分分快3平台_用matplotlib和pandas绘制股票MACD指标图,并验证化交易策略

  • 时间:
  • 浏览:3
  • 来源:北京新闻网_北京主流媒体_北京门户网站

    我的新书《基于股票大数据分析的Python入门实战》于近日上架,在这篇博文向亲们儿介绍我的新书:《基于股票大数据分析的Python入门实战》里,介绍了这本书的内容。这里将摘录出要素内容,用以推广本书,请亲们儿多多支持。   

1 MACD指标的计算办法

     从数学宽度来分析,MACD指标是根据均线的构造原理,对股票收盘价进行平滑避免,计算出算术平均值以前再进行二次计算,它是属于趋向类指标。

    MACD指标是由三要素构成的,分别是:DIF(离差值,也叫差离值)、DEA(离差值平均)和BAR(柱状线)。

    具体的计算过程是,首先算出快速移动平均线(EMA1)和慢速移动平均线(EMA2),用这没人 数值来测量两者间的差离值(DIF),在此基础上再计算差离值(DIF)N周期的平滑移动平均线DEA(也叫MACD、DEM)线。

    如前文所述,EMA1周期参数一般取12日,EMA2一般取26日,而DIF一般取9日,在此基础上,MACD指标的计算步骤如下所示。

    第一步:计算移动平均值(即EMA)。

    12日EMA1的计算办法是:EMA(12)= 前一日EMA(12)× 11/13 + 今日收盘价 × 2/13

    26日EMA2的计算办法是:EMA(26)= 前一日EMA(26)× 25/27 + 今日收盘价 ×2 /27

    第二步:计算MACD指标中的差离值(即DIF)。

    DIF = 今日EMA(12)- 今日EMA(26)

    第三步:计算差离值的9日EMA(即MACD指标中的DEA)。用差离值计算它的9日EMA,这些 值就是 差离平均值(DEA)。

    今日DEA(MACD)= 前一日DEA × 8/10 + 今日DIF × 2/10

    第四步:计算BAR柱状线。

    BAR = 2 × (DIF - DEA)

    这里乘以2的导致 是,在不影响趋势的状况下,从数值上扩大DIF和DEA差值,没人 观察效果就更加明显。

    最后,把各点(即每个交易日)的DIF值和DEA值连接起来,就能得到在x轴上下移动的两条线,分别表示短期(即快速,EMA1,周期是12天)和长期(即慢速,EMA2,周期是26天)。就是 ,DIF和DEA的离差值能构成红、绿并与否颜色的柱状线,在x轴之上是红色,而x轴之下是绿色。

2 遍历数据表数据,绘制MACD指标

    同K线指标一样,根据不同的计算周期, MACD指标也还要能分为日指标、周指标、月指标乃至年指标。在下面的DrawMACD.py范例守护系统进程中将绘制日MACD指标,在这些 范例守护系统进程中还要能看了关于数据形态学 、图形绘制和数据库相关的操作,不可能 守护系统进程代码比较长,下面分段讲解。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    # 第没人

参数是数据,第3个参数是周期
8    def calEMA(df, term):
9        for i in range(len(df)):
10           if i==0: # 第一天
11               df.ix[i,'EMA']=df.ix[i,'close']
12           if i>0:
13              df.ix[i,'EMA']=(term-1)/(term+1)*df.ix[i-1,'EMA']+2/(term+1) * df.ix[i,'close']
14       EMAList=list(df['EMA'])
15       return EMAList

    在第8行到第15行的calEMA办法中,根据第3个参数term,计算快速(周期是12天)和慢速(周期是26天)的EMA值。

    具体步骤是,通过第9行的for循环,遍历由第没人 参数指定的DataFrame类型的df对象,根据第10行的if条件中,不可能 是第一天,则EMA值用当天的收盘价,不可能 满足第12行的条件,即与否第一天,则在第13行中根据8.3.1节的算法,计算当天的EMA值。

