法国美女视频,美女视频免费是黄

概覽

預測資產(chǎn)價格變動一直是一個廣泛研究的領(lǐng)域，旨在開發(fā)能夠“準確”捕捉這些資產(chǎn)價格變動的 alpha 生成交易策略。考慮到大多數(shù)資產(chǎn)價格的隨機性，根據(jù)定義，它本質(zhì)上是隨機的。因此，這個想法側(cè)重于執(zhí)行某種分析，以一定程度的信心捕捉這種隨機元素的運動。在用于預測這一走勢的眾多方法中，技術(shù)指標已經(jīng)存在了相當長的一段時間（據(jù)報道自 1800 年代以來一直在使用）作為形成潛在走勢觀點的方法之一。

在算法交易普及之前，技術(shù)指標主要由交易者使用，他們會在交易屏幕上查看這些指標以做出買入/賣出決定。盡管這仍然非常普遍，但技術(shù)分析已經(jīng)進入自動交易，因為機器學習和其他統(tǒng)計工具能夠在短時間內(nèi)分析這些數(shù)據(jù)，并且計算機的計算能力可以進行數(shù)十年的回溯測試數(shù)據(jù)的。

盡管本文不贊成或反對使用技術(shù)分析，但以下技術(shù)指標可用于執(zhí)行各種回溯測試并就其預測能力提出意見。

技術(shù)指標

本文將重點介紹專業(yè)人士和學者廣泛使用的技術(shù)指標的綜合列表，以及我認為對自動交易最有利的技術(shù)指標。指標列表如下：

1. 簡單移動平均線（快和慢）

2.平均真實范圍

3.平均方向指數(shù)（快和慢）

4. 隨機震蕩指標（快和慢）

5. 相對強度指數(shù)（快慢）

6. 移動平均收斂發(fā)散

7.布林帶

8.變化率

數(shù)據(jù)

使用 pandas datareader for Yahoo finance 數(shù)據(jù)庫，我提取了從 1990 年 1 月到今天的每日 Apple 和 Netflix 股票數(shù)據(jù)。大多數(shù)指標是使用收盤價而不是本文中的調(diào)整收盤價創(chuàng)建的。

由于技術(shù)指標在短期內(nèi)效果最好，我將分別使用 5 天和 15 天作為我的快信號和慢信號。然而，這可能會根據(jù)投資期限而改變。以下指標可通過單個參數(shù)更改自定義為任何持續(xù)時間。

#importing variables
import pandas as pd
import numpy as np
import datetime as dt
import pandas_datareader as pdr
import seaborn as sns
import matplotlib.pyplot as plt

#extracting data from Yahoo Finance API
tickers = ['AAPL','NFLX']
all_data = pd.DataFrame()
test_data = pd.DataFrame()
no_data = []

for i in tickers:
    try:
        test_data = pdr.get_data_yahoo(i, start = dt.datetime(1990,1,1), end = dt.date.today())
        test_data['symbol'] = i
        all_data = all_data.append(test_data)
    except:
        no_data.append(i)

#Creating Return column
all_data['return'] = all_data.groupby('symbol')['Close'].pct_change()

簡單移動平均線 (SMA)

簡單移動平均線是最常見的技術(shù)指標之一。 SMA 計算給定時間間隔內(nèi)的平均價格，并用于確定股票的趨勢。如上定義，我將創(chuàng)建一個慢速 SMA (SMA_15) 和一個快速 SMA (SMA_5)。要為機器學習算法提供已經(jīng)設(shè)計好的因素，還可以使用 (SMA_15/SMA_5) 或 (SMA_15 - SMA_5) 作為一個因素來捕捉這兩個移動平均線之間的關(guān)系。

all_data['SMA_5'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.rolling(window = 5).mean())
all_data['SMA_15'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.rolling(window = 15).mean())
all_data['SMA_ratio'] = all_data['SMA_15'] / all_data['SMA_5']

