2.2.1.3-移动平均线

跳转到根目录：知行合一：投资篇

已完成：
1、投资&技术
  1.1.1 投资-编程基础-numpy
  1.1.2 投资-编程基础-pandas
  1.2 金融数据处理
  1.3 金融数据可视化
2、投资方法论
  2.1.1 预期年化收益率
  2.1.2 一个关于y=ax+b的故事
  2.1.3-数据标准化
  2.1.4-相关性分析
  2.2.1.1-一个关于定投的故(姿)事(势)
  2.2.1.3-移动平均线

3、投资实证
  [3.1 2023这一年] 被鸽
todo…

文章目录

  • 1. 定义
  • 2. 目标
  • 3. 加载数据
  • 4. 计算5日线值
  • 5. 确定买卖点
  • 6. 测算收益
  • 7. 5日线绘图
  • 8. 10日线绘图
  • 9. k线图绘图
  • 10. 完整代码&完整图表
  • 11. 收益计算

1. 定义

移动平均线，Moving Average，简称MA，MA是用统计分析的方法，将一定时期内的证券价格（指数）加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。

2. 目标

  • 绘制一个k线图，也就是蜡烛图
  • 计算5日均线值、10日均线值
  • 在k线图上，绘制5日线和10日线图
  • 在5日线上，绘制与10日线的交叉点(上穿、下穿时)

3. 加载数据

这次主要是绘图和数据处理，所以数据就使用现成的csv来做（之前的文章，有专门的数据获取方法，参考：《1.2-金融数据处理》）

import pandas as pd
import ssl  # # URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate (_ssl.c:1091)>
ssl._create_default_https_context = ssl._create_unverified_context
#导入pyecharts
from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.commons.utils import JsCodedf = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300.csv", parse_dates=['date'])
df.set_index('date', inplace=True)

解释1：

pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300.csv", parse_dates=['date'])

是读取一个网络csv文件的内容，并且将其date列转换成日期类型。ssl._create_default_https_context = ssl._create_unverified_context是解决https访问的时候的报错。

解释2：

df.set_index('date', inplace=True)是将date列设为索引，并且将其从数据列中移除。移除的意思是，在遍历时，就无法通过df.loc[x, "date"]这样取到date列的值了。

4. 计算5日线值

这个就比较简单了，直接通过pandas的rolling函数就行

import math
import pandas as pd
import ssl  # URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate (_ssl.c:1091)>
ssl._create_default_https_context = ssl._create_unverified_context
# 导入pyecharts
from pyecharts.charts import *
from pyecharts import options as opts# 加载数据
df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300.csv", parse_dates=['date'])
df.set_index('date', inplace=True)# 计算5日线值、10日线值
df['ma5'] = df.close.rolling(5).mean()
df['ma10'] = df.close.rolling(20).mean()

5. 确定买卖点

什么时候买？什么时候卖？

当5日线上穿10日线时，是买点，当5日线下穿10日线时，是卖点。这个很好理解，代码实现在上面的基础上，继续操作：

# 导入数据分析和量化常用库
import math
import pandas as pd
import ssl  # URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate (_ssl.c:1091)>
ssl._create_default_https_context = ssl._create_unverified_context
# 导入pyecharts
from pyecharts.charts import *
from pyecharts import options as opts# 加载数据
df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300.csv", parse_dates=['date'])
df.set_index('date', inplace=True)# 计算5日线值、10日线值
df['ma5'] = df.close.rolling(5).mean()
df['ma10'] = df.close.rolling(20).mean()
# df['ma20']=df.close.rolling(20).mean()
# df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9)already_buy = False
# 遍历确定买卖点
for x in df.index:if df.loc[x, "ma5"] > df.loc[x, "ma10"] and not already_buy:df.loc[x, "买卖"] = '买'already_buy = Trueif df.loc[x, "ma5"] < df.loc[x, "ma10"] and already_buy:df.loc[x, "买卖"] = '卖'already_buy = False

