기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

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 »

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()
댓글 쓰기
Read more »

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b
댓글 쓰기
Read more »