기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[stock] 지표계산을 위한 UDF

지표계산을 위한 UDF

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mpl_dates

x축형식 지정을 위한 UDF

def xaxis_form(n=20, format='%y/%m/%d', ax=False):
    locator = mpl_dates.DayLocator(interval=n)
    form = mpl_dates.DateFormatter(format)
    if ax==False:
        ax=plt.gca()
        ax.xaxis.set_major_locator(locator)
        ax.set_xticklabels([])
    else:
        ax=plt.gca()
        ax.xaxis.set_major_locator(locator)
        ax.xaxis.set_major_formatter(form)
        plt.xticks(rotation=45)   

A

ADL

def calculate_adl(df, short_period=3, long_period=10):
  high = df['High']
  low = df['Low']
  close = df['Close']
  volume = df['Volume']
  result=pd.DataFrame()
  result["MFM"] = ((close - low) - (high - close)) / (high - low)
  result["MFV"] = result["MFM"] * volume
  result["ADL"] = result["MFV"].cumsum()
  short_ema=result["ADL"].ewm(span=short_period, adjust=False).mean()
  long_ema=result["ADL"].ewm(span=long_period, adjust=False).mean()
  result["OSC"]=short_ema - long_ema
  return result  
  
#adl 그래프
def adl_plot(data , short_period=3, long_period=10):
  adl=calculate_adl(data, short_period, long_period)
  plt.plot(adl["ADL"], label='ADL', color='r')
  plt.legend(loc="upper left")
  plt.grid(True)
  
#adl oscillator 그래프   
def adlOSC_plot(data , short_period=3, long_period=10):
    adl=calculate_adl(data, short_period, long_period)
    plt.plot(adl["OSC"], label='OSC', color='r')
    plt.axhline(0, color="skyblue")
    plt.legend(loc="upper left")
    plt.grid(True)

ADX 계산

def calculate_adx(data, period=14):
    high = data['High']
    low = data['Low']
    close = data['Close']
    # True Range (TR) 계산
    high_prev = high.shift(1)
    low_prev = low.shift(1)
    tr = pd.concat([high - low, abs(high - close.shift(1)), abs(low - close.shift(1))], axis=1).max(axis=1)
    # Directional Movement (+DM, -DM) 계산
    dm_plus = (high - high_prev).fillna(0)
    dm_minus = (low_prev - low).fillna(0)
    dm_plus[(dm_plus <= 0) | (dm_plus <= dm_minus)] = 0
    dm_minus[(dm_minus <= 0) | (dm_minus <= dm_plus)] = 0
    # Smooth TR, +DM, -DM
    atr = tr.rolling(window=period).mean()
    di_plus_smooth = dm_plus.rolling(window=period).mean()
    di_minus_smooth = dm_minus.rolling(window=period).mean()
    # Directional Index (+DI, -DI) 계산
    di_plus = (di_plus_smooth / atr) * 100
    di_minus = (di_minus_smooth / atr) * 100
    # Directional Movement Index (DX) 계산
    dx = (abs(di_plus - di_minus) / (di_plus + di_minus)) * 100
    dx = dx.fillna(0) # 분모가 0인 경우 NaN 처리
    # Average Directional Index (ADX) 계산
    adx = dx.rolling(window=period).mean()
    return pd.DataFrame({'ADX': adx, '+DI': di_plus, '-DI': di_minus})
#그래프 작성
def adx_plot(data, period=14):
    adx=calculate_adx(data, period=period)
    for i, j in zip(adx.columns, ["-", "--", "--"]):
        plt.plot(adx[i], ls=j, label=i)
    plt.axhline(25, color="gray")
    plt.legend(loc="upper left")
    plt.grid(True)

