Beispiel: Beurteilung des goldenen Kreuzes und des toten Kreuzes In Zeile 87 von FIG. buy_sig = (movave5 > movave25) & (movave5.shift(1) < movave25.shift(1)) Dieser Code gibt jedoch an, dass "der gleitende 5-Tage-Durchschnitt des Tages größer als der gleitende 25-Tage-Durchschnitt und der gleitende 5-Tage-Durchschnitt des vorherigen Tages kleiner als der gleitende 25-Tage-Durchschnitt ist", dh ein goldenes Kreuz. Ich bin. Linie 88 ist das Gegenteil.

Auf diese Weise wird die Verschiebungsmethode verwendet.

Talib-System

Was ist Talib überhaupt?

Eine Bibliothek, mit der Sie technische Indikatoren einfach implementieren können. Unter der folgenden URL finden Sie die Indikatoren, die implementiert werden können. https://mrjbq7.github.io/ta-lib/funcs.html

Beispiel mit Talib

# Sample Algorithm
#Bibliotheksimport
#Erforderliche Bibliothek
import maron
import maron.signalfunc as sf
import maron.execfunc as ef
#Zusätzliche Bibliothek
#In den Hinweisen auf dem rechten Bildschirm finden Sie die Bibliotheken, die verwendet werden können ①



import pandas as pd
import talib as ta
import numpy as np

#Bestellmethode(Bitte kommentieren Sie nur eine der beiden folgenden entsprechend der gewünschten Bestellmethode aus)
#Die Bestellmethode finden Sie im Hinweis auf dem rechten Bildschirm ②
#ot = maron.OrderType.MARKET_CLOSE #Bestellung zum Zeitpunkt des Schlusskurses am Tag nach Signalausgabe
ot = maron.OrderType.MARKET_OPEN   #Bestellung zum Zeitpunkt des Eröffnungskurses am Tag nach Signalausgabe
#ot = maron.OrderType.LIMIT        #Bestellung begrenzen

#Erwerb von Aktien und Spalten
#Die Bezeichnung der Marke ③ entnehmen Sie bitte dem Hinweis auf dem rechten Bildschirm
#Bitte beachten Sie den Hinweis auf dem rechten Bildschirm, um Spalten zu erhalten ④
def initialize(ctx):
  #Aufbau
  ctx.logger.debug("initialize() called")
  ctx.configure(
    channels={               #Kanal verwendet
      "jp.stock": {
        "symbols": [
            "jp.stock.2914", #JT(Japanische Tabakindustrie)
            "jp.stock.8766", #Tokio Marine Holdings
            "jp.stock.8031", #Mitsui Bussan
            "jp.stock.8316", #Sumitomo Mitsui Financial Group
            "jp.stock.8411", #Mizuho Financial Group
            "jp.stock.9437", #NTT Docomo
            "jp.stock.4502", #Takeda Pharmazeutische Industrie
            "jp.stock.8058", #Mitsubishi Corporation
            "jp.stock.9433", #KDDI
            "jp.stock.9432", #Nippon Telecom Telefon
            "jp.stock.7267", #Honda (Honda Giken Kogyo)
            "jp.stock.8306", #Mitsubishi UFJ Financial Group
            "jp.stock.4503", #Astellas Pharmaceutical
            "jp.stock.4063", #Shinetsu Chemische Industrie
            "jp.stock.7974", #Nintendo
            "jp.stock.6981", #Murata Seisakusho
            "jp.stock.3382", #Seven & i Holdings
            "jp.stock.9020", #East Japan Passagierbahn
            "jp.stock.8802", #Mitsubishi Estate
            "jp.stock.9022", #Tokai Passagierbahn
            "jp.stock.9984", #Softbank Group
            "jp.stock.6861", #Keyence
            "jp.stock.6501", #Hitachi, Ltd.
            "jp.stock.6752", #Panasonic
            "jp.stock.6758", #Sony
            "jp.stock.6954", #Fanac
            "jp.stock.7203", #Toyota Motor
            "jp.stock.7751", #Kanon
            "jp.stock.4452", #Kao
            "jp.stock.6098", #Rekrutieren Sie Beteiligungen
        ],
        "columns": [
          "close_price",     #Schlusskurs
          "close_price_adj", #Schlusskurs(Nach Bereinigung um Aktiensplit)
          #"volume_adj",     #Volumen
          #"txn_volume",     #Handelspreis
        ]
      }
    }
  )
  
  #Signaldefinition
  def _my_signal(data):
    #Erhalten Sie Schlusskursdaten
    cp=data["close_price_adj"].fillna(method="ffill")
    
    syms = data.minor_axis   #Bestandsliste erstellen
    dates = data.major_axis  #Datumsliste erstellen
   