6. 测算收益

如果我们严格按照上穿买入，下穿卖出，不考虑浮盈浮亏的情况下，这个策略，盈利性如何？

我们按照大约10000元作为交易金额，因为每次买入卖出最小的1手是100股，要做向上取整。
这里就只贴测算收益部分的代码：

# 测算收益
money = 10000.0   # 1个w左右的买卖金额
shares = 0  # 买入的股数
buy_price = 0  # 实际买入的金额
for x in df.index:if df.loc[x, "买卖"] == '买':buy_price = df.loc[x, "close"]shares = math.floor(money / df.loc[x, "close"] / 100) * 100real_buy_money = shares * buy_pricedf.loc[x, "买入份额"] = sharesdf.loc[x, "买入价格"] = buy_pricedf.loc[x, "实际买入金额"] = real_buy_moneyif df.loc[x, "买卖"] == '卖':sell_price = df.loc[x, "close"]real_sell_money = (sell_price - buy_price) * sharesdf.loc[x, "卖出价格"] = sell_pricedf.loc[x, "实际卖出金额"] = real_sell_moneydf.loc[x, "收益"] = (sell_price - buy_price) * shares# 冗余，以便在csv中直接看出卖出时，买入时候相关的要素信息df.loc[x, "买入份额"] = sharesdf.loc[x, "买入价格"] = buy_pricedf.loc[x, "实际买入金额"] = real_buy_money
# 将买卖相关信息保存到csv，方便查看
df.to_csv('均线买卖.csv')

7. 5日线绘图

5日线图比较简单，照抄样例代码

# 绘制5日线折线图
line_ma5 = Line()
line_ma5.add_xaxis(df.index.strftime('%Y%m%d').tolist())
line_ma5.add_yaxis("MA5",df['ma5'].tolist(),is_smooth=True,is_symbol_show=False,label_opts=opts.LabelOpts(is_show=False)
)

我们还想更进一步，在5日线上，想标注一些买卖点，就好比如在我们常用的交易软件上的B点和S点

构造买卖点代码：

# 标记买卖点，方便在后面的绘图时，在折线图上把买卖点标注出来
buy_points = {}
sell_points = {}
for x in df.index:if df.loc[x, "买卖"] == '买':buy_points[x.strftime('%Y%m%d')] = df.loc[x, "close"]if df.loc[x, "买卖"] == '卖':sell_points[x.strftime('%Y%m%d')] = df.loc[x, "close"]# 绘制5日线折线图
line_ma5 = Line()
line_ma5.add_xaxis(df.index.strftime('%Y%m%d').tolist())
line_ma5.add_yaxis("MA5",df['ma5'].tolist(),is_smooth=True,is_symbol_show=False,label_opts=opts.LabelOpts(is_show=False),markpoint_opts=opts.MarkPointOpts(data=[# 买点标注*[opts.MarkPointItem(coord=[day, value],value='B',  # valuename=f"Buy at {day}",itemstyle_opts=opts.ItemStyleOpts(color="green"),)for day, value in buy_points.items()],# 卖点标注*[opts.MarkPointItem(coord=[day, value],value='S',name=f"Sell at {day}",itemstyle_opts=opts.ItemStyleOpts(color="red"),)for day, value in sell_points.items()],])
)

8. 10日线绘图

这个就没难度了

# 绘制10日线折线图
line_ma10 = Line()
line_ma10.add_xaxis(df.index.strftime('%Y%m%d').tolist())
line_ma10.add_yaxis("MA10",df['ma10'].tolist(),is_smooth=True,is_symbol_show=False,label_opts=opts.LabelOpts(is_show=False)
)