    请注意,在第11行和第13行中是通过df.ix的形式访问索引行(比如第i行)和指定标签列(比如EMA列)的数值,ix办法与以前loc以及iloc办法不同的是,ix办法还要能通过索引值和标签值访问,而loc以及iloc办法不还要能通过索引值来访问。计算完成后,在第14行把df的EMA列转换成列表类型的对象并在第15行返回。

16   # 定义计算MACD的办法
17   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
18       shortEMA = calEMA(df, shortTerm)
19       longEMA = calEMA(df, longTerm)
20       df['DIF'] = pd.Series(shortEMA) - pd.Series(longEMA)
21       for i in range(len(df)):
22           if i==0:         # 第一天
23               df.ix[i,'DEA'] = df.ix[i,'DIF']  # ix还要能通过标签名和索引来获取数据
24           if i>0:
25                 df.ix[i,'DEA'] = (DIFTerm-1)/(DIFTerm+1)*df.ix[i-1,'DEA'] + 2/(DIFTerm+1)*df.ix[i,'DIF']
26       df['MACD'] = 2*(df['DIF'] - df['DEA'])
27       return df[['date','DIF','DEA','MACD']]
28       # return df

    在第15行到第27行定义的calMACD办法中,将调用第8行定义的calEMA办法来计算MACD的值。具体步骤是,在第18行和第19行通过调用calEMA办法,分别得到了快速和慢速的EMA值,在第20行,用这没人 值计算DIF值。请注意,shortEMA和longEMA与否列表类型,很多还要能像第20行那样,通过调用pd.Series办法把它们转换成Series类对象后再直接计算差值。

    从第21行到第25行的守护系统进程语录,也是根据8.3.1节给出的公式计算DEA值,同样要用两条if语录区分“第一天”和“以前几天”这并与否状况,在第26行根据计算公式算出MACD的值。

    第27行返回指定的列,在顶端的代码中需用用到df对象的有随后 列,此时则还要能用如第28行所示的代码返回df的完全列。

29   try:
60

       # 打开数据库连接
31       db = pymysql.connect("localhost","root","123456","pythonStock" )
32   except:
33       print('Error when Connecting to DB.')
34       sys.exit()
35   cursor = db.cursor()
36   cursor.execute("select * from stock_60
0895")
37   cols = cursor.description        # 返回列名
38   heads = []
39   # 依次把每个cols元素中的第没人

值塞进col数组
40   for index in cols:
41       heads.append(index[0])
42   result = cursor.fetchall()
43   df = pd.DataFrame(list(result))
44   df.columns=heads
45   # print(calMACD(df, 12, 26, 9)) # 输出结果
46   stockDataFrame = calMACD(df, 12, 26, 9)

    从第29行到第35行的守护系统进程语录,建立了MySQL数据库的连接和获得游标cursor对象,在第36行中,通过select类型的SQL语录,来获取stock_60 0895表中的所有数据,如8.2节所述,这些 数据表中的数据源自雅虎网站。

    在第37行中,得到了stock_60 0895数据表的字段列表。在第40行和第41行的for循环中,把字段列表中的第0行索引元素塞进了heads。在第42行和第43行,把从stock_60 0895数据表中获取的数据塞进到df对象。在第44行的守护系统进程语录,把蕴含数据表字段列表的heads对象赋值给df对象的字段。