#Plotting
start = dt.datetime.strptime('2019-01-01', '%Y-%m-%d')
end = dt.datetime.strptime('2019-12-31', '%Y-%m-%d')
sns.set()

fig = plt.figure(facecolor = 'white', figsize = (20,10))

ax0 = plt.subplot2grid((6,4), (1,0), rowspan=4, colspan=4)
ax0.plot(all_data[all_data.symbol=='AAPL'].loc[start:end,['Close','SMA_5','SMA_15']])
ax0.set_facecolor('ghostwhite')
ax0.legend(['Close','SMA_5','SMA_15'],ncol=3, loc = 'upper left', fontsize = 15)
plt.title("Apple Stock Price, Slow and Fast Moving Average", fontsize = 20)

ax1 = plt.subplot2grid((6,4), (5,0), rowspan=1, colspan=4, sharex = ax0)
ax1.plot(all_data[all_data.symbol=='AAPL'].loc[start:end,['SMA_ratio']], color = 'blue')
ax1.legend(['SMA_Ratio'],ncol=3, loc = 'upper left', fontsize = 12)
ax1.set_facecolor('silver')
plt.subplots_adjust(left=.09, bottom=.09, right=1, top=.95, wspace=.20, hspace=0)
plt.show()

簡單移動平均交易量

與價格的簡單移動平均線類似，成交量的簡單移動平均線提供了對股票顯示信號強度的洞察力。

all_data['SMA5_Volume'] = all_data.groupby('symbol')['Volume'].transform(lambda x: x.rolling(window = 5).mean())
all_data['SMA15_Volume'] = all_data.groupby('symbol')['Volume'].transform(lambda x: x.rolling(window = 15).mean())
all_data['SMA_Volume_Ratio'] = all_data['SMA5_Volume']/all_data['SMA15_Volume']

Wilder的平滑

在繼續(xù)下一個指標之前，我想提一下通常與其他指標一起使用的另一種平滑或移動平均線。雖然 SMA 很常見，但它包含了對過去每個值給予同等權(quán)重的偏見。為了解決這個問題，Wells Wilder 引入了一種新版本的平滑處理，它更加重視最近發(fā)生的事件。我們將對以下大部分指標使用 Wilder 平滑，下面是通?？捎糜讷@得此平滑的函數(shù)。

def Wilder(data, periods):
    start = np.where(~np.isnan(data))[0][0] #Check if nans present in beginning
    Wilder = np.array([np.nan]*len(data))
    Wilder[start+periods-1] = data[start:(start+periods)].mean() #Simple Moving Average
    for i in range(start+periods,len(data)):
        Wilder[i] = (Wilder[i-1]*(periods-1) + data[i])/periods #Wilder Smoothing
    return(Wilder)

平均真實范圍 (ATR)

平均真實范圍是一種常用的技術(shù)指標，用于衡量市場的波動性，以真實范圍的移動平均值來衡量。公司較高的 ATR 意味著股票的波動性較高。然而，ATR 主要用于確定何時退出或進入交易，而不是確定交易股票的方向。

如上所述，慢速 ATR 代表 5 天移動平均線，快速 ATR 代表 15 天移動平均線。

真實范圍定義為以下最大值：

a. 高- 低

b. 絕對值(高- 前一收盤)

c. 絕對值(低- 前一收盤)

all_data['prev_close'] = all_data.groupby('symbol')['Close'].shift(1)
all_data['TR'] = np.maximum((all_data['High'] - all_data['Low']), 
                     np.maximum(abs(all_data['High'] - all_data['prev_close']), 
                     abs(all_data['prev_close'] - all_data['Low'])))
for i in all_data['symbol'].unique():
    TR_data = all_data[all_data.symbol == i].copy()
    all_data.loc[all_data.symbol==i,'ATR_5'] = Wilder(TR_data['TR'], 5)
    all_data.loc[all_data.symbol==i,'ATR_15'] = Wilder(TR_data['TR'], 15)

all_data['ATR_Ratio'] = all_data[ATR_5'] / all_data[ATR_15']