9. k线图绘图

这个就是pyecharts比较强大的地方了，参考其绘制k线的文档：k线图

包含元素：

  • 红绿柱状图
  • K线图底部滑块，可以缩放对应的区间数据
  • 对于一个时间区间可以进行标注(本例标注了：opts.MarkAreaItem(name="14-15牛市", x=("20140624", "20150612")))
  • 标注了期间内最大max最小值min均值average辅助线
# 绘制k线图
kline = (Kline().add_xaxis(df.index.strftime('%Y%m%d').tolist())  # x轴数据# y轴数据，默认open、close、high、low，转为list格式.add_yaxis(series_name="",y_axis=df[['open', 'close', 'low', 'high']].values.tolist(),itemstyle_opts=opts.ItemStyleOpts(color="red",  # 阳线红色color0="green",  # 阴线绿色border_color="red",border_color0="green", ),#             markpoint_opts=opts.MarkPointOpts(data=[#添加标记符#                 opts.MarkPointItem(type_='max', name='最大值'),#                 opts.MarkPointItem(type_='min', name='最小值'),]),# 添加辅助性，如某期间内最大max最小值min均值averagemarkline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average",value_dim="close")], ), ).set_global_opts(datazoom_opts=[opts.DataZoomOpts()],  # 滑动模块选择).set_series_opts(markarea_opts=opts.MarkAreaOpts(  # 标记区域配置项data=[opts.MarkAreaItem(name="14-15牛市", x=("20140624", "20150612")),], ))
)
# 在k线图上叠加5日线折线图
kline.overlap(line_ma5)
# 在k线图上叠加10日线折线图
kline.overlap(line_ma10)
# 在jupyter notebook上直接渲染
kline.render_notebook()
# 如果是在pycharm里，使用：kline.render("k线+移动均线+买卖点标记.html")这样生成html查看

具体展示的结果，看下一节“完整代码&完整图表”

10. 完整代码&完整图表

直接上干货，总共就145行代码，解决问题。

# 导入数据分析和量化常用库
import math
import pandas as pd
import ssl  # URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate (_ssl.c:1091)>
ssl._create_default_https_context = ssl._create_unverified_context
# 导入pyecharts
from pyecharts.charts import *
from pyecharts import options as opts# 加载数据
df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/SH510300.csv", parse_dates=['date'])
df.set_index('date', inplace=True)# 计算5日线值、10日线值
df['ma5'] = df.close.rolling(5).mean()
df['ma10'] = df.close.rolling(20).mean()
# df['ma20']=df.close.rolling(20).mean()
# df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9)already_buy = False
# 遍历确定买卖点
for x in df.index:if df.loc[x, "ma5"] > df.loc[x, "ma10"] and not already_buy:df.loc[x, "买卖"] = '买'already_buy = Trueif df.loc[x, "ma5"] < df.loc[x, "ma10"] and already_buy:df.loc[x, "买卖"] = '卖'already_buy = False# 测算收益
money = 10000.0   # 1个w左右的买卖金额
shares = 0  # 买入的股数
buy_price = 0  # 实际买入的金额
for x in df.index:if df.loc[x, "买卖"] == '买':buy_price = df.loc[x, "close"]shares = math.floor(money / df.loc[x, "close"] / 100) * 100real_buy_money = shares * buy_pricedf.loc[x, "买入份额"] = sharesdf.loc[x, "买入价格"] = buy_pricedf.loc[x, "实际买入金额"] = real_buy_moneyif df.loc[x, "买卖"] == '卖':sell_price = df.loc[x, "close"]real_sell_money = (sell_price - buy_price) * sharesdf.loc[x, "卖出价格"] = sell_pricedf.loc[x, "实际卖出金额"] = real_sell_moneydf.loc[x, "收益"] = (sell_price - buy_price) * shares# 冗余，以便在csv中直接看出卖出时，买入时候相关的要素信息df.loc[x, "买入份额"] = sharesdf.loc[x, "买入价格"] = buy_pricedf.loc[x, "实际买入金额"] = real_buy_money
# 将买卖相关信息保存到csv，方便查看
df.to_csv('均线买卖.csv')# 标记买卖点，方便在后面的绘图时，在折线图上把买卖点标注出来
buy_points = {}
sell_points = {}
for x in df.index:if df.loc[x, "买卖"] == '买':buy_points[x.strftime('%Y%m%d')] = df.loc[x, "close"]if df.loc[x, "买卖"] == '卖':sell_points[x.strftime('%Y%m%d')] = df.loc[x, "close"]# 绘制5日线折线图
line_ma5 = Line()
line_ma5.add_xaxis(df.index.strftime('%Y%m%d').tolist())
line_ma5.add_yaxis("MA5",df['ma5'].tolist(),is_smooth=True,is_symbol_show=False,label_opts=opts.LabelOpts(is_show=False),markpoint_opts=opts.MarkPointOpts(data=[# 买点标注*[opts.MarkPointItem(coord=[day, value],value='B',  # valuename=f"Buy at {day}",itemstyle_opts=opts.ItemStyleOpts(color="green"),)for day, value in buy_points.items()],# 卖点标注*[opts.MarkPointItem(coord=[day, value],value='S',name=f"Sell at {day}",itemstyle_opts=opts.ItemStyleOpts(color="red"),)for day, value in sell_points.items()],])
)
# 绘制10日线折线图
line_ma10 = Line()
line_ma10.add_xaxis(df.index.strftime('%Y%m%d').tolist())
line_ma10.add_yaxis("MA10",df['ma10'].tolist(),is_smooth=True,is_symbol_show=False,label_opts=opts.LabelOpts(is_show=False)
)# 绘制k线图
kline = (Kline().add_xaxis(df.index.strftime('%Y%m%d').tolist())  # x轴数据# y轴数据，默认open、close、high、low，转为list格式.add_yaxis(series_name="",y_axis=df[['open', 'close', 'low', 'high']].values.tolist(),itemstyle_opts=opts.ItemStyleOpts(color="red",  # 阳线红色color0="green",  # 阴线绿色border_color="red",border_color0="green", ),#             markpoint_opts=opts.MarkPointOpts(data=[#添加标记符#                 opts.MarkPointItem(type_='max', name='最大值'),#                 opts.MarkPointItem(type_='min', name='最小值'),]),# 添加辅助性，如某期间内最大max最小值min均值averagemarkline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average",value_dim="close")], ), ).set_global_opts(datazoom_opts=[opts.DataZoomOpts()],  # 滑动模块选择).set_series_opts(markarea_opts=opts.MarkAreaOpts(  # 标记区域配置项data=[opts.MarkAreaItem(name="14-15牛市", x=("20140624", "20150612")),], ))
)
# 在k线图上叠加5日线折线图
kline.overlap(line_ma5)
# 在k线图上叠加10日线折线图
kline.overlap(line_ma10)
# 在jupyter notebook上直接渲染
kline.render_notebook()
# 如果是在pycharm里，使用：kline.render("k线+移动均线+买卖点标记.html")这样生成html查看