ATR 계산

def calculate_atr(df, n=14):
    high_low = df['High'] - df['Low']
    high_close = abs(df['High'] - df['Close'].shift())
    low_close = abs(df['Low'] - df['Close'].shift())
    true_range = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1)
    atr = true_range.rolling(window=n).mean()
    return atr

awesome oscillator 계산

def calculate_ao(data, short=5, long=34):
    high=data["High"]
    low=data["Low"]
    median_price=(high+low)/2
    sma_short=median_price.rolling(window=short).mean()
    sma_long=median_price.rolling(window=long).mean()
    ao=sma_short - sma_long
    return ao

def ao_color(data):
    awesome_color=[]
    #awesome_color.clear()
    for i in range(len(data)):
        if data.iloc[i]>=0 and data.iloc[i]>=data.iloc[i-1]:#양수, 직전보다 증가
            awesome_color.append('orange')
        elif data.iloc[i]>=0 and data.iloc[i]<data.iloc[i-1]: #양수, 직전보다 감소
            awesome_color.append('skyblue')
        elif data.iloc[i]<0 and data.iloc[i]<data.iloc[i-1]:#음수, 직전보다 감수
            awesome_color.append('skyblue')
        elif data.iloc[i]<0 and data.iloc[i]>=data.iloc[i-1]: #음수, 직전보다 증가 
            awesome_color.append('orange')
        else:
            awesome_color.append('k')
    return awesome_color

B

Bolinger Band
볼린져 밴드 계산, 기본적으로 종가를 사용합니다.

def calculate_bollinger_bands(da, period=20, std_dev=2):
    if type(da) == pd.core.series.Series:
        data = da
    else:
        data = da["Close"] 
    result=pd.DataFrame()
    # 중심선 (Moving Average) 계산
    result["ma"] = data.rolling(window=period, min_periods=1).mean()
    # 표준편차 계산
    std = data.rolling(window=period, min_periods=1).std()
    # 상한선 계산
    result["upper"] = result["ma"] + (std * std_dev)
    # 하한선 계산
    result["lower"] = result["ma"] - (std * std_dev)
    result["%B"]=(data-result["lower"])/(result["upper"]-result["lower"])*100
    return result

bband 그래프 작성

def bband_plot(data):
    bb=calculate_bollinger_bands(data)
    for i in bb.columns[:-1]:
        plt.plot(bb[i], label=i)
    plt.legend(loc="upper left")

%B 그래프 작성

def percentB_plot(data):
    bb=calculate_bollinger_bands(data)
    plt.plot(bb["%B"], label="%B")
    plt.axhline(80, ls="--", color="r")
    plt.axhline(20, ls="--", color="b")
    plt.legend(loc="upper left")

C

candle chart 작성

def candleChart(data):
    df=data
    df["Date"]=df.index
    for i in range(len(df)):
        open_val = df['Open'].iloc[i]
        high_val = df['High'].iloc[i]
        low_val = df['Low'].iloc[i]
        close_val = df['Close'].iloc[i]
        date_val = df['Date'].iloc[i]

        if close_val >= open_val:
            color = 'green'
        else:
            color = 'red'
        # 몸통 그리기
        plt.plot([date_val, date_val], [open_val, close_val], color=color, linewidth=3)
        # 위쪽 꼬리 그리기
        plt.plot([date_val, date_val], [high_val, max(open_val, close_val)], color=color, linewidth=0.7)
        # 아래쪽 꼬리 그리기
        plt.plot([date_val, date_val], [min(open_val, close_val), low_val], color=color, linewidth=0.7)

CCI

def calculate_cci(data, window= 14, constant= 0.015):
    tp = (data['High'] + data['Low'] + data['Close']) / 3
    sma_tp = tp.rolling(window=window, min_periods=1).mean()
    mad = np.abs(tp - sma_tp).rolling(window=window, min_periods=1).mean()
    cci = (tp - sma_tp) / (constant * mad)
    return cci

CCI 그래프 그리기

def cci_plot(cci):
    plt.plot(cci, label="cci")
    for i, j in zip([100, 0, -100], ['brown', 'k', 'b']):
        plt.axhline(i, ls="--", color=j)
    plt.legend(loc="upper left")

D

dpo

def calculate_dpo(data, period=12):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"]
    shift_price=df.shift(period//2 +1)
    dpo = shift_price - df.rolling(window=period).mean()
    return dpo 

def dpo_plot(data, period=12):
    dpo=calculate_dpo(data, period=period)
    plt.plot(dpo, label="DPO")
    plt.axhline(0, color="gray")
    plt.legend(loc="upper left")
    plt.grid(True)