平均方向指數(shù) (ADX)

平均方向指數(shù)由 Wilder 開發(fā)，用于評估股票價格趨勢的強度。它的兩個主要組成部分 +DI 和 -DI 有助于確定趨勢的方向。一般來說，ADX在25以上表示趨勢強，ADX小于20表示趨勢弱。 ADX 的計算相當復雜，需要一定的步驟。

我也會計算 5 天和 15 天的 ADX。

all_data['prev_high'] = all_data.groupby('symbol')['High'].shift(1)
all_data['prev_low'] = all_data.groupby('symbol')['Low'].shift(1)

all_data['+DM'] = np.where(~np.isnan(all_data.prev_high),
                           np.where((all_data['High'] > all_data['prev_high']) & 
         (((all_data['High'] - all_data['prev_high']) > (all_data['prev_low'] - all_data['Low']))), 
                                                                  all_data['High'] - all_data['prev_high'], 
                                                                  0),np.nan)

all_data['-DM'] = np.where(~np.isnan(all_data.prev_low),
                           np.where((all_data['prev_low'] > all_data['Low']) & 
         (((all_data['prev_low'] - all_data['Low']) > (all_data['High'] - all_data['prev_high']))), 
                                    all_data['prev_low'] - all_data['Low'], 
                                    0),np.nan)

for i in all_data['symbol'].unique():
    ADX_data = all_data[all_data.symbol == i].copy()
    all_data.loc[all_data.symbol==i,'+DM_5'] = Wilder(ADX_data['+DM'], 5)
    all_data.loc[all_data.symbol==i,'-DM_5'] = Wilder(ADX_data['-DM'], 5)
    all_data.loc[all_data.symbol==i,'+DM_15'] = Wilder(ADX_data['+DM'], 15)
    all_data.loc[all_data.symbol==i,'-DM_15'] = Wilder(ADX_data['-DM'], 15)

all_data['+DI_5'] = (all_data['+DM_5']/all_data['ATR_5'])*100
all_data['-DI_5'] = (all_data['-DM_5']/all_data['ATR_5'])*100
all_data['+DI_15'] = (all_data['+DM_15']/all_data['ATR_15'])*100
all_data['-DI_15'] = (all_data['-DM_15']/all_data['ATR_15'])*100

all_data['DX_5'] = (np.round(abs(all_data['+DI_5'] - all_data['-DI_5'])/(all_data['+DI_5'] + all_data['-DI_5']) * 100))

all_data['DX_15'] = (np.round(abs(all_data['+DI_15'] - all_data['-DI_15'])/(all_data['+DI_15'] + all_data['-DI_15']) * 100))

for i in all_data['symbol'].unique():
    ADX_data = all_data[all_data.symbol == i].copy()
    all_data.loc[all_data.symbol==i,'ADX_5'] = Wilder(ADX_data['DX_5'], 5)
    all_data.loc[all_data.symbol==i,'ADX_15'] = Wilder(ADX_data['DX_15'], 15)

隨機震蕩指標

隨機震蕩指標是一種動量指標，旨在識別超買和超賣證券，通常用于技術(shù)分析。

all_data['Lowest_5D'] = all_data.groupby('symbol')['Low'].transform(lambda x: x.rolling(window = 5).min())
all_data['High_5D'] = all_data.groupby('symbol')['High'].transform(lambda x: x.rolling(window = 5).max())
all_data['Lowest_15D'] = all_data.groupby('symbol')['Low'].transform(lambda x: x.rolling(window = 15).min())
all_data['High_15D'] = all_data.groupby('symbol')['High'].transform(lambda x: x.rolling(window = 15).max())

all_data['Stochastic_5'] = ((all_data['Close'] - all_data['Lowest_5D'])/(all_data['High_5D'] - all_data['Lowest_5D']))*100
all_data['Stochastic_15'] = ((all_data['Close'] - all_data['Lowest_15D'])/(all_data['High_15D'] - all_data['Lowest_15D']))*100

all_data['Stochastic_%D_5'] = all_data['Stochastic_5'].rolling(window = 5).mean()
all_data['Stochastic_%D_15'] = all_data['Stochastic_5'].rolling(window = 15).mean()

all_data['Stochastic_Ratio'] = all_data['Stochastic_%D_5']/all_data['Stochastic_%D_15']