    执行到这里,不可能 换成第45行打印语录的注解,就能看了第一列输出的是字段名列表,以随后按天输出与MACD有关的股票指标数据。

    在第46行调用了calMACD办法,并把结果赋值给stockDataFrame对象,以前就还要能根据stockDataFrame对象中的值刚开始绘图。

47   # 刚开始绘图
48   plt.figure()
49   stockDataFrame['DEA'].plot(color="red",label='DEA')
60

   stockDataFrame['DIF'].plot(color="blue",label='DIF')
51   plt.legend(loc='best')    # 绘制图例
52   # 设置MACD柱状图
53   for index, row in stockDataFrame.iterrows():
54       if(row['MACD'] >0):   # 大于0则用红色
55           plt.bar(row['date'], row['MACD'],width=0.5, color='red')
56       else:                               # 小于等于0则用绿色
57           plt.bar(row['date'], row['MACD'],width=0.5, color='green')
58   # 设置x轴坐标的标签和旋转宽度
59   major_index=stockDataFrame.index[stockDataFrame.index%10==0]
60
   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
61   plt.xticks(major_index,major_xtics)
62   plt.setp(plt.gca().get_xticklabels(), rotation=60

)
63   # 带网格线,且设置了网格样式
64   plt.grid(line)
65   plt.title("60
0895张江高科的MACD图")
66   plt.rcParams['axes.unicode_minus'] = False
67   plt.rcParams['font.sans-serif']=['SimHei']
68   plt.show()

    在第49和第60 行中通过调用plot办法,以折线的形式绘制出DEA和DIF第两根线,在第51行中设置了图例。

    在第53行到第57行的for循环中,以柱状图的形式依次绘制了每天的MACD值的柱状线,这里用第54行和第56行的if…else语录进行区分,不可能 row['MACD']大于0,则MACD柱是红色,反之是绿色。

    从第59行到第61行的守护系统进程语录设置了x轴的标签,不可能 显示每天的日期,没人x轴上的文字会过于密集,很多在第59行和第60 行进行相应的避免,只显示stockDataFrame.index%10==0(即索引值是10的倍数)的日期。

    在第62行设置了x轴文字的旋转宽度,在第64行设置了网格的式样,在第65行设置了标题文字,最后在第68行通过调用show办法绘制了整个图形。

    请注意,不可能 不编写第66行的守护系统进程语录,没人y轴标签值里的负号就不需要显示,没人 显示结果就不正确了。读者还要能把这条语录注释掉后,再运行一下,看看结果怎么都可以。

     至此,亲们儿实现了计算并绘制MACD指标线的功能,读者应该掌握了怎么都可以获得指定股票在指定时间段内的交易数据,而后还要能稍微改写上述的范例守护系统进程,绘制出有随后 股票在指定时间范围内的MACD走势图。

3 MACD与K线均线的整合效果图

     MACD是趋势类指标,不可能 把它与K线和均线整合到同时语录,就能更好地看出股票走势的“趋势性”。在下面的DrawKwithMACD.py范例守护系统进程中示范了整合它们的效果,不可能 守护系统进程代码比较长,因而在下面的分析中略去了有随后 以前分析过的重复代码,读者还要能从本书提供下载的范例守护系统进程中看了完全的代码。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    from mpl_finance import candlestick2_ochl
8    from matplotlib.ticker import MultipleLocator
9    # 计算EMA的办法,第没人

参数是数据,第3个参数是周期
10   def calEMA(df, term):
11       # 省略具体实现,请参考本书提供下载的完全范例守护系统进程
12   # 定义计算MACD的办法
13   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
14       # 省略顶端的计算过程,请参考本书提供下载的完全范例守护系统进程
15       return df

    从第3行到第8行的守护系统进程语录通过import语录导入了必要的依赖包,第10行定义的calEMA办法和DrawMACD.py范例守护系统进程中的完全一致,很多就省略了该办法结构的代码。第13行定义计算MACD的calMACD办法和DrawMACD.py范例守护系统进程中的同名办法也完全一致,但在最后的第15行,是通过return语录返回整个df对象,而与否返回仅仅蕴含MACD指标的相关列,这是不可能 ,在后文中需用股票的开盘价等数值来绘制K线图。

16   try:
17       # 打开数据库连接
18       db = pymysql.connect("localhost","root","123456","pythonStock" )
19   except:
20       print('Error when Connecting to DB.')
21       sys.exit()
22   cursor = db.cursor()
23   cursor.execute("select * from stock_60
0895")
24   cols = cursor.description        # 返回列名
25   heads = []
26   # 依次把每个cols元素中的第没人