E

EOM(Ease of Movement)

def calculate_eom(data, period=14, adjust_factor=100000):
    midpoint=(data["High"]+data["Low"])/2
    midpoint_change = midpoint.diff()
    box_ratio = (data['Volume'] / ((data["High"]-data["Low"]) * adjust_factor)).replace([np.inf, -np.inf], 0) # ZeroDivisionError 처리
    eom = midpoint_change / box_ratio
    if period>1:
        eom_ma=eom.rolling(window=period).mean()
        return eom_ma
    else:
        return eom

#그래프 작성 
def eom_plot(data, period=14, adjust_factor=100000):
    eom=calculate_eom(data, period=period, adjust_factor=adjust_factor)
    plt.plot(eom, label="EOM")
    plt.axhline(0, color="gray")
    plt.legend(loc="upper left")
    plt.grid(True)

I

#ichimoku(일목균형표)
def calculate_ichimoku(data, n1=9, n2=26, n3=52):
    df=data.copy()
    high = df['High']
    low = df['Low']
    close = df['Close']
    conversion_line = (high.rolling(window=n1).max() + low.rolling(window=n1).min()) / 2 # 전환선
    base_line = (high.rolling(window=n2).max() + low.rolling(window=n2).min()) / 2 #기준선
    leading_span_a = ((conversion_line + base_line) / 2).shift(n2) #선행스팬1
    leading_span_b = ((high.rolling(window=n3).max() + low.rolling(window=n3).min()) / 2).shift(n2) #선행스팬2
    lagging_span = close.shift(-n2) #후행스팬
    df['Conversion Line'] = conversion_line
    df['Base Line'] = base_line
    df['Leading Span A'] = leading_span_a
    df['Leading Span B'] = leading_span_b
    df['Lagging Span'] = lagging_span
    return df
#일목균형표 그래프 작성   
def ichmoku_plot(data, n1=9, n2=26, n3=52):
    df=calculate_ichimoku(data, n1=n1, n2=n2, n3=n3)
    plt.plot(df.index, df['Conversion Line'], label='전환선', color='blue', linewidth=1)
    plt.plot(df.index, df['Base Line'], label='기준선', color='red', linewidth=1)
    plt.plot(df.index, df['Leading Span A'], label='선행스팬 1', color='green', linewidth=1, alpha=0.5)
    plt.plot(df.index, df['Leading Span B'], label='선행스팬 2', color='brown', linewidth=1, alpha=0.5)
    plt.plot(df.index, df['Lagging Span'], label='후행스팬', color='purple', linewidth=1)
    plt.plot(df.index, df['Close'], label='종가', color='black', linewidth=0.7, alpha=0.7) # 종가도 함께 표시하면 좋음
    # 구름대 채우기
    plt.fill_between(df.index, df['Leading Span A'], df['Leading Span B'],
                    where=df['Leading Span A'] >= df['Leading Span B'],
                color='green', alpha=0.5, label='구름대 (상승)')
    plt.fill_between(df.index, df['Leading Span A'], df['Leading Span B'],
                    where=df['Leading Span A'] < df['Leading Span B'],
                color='red', alpha=0.5, label='구름대 (하락)')
    plt.grid(True, alpha=0.5)
    plt.legend(loc="upper left")

M

MACD 계산

def calculate_macd(data, short=12, long=26, signal_window=9):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"]        
    result=pd.DataFrame()
    short_ema=df.ewm(span=short, adjust=False).mean()
    long_ema =df.ewm(span=long, adjust=False).mean()
    result["MACD"] = short_ema - long_ema
    result["Signal"] = result["MACD"].ewm(span = signal_window, adjust=False).mean()
    result["Histogram"] = result["MACD"] - result["Signal"]
    return result   

MACD 그래프 작성

def macd_plot(data, short=12, long=26, signal_window=9):   
    macd=calculate_macd(data, short=short, long=long, signal_window=signal_window)
    plt.plot(macd["MACD"], label="macd")
    plt.plot(macd['Signal'], label="Signal")
    col=['orange' if i>0 else 'skyblue'  for i in macd["Histogram"]]
    plt.bar(macd.index, macd["Histogram"], color=col)
    plt.axhline(0, color="k", lw=0.7)
    plt.legend(loc="upper left")
    plt.grid(True)

