运行效果如下图所示：
1.3 定义简单移动平均计算函数
def smaCal(tsPrice, k):
import pandas as pd
Sma = pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice)):
Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
return(Sma)
调用
smaCal(Close['2020'], 5)
1.4 定义简单移动平均绘图函数
设定传入三个参数：name:序列名字(如“深证成指”，便于注明于图像标题。)
tsPrice: Series类型的数据序列。
不定参数我们规定为最多只能五个，即最多添加五根均线。
def plot_smaCal(name,tsPrice, *args):
if len(args)>5:
print('提示：添加均线数量最多是五个！')
return None
import pandas as pd
plt.plot(tsPrice, label="Close", color='g')
colors = ['r', 'k', 'b', 'c', 'y'] # 设定5个颜色，也即关系到上边均线数量的上限。
j = 0 # 用于颜色索引转换
for k in args:
Sma=pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice)):
Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
plt.plot(Sma[k-1:], label="Sma"+str(k), color=colors[j], linestyle='dashed')
j += 1
days='&'.join([str(ints) for ints in args])
plt.title(name + '收盘数据附' + days + '日MAV图')
plt.legend() # 增设图例
plt.show()
plt.savefig(path + '/' + name + '收盘数据时序图附' + days + 'MAV.png')
调用
plot_smaCal('深证成指',Close['2020'],5,10,20,50)
输出结果如图：
1.5 直接使用mplfinance库来绘制
直接使用mplfinance库来绘制不失为一种更简单的方法。
import mplfinance as mpf
road = path + '/深证成指2020年收盘数据附5&10日MAV图.jpg'
s = mpf.make_mpf_style(base_mpf_style='blueskies', rc={'font.family': 'SimHei'}) # 解决mplfinance绘制输出中文乱码
mpf.plot(df['2020'], type='line',
ylabel="price", style=s, title='深证成指2020年时序图附5&10日双均线', mav=(5, 10), volume=True, ylabel_lower="volume(shares)", savefig=road)
通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。
然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)
图像效果如下：
2.1 加权移动平均数
加权移动平均，即对数据赋予一定的权重后再求平均。
一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。
WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5
(其中w1 + w2 + w3 + w4 + w5 = 1)
5日加权移动平均线
b1 = np.array([1, 2, 3, 4, 5])
w1 = b1/sum(b1) # 定义一组权重
Wma5 = pd.Series(0.0, index=Close.index)
for i in range(4,len(Close)):
Wma5[i] = sum(w1*Close[i-4:(i+1)])
10日加权移动平均线
b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
w2 = b2/sum(b2) # 定义一组权重
Wma10 = pd.Series(0.0, index=Close.index)
for i in range(9,len(Close)):
Wma10[i] = sum(w2*Close[i-9:(i+1)])
2.2 定义加权移动平均计算函数
def wmaCal(tsPrice, weight):
import pandas as pd
import numpy as np
k = len(weight)
arrWeight = np.array(weight)
Wma=pd.Series(0.0, index=tsPrice.index)
for i in range(k-1, len(tsPrice.index)):
Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])
return(Wma)
调用
b = np.array([1, 2, 3, 4, 5])
w = b1/sum(b)
wmaCal(Close['2020'],w)
2.3 绘制加权移动平均线
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close['2020'], label="Close", color='g')
plt.plot(Wma5['2020'], label="Wma5", color='r', linestyle='dashed')
plt.plot(Wma10['2020'], label="Wma10", color='b', linestyle='dashed')
plt.title('深证成指近2020年收盘数据附5&10日加权WAV图')
plt.legend() # 增设图例
plt.show()
plt.savefig(path + '/深证成指2020年收盘数据时序图附5&10日MAV.png')
图像效果展示如下：
3.1指数加权移动平均数
指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。
第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k
即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均
后边的按此公式以此类推。
第五天指数加权移动平均数为前五天的算数平均数
Ewma5_number1 = np.mean(Close[0:5])
Ewma5 = pd.Series(0.0, index=Close.index)
Ewma5[4]=Ewma5_number1
计算第六天及以后的指数移动平均数
for i in range(5, len(Close)):
Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2
Ewma5.head(10)
- 由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。
3.2 指数加权移动平均线
绘制指数加权移动平均线图像
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close['2020'], label="Close", color='r')
plt.plot(Ewma5['2020'], label="Ewma5", color='g', linestyle='-.')
plt.title('深证成指近2020年收盘数据时序图附5日指数移动平均线')
plt.legend()
plt.show()
结果如图所示：
3.2定义计算指数加权移动平均数函数
def ewmaCal(tsPrice, period=5,exponential=0.2):
import pandas as pd
import numpy as np
Ewma = pd.Series(0.0, index=tsPrice.index)
Ewma[period-1]=np.mean(tsPrice[:period])
for i in range(period, len(tsPrice)):
Ewma[i] = exponential * tsPrice[i] + (1 - exponential) * Ewma[i-1]
return(Ewma)
调用
Ewma=ewmaCal(Close,5,0.2)
Ewma.head(10)
-
简单移动平均(SMA)对前n期的价格求算术平均，所有价格数据同等权重。
-
加权移动平均(WMA)赋予价格数据不同的权重。一般近期数据权重大，远期数据权重小。
-
指数移动平均(EMA)类似于加权移动平均，是以指数形式递减加权的移动平均。
-
三条均线对收盘价曲线的变化往往都有一定的滞后性。
利用长短期均线的相对关系，来识别价格趋势的变化。
-
先求出短期均线和长期均线。
-
当短期均线从下向上穿过长期均线时，释放出买入信号。
-
当短期均线从上向下穿过长期均线时，释放出买入信号。
长短均线的时间跨度的选择，因人而异。
6.1 指标概述
-
MACD指标由两线一柱组合起来形成。
-
快速线为DIF，慢速线为DEA，柱状图为MACD。
-
快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。
-
柱状图MACD由快速线DIF与慢速线DEA作差得到。
-
MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。
-
一般默认MACD的求值参数为12、26和9。
-
DIF = EMA(close,12) - EMA(close,26)
-
DEA = EMA(DIF,9)
-
MACD = DIF - DEA
6.2 绘图代码
计算相关指标，用到了上边定义过的函数ewmaCal()。
DIF = ewmaCal(Close, 12, 2/(1+12)) - ewmaCal(Close, 26, 2/(1+26))
DEA = ewmaCal(DIF, 9, 2 / (1+9)) # DEA的线图也被称为信号线
MACD = DIF - DEA
MACD1 = MACD[MACD.values > 0] # MACD数据大于零的部分 作图体现为红色
MACD2 = MACD[MACD.values < 0] # MACD数据小于零的部分 作图体现为绿色
绘制2020年全年深证成指MACD图像
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设定显示中文
plt.rcParams['axes.unicode_minus'] = False # 设定正常显示负号
plt.subplot(211)
plt.plot(DIF['2020'], label="DIF", color="k")
plt.plot(DEA['2020'], label="DEA", color="b",linestyle='dashed')
plt.title("信号线DIF与DEA")
plt.xlabel('date')
plt.ylabel('value')
plt.legend()
plt.subplot(212)
plt.bar(MACD1['2020'].index, height=MACD1['2020'], color='r', edgecolor='k')
plt.bar(MACD2['2020'].index, height=MACD2['2020'], color='g', edgecolor='k')
plt.title('MACD')
plt.xlabel('date')
plt.ylabel('value')
plt.show()
plt.savefig(path + '/深证成指2020年MACD指标图.png')
生成结果如下：
现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习
