贵阳商城网站开发,苏州哪家网站公司做的好的,十大免费erp软件,企业网站运维金融量化指标
在金融量化分析中#xff0c;常用的指标可以帮助我们判断市场走势、评估风险和收益#xff0c;以及构建交易策略。以下是一些常见的金融量化指标及其计算方法的详细教程#xff0c;包括公式与Python代码实现。
1. 移动平均线#xff08;Moving Average, MA常用的指标可以帮助我们判断市场走势、评估风险和收益以及构建交易策略。以下是一些常见的金融量化指标及其计算方法的详细教程包括公式与Python代码实现。
1. 移动平均线Moving Average, MA
简介移动平均线是对特定时期内的数据进行平均以平滑价格波动从而帮助识别趋势方向。
公式 M A n P 1 P 2 . . . P n n MA_n \frac{P_1 P_2 ... P_n}{n} MAnnP1P2...Pn 其中 P i P_i Pi 是第 i i i天的收盘价 n n n 是移动平均的周期。
Python代码
import pandas as pddef moving_average(prices, window):return prices.rolling(windowwindow).mean()# 示例
data pd.Series([100, 102, 101, 104, 106, 108])
ma moving_average(data, 3)
print(ma)2. 指数平滑移动平均线Exponential Moving Average, EMA
简介EMA对最近的数据赋予更大的权重从而比简单移动平均线更快地响应价格变化。
公式 E M A t α × P t ( 1 − α ) × E M A t − 1 EMA_t \alpha \times P_t (1 - \alpha) \times EMA_{t-1} EMAtα×Pt(1−α)×EMAt−1 其中 α 2 n 1 \alpha \frac{2}{n1} αn12 n n n 是平滑周期。
Python代码
def exponential_moving_average(prices, window):return prices.ewm(spanwindow, adjustFalse).mean()# 示例
ema exponential_moving_average(data, 3)
print(ema)3. 相对强弱指数Relative Strength Index, RSI
简介RSI衡量股票价格的上涨和下跌的速度用于判断市场是否超买或超卖。
公式 R S I 100 − 100 1 R S RSI 100 - \frac{100}{1 RS} RSI100−1RS100 其中(RS \frac{\text{平均上涨值}}{\text{平均下跌值}})。
Python代码
def relative_strength_index(prices, window14):delta prices.diff()gain (delta.where(delta 0, 0)).rolling(windowwindow).mean()loss (-delta.where(delta 0, 0)).rolling(windowwindow).mean()rs gain / lossrsi 100 - (100 / (1 rs))return rsi# 示例
rsi relative_strength_index(data, 14)
print(rsi)4. 移动平均收敛散度Moving Average Convergence Divergence, MACD
简介MACD是两条指数移动平均线之间的差值用于判断价格走势的变化趋势。
公式 M A C D E M A 12 − E M A 26 MACD EMA_{12} - EMA_{26} MACDEMA12−EMA26 S i g n a l E M A 9 ( M A C D ) Signal EMA_{9}(MACD) SignalEMA9(MACD)
Python代码
def macd(prices, short_window12, long_window26, signal_window9):ema_short exponential_moving_average(prices, short_window)ema_long exponential_moving_average(prices, long_window)macd_line ema_short - ema_longsignal_line exponential_moving_average(macd_line, signal_window)return macd_line, signal_line# 示例
macd_line, signal_line macd(data)
print(macd_line, signal_line)5. 布林带Bollinger Bands
简介布林带由三条线组成中间的线是移动平均线上下两条线分别是移动平均线加减一定倍数的标准差用于衡量价格的波动范围。
公式 上轨 M A k × σ \text{上轨} MA k \times \sigma 上轨MAk×σ 下轨 M A − k × σ \text{下轨} MA - k \times \sigma 下轨MA−k×σ 其中 M A MA MA 是移动平均线 σ \sigma σ 是价格的标准差 k k k 是调整因子一般取2。
Python代码
def bollinger_bands(prices, window20, num_std_dev2):ma moving_average(prices, window)std_dev prices.rolling(windowwindow).std()upper_band ma num_std_dev * std_devlower_band ma - num_std_dev * std_devreturn upper_band, lower_band# 示例
upper_band, lower_band bollinger_bands(data)
print(upper_band, lower_band)6. 平均真实波动范围Average True Range, ATR
简介ATR用于衡量市场的波动性反映了价格波动的剧烈程度。