值塞进col数组
27   for index in cols:
28       heads.append(index[0])
29   result = cursor.fetchall()
60

   df = pd.DataFrame(list(result))
31   df.columns=heads
32   # print(calMACD(df, 12, 26, 9)) # 输出结果
33   stockDataFrame = calMACD(df, 12, 26, 9)

    从第16行到第33行的守护系统进程语录把需用的数据塞进了stockDataFrame这些 DataFrame类型的对象中,以前就还要能根据其中的数据画图了,这段守护系统进程代码以前分析过,就不再重复讲述了。

34   # 刚开始绘图,设置大小,共享x坐标轴
35   figure,(axPrice, axMACD) = plt.subplots(2, sharex=True, figsize=(15,8))
36   # 调用办法绘制K线图
37   candlestick2_ochl(ax = axPrice, opens=stockDataFrame["open"].values, closes = stockDataFrame["close"].values, highs=stockDataFrame["high"].values,  lows = stockDataFrame["low"].values, width=0.75, colorup='red', colordown='green')
38   axPrice.set_title("60
0895张江高科K线图和均线图")   # 设置子图的标题
39   stockDataFrame['close'].rolling(window=3).mean().plot(ax=axPrice,color="red",label='3日均线')
40   stockDataFrame['close'].rolling(window=5).mean().plot(ax=axPrice,color="blue",label='5日均线')
41   stockDataFrame['close'].rolling(window=10).mean().plot(ax=axPrice,color="green",label='10日均线')
42   axPrice.legend(loc='best')       # 绘制图例
43   axPrice.set_ylabel("价格(单位:元)")
44   axPrice.grid(line)     # 带网格线

    从第34行到第44行的守护系统进程语录绘制了指定时间范围内“张江高科”股票的K线图和均线,这要素代码和第7章drawKMAAndVol.py范例守护系统进程中实现同类功能的代码很同类,有差别的是在第35行,第3个子图的名字设置为“axMACD”,在第44行中通过linestyle设置了网格线的样式。

45   # 刚开始绘制第3个子图
46   stockDataFrame['DEA'].plot(ax=axMACD,color="red",label='DEA')
47   stockDataFrame['DIF'].plot(ax=axMACD,color="blue",label='DIF')
48   plt.legend(loc='best')    # 绘制图例
49   # 设置第3个子图中的MACD柱状图
60

   for index, row in stockDataFrame.iterrows():
51       if(row['MACD'] >0):   # 大于0则用红色
52           axMACD.bar(row['date'], row['MACD'],width=0.5, color='red')
53       else:                               # 小于等于0则用绿色
54           axMACD.bar(row['date'], row['MACD'],width=0.5, color='green')
55   axMACD.set_title("60
0895张江高科MACD")   # 设置子图的标题
56   axMACD.grid(line)                # 带网格线
57   # xmajorLocator = MultipleLocator(10)    # 将x轴的主刻度设置为10的倍数
58   # axMACD.xaxis.set_major_locator(xmajorLocator)
59   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
60
   axMACD.set_xticks(major_xtics)
61   # 旋转x轴显示文字的宽度
62   for xtick in axMACD.get_xticklabels():
63       xtick.set_rotation(60

)
64   plt.rcParams['font.sans-serif']=['SimHei']
65   plt.rcParams['axes.unicode_minus'] = False
66   plt.show()

    在上述守护系统进程代码中,在axMACD子图内绘制了MACD线,不可能 是在子图内绘制,就是 在第46行和第47行绘制DEA和DIF折线的以前,需用在参数里通过“ax=axMACD”的形式指定所在的子图。