MFI 계산

def calculate_mfi(df, period=14):
    typical_price = (df['High'] + df['Low'] + df['Close']) / 3
    money_flow = typical_price * df['Volume']
    positive_flow = pd.Series([mf if tp > tp_prev else 0 for tp, tp_prev, mf in zip(typical_price, typical_price.shift(1), money_flow)])
    negative_flow = pd.Series([mf if tp < tp_prev else 0 for tp, tp_prev, mf in zip(typical_price, typical_price.shift(1), money_flow)])
    positive_mf = positive_flow.rolling(period).sum()
    negative_mf = negative_flow.rolling(period).sum()
    money_ratio = positive_mf / negative_mf
    mfi = 100 - (100 / (1 + money_ratio))
    return mfi

Momentum

def calculate_momentum(data, period=12):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"]
    mom=df - df.shift(period)    
    mom.name='momentum'
    return mom   
    
   #그래프 작성
def momentum_plot(data, period=12):
    mom=calculate_momentum(data, period=period)
    plt.plot(mom, label="momentum")
    plt.axhline(0, color="gray")
    plt.legend(loc="upper left")
    plt.grid(True)

R

ROC

def calculate_ROC(data, period=12):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"]
    roc=df/df.shift(period) * 100
    roc.name="roc"
    return roc  
    
 #그래프 작성
def ROC_plot(data, period=12):
    mom=calculate_ROC(data, period=period)
    plt.plot(mom, label="ROC")
    plt.axhline(100, color="gray")
    plt.legend(loc="upper left")
    plt.grid(True)

RSI 계산

def calculate_rsi(data, period=14):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"] 
    delta = df.diff()
    up, down = delta.copy(), delta.copy()
    up[up < 0] = 0
    down[down > 0] = 0
    roll_up = up.ewm(span=period, adjust=False).mean()
    roll_down = abs(down.ewm(span=period, adjust=False).mean())
    rs = roll_up / roll_down
    rsi = 100.0 - (100.0 / (1.0 + rs))
    return rsi.fillna(0)

RSI 그림

def rsi_plot(data):
    rsi=calculate_rsi(data)
    plt.plot(rsi, label="rsi")
    plt.axhline(70, ls="--", color="orange")
    plt.axhline(50, ls="--", color="gray")
    plt.axhline(30, ls="--", color="skyblue")
    plt.legend(loc="upper left")

S

stdev 계산, data는 Series 형식.

def calculate_stdev(data, n=10):
    if type(data) == pd.core.series.Series:
        df = data
    else:
        df = data["Close"] 
    ma=df.rolling(window=n).mean()
    std=ma.rolling(window=n).std()
    return(std.fillna(0))

스토캐스틱 지표 계산

def calculate_stochastic(df, n=14, m=3):
    low_list = df['Low'].rolling(window=n, min_periods=n).min()
    high_list = df['High'].rolling(window=n, min_periods=n).max()
    d = pd.DataFrame()
    d['fast_k'] = (df['Close'] - low_list) / (high_list - low_list) * 100
    d['fast_d'] = d['fast_k'].rolling(window=m, min_periods=m).mean()
    d['slow_k'] = d['fast_d'].rolling(window=m, min_periods=m).mean()
    d['slow_d'] = d['slow_k'].rolling(window=m, min_periods=m).mean()
    return d
#그래프 작성 
def stochastic_plot(data, n=14, m=3, total=True):
    stch=calculate_stochastic(data, n=n, m=m)
    if total:
        for i, j in zip(stch.columns, [0.5, 0.5, 1, 1]):
            plt.plot(stch[i], alpha=j, label=i)
    else:
        for i, j in zip(stch.columns[2:], [1, 1]):
            plt.plot(stch[i], alpha=j, label=i)
    plt.axhline(80,  ls="--", color="r")
    plt.axhline(20,  ls="--", color="b")
    plt.legend(loc="upper left")
    plt.grid(True)

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...

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...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...