公式 T R max ( 当前最高价 − 当前最低价 , ∣ 当前最高价 − 前一收盘价 ∣ , ∣ 当前最低价 − 前一收盘价 ∣ ) TR \max(\text{当前最高价} - \text{当前最低价}, |\text{当前最高价} - \text{前一收盘价}|, |\text{当前最低价} - \text{前一收盘价}|) TRmax(当前最高价−当前最低价,∣当前最高价−前一收盘价∣,∣当前最低价−前一收盘价∣) A T R ∑ i 1 n T R i n ATR \frac{\sum_{i1}^{n} TR_i}{n} ATRn∑i1nTRi
Python代码
def true_range(high, low, close):return pd.concat([high - low, (high - close.shift()).abs(), (low - close.shift()).abs()], axis1).max(axis1)def average_true_range(high, low, close, window14):tr true_range(high, low, close)atr tr.rolling(windowwindow).mean()return atr# 示例
high pd.Series([105, 107, 110, 112])
low pd.Series([100, 102, 104, 109])
close pd.Series([102, 106, 108, 111])
atr average_true_range(high, low, close)
print(atr)7. 威廉指标Williams %R
简介威廉指标用于判断市场的超买或超卖状态数值范围在-100到0之间。
公式 % R 最高价 n − 收盘价 最高价 n − 最低价 n × ( − 100 ) \%R \frac{\text{最高价}_n - \text{收盘价}}{\text{最高价}_n - \text{最低价}_n} \times (-100) %R最高价n−最低价n最高价n−收盘价×(−100) 其中 最高价 n \text{最高价}_n 最高价n 和 最低价 n \text{最低价}_n 最低价n 分别为过去n天内的最高和最低价格。
Python代码
def williams_r(high, low, close, window14):highest_high high.rolling(windowwindow).max()lowest_low low.rolling(windowwindow).min()wr (highest_high - close) / (highest_high - lowest_low) * -100return wr# 示例
wr williams_r(high, low, close)
print(wr)8. 随机指标Stochastic Oscillator
简介随机指标用于衡量收盘价在最近一段时间价格范围内的位置判断价格的超买或超卖情况。
公式 K 收盘价 − 最低价 n 最高价 n − 最低价 n × 100 K \frac{\text{收盘价} - \text{最低价}_n}{\text{最高价}_n - \text{最低价}_n} \times 100 K最高价n−最低价n收盘价−最低价n×100 D ∑ K 3 D \frac{\sum K}{3} D3∑K
Python代码
def stochastic_oscillator(high, low, close, window14):lowest_low low.rolling(windowwindow).min()highest_high high.rolling(windowwindow).max()k (close - lowest_low) / (highest_high - lowest_low) * 100d k.rolling(window3).mean()return k, d# 示例
k, d stochastic_oscillator(high, low, close)
print(k, d)9. 平滑异同平均指标Smoothed Moving Average, SMA
简介SMA是将移动平均和当前价格进行平滑处理的指标比EMA更加平滑。
公式 S M A t ∑ i 1 n P i n SMA_t \frac{\sum_{i1}^{n} P_i}{n} SMAtn∑i1nPi 其中 P i P_i Pi 是价格数据 n n n 是时间周期。
Python代码
def smoothed_moving_average(prices, window):return prices.rolling(windowwindow).mean()# 示例
sma smoothed_moving_average(data, 3)
print(sma)10. 波动率Volatility
简介波动率是衡量价格变化的剧烈程度的重要指标通常用标准差表示。
公式 Volatility ∑ i 1 n ( P i − M A ) 2 n \text{Volatility} \sqrt{\frac{\sum_{i1}^{n} (P_i - MA)^2}{n}} Volatilityn∑i1n(Pi−MA)2
Python代码
def volatility(prices, window):return prices.rolling(windowwindow).std()# 示例
vol volatility(data, 10)
print(vol)11. 商品通道指数Commodity Channel Index, CCI
简介CCI衡量价格相对于其均值的偏离程度用于判断市场的超买或超卖状态。
公式 C C I P t − M A t 0.015 × M D CCI \frac{P_t - MA_t}{0.015 \times MD} CCI0.015×MDPt−MAt 其中(P_t) 是典型价格(MA_t) 是移动平均(MD) 是均方差。
Python代码
def commodity_channel_index(high, low, close, window20):tp (high low close) / 3ma tp.rolling(windowwindow).mean()md tp.rolling(windowwindow).apply(lambda x: pd.Series(x).mad())cci (tp - ma) / (0.015 * md)return cci# 示例
