기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]평균방향성 지수(ADX)

평균방향성 지수(ADX, Average Directional Index)

평균방향성지수(ADX, Average Directional Index)는 추세의 강도를 측정하고 시장에서 잠재적인 진입 및 청산 지점을 파악하기 위해 사용하는 인기 있는 기술 분석 도구입니다. ADX 지표는 방향성을 고려하지 않는 추세 강도 지표로, 0에서 100까지 범위를 가집니다. 이 지표는 추세의 방향에 관계없이 추세의 강도를 정량화하기 위해 설계되었습니다. ADX는 긍정적 방향 지표(+DI)와 부정적 방향 지표(-DI)라는 두 가지 관련 지표를 기반으로합니다. 이 두 지표는 가격의 방향성 움직임을 측정하는 반면, ADX 자체는 추세의 강도를 평가합니다.

핵심 개념:

  • ADX는 0에서 100 사이의 값을 가지며, 높은 값은 강한 추세를, 낮은 값은 약한 추세 또는 횡보 시장을 나타냅니다.
  • ADX 자체는 추세의 방향을 나타내지 않습니다. +DI가 -DI보다 높으면 상승 추세의 강도를, -DI가 +DI보다 높으면 하락 추세의 강도를 나타냅니다.
  • ADX 값이 상승하면 추세 강도가 증가하고 있음을 의미하며, 하락하면 추세 강도가 약화되고 있음을 의미합니다.

계산 방법:

  1. True Range (TR) 계산: 현재 고가와 저가의 차이, 현재 고가와 이전 종가의 절대값 차이, 현재 저가와 이전 종가의 절대값 차이 중 가장 큰 값을 TR로 설정합니다.
    • TR = max[(Hight-Lowt), |Hight - Closet|, |Lowt - Closet|]
  2. Directional Movement (+DM, -DM) 계산:
    • +DM: 현재 고가 - 이전 고가
       (+DM < 0) or (+DM < -DM) → 0
    • -DM: 이전 저가 - 현재 저가
       (-DM > 0) or (-DM < +DM) → 0
  3. Directional Index (+DI, -DI) 계산: 일정 기간 (일반적으로 14일) 동안의 +DM, -DM 및 TR의 이동평균을 사용하여 계산합니다.
    • $\begin{align}\text{+DI} &= \frac{\text{sma(+DM, n)}}{\text{sma(TR, n)}}\cdot 100\\\text{-DI} &= \frac{\text{sma(-DM, n)}}{\text{sma(TR, n)}}\cdot 100 \end{align}$
  4. Directional Movement Index (DX) 계산:
    • $\text{DX} = \frac{|\text{+DI - (-DI)}|}{\text{+DI + (-DI)}} \cdot 100$
  5. Average Directional Index (ADX) 계산: 일정 기간 (일반적으로 14일) 동안의 DX 값의 이동평균을 계산합니다.
CaseDM+현고가-전고가 현고가>전고가 DI+설명
1+, 증가 증가 강함 증가 매수세 강함
2+, 감소 감소 약함 감소 매수세 약함
CaseDM-전저가-현저가 전저가>현저가 DI-설명
3+, 증가 증가 강함 증가 매도세 강함
4+, 감소 감소 약함 감소 매도세 약함

위 표에서 Case 1-4, 2-3인 경우 추세가 명확해지며 1-3인 경우 변동성 증가를 고려할 수 있습니다.