下图，能看出所有要素，由于买卖点过于集中，看起来就不是很美观，但是，可以通过拖动下面的滑块，来看更精准的图。

拖动滑块，看具体时间段内的情况，可以非常清晰的看到5日线、10日线、买卖点、区间最大最小值均值：

11. 收益计算

最后多说一点，如果无脑按照这个来测算，最终的收益是：4167.6元（2012/5/28 ~ 2023/11/24），真的是很不~可观。

这其实很正常，因为每次的持有时间都很短，很多时候是亏本卖出。

想要调优策略，还是得加入自己的其他主观策略，无脑使用注定是不行的。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/577171.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

8722ES安捷伦8722ES网络分析仪

8722ES安捷伦8722ES网络分析仪

181/2461/8938产品概述&#xff1a; Agilent 8722ES 包括集成合成源、测试装置和调谐接收器。内置 S 参数测试仪可提供正向和反向的全范围幅度和相位测量。内置矢量精度增强技术包括完整的两端口、适配器移除和可选的 TRL 校准。 其他功能和规格包括&#xff1a; 频率&#x…
阅读更多...
【八大排序】一篇文章搞定所有排序

【八大排序】一篇文章搞定所有排序

文章目录 1.排序的概念2.常见排序算法的实现2.1 插入排序2.1.1直接插入排序2.1.2希尔排序 2.2选择排序2.2.1直接选择排序:2.2.2堆排序 2.3交换排序2.3.1冒泡排序2.3.2快速排序Hoare法前后指针法挖坑法非递归版本 2.4归并排序递归版本非递归版本 2.5计数排序3.排序的比较 1.排序…
阅读更多...
linux 组建raid5详细操作

linux 组建raid5详细操作

raid5最多运行损坏一个盘&#xff0c;最少3个盘&#xff0c;容量为少一块硬盘的容量之和。 如果硬盘数量较多&#xff0c;比如8块以上&#xff0c;建议用raid6&#xff0c;raid6最多允许两块硬盘损坏。 如果需要 一、安装raid软件 deb包 apt-get install mdadm或dnf包 dnf …
阅读更多...
基于kalman的单目标追踪，以及demo测试（Python and C++）