    在第59行和第60 行中设置了axMACD子图中的x轴标签,不可能 在第35行中设置了axPrice和axMACD两子图是共享x轴,就是 K线和均线所在子图的x轴刻度会和MACD子图中的一样。不可能 是在子图中,很多需用通过第62行和第63行的for循环依次旋转x轴坐标的标签文字。

    在这段代码中着实给出了并与否设置x轴标签的办法。不可能 注释掉第59行和第60 行的代码,并换成第57行和第58行的注释,会发现效果是相同的。

    需用说明的是,着实在第57行和第59行的代码中并没人指定标签文字,但在第37行调用candlestick2_ochl办法绘制K线图时,会设置x轴的标签文字,很多依然能看了x轴上日期的标签。运行这些 范例守护系统进程后,结果如图所示。

4 MACD指标的指导意义

    根据MACD各项指标的含义,还要能通过DIF和DEA两者的值、DIF和DEA指标的交叉状况(比如金叉或死叉)以及BAR柱状图的长短与收缩的状况来判断当前股票的趋势。

    如下两点是根据DIF和DEA的数值状况以及它们在x轴上下的位置来选择股票的买卖策略。

    第一,当DIF和DEA两者的值均大于0(在x轴之上)并向上移动时,一般表示当前指在多头行情中,建议还要能买入。反之,当两者的值均小于0且向下移动时,一般表示指在空头行情中,建议卖出或观望。

    第二,当DIF和DEA的值均大于0但与否向下移动时,一般表示为上涨趋势即将刚开始,建议还要能卖出股票或观望。同理,当两者的值均小于0,但在向上移动时,一般表示股票将上涨,建议还要能持续关注或买进。

    如下四点是根据DIF和DEA的交叉状况来决定买卖策略。

    第一,DIF与DEA都大于0就是 DIF向上突破DEA时,说明当前指在强势阶段,股价再次上涨的不可能 性比较大,建议还要能买进,这就是 所谓MACD指标黄金交叉,也叫华叉。

    第二,DIF与DEA都小于0,但此时DIF向上突破DEA时,表明股市着实当前不可能 仍然指在跌势,但即将转强,建议还要能刚开始买进股票不可能 重点关注,这也是MACD金叉的并与否形式。

    第三,DIF与DEA着实都大于0,但而DIF却向下突破DEA时,这说明当前有不可能 从强势转变成弱势,股价有不可能 会跌,此时建议看不可能 就卖出,这就是 所谓MACD指标的死亡交叉,也叫死叉。

    第四,DIF和DEA都小于0,在这些 状况下又指在了DIF向下突破DEA的状况,这说明不可能 进入下一阶段的弱势中,股价有不可能 继续下跌,此时建议卖出股票或观望,这也是MACD死叉的并与否形式。

    如下两点是根据MACD中BAR柱状图的状况来决定买卖策略。

    第一,红柱持续放大,这说明当前指在多头行情中,此时建议买入股票,直到红柱无法再进一步放大时才考虑卖出。相反,不可能 绿柱持续放大,这说明当前指在空头行情中,股价有不可能 继续下跌,此时观望或卖出,直到绿柱刚开始缩小时要能考虑买入。

    第二,当红柱逐渐消失而绿柱逐渐突然总出 时,这表明当前的上涨趋势即将刚开始,有不可能 刚开始加速下跌,这时建议还要能卖出股票不可能 观望。反之,当绿柱逐渐消失而红柱刚开始突然总出 时,这说明下跌行情即将或不可能 刚开始,有不可能 刚开始加速上涨,此时还要能刚开始买入。

    着实说MACD指标对趋势的分析有一定的指导意义,但它同时也指在一定的盲点。

    比如,当没人形成明显的上涨或下跌趋势时(即在盘整阶段),DIF和DEA这没人 指标会频繁地突然总出 金叉和死叉的状况,这时不可能 没人形成趋势,就是 金叉和死叉的指导意义不需要明显。

