体育网站建设的必要性,外部门户网站首页,wordpress表单提交邮件通知,阿里云oss建站 直接上传wordpressPython实现EMV指标计算#xff1a;股票技术分析的利器系列#xff08;2#xff09; 介绍算法解释#xff1a; 核心代码#xff1a;rolling函数介绍 完整代码#xff1a;一定要看 介绍
先看看官方介绍#xff1a; EMV(简易波动指标#xff09; 用法 1.EMV 由下往上穿越… Python实现EMV指标计算股票技术分析的利器系列2 介绍算法解释 核心代码rolling函数介绍 完整代码一定要看 介绍
先看看官方介绍 EMV(简易波动指标 用法 1.EMV 由下往上穿越0 轴时视为中期买进信号 2.EMV 由上往下穿越0 轴时视为中期卖出信号 3.EMV 的平均线穿越0 轴产生假信号的机会较少 4.当ADX 低于±DI时本指标失去效用 5.须长期使用EMV指标才能获得最佳利润。 算法解释
VOLUME:MA(VOL,N)/VOL;
MID:100*(HIGHLOW-REF(HIGHLOW,1))/(HIGHLOW);
EMV:MA(MID*VOLUME*(HIGH-LOW)/MA(HIGH-LOW,N),N);
MAEMV:MA(EMV,M);指标描述计算方法MA (Moving Average)移动平均线通过计算一段时间内的价格平均值来观察价格的长期趋势。VOLUME成交量指在某一时间段内股票交易的总量。成交量通常被认为是价格走势的重要指标之一。MID价格中点用于衡量价格在一个周期内的相对位置。计算方式为100*(最高价最低价-上一周期的最高价最低价)/(最高价最低价)。EMV (Ease of Movement)动量潜在指标通过价格变动和成交量的变化率之间的关系来计算用于衡量价格相对于成交量的变化速度。MAEMVEMV的移动平均值通过计算EMV的移动平均线可以进一步平滑数据更好地观察价格走势的长期趋势。
这些数据都依赖于收盘价格。我们找一个股票进行参考 核心代码
data包含股票数据的DataFrame。n用于计算移动平均值的窗口大小。m用于计算MAEMV的窗口大小。
执行步骤
计算VOLUME首先计算成交量的移动平均值并将其除以原始成交量得到VOLUME。计算MID根据公式计算价格中点MID。计算EMV根据给定的数据计算EMV值。这里使用了价格中点、VOLUME以及价格波动范围的移动平均值。计算MAEMV计算EMV的移动平均值以平滑数据。
返回四个Series对象分别是VOLUME、MID、EMV和MAEMV。 def calculate_EMV(data, n, m):# 计算VOLUMEdata[MA_VOL] data[VOL].rolling(windown).mean()data[VOLUME] data[MA_VOL] / data[VOL]# 计算MIDdata[MID] 100 * (data[HIGH] data[LOW] - data[HIGH].shift(1) - data[LOW].shift(1)) / (data[HIGH] data[LOW])# 计算EMVdata[HL_MA] data[HIGH] - data[LOW]data[MA_HL] data[HL_MA].rolling(windown).mean()data[EMV] data[MID] * data[VOLUME] * data[HL_MA] / data[MA_HL]data[EMV] data[EMV].rolling(windown).mean()# 计算MAEMVdata[MAEMV] data[EMV].rolling(windowm).mean()return data[VOLUME], data[MID], data[EMV], data[MAEMV]rolling函数介绍
rolling 函数通常与其他函数如 mean、sum、std 等一起使用以计算滚动统计量例如滚动均值、滚动总和等。
以下是 rolling 函数的基本语法
DataFrame.rolling(window, min_periodsNone, centerFalse, win_typeNone, onNone, axis0, closedNone)window: 用于计算统计量的窗口大小。min_periods: 每个窗口最少需要的非空观测值数量。center: 确定窗口是否居中默认为 False。win_type: 窗口类型例如 None、boxcar、triang 等默认为 None。on: 在数据帧中执行滚动操作的列默认为 None表示对整个数据帧执行操作。axis: 执行滚动操作的轴默认为 0表示按列执行操作。closed: 确定窗口的哪一端是闭合的默认为 None。
完整代码
import pandas as pddef calculate_EMV(data, n, m):# 计算VOLUMEdata[MA_VOL] data[VOL].rolling(windown).mean()data[VOLUME] data[MA_VOL] / data[VOL]# 计算MIDdata[MID] 100 * (data[HIGH] data[LOW] - data[HIGH].shift(1) - data[LOW].shift(1)) / (data[HIGH] data[LOW])# 计算EMVdata[HL_MA] data[HIGH] - data[LOW]data[MA_HL] data[HL_MA].rolling(windown).mean()data[EMV] data[MID] * data[VOLUME] * data[HL_MA] / data[MA_HL]data[EMV] data[EMV].rolling(windown).mean()# 计算MAEMVdata[MAEMV] data[EMV].rolling(windowm).mean()return data[VOLUME], data[MID], data[EMV], data[MAEMV]# 示例数据数据可以参考附件文件这里就展示一部分