相對強度指數(shù) (RSI)

RSI 是最常見的動量指標之一，旨在量化價格變化和這種變化的速度。

all_data['Diff'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.diff())
all_data['Up'] = all_data['Diff']
all_data.loc[(all_data['Up']<0), 'Up'] = 0

all_data['Down'] = all_data['Diff']
all_data.loc[(all_data['Down']>0), 'Down'] = 0 
all_data['Down'] = abs(all_data['Down'])

all_data['avg_5up'] = all_data.groupby('symbol')['Up'].transform(lambda x: x.rolling(window=5).mean())
all_data['avg_5down'] = all_data.groupby('symbol')['Down'].transform(lambda x: x.rolling(window=5).mean())

all_data['avg_15up'] = all_data.groupby('symbol')['Up'].transform(lambda x: x.rolling(window=15).mean())
all_data['avg_15down'] = all_data.groupby('symbol')['Down'].transform(lambda x: x.rolling(window=15).mean())

all_data['RS_5'] = all_data['avg_5up'] / all_data['avg_5down']
all_data['RS_15'] = all_data['avg_15up'] / all_data['avg_15down']

all_data['RSI_5'] = 100 - (100/(1+all_data['RS_5']))
all_data['RSI_15'] = 100 - (100/(1+all_data['RS_15']))

all_data['RSI_ratio'] = all_data['RSI_5']/all_data['RSI_15']

移動平均收斂發(fā)散 (MACD)

MACD 使用兩條指數(shù)移動平均線，并根據(jù)它們的收斂或發(fā)散創(chuàng)建趨勢分析。雖然最常用的 MACD 慢速和快速信號分別基于 26 天和 12 天，但為了與其他指標保持一致，我使用了 15 天和 5 天。

all_data['5Ewm'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.ewm(span=5, adjust=False).mean())
all_data['15Ewm'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.ewm(span=15, adjust=False).mean())
all_data['MACD'] = all_data['15Ewm'] - all_data['5Ewm']

布林帶

布林帶捕捉股票的波動性，用于識別超買和超賣股票。布林帶由三個主要元素組成：簡單的移動平均線、高于移動平均線 2 個標準差的上限和低于移動平均線 2 個標準差的下限。

all_data['15MA'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.rolling(window=15).mean())
all_data['SD'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.rolling(window=15).std())
all_data['upperband'] = all_data['15MA'] + 2*all_data['SD']
all_data['lowerband'] = all_data['15MA'] - 2*all_data['SD']

變化率

變化率是一個動量指標，它解釋了相對于之前價格固定時期的價格動量。

all_data['RC'] = all_data.groupby('symbol')['Close'].transform(lambda x: x.pct_change(periods = 15))

結(jié)論

這些技術(shù)指標在捕獲的時間范圍內(nèi)是高度可定制的，同時允許各種有助于創(chuàng)建更好模型的特征工程。這些值可以直接適合機器學習模型，也可以形成更大模型的因子子集。

還有許多其他指標可以考慮，即使不是很重要。本文中列出的指標絕不是詳盡的指標列表，而是我在模型中使用的指標列表。

在我的下一篇文章中，我將解釋這些指標在機器學習模型中的實施，并深入探討創(chuàng)建和仔細回測策略。

請在下方留下您的意見和建議。

本站僅提供存儲服務，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频