기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

[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
Labels:

댓글

댓글 쓰기

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...
댓글 쓰기
Read more »

[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...
댓글 쓰기
Read more »

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...
댓글 쓰기
Read more »