percentage - benchmark_profit_percentage)))Benchmark profit by investing $100k : -23540.15
Benchmark Profit percentage : -24%
ADX Strategy profit is 53% higher than the Benchmark Profit结论
在了解了理论和编码方面之后我们对平均方向指数 ADX 以及如何使用 Python 构建基于 ADX 的基本交易策略有了深入的了解。
ADX 的真正潜力在于与其他技术指标例如 RSI相结合以微调交易中的进入和退出点。因此我鼓励您通过调整 ADX 策略将其与其他指标集成并对其进行广泛的回溯测试从而进一步阅读本文。这样做有助于在实际交易场景中获得更精细的结果。