基于kalman的单目标追踪，以及demo测试（Python and C++）

一.卡尔曼滤波简单介绍 我们可以在任何含有不确定信息的动态系统中的使用卡尔曼滤波&#xff0c;对系统的下一步动作做出有根据的猜测。猜测的依据是预测值和观测值&#xff0c;首先我们认为预测值和观测值都符合高斯分布且包含误差&#xff0c;然后我们预设预测值的误差Q和观测…
阅读更多...
【Linux多线程】线程的同步与互斥

【Linux多线程】线程的同步与互斥

【Linux多线程】线程的同步与互斥 目录 【Linux多线程】线程的同步与互斥分离线程Linux线程互斥进程线程间的互斥相关背景概念问题产生的原因&#xff1a; 互斥量mutex互斥量的接口互斥量实现原理探究对锁进行封装(C11lockguard锁) 可重入VS线程安全概念常见的线程不安全的情况…
阅读更多...
Java八股文（设计模式）

Java八股文（设计模式）

Java八股文の设计模式 设计模式 设计模式 什么是设计模式&#xff1f;请列举一些常见的设计模式。 设计模式是软件设计中常用的一种思维模式&#xff0c;它描述了一类具有相似特征和解决思路的问题。 常见的设计模式包括单例模式、工厂模式、观察者模式、装饰器模式等。 请解释…
阅读更多...
热门IT【视频教程】-华为/思科/红帽/oracle

热门IT【视频教程】-华为/思科/红帽/oracle

华为认证 网络工程师-入门基础课&#xff1a;华为HCIA认证课程介绍-CSDN博客 网络工程师进阶课&#xff1a;华为HCIP认证课程介绍-CSDN博客 职场进阶&#xff0c;踏上高峰——HCIE-Datacom认证-CSDN博客 华为HCIA试听课程 &#xff1a; 超级实用&#xff0c;华为VRP系统文件…
阅读更多...
视频无水印爬虫采集工具|抖音视频批量下载软件|可导出视频分享链接

视频无水印爬虫采集工具|抖音视频批量下载软件|可导出视频分享链接

全新视频无水印爬虫采集工具&#xff0c;助力您快速获取所需视频&#xff01; 视频无水印爬虫采集工具&#xff0c;为用户提供了强大的视频采集和下载功能。它可以批量提取关键词相关的视频&#xff0c;同时支持单独视频的提取和下载&#xff0c;操作简便&#xff0c;使用方便。…
阅读更多...
springboot基于vue的MOBA类游戏攻略分享平台

springboot基于vue的MOBA类游戏攻略分享平台

开发语言&#xff1a;Java 框架&#xff1a;springboot JDK版本&#xff1a;JDK1.8 服务器&#xff1a;tomcat7 数据库&#xff1a;mysql 5.7&#xff08;一定要5.7版本&#xff09; 数据库工具&#xff1a;Navicat11 开发软件&#xff1a;eclipse/myeclipse/idea Maven…
阅读更多...
Docker技术全景：推动云原生架构的关键力量

Docker技术全景：推动云原生架构的关键力量

一、引言 Docker&#xff0c;作为当今云计算领域的一颗璀璨明星&#xff0c;已经深刻改变了我们对软件开发、部署和运维的认识。从简单的容器化概念出发&#xff0c;Docker不仅仅是一种技术实现&#xff0c;它更是一种服务于云原生时代的哲学和实践。Docker的普及和成功&#x…
阅读更多...
Unity | 工具类-UV滚动

Unity | 工具类-UV滚动

一、内置渲染管线Shader Shader"Custom/ImageRoll" {Properties {_MainTex ("Main Tex", 2D) "white" {}_Width ("Width", float) 0.5_Distance ("Distance", float) 0}SubShader {Tags {"Queue""Trans…
阅读更多...
提高咨询转化率的快捷回复软件

提高咨询转化率的快捷回复软件

在电子商务蓬勃发展的今天&#xff0c;网店客服的角色变得越来越重要。他们不仅是商家与客户沟通的桥梁&#xff0c;更是推动交易达成的关键力量。然而&#xff0c;随着客户期望的提升&#xff0c;客服的任务变得越来越艰巨。他们需要做到回复及时、解答专业、服务热情&#xf…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023