    又如,MACD指标是对趋势而言的,从中无法看出未来时间段内价格上涨和下跌的幅度。比如在图8-11中,股票“张江高科”在价格高位时,DIF的指标在2左右,但有随后 股票在高位时,DIF的指标甚至会超过5。

也却语录,无法根据DIF和DEA数值的大小来判断股价会不需要进一步涨或进一步跌。有时看似DIF和DEA到达没人 高位,但不可能 当前上涨趋势强劲,股价会继续上涨,同时这没人 指标会进一步上升,反之亦然。

    就是 ,在实际使用中,投资者还要能用MACD指标结合有随后 技术指标,比如以前提到的均线,从而能对买卖信号进行多重确认。

5 验证基于柱状图和金叉的买点

    在CalBuyPointByMACD.py范例守护系统进程中将根据如下原则来验证买点:DIF向上突破DEA(突然总出 金叉),且柱状图在x轴顶端(即当前是红柱状况)。

    在这些 范例守护系统进程中,用的是股票“金石资源(代码为60 360 5)从2018年9月到2019年5月的交易数据,守护系统进程代码如下。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # 第没人

参数是数据,第3个参数是周期
7    def calEMA(df, term):
8      # 省略办法内的代码,请参考本书提供下载的完全范例守护系统进程
9    # 定义计算MACD的办法
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略顶端计算过程的代码,最后返回的是df,请参考本书提供下载的完全范例守护系统进程
12       return df

    上述代码的calEMA和calMACD办法和8.3.4节的范例守护系统进程中的代码完全一致,很多就不再重复讲述了。

13	def getMACDByCode(code):
14	    try:
15	        # 打开数据库连接
16	        db = pymysql.connect("localhost","root","123456","pythonStock" )
17	    except:
18	        print('Error when Connecting to DB.')
19	        sys.exit()  
20	    cursor = db.cursor()
21	    cursor.execute('select * from stock_'+code)
22	    cols = cursor.description  	# 返回列名
23	    heads = []
24	    # 依次把每个cols元素中的第没人

值塞进col数组
25	    for index in cols:
26	        heads.append(index[0])
27	    result = cursor.fetchall()
28	    df = pd.DataFrame(list(result))
29	    df.columns=heads
60

	    stockDataFrame = calMACD(df, 12, 26, 9)
31	    return stockDataFrame

    第13行刚开始的getMACDByCode办法蕴含有了从数据表中获取的股票交易数据并返回MACD指标的代码, 这要素守护系统进程代码与以前DrawKwithMACD.py范例守护系统进程中的守护系统进程也非常同类,只不过在第21行中是根据股票代码来动态地拼接select语录。该办法在第31行中返回蕴含MACD指标的stockDataFrame对象。

32	# print(getMACDByCode('60
360

5')) 	# 可去除这条语录的注解以确认数据
33	stockDf = getMACDByCode('60
360

5')
34	cnt=0
35	while cnt<=len(stockDf)-1:
36	    if(cnt>=60

):		# 前几天有误差,从第60

天算起
37	        try:
38	            # 规则1:这天DIF值上穿DEA
39	            if stockDf.iloc[cnt]['DIF']>stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']<stockDf.iloc[cnt-1]['DEA']:
40	                #规则2:突然总出

红柱,即MACD值大于0
41	                if stockDf.iloc[cnt]['MACD']>0:
42	                    print("Buy Point by MACD on:" + stockDf.iloc[cnt]['date'])
43	        except:
44	            pass
45	    cnt=cnt+1

    不可能 换成第32行打印语录的注释,执行后就能确认数据。在第35行到第45行的while循环中,依次遍历了每个交易日的数据。有数据计算的误差,很多在这些 范例守护系统进程中通过第36行的if语录排除了随后开始29天的数据,从第60 天算起。

    在第39行的if条件语录中制定了第没人 规则,前没人 交易日的DIF小于DEA,就是 当天DIF大于DEA,即突然总出 上穿金叉的什么的问题。在第41行的if条件语录中制定了第3个规则,即突然总出 金叉的当日,MACD指标需用大于0,即当前BAR柱是红柱状况。运行这些 范例守护系统进程以前,就能看了如下输出的买点。

