기본 콘텐츠로 건너뛰기

벡터와 행렬에 관련된 그림들

[stock] 변동성 돌파 전략

변동성 돌파 전략

시가에 매수한 주를 거래일의 현재가가 "시가 + 전일변동폭×0.5를 돌파하는 경우 매도하는 전략

전일변동폭: 전일 고가 - 전일 저가

import numpy as np 
import pandas as pd 
import yfinance as yf
st=pd.Timestamp(2024, 9,20)
et=pd.Timestamp(2024, 9,24)
d=yf.download("005930.KS", start=st, end=et)
d
Open High Low Close Adj Close Volume
Date
2024-09-20 63800.0 64700.0 63000.0 63000.0 63000.0 32746056
2024-09-23 62300.0 63500.0 62200.0 62300.0 62300.0 21242594
range_pre=d.High[0]-d.Low[0]
range_pre
1700.0
op_present=d.Open[1]
op_present
62300.0
sell=op_present+range_pre*0.5
sell
sell=op_present+range_pre*0.5
sell
profit=(sell-op_present)/op_present*100
profit.round(1)
1.4

위 전략에 의한 매매를 한달 수행한 과정을 기록해 보면 다음과 같습니다. 이를 위해 위 계산과정을 다음의 함수 volatilitStrategy()로 작성하였습니다.

def volatilitStrategy(da, base=0.5):
    rng=da.High[0]-da.Low[0]
    sell=da.Open[1]+rng*base
    if(sell >= da.Low[1]) and (sell <= da.High[1]):
        profit=(sell-da.Open[1])/da.Open[1]*100
    else:
        profit=np.nan
    return([sell, profit])
st=pd.Timestamp(2024, 8,24)
et=pd.Timestamp(2024, 9,24)
d=yf.download("005930.KS", start=st, end=et)
d
Open High Low Close Adj Close Volume
Date
2024-08-26 78100.0 78200.0 76000.0 76100.0 76100.0 15655938
2024-08-27 75700.0 76500.0 75600.0 75800.0 75800.0 11130145
2024-09-20 63800.0 64700.0 63000.0 63000.0 63000.0 32746056
2024-09-23 62300.0 63500.0 62200.0 62400.0 62400.0 22354828
n=d.shape[0]
re=pd.DataFrame()
for i in range(2, n+1):
    re1=volatilitStrategy(d.iloc[(i-2):i, :])
    re=pd.concat([re,pd.DataFrame(re1).T])
re.index=d.index[1:]
re.columns=["profit", "trade"]
re
profit trade
Date
2024-08-27 76800.0 NaN
2024-08-28 76250.0 0.593668
2024-08-29 74100.0 0.679348
2024-08-30 75000.0 0.806452
2024-09-02 74950.0 NaN
2024-09-03 74700.0 NaN
2024-09-04 70700.0 1.289398
2024-09-05 70750.0 0.927247
2024-09-06 70200.0 NaN
2024-09-09 67750.0 1.270553
2024-09-10 67800.0 NaN
2024-09-11 65750.0 NaN
2024-09-12 66650.0 NaN
2024-09-13 65700.0 NaN
2024-09-19 64600.0 NaN
2024-09-20 64900.0 NaN
2024-09-23 63150.0 1.364366

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...