    #Wo werden Daten gespeichert?
    macd = pd.DataFrame(data=0.0, columns=syms, index=dates)
    macdsignal = pd.DataFrame(data=0.0, columns=syms, index=dates)
    macdhist = pd.DataFrame(data=0.0, columns=syms, index=dates)
    rsi = pd.DataFrame(data = 0.0, columns = syms, index = dates)

    #TA-Berechnung des MACD durch Lib
    for (sym,val) in cp.items():
      macd[sym],macdsignal[sym],macdhist[sym] = ta.MACD(cp[sym])
      rsi[sym] = ta.RSI(cp[sym].values.astype(np.double), timeperiod = 10)

    
    macd_golden = (macd > macdsignal) & (macd.shift(1) < macdsignal.shift(1))
    macd_dead = (macd < macdsignal) & (macd.shift(1) > macdsignal.shift(1))
    
    #Kauf und Verkauf von Signalerzeugungsteilen
    
    buy_sig = macd_golden | (rsi < 30)
    sell_sig = macd_dead | (rsi > 70)

    #market_Erstellen Sie einen Datenrahmen namens sig, der alle Nullen enthält
    market_sig = pd.DataFrame(data=0.0, columns=syms, index=dates)
    
    #buy_1, wenn sig True ist.0、sell_Wenn sig wahr ist-1.Auf 0 setzen
    market_sig[buy_sig == True] = 1.0
    market_sig[sell_sig == True] = -1.0
    market_sig[(buy_sig == True) & (sell_sig == True)] = 0.0
    # ctx.logger.debug(market_sig)

    return {
      "MACD:g2": macd, 
      "MACDSignal:g2": macdsignal, 
      "MACDHist": macdhist, 
      "market:sig": market_sig,
    }

  #Signalregistrierung
  ctx.regist_signal("my_signal", _my_signal)

def handle_signals(ctx, date, current):  #Täglicher Verarbeitungsteil
  '''
  current: pd.DataFrame
  '''
  #initialisieren_my_Vermarkten Sie das durch das Signal erzeugte Signal_In Sig
  market_sig = current["market:sig"]
  done_syms = set([])  #Legen Sie den Typ fest, in dem Aktien gespeichert werden, für die eine Gewinnabrechnung und eine Verlustkürzung durchgeführt wurden
  none_syms = set([])  # portfolio.Legen Sie den Typ fest, in dem Marken gespeichert werden, die an Positionen nicht vorhanden sind
  # portfolio.positions(Marken, die Sie besitzen)Zielaktien(sym)Überprüfen Sie, ob es gibt
  for (sym, val) in market_sig.items():
    if sym not in ctx.portfolio.positions:
      none_syms.add(sym)
  # portfolio.positions(Marken, die Sie besitzen)Jede Marke von(sym)Überprüfen Sie, ob die Anzahl der von gehaltenen Aktien
  for (sym, val) in ctx.portfolio.positions.items():
    if val["amount"] == 0:
      none_syms.add(sym)
  #Verlustkürzung, Gewinnabrechnung(Rentabilität)Einstellungen von
  #Iterativer Prozess, um die Aktien, die Sie besitzen, einzeln zu überprüfen
  for (sym, val) in ctx.portfolio.positions.items():
    #Erwerb des Gewinn-Verlust-Verhältnisses
    returns = val["returns"]
    if returns < -0.03:  #Gewinn-Verlust-Verhältnis-3%Weniger als(Absolutwert 3%Größerer Verlust)Im Falle von
      #Verkaufsauftrag zur Verlustreduzierung
      sec = ctx.getSecurity(sym)
      sec.order(-val["amount"], comment="Verlustschnitt(%f)" % returns)
      #Das Problem, das sym zugewiesen wurde, wurde dem festgelegten Typ hinzugefügt, in dem das Problem gespeichert ist, für das eine Gewinnabrechnung und eine Verlustkürzung durchgeführt wurden.
      done_syms.add(sym)
    elif returns > 0.05:  #Gewinn-Verlust-Verhältnis+5%Wenn größer als
      #Gewinnmitnahme(Rentabilität)Bestellung verkaufen für
      sec = ctx.getSecurity(sym)
      sec.order(-val["amount"], comment="Gewinnmitnahmeverkauf(%f)" % returns)
      #Das Problem, das sym zugewiesen wurde, wurde dem festgelegten Typ hinzugefügt, in dem das Problem gespeichert ist, für das eine Gewinnabrechnung und eine Verlustkürzung durchgeführt wurden.
      done_syms.add(sym)
  buy = market_sig[market_sig > 0.0]  #Signal kaufen
  for (sym, val) in buy.items():  #Verarbeiten Sie Aktien mit Kaufsignalen nacheinander
    # done_syms oder keine_Wenn syms sym hat
    if sym in done_syms:
      continue  #Verarbeitung überspringen
    #Bestellung kaufen
    sec = ctx.getSecurity(sym)
    sec.order(sec.unit() * 1, orderType=ot, comment="SIGNAL BUY")
    #Wenn Sie das unten stehende Kaufauftragsprotokoll ausgeben möchten, kommentieren Sie dies bitte unten aus(Langfristige Vorsicht)
    #ctx.logger.debug("BUY: %s,  %f" % (sec.code(), val))
  sell = market_sig[market_sig < 0.0]  #Signal verkaufen
  for (sym, val) in sell.items():  #Verarbeiten Sie Aktien mit Verkaufssignalen nacheinander
    # done_syms oder keine_Wenn syms sym hat
    if (sym in done_syms) | (sym in none_syms):
      continue  #Verarbeitung überspringen
    #Bestellung verkaufen
    sec = ctx.getSecurity(sym)
    sec.order(sec.unit() * -1,orderType=ot, comment="SIGNAL SELL")

