当前位置: 首页 > news >正文

[量化投资-学习笔记004]Python+TDengine从零开始搭建量化分析平台-EMA均线

在之前的文章中用 Python 直接计算的 MA 均线,但面对 EMA 我认怂了。
Python+TDengine从零开始搭建量化分析平台-MA均线的多种实现方式

高数是我们在大学唯一挂过的科。这次直接使用 Pandas 库的 DataFrame.ewm 函数,便捷又省事。
并且用 Pandas 直接对之前 MA 均线进行改写。

我一直同意:I would rather be vaguely right than precisely wrong.

EMA 公式:

EMA(t)=平滑常数*当前价格+(1-平滑常数)*EMA(t-1)

目录

    • 1. 获取数据
    • 2.计算均线
    • 3. 绘制图形
    • 题外话
      • 1. 均线的周期
      • 2. 均线的使用

1. 获取数据

还是使用 Restful 方式从 TDengine 查询数据,并转换成 DataFrame 格式。想看获取数据完整代码的同学,可以翻我之前的笔记。

##SQL
st = '2022-08-01'
et = '2022-10-01'
sql = 'select last(tdate),last(close) from trade_data_a.tdata where fcode="000001" and tdate>="'+st+'" and tdate<="'+et+'"' +' interval(1d) '## 通过Restful 从 TDengine 获取交易数据
def request_post(url, sql, user, pwd):try:sql = sql.encode("utf-8")headers = {'Connection': 'keep-alive','Accept-Encoding': 'gzip, deflate, br'}result = requests.post(url, data=sql, auth=HTTPBasicAuth(user,pwd),headers=headers)text=result.content.decode()return textexcept Exception as e:print(e)## 判断查询是否成功
def check_return(result):datart = json.loads(result).get("code")if  str(datart) == '0':chkrt = 'succ'else:chkrt = 'error' return chkrt## 将返回的 Json 转换为 DataFrame
def request_get_d(resInfo):load_data = json.loads(resInfo)data = load_data.get("data")df = pd.DataFrame(data)df.rename(columns={0:'tdate',1:'close'},inplace=True)return df

2.计算均线

不得不说,用别人的轮子就是方便。

if __name__ == '__main__':rt = request_post(tdurl,sql,username,password)scode = check_return(rt)if scode != 'error':df = request_get_d(rt)ema5 = pd.DataFrame.ewm(df['close'],span=5).mean() ema10 = pd.DataFrame.ewm(df['close'],span=10).mean() 

3. 绘制图形

        plt.title("EMA")plt.plot(ema5,'g',linewidth=1.0,label='EMA5')plt.plot(ema10,'r',linewidth=1.0,label='EMA10')plt.legend()plt.grid()plt.show()

看起来比上次计算 MA 均线简单多了,毕竟是站在别人的肩膀上嘛。
在这里插入图片描述

题外话

历史数据的均线基本不会变化,计算好以后可以直接写到 TDengine 里面,然后在 Grafana 中展示。

这部分的实现放在下个笔记。

1. 均线的周期

绘制均线必须要指定周期,通常使用的周期为5、10、20,为什么呢??

因为通常一周的交易日是5天,其他为5的倍数,那么这个周期是否能够准确趋势的变化呢?

有句话说的很好,技术分析总是在不断的自我验证中走向灭亡。

因此均线周期的选择并非一成不变的,通过修改周期,可能会获得不同的视角。

2. 均线的使用

仔细观察就会发现:均线相较于实际数据数据是滞后的,周期越长滞后越严重。MA 均线比 EMA 均线更加滞后,因为 EMA中 最近的数据具有较大的权重。

因此,均线只是对历史价格趋势的描述,而非预测。这点非常重要。也就是说,均线是用来确认趋势,对价格走势进行验证的。

http://www.lryc.cn/news/212957.html

相关文章:

  • KaiwuDB 获山东省工信厅“信息化应用创新优秀解决方案”奖
  • Python-常用的量化交易代码片段
  • Netty优化-rpc
  • 【Docker 内核详解】cgroups 资源限制(一):概念、作用、术语
  • MATLAB——一维小波的多层分解
  • C++的拷贝构造函数
  • 【手机端远程连接服务器】安装和配置cpolar+JuiceSSH:实现手机端远程连接服务器
  • Jupyter Notebook的使用
  • vue 使用vue-office预览word、excel,pdf同理
  • 【Spring Boot 源码学习】RedisAutoConfiguration 详解
  • Linux中如何进行粘贴复制
  • 多输入多输出 | Matlab实现k-means-LSTM(k均值聚类结合长短期记忆神经网络)多输入多输出组合预测
  • 学习笔记3——JVM基础知识
  • 图像处理:图片二值化学习,以及代码中如何实现
  • 如果你点击RabbitMQ Service - start了,但http://localhost:15672/#/还是访问不了,那么请看这篇博客!
  • Shell 脚本学习 day01
  • esp32 rust linux
  • 一文了解Elasticsearch
  • 一篇文章认识【性能测试】
  • linux环境mysql安装配置踩坑
  • 相关性网络图 | 热图中添加显著性
  • cocosCreator 之 微信小游戏授权设置和调用wxAPI获取用户信息
  • element ui el-table表格纵向横向滚动条去除并隐藏空白占位列
  • 防止python进程重复执行
  • LV.12 D13 C工程与寄存器封装 学习笔记
  • Java SE 学习笔记(十九)—— XML、设计模式
  • grafana InfluxDB returned error: error reading influxDB 400错误解决
  • 【LeetCode:150. 逆波兰表达式求值 | 栈】
  • 什么是神经网络,它的原理是啥?(2)
  • leetcode做题笔记206. 反转链表