기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]ALMA

ALMA (Arnaud Legoux Moving Average)

기존 이동평균선의 단점을 보완하기 위해 개발된 지표로 가격변동에 더 부드럽게 반응하면서 지연(lag)을 줄이는데 중점을 둔 지표입니다.

$$\text{ALMA} = \frac{\sum^{n-1}_{i=0} w_i\text{price}_{t-i}}{\sum^{n-1}_{i=0} w_i}$$
  • n: 기간, 이동평균을 계산하기 위한 가격의 개수입니다. 일반적으로 9를 사용
  • pricet-i: 현재로부터 i 번째 이전의 가격
  • wi: 가우시안 함수에 의해 결정되는 가중치

가우시안 가중치

$$w_i=\exp\left(-\frac{\left(i-\text{offset}\cdot (n-1)\right)^2}{2\sigma^2} \right)$$
  • offset: 부드러움과 반응성 사이의 균형을 조절하는 파라미터로 [0, 1]사이의 값입니다.
    • 1에 가까울수록 최근가격에 더 가중치를 부여하고 0에 근접할 술록 과거 가격에 더큰 비중을 부여합니다. (다음 결과는 총 10개의 데이터에 offset을 변화시켰을 경우의 가중치의 변화를 나타낸 것입니다.)
    • 일반적으로 0.85를 사용합니다.
  • σ : 가우시안 분포의 폭을 결정하는 값으로 ALMA의 부드로움 정도를 조절합니다. 값이 클수록 분포가 넓어지고 부드러워 집니다. 기본적으로 6을 설정합니다.
import numpy as np
import pandas as pd
import yfinance as yf
import pandas_ta as ta
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False
def weight(n, offset, sigma):
    result=[]
    for i in range(n):
        result.append(np.exp((i-offset*(n-1))**2/2*sigma**2))
    return(result)
    
result=np.zeros(10)
idx=[]
for j in np.arange(0, 1.1, 0.2):
    result=np.c_[result, weight(10, j, 0.2)]
    idx.append(f"offset_{round(j, 1)}")
result=pd.DataFrame(result[:,1:]).round(2)
result.columns=idx

plt.figure(figsize=(4, 3))
for i in result.columns:
    plt.plot(result[i], label=i)
plt.legend(loc="best")
plt.xlabel(r"최근값$\leftarrow$  ")
plt.ylabel("w(가중치)")
plt.show()
  • 가격 > ALMA : 상승추세, ALMA는 지지선 역활
  • 가격 < ALMA : 하락추세, ALMA는 저항선 역할
  • 가격이 ALMA를 상승돌파: 매수신호
  • 가격이 ALMA를 하향돌파: 매도신호

pandas_ta.alma(close, length=None, sigma=None, distribution_offset=None, offset=None, **kwargs)로 계산합니다. 함수의 매개변수 distribution_offset이 위식에서 설명한 offset이며 0.85를 기본값으로 합니다. 다른 인자인 offset은 데이터의 이동인 .shift()와 같으며 결과를 선행시킬 경우 사용합니다. length, sigma는 각각 10, 6을 기본값으로 합니다. 

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]

alma=ta.alma(trg["Close"])
alma.tail(3)
Date
2025-04-25    177321.242987
2025-04-28    175972.423049
2025-04-29    175155.739472
Name: ALMA_10_6.0_0.85, dtype: float64

다음은 지수이동평균과 ALMA를 비교합니다. 

plt.figure(figsize=(10, 3))
candleChart(trg)
plt.plot(ta.alma(trg.Close, length=20),  color="r", label="ALMA")
for i in [5, 10, 20]:
    plt.plot(ta.ema(trg.Close, length=i),  label=f"ema{i}")
xaxis_form(ax=True)
#plt.xlim(pd.to_datetime("2024-09-02"), pd.to_datetime("2025-05-01"))
plt.ylim(150000, 250000)
plt.grid(True)
plt.legend(loc="best")
plt.show()

결과는 길이 20의 ALMA와 ema 5, 10 그리고 20과 비교해봅니다. ALMA는 지수이평보다 평활화가 많이 진행되고 가격과는 많은 이격을 보입니다.

  • ema > ALMA : 상승
  • ema < ALMA: 하락
  • ema가 ALMA를 상승돌파하면 상승시작
  • ema가 ALMA를 하강돌파하면 하강시작
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 »