    Buy Point by MACD on:2018-10-31

    Buy Point by MACD on:2019-01-09

    Buy Point by MACD on:2019-03-18

    Buy Point by MACD on:2019-04-04

    Buy Point by MACD on:2019-04-19

    下面改写一下以前的范例守护系统进程,把股票代码改成60 360 5,把股票名称改为“金石资源”,运行后即可看了如图所示的结果图。 

    根据图中的价格走势,在表中列出了各买点的确认状况。

表  基于MACD得到的买点状况确认表

买点

对买点的分析

正确性

2018-10-31

该日突然总出 DIF金叉,且Bar不可能 在红柱状况,后市有涨。

正确

2019-01-09

该日突然总出 DIF金叉,且Bar柱刚开始逐渐变红,后市有涨。

正确

2019-03-18

该日着实突然总出 金叉,Bar柱也刚开始变红,但以前几天Bar交替突然总出 红柱和绿柱状况,后市在下跌后,突然总出 上涨状况。

不明确

2019-04-04

该日在突然总出 金叉的同时,Bar柱由绿转红。但以前若干交易随后突然总出 死叉,且Bar柱又转绿,后市下跌。

不正确

2019-04-19

突然总出 金叉,且Bar柱由绿柱一下子变很长,后市有涨。

正确

    根据这些 范例守护系统进程的运行结果,还要能得到的结论是:通过MACD指标的确能算出买点,但以前也说过,MACD有盲点,在盘整阶段,趋势没人形成时,此时金叉的指导意义就与否很明显,甚至是错误的。

6 验证基于柱状图和死叉的卖点

    参考MACD指标,与8.4.2节描述的状况相反,不可能 突然总出 如下状况,则还要能卖出股票:DIF向下突破DEA(突然总出 死叉),且柱状图向下运动(红柱缩小或绿柱变长)。下面通过股票“士兰微”(代码为60 0460 )从2018年9月到2019年5月的交易数据来验证卖点。

    先来做如下的准备工作:在MySQL的pythonStock数据库中创建stock_60 0460 数据表,在以前介绍的InsertDataFromYahoo.py范例守护系统进程中,把股票代码改为60 0460 ,运行后即可在stock_60 0460 数据表中看了指定时间范围内的交易数据。

    验证MACD指标卖点的CalSellPointByMACD.py范例守护系统进程与以前CalBuyPointByMACD.py范例守护系统进程很同类,下面只分析不同的守护系统进程代码要素。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # calEMA办法中的代码没人变
7    def calEMA(df, term):
8        # 省略办法内的守护系统进程代码,请参考本书提供下载的完全范例守护系统进程
9    # 定义计算MACD的办法内的守护系统进程代码也没人变
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略办法内的守护系统进程代码,请参考本书提供下载的完全范例守护系统进程
12   def getMACDByCode(code):
13       # 和CalBuyPointByMACD.py范例守护系统进程中的守护系统进程代码一致
14   stockDf = getMACDByCode('60
0460
')
15   cnt=0
16   while cnt<=len(stockDf)-1:
17       if(cnt>=60

):         # 前几天有误差,从第60

天算起
18           try:
19               # 规则1:这天DIF值下穿DEA
20               if stockDf.iloc[cnt]['DIF']<stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']>stockDf.iloc[cnt-1]['DEA']:
21                   # 规则2:Bar柱与否向下运动
22                   if stockDf.iloc[cnt]['MACD']<stockDf.iloc[cnt-1]['MACD']:
23                       print("Sell Point by MACD on:" + stockDf.iloc[cnt]['date'])
24           except:
25               pass
26       cnt=cnt+1