cci commodity_channel_index(high, low, close)
print(cci)12. 恐慌指数VIX
简介VIX是衡量市场对未来30天价格波动预期的指标通常被称为“恐慌指数”。
公式VIX的计算比较复杂通常基于标普500指数期权的隐含波动率来计算。它的公式涉及多个期权的计算这里简化为波动率的代表。
Python代码
import numpy as npdef vix(prices):log_returns np.log(prices / prices.shift(1))vol log_returns.rolling(window30).std() * np.sqrt(252)return vol# 示例
vix_index vix(data)
print(vix_index)13. 收益率Rate of Return, RoR
简介收益率是衡量投资或资产在特定时间内的增长或减少百分比。它通常用来评估投资的盈利能力。
公式 简单收益率 Simple Return P t − P t − 1 P t − 1 × 100 % \text{Simple Return} \frac{P_t - P_{t-1}}{P_{t-1}} \times 100\% Simple ReturnPt−1Pt−Pt−1×100% 其中(P_t) 是当前价格(P_{t-1}) 是前一时间点的价格。 对数收益率 Log Return ln ( P t P t − 1 ) \text{Log Return} \ln\left(\frac{P_t}{P_{t-1}}\right) Log Returnln(Pt−1Pt)
Python代码
import numpy as npdef simple_return(prices):return (prices / prices.shift(1)) - 1def log_return(prices):return np.log(prices / prices.shift(1))# 示例
simple_r simple_return(data)
log_r log_return(data)
print(simple_r, log_r)使用 Tushare 计算所有指标的综合示例
Tushare 是一个用于获取中国市场数据的开源Python包。我们将使用 Tushare 下载股票数据并计算上面介绍的指标。
1. 安装 Tushare
如果你还没有安装 Tushare可以使用以下命令进行安装
pip install tushare2. 获取股票数据
首先我们需要获取股票的历史价格数据。
import tushare as ts
import pandas as pd# 设置你的 Tushare token
ts.set_token(your_token_here)
pro ts.pro_api()# 获取某只股票的日线数据
data pro.daily(ts_code000001.SZ, start_date20220101, end_date20221231)# 将数据按日期排序并设置日期为索引
data[trade_date] pd.to_datetime(data[trade_date])
data data.sort_values(bytrade_date)
data.set_index(trade_date, inplaceTrue)# 提取收盘价、高低价等数据
close data[close]
high data[high]
low data[low]3. 计算所有指标
我们将结合之前编写的函数计算所有的指标
# 移动平均线
ma_20 moving_average(close, 20)# 指数平滑移动平均线
ema_20 exponential_moving_average(close, 20)# 相对强弱指数
rsi_14 relative_strength_index(close, 14)# 移动平均收敛散度
macd_line, signal_line macd(close)# 布林带
upper_band, lower_band bollinger_bands(close)# 平均真实波动范围
atr_14 average_true_range(high, low, close, 14)# 威廉指标
wr_14 williams_r(high, low, close, 14)# 随机指标
k, d stochastic_oscillator(high, low, close, 14)# 平滑异同平均指标
sma_20 smoothed_moving_average(close, 20)# 波动率
vol_10 volatility(close, 10)# 商品通道指数
cci_20 commodity_channel_index(high, low, close, 20)# 恐慌指数这里使用对数收益率的波动率表示
vix_index vix(close)# 简单收益率
simple_r simple_return(close)# 对数收益率
log_r log_return(close)4. 将所有指标汇总为一个 DataFrame
# 将所有计算的指标放入一个 DataFrame 中
indicators pd.DataFrame({MA_20: ma_20,EMA_20: ema_20,RSI_14: rsi_14,MACD_Line: macd_line,Signal_Line: signal_line,Upper_Band: upper_band,Lower_Band: lower_band,ATR_14: atr_14,WR_14: wr_14,K: k,D: d,SMA_20: sma_20,Volatility_10: vol_10,CCI_20: cci_20,VIX_Index: vix_index,Simple_Return: simple_r,Log_Return: log_r
})print(indicators.head())总结
通过上述代码我们展示了如何使用 Tushare 获取股票数据并计算多种常见的金融量化指标。这些指标可以帮助分析市场趋势、评估风险和收益从而构建更为复杂的交易策略。在实际应用中可以根据自己的需求调整指标的参数和选择的时间窗口并结合其他数据源和工具进行更深入的分析。