data {HIGH: [35.6, 36.74, 38.21, 38.32, 38.2, 37.77, 38.88, 38.65, 38.8, 42.63, 37.75, 37.85, 37.74, 39.97, 38.88, 38.5, 39.07, 38.35, 36.33, 36.5, 38.3, 35.06, 35.66, 35.5, 33.76, 32.0, 34.0, 35.39, 35.1, 35.36, 33.74, 34.25, 37.41, 38.76, 39.0, 37.4, 36.83, 36.99, 37.45, 36.3, 36.4, 36.25, 36.21, 34.95, 33.29, 33.55, 33.05, 32.38, 34.38, 34.01, 34.01, 34.0, 36.3, 33.69, 32.36, 32.96, 32.51, 33.86, 33.44, 32.87, 32.23, 32.68, 31.26, 29.7, 28.36, 28.2, 27.25, 27.1, 27.98, 28.18, 28.36, 27.84, 26.85, 26.03, 25.68, 24.9, 24.98, 24.69, 25.33, 24.95, 23.98, 23.71, 22.87, 23.55, 23.6, 23.38, 22.82, 22.34, 23.99, 24.46, 22.47, 21.39, 20.36, 19.73, 19.44, 18.06, 17.17, 18.15, 17.31],LOW: [32.89, 33.08, 36.43, 35.97, 36.4, 35.13, 36.3, 37.0, 37.27, 37.91, 35.88, 35.64, 35.9, 36.3, 37.52, 37.28, 36.4, 37.0, 33.34, 32.65, 34.6, 33.0, 32.8, 33.58, 30.8, 30.4, 30.5, 33.02, 33.09, 33.5, 32.72, 32.8, 35.0, 36.51, 36.22, 35.75, 35.84, 35.65, 35.89, 35.37, 35.45, 35.34, 34.38, 32.91, 32.33, 32.43, 32.34, 31.34, 31.3, 33.09, 32.81, 33.04, 34.11, 31.88, 31.72, 32.04, 31.68, 32.37, 32.35, 31.9, 31.8, 30.0, 29.07, 27.96, 27.01, 26.6, 25.89, 26.36, 26.4, 27.09, 27.68, 26.85, 24.7, 25.29, 24.48, 23.77, 23.72, 23.5, 24.0, 23.59, 23.0, 22.63, 21.85, 21.88, 22.7, 21.39, 21.2, 21.21, 21.7, 22.55, 20.84, 20.15, 18.82, 18.41, 17.48, 16.43, 15.3, 15.88, 15.5],VOL: [45580764, 54578742, 75472698, 55958044, 43471376, 39089870, 65993166, 51725987, 59664851, 95828287, 64692075, 54151833, 54581088, 75630350, 40636266, 32590643, 46535705, 32208972, 65659275, 67488698, 57100011, 37509303, 44494331, 42006720, 56294769, 34236402, 57346512, 52584472, 46156969, 37854741, 30233442, 36844909, 74136219, 93002594, 72105475, 50722258, 30929788, 37269600, 32723194, 27491825, 26022766, 29478877, 37061997, 48042058, 22018987, 18617008, 16107171, 24764608, 47160698, 27157282, 27117523, 19243785, 55337568, 46107093, 22111567, 26169489, 18677657, 33233951, 22255922, 16218969, 11992250, 20560729, 37683555, 33974856, 28911947, 30993108, 23882463, 16380457, 38697438, 33720984, 33462661, 24071288, 40303016, 19186983, 26433462, 26414742, 36953528, 29789634, 54935510, 43667255, 28811811, 39282170, 38366540, 76358853, 40857274, 33171789, 44004578, 35894397, 70170103, 110181175, 62916228, 44189093, 46894875, 46711694, 45525470, 50214148, 56091415, 68644768, 78480358]
}# 转换为DataFrame
df pd.DataFrame(data)# 设置参数
N 14
M 9# 计算指标
volume, mid, emv, maemv calculate_EMV(df, N, M)print(VOLUME:)
print(volume)
print(\nMID:)
print(mid)
print(\nEMV:)
print(emv)
print(\nMAEMV:)
print(maemv)
四舍五入后就是 -2.235和图片一致了数据越多指标小数点末尾也会随之变化 一定要看
EMV 指标的准确性取决于所选择的窗口大小以及市场的波动性。一般来说窗口大小越大需要的数据量也就越多才能获得更准确的结果。
通常来说为了获得相对准确的 EMV 指标至少需要足够长的时间序列数据以便考虑到市场的变化和波动性。具体来说EMV 的准确性至少需要数月甚至数年的数据这样可以更好地捕捉到市场的长期趋势和周期性变化。
然而对于具体的市场和交易策略可能需要进行测试和优化以确定合适的窗口大小和所需的历史数据量。