Abbildung 2: Algorithmus mit goldenem RSI- und MACD-Kreuz und totem Kreuz (siehe: https://factory.quantx.io/developer/6ba1eb1b748d46a18ce128fea3156282/coding / Kodierung))

RSI talib.RSI(close, timeperiod = 14)

――RSI ist ein technischer Index, der zwischen „überkauft“ und „überverkauft“ unterscheidet.

• Nehmen Sie ein Objekt vom Typ np.double vom Typ np.arrays, das den Schlusskurs und den Zeitraum angibt, der den Zeitraum als Argumente angibt.

Beispiel: In Zeile 82 des Codes in Abbildung 2.

rsi = pd.DataFrame(data = 0.0, columns = syms, index = dates)

Definieren Sie einen DataFrame, um den RSI jedes Problems zu speichern

Zur Aussage in Zeile 85

for (sym,val) in cp.items():
      rsi[sym] = ta.RSI(cp[sym].values.astype(np.double), timeperiod = 10)

Der RSI jeder Marke wird in gespeichert.

• Da cp [sym] ein Objekt vom Typ DataFrame ist, konvertieren Sie es in ein Objekt vom Typ Array mit cp [sym] .values. --Und cp [sym] .values.astype (np.double) konvertiert den Inhalt des Arrays in den Typ np.double.
• Dieses Mal nehmen wir RSI für 10 Tage, also setzen Sie Zeitperiode = 10. -Judge Kauf und Verkauf unter Bezugnahme auf "überverkauft" oder "überkauft"

MACD ta.MACD(close)

――Es handelt sich um einen technischen Index, der die Linie des gleitenden Durchschnitts anwendet und den Zeitpunkt des Kaufs und Verkaufs misst, indem die MACD-Linie und die japanische Linie der MACD-Signallinie kombiniert werden.

• Nehmen Sie ein Serienobjekt zum Schließen, in dem der Schlusskurs der Emission als Argument gespeichert ist.
• Gibt drei Objekte vom Typ DataFrame zurück

Beispiel: In den Zeilen 79-81 des Codes in Abbildung 2.

macd = pd.DataFrame(data=0.0, columns=syms, index=dates)
macdsignal = pd.DataFrame(data=0.0, columns=syms, index=dates)
macdhist = pd.DataFrame(data=0.0, columns=syms, index=dates)

Definiert einen DataFrame, in dem der Rückgabewert gespeichert wird. Zur Aussage in Zeile 85

for (sym,val) in cp.items():
      macd[sym],macdsignal[sym],macdhist[sym] = ta.MACD(cp[sym])

Nehmen Sie den Macd, Macdsignal, Macdhist jeder Marke auf.

Die Linien 90 und 91 bestimmen das goldene Kreuz und das tote Kreuz der MACD-Linie und der MACD-Signallinie.

macd_golden = (macd > macdsignal) & (macd.shift(1) < macdsignal.shift(1))
macd_dead = (macd < macdsignal) & (macd.shift(1) > macdsignal.shift(1))

Bestimmen Sie Kauf- und Verkaufssignale von MACD und RSI

buy_sig = macd_golden | (rsi < 30) #Goldenes Kreuz und überverkauft
sell_sig = macd_dead | (rsi > 70) #Totes Kreuz und überkauft

Auf diese Weise erleichtert talib die Implementierung bekannter technischer Indikatoren wie MACD und RSI.

Zusammenfassung

Dieses Mal habe ich die Methoden aufgegriffen, die häufig bei der Herstellung von Algen für Talib und Pandas verwendet werden. Ich hoffe, Sie lesen dies und erhalten ein besseres Verständnis der Algorithmen von QuantX Factory. Vielen Dank, dass Sie den schlechten Text bis zum Ende gelesen haben.

Vorsichtsmaßnahmen zum Haftungsausschluss

Bitte beachten Sie, dass wir nicht für Gewinne oder Verluste verantwortlich sind, die durch tatsächliche Transaktionen mit diesem Code / Wissen verursacht werden.