기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[Stock] 이동평균선과 추세

이동평균선과 추세

이평선에 의한 대순환 6단계
단계배열
1단계 '단기', '중기', '장기' 안정상승
2단계 '중기', '단기', '장기' 상승추세의 끝
3단계 '중기', '장기', '단기' 하락추세의 시작
4단계 '장기', '중기', '단기' 안정하락
5단계 '장기', '단기', '중기' 하락 추세의 끝
6단계 '단기', '장기', '중기' 상승 추세 시작

대순환 분석에서 중요한 단계는 1과 4단계이다. 이 부분이 추세가 나타나는 시기이다. 각 단계는 세 이평선 배열로 판단할 수 있지만 포인트가 되는 것은 추세가 오래 지속될 지의 여부이다. 이 판단은 이평선의 간격으로 판단할 수 있다.

  • 안정상승, 안정하락
    • 안정된 상승, 하락 추세 : 세선은 거의 평행, 이러한 형태이면 한동안 추세가 지속 가능성이 큼
  • 가속상승, 가속하락: 상승 또는 하락이 가속도가 붙으면 세 선의 간격은 점점 벌어진다. 즉, 추세의 가속이 이루어지는 상황
    • 추세 초기 (간격의 확대): 그 방향으로 거대한 추세가 만들어질 것으로 예상
    • 추세 종반에 확산이 발견되었다면 더욱 크게 뻐덩나가는 경우가 있는 반면 그곳이 천장이었고 이후 급락하는 경우로 발생할 수 있음
    • 추세에 가속도가 붙었을 경우 최종적으로 천장에 닿거나 바닥을 침으로써 추세의 종말을 맞이하게 됨
    • 하락장의 마지막에는 매수포지션을 가진쪽이 던짐으로서(손절) 폭락이 발생, 던져야 하는 사람들이 모두 던지면 반등이 일어남. 반대로 상승 추세의 마지막에서는 매도 포지션을 가진 쪽이 매수하는 쪽으로 전환되면서 폭등이 일어나고 이 전환의 끝이 반락이 발생한다.
  • 감속상승, 감속하락: 천천히 간격이 좁아지는 패턴 , 추세가 기세를 잃기 시작했음을 의미

가격변동의 가대한 흐름을 파악하려면 중기선과 장기선의 간격에 주목해야 한다. 이 간격을 '띠'라 부른다. 우상향일 경우 '상승띠', 우하향인 경우 '하락띠'이다.

  • 상승띠 → 하락띠 : 음전
  • 하락띠 → 상승띠 : 양전
  • 두 이평선이 교차하는 국면을 '띠의 꼬임'

가격변동의 대국적인 추세는 띠가 나타낸다. 띠를 통해 알 수 있는 것들

  • 격이 따를 따라서 움직이고 있다면 가격이 추세를 순순히 따르고 있다는 의미, 띠를 뚫고 밖으로 나갈것 처럼 움직이고 있다면 추세가 전환됨을 의미
  • 가 횡보 또는 폭이 거의 없다면 추세가 없다는 의미. 반대로 띠의 폭이 넓으면서 일정한 기울기를 보인다면 그 기울기의 방향으로 추세가 형성되고 있는 것
  • 의 폭이 넓다면 현재의 추세가 유지, 띠가 좁아지고 있다면 추세가 약해져 끝을 향하고 있다고 판단 할 수 있음
  • 의 폭이 얿을 때는 띠가 저항대 또는 지지대로 기능. 반대로 띠의 폭이 좁을 때는 저항대도 지지대도 되지 못함. 이 경우는 가격이나 단기선이 쉽게 띠를 넘나드는데 박스국면임을 의미
  • 의 꼬임이 추제 전환의 신호
  • 띠에는 4개의 국면으로 구분할 수 있음: 매수기, 매도기, 박스기, 대전환기
    • 상승띠는 매수기(눌림목) 하락띠는 매도기(고점 인식)
    • 띠의 폭이 좁아졌다면 박스기 . 오신호 발생이 잦음

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

[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()

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