[Systemhandel] Ich habe versucht, mit dem zerlegten stochastischen Oszillator mit Python ♬ zu spielen

Durch Zerlegen des stochastischen Oszillators zum Zwecke der Rauschunterdrückung versuchen wir, den Kauf anhand von Schwankungen in einem längeren Zyklus abzulesen. Ohne Backtesting sind die Höhen und Tiefen der Aktie klar zu kaufen und zu verkaufen. 【Referenz】 ① [Einführung in den Systemhandel] Ich habe stc mit Python gezeichnet und damit gespielt ♬

Was ich getan habe

・ Zerlegen integrieren · Was ist das Ergebnis?

・ Zerlegen integrieren

Der eingebaute ist wie folgt Die zu verwendende Bibliothek entspricht der in Referenz shown gezeigten, und der doppelte Code in Referenz ① wird weggelassen.

...
import matplotlib.pyplot as plt
...
import statsmodels.api as sm
from statsmodels.tsa.seasonal import STL

def...

Die Datenerfassung ist wie folgt, aber definieren Sie series = ..., um die Zerlegung vorzubereiten.

stock = '6758.JP' #sony6758 Jal 9201 Sumitomo Mitsui Financial 8316 docomo 9437
start = dt.date(2020,1,1)
end = dt.date(2020,6,5)
df = pd.DataFrame(get_stock(stock, start, end))
series = df['Close']
print(series)

Und schließlich zerlegen. Zeichnen Sie die Situation in der Grafik auf.

cycle, trend = sm.tsa.filters.hpfilter(series, 144)
fig, ax = plt.subplots(3,1)
ax[0].plot(series)
ax[0].set_title('close')
ax[1].plot(trend)
ax[1].set_title('Trend')
ax[2].plot(cycle)
ax[2].set_title('Cycle')
plt.savefig("./stock/close_%K%D_{}_now.png ".format(stock))
plt.pause(1)
plt.close()

Das Ergebnis ist unten dargestellt, wobei die Trenddaten brillant entrauscht sind. Als Merkmal ist die Abweichung vom beobachteten Trend auch dann groß, wenn der Aktienkurs stark fällt. Man kann sagen, dass die Bora groß ist.

• Obwohl es vom ursprünglichen Artikel Cycle genannt wurde, wurde es in Deviation geändert. Verschieben Sie dann den Trend mit entferntem Rauschen zurück zu df ['Schließen'].

df['Close']=trend

Wenn Sie dies für Hoch und Niedrig tun, erhalten Sie das folgende Diagramm. Hoch, Niedrig und Schließen können separat angezeigt werden. Berechnen Sie dann mit demselben Code wie beim letzten Mal% K und% D mit den auf diese Weise erhaltenen Daten und zeichnen Sie.

df['%K'] = STOK(df['Close'], df['Low'], df['High'], 14)
df['%D'] = STOD(df['Close'], df['Low'], df['High'], 14)

Ich habe die Grafik so einfach wie unten. Damit scheint es keine Fehler beim Kauf oder Verkauf zu geben. ** 6758 Sony; Risikobereich, Risikobereich überkaufen, also nicht kaufen **

· Was ist das Ergebnis?

Alles ist einfach geworden! Offensichtlich können Sie kaufen und verkaufen, ohne einen Fehler zu machen. ** 8316 Sumitomo Mitsui Financial; Überhöhte Fläche, Verkaufsszene bald? ** ** ** ** 9201 Japan Airlines; Überhöhter Risikobereich, Verkaufsszene bald? ** ** ** ** 9437 NTT Docomo; Risikobereich einer übermäßigen Senkung, Kaufszene bald? ** ** **

Zusammenfassung

・ Ich habe versucht, Rauschen mit der Zerlegungsfunktion aus dem stochastischen Oszillator zu entfernen. ・ Die Grafik hat sich monoton geändert, was den Kauf und Verkauf erleichtert.

・ Eigentlich wollen wir uns bewerben ・ Wenden wir es auf den kurzfristigen Handel an, z. B. auf Minutenbalken ・ Wenden wir es automatisch auf alle Aktien an und indexieren den Index zum Zeitpunkt des Kaufs und Verkaufs

Bonus

・ Kurzfristiger Handel

Im Gegenteil, kurzfristiger Handel mit täglichen Höhen und Tiefen scheint mit Deviation möglich zu sein, also habe ich es versucht. Als ich es versuchte, wurde es wie folgt. Dies ist in Ordnung, und es ist zweifelhaft, dass die Werte High, Low und Close tatsächlich in dieser hierarchischen Beziehung stehen (es scheint, dass dies nicht garantiert ist, da% K und% D den Bereich von 0 bis 100 überschreiten). Es ist immer noch einen Versuch wert, aber es ist keine Garantie dafür, was mit den Charts zu tun ist, die Sie erhalten. Ergebnisse von 6758 Ergebnisse von 9437