기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[Stock]Awesome Oscillator(AO) 지표

Awesome Oscillator(AO)

Awesome Oscillator는 추세의 강도를 측정하고 잠재적인 반전 지점을 식별하는 데 사용되는 기술적 분석 지표입니다. AO는 일반적으로 추세를 확인하거나 반전 가능성을 예측하는 데 사용됩니다.

  • 추세확인: 추세강도 측정하여 추세의 지속 또는 반전을 판단에 도움
  • 가격과 오썸오실레이터 간의 다이버전스(벌어짐)은 잠재적인 추세 반전을 나타냄
  • 오썸오실레이터가 제로라인을 교차하는 것은 추세 변화의 신호로 해석할 수 있음
  • 상승추세에서 두개의 봉우리가 발생했을 때 두 번째 봉우리가 첫번째 봉우리보다 낮을 경우 매도신호로 해석할 수 있음

과거 데이터를 기반으로 하므로 미래 가격의 정확한 예측은 어렵고 모든 시장 상황에 적합하다고 할 수 없으므로 다른 지표와 함께 사용하여야 합니다.

계산

지정한 기간의 중간값에 대한 단기(5)와 장기(34) 평균값의 차입니다.

$$\begin{align}\text{median}&=\frac{\text{High}+\text{Low}}{2}\\\text{AO}&=\text{SMA(Median, fast)}-\text{SMA(Median, solw)}\end{align}$$

위 계산방식에 따라 UDF calculate_ao()를 작성할 수 있으며 파이썬 패키지 pandas_ta의 함수 o(high, low, fast=None, slow=None, offset=None, **kwargs)를 적용할 수 있습니다. 이 함수의 단기(fast)와 장기(slow)의 기본값은 각각 5와 34입니다. 

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, 9, 1)
et=pd.Timestamp(2025, 4,13)
trgnme="000660.KS"#sk하이닉스
trg=yf.download(trgnme,  st, et)
trg.columns=[i[0] for i in trg.columns]

ao=ta.ao(trg.High, trg.Low)
ao.tail(3)
Date
2025-04-25   -11580.147059
2025-04-28   -10571.617647
2025-04-29    -8853.823529
Name: AO_5_34, dtype: float64
adp=[mpf.make_addplot(ao, panel=1, color="brown",  label="ao"), 
     mpf.make_addplot(ta.ema(trg.Close, 5), panel=0, color="orange", label="EMA5"),
   mpf.make_addplot(ta.ema(trg.Close, 20), panel=0, color="navy", label="EMA20")]
fig, axs=mpf.plot(trg, type="candle", style="yahoo", addplot=adp, volume=False, returnfig=True, figsize=(12,6))
axs[2].axhline(0, color="gray", linestyle="dotted")
axs[0].legend(loc="upper left")
axs[2].legend(loc="upper left")
plt.show()

위 그림에서 ao에서의 변곡의 신호는 주가의 변화에 약간 후진합니다.

  • 0선 아래에 위치: 단기선 < 장기선이므로 약세(하락), 이격이 클수록 추세강함
  • 0선 위에 위치: 단기선 > 장기선이므로 상승
  • 단기선과 장기선의 이격의 폭은 0선과 ao의 이격을 의미
  • |0 - ao| ≈ 0는 단기 ≈ 장기를 의미 그러므로 추세 반전을 암시
    • ao가 0선을 상향돌파는 상승추세로 반전
    • ao가 0선을 하향돌파는 하락추세로 반전
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 »