    上述代码中的calEMA、calMACD和getMACDByCode没人 办法和CalBuyPointByMACD.py范例守护系统进程中的代码完全一致,很多本节仅仅是给出了哪几种办法的定义,不再重复讲述了。

    在第14行中通过调用getMACDByCode办法,获取了60 0460 (士兰微)的交易数据,其蕴含有了MACD指标数据。在第16行到第26行的while循环中通过遍历stockDf对象,计算卖点。

    具体的步骤是,通过第17行的if条件语录排除了误差比较大的数据,随后 通过第20行的if语录判断当天与否突然总出 了DIF死叉的状况,即前没人 交易日的DIF比DEA大,但当前交易日DIF比DEA小。

    当满足这些 条件时,再通过第22行的if语录判断当天的Bar柱数值与否小于以前的,即判断Bar柱与否在向下运动。当满足这没人 条件时,通过第23行的代码输出建议卖出股票的日期。运行这些 范例守护系统进程代码后,可看了如下输出的卖点。

    Sell Point by MACD on:2018-10-11

    Sell Point by MACD on:2018-11-29

    Sell Point by MACD on:2018-12-06

    Sell Point by MACD on:2019-02-28

    Sell Point by MACD on:2019-04-04

再修改前文提到的DrawKwithMACD.py范例守护系统进程,把股票代码改为60 0460 ,把股票名称改成“士兰微”,运行后即可看了如图所示的结果图。

     图  股票“士兰微”的K线、均线整合MACD的走势图

    再根据价格走势,在表中列出了各卖点的确认状况。

表  基于MACD得到的卖点状况确认表

卖点

对卖点的分析

正确性

2018-10-11

1. 该日突然总出 DIF死叉,且DIF和DEA均在x轴下方,Bar由红转绿,且绿柱持续扩大。

2. 着实能验证该点付进 指在弱势,但不可能 此点不可能 指在弱势,很多前市价位跌幅不大。

不明确

2018-11-29

1. 在DIF和DEA上行过程中突然总出 死叉。

2. Bar柱从红转绿,后市股价有一定幅度的下跌。

正确

2018-12-06

在11月29日的卖点基础上,再次突然总出 死叉,且Bar柱没人向上运动的趋势,很多进一步确认了弱势行情,甜得后市股价有一定幅度的下跌。

正确

2019-02-28

1. 着实突然总出 死叉,但前后几天DIF和DEA均在向上运动。这说明强势并没人刚开始。

2. Bar柱着实变绿,但变绿的幅度非常小。

3. 后市价格与否下跌,就是 上涨了。

不正确

2019-04-04

1. DIF和DEA在x轴顶端突然总出 死叉,说明强势行情有不可能 即将刚开始。

2. Bar柱由红刚开始转绿。

3. 后市价位突然总出 一波短暂反弹,这还要能理解成强势的刚开始,以前突然总出 下跌,且下跌幅度不小。

正确

    从上述的验证结果可知,从MACD指标中能看出股价发展的趋势,当从强势刚开始转弱时,不可能 没人有随后 利庆贺,还要能考虑观望或适当卖出股票。

    在通过MACD指标确认趋势时,应当从DIF和DEA的数值、运动趋势(即金叉或死叉的状况)和Bar柱的运动趋势等方面综合评判,而不还要能简单割裂地通过单个因素来考虑。

    就是 ,影响股价的因素非常多,在选股时,应当从资金面、消息面和指标的技术面等因素综合考虑,哪怕在指标的技术面,也应当结合多项技术指标综合考虑。如前文所述,单个指标难免突然总出 盲点,当遇到盲点时与否不可能 突然总出 风险而误判。

7 总结和版权说明

    上述内容是摘自我的书,《基于股票大数据分析的Python入门实战 视频教学版》,京东链接:https://item.jd.com/69241653952.html。

    

    在我的博客里,与否其它相关介绍本书的文章,链接如下。

    本文可转载,但请标明出处,同时请全文转载,别根据自身需用在转载时恶意完全本文