  • +DI > -DI
    • 상승추세 가능성
    • ADX가 상승인 경우 강한 상승 추세 암시
  • +DI < -DI
    • 하강추세 가능성
    • ADX가 상승인 경우 강한 하락추세
  • +DI와 -DI 교차
    • +DI가 -DI를 상향돌파(Golden cross) : 매수신호로 상승추세 시작 가능성 시사
    • -DI가 +DI를 하향돌파(Death cross): 매도신호로 하락추세 시작 가능성 시사
  • ADX
    • 상승: 추세강도 강화
    • 하락: 추세강도 하락
ADX내용방향내용
0-25 약한 추세 또는 추세 없음 (횡보 시장)ADX 상승 현재 추세가 강화되고 있음을 나타냅니다.
25-50 강한 추세ADX 하락 현재 추세가 약화되고 있음을 나타냅니다.
50-75 매우 강한 추세+DI>-DI
위로 교차		상승 추세
상승 시작 신호로 해석될 수 있습니다
(ADX가 25 이상일 때 신뢰도 증가)
75-100 극도로 강한 추세+DI가 -DI
아래로 교차		하락 추세
하락의 시작 신호로 해석될 수 있습니다
(ADX가 25 이상일 때 신뢰도 증가)
  • 추세 강도 식별: 시장이 추세 추종 전략에 적합한지 또는 횡보 전략에 적합한지 판단하는 데 도움을 줍니다.
  • 추세 시작 및 종료 가능성 예측: +DI와 -DI의 교차 및 ADX 값의 변화를 통해 추세의 시작 또는 약화를 예측할 수 있습니다.
  • 돌파 매매 확인: ADX가 25 이상으로 상승하면서 가격이 중요한 지지선 또는 저항선을 돌파할 때 추세가 강하게 시작될 가능성을 시사합니다.
  • 다른 지표와 함께 사용: ADX는 추세 방향을 알려주지 않으므로 이동평균선, MACD 등 추세 방향을 알려주는 다른 지표와 함께 사용하는 것이 좋습니다.
  • DMI는 추세추종지표이므로 횡보장에서는 오신호 발생할 수 있음
  • 후행성 지표로 가격변동에 다소 늦은 신호
  • 이동평균선, MACD, RSI등 다른 지표와 함께 분석
  • EOM을 단독으로 사용하기보다는 다른 지표(예: 이동평균선, MACD, RSI)와 함께 분석하여 신호의 신뢰도를 높이는 것이 중요합니다.
  • 적정한 n 찾기

ADX를 계산하기 위한 UDF인 calulate_adx()를 사용할 수 있습니다. 또한 pandas-ta.adx(high, low, close, length=None, lensig=None, …)을 사용합니다.

import numpy as np
import pandas as pd
import yfinance as yf
import pandas_ta as ta
import matplotlib.pyplot as plt
import mplfinance as mpf

st=pd.Timestamp(2024,1, 1)
et=pd.Timestamp(2025, 4,30)
trgnme="000660.KS"
trg=yf.download(trgnme,  st, et)
trg.columns=[i[0] for i in trg.columns]
adx=ta.adx(trg.High, trg.Low, trg.Close)
adx.tail(3)
ADX_14 DMP_14 DMN_14
Date
2025-04-25 15.962275 28.523337 27.985950
2025-04-28 15.060779 27.187290 29.066929
2025-04-29 14.301816 26.121929 28.546638

위 결과를 주가, 지수이동평균과 함께 그래프를 작성합니다. 

adp=[mpf.make_addplot(adx.iloc[:,0], panel=1, color="g", label="ADX"),
  mpf.make_addplot(adx.iloc[:,1], panel=1, color="orange", label="DM+"),
  mpf.make_addplot(adx.iloc[:,2], panel=1, color="navy", label="DM-"),
   mpf.make_addplot(ta.ema(trg.Close, 5), panel=0, color="brown", label="EMA5"),
   mpf.make_addplot(ta.ema(trg.Close, 20), panel=0, color="navy", label="EMA20")]

fig, axes=mpf.plot(trg, type="candle",  style="yahoo", title="candle chart", addplot=adp, volume=False, returnfig=True, figsize=(12, 6))
axes[0].legend(loc="upper left")
plt.show()

+DI<-DI이고 그 두지표는 접하고 다시 그 형태를 유지합니다. 또한 ADX는 횡보임을 나타냅니다. 그러나 단기ema가 장기 ema와 접한 시점으로 상승돌파의 가능성이 있습니다. 그러므로 일정한 추세가 없는 상태이므로 약간 하강 방향으로 보합이 이루어질 것으로 예상됩니다.
매도세 우세이지만 그 강도가 약해진 것으로 볼 수 있으며 상승 추세로의 전환 가능성을 배제할 수 없습니다.

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 »

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...
댓글 쓰기
Read more »