기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]CCI(Commodity CHannel Index)

CCI(Commodity CHannel Index)

과매수, 과매도 상태를 식별하고 추세의 방향과 강도를 측정. 추세추종형 모멘텀 지표

$$\begin{align}1.\;& \text{TP} = \frac{\text{High}+\text{Low}+\text{Close}}{3} \\ 2.\;& \text{SMA(TP, n)} = \frac{\sum^n_{i=1}\text{TP}_i}{n}\\ 3.\;& \text{MD} = \frac{\sum^n_{i=1}\vert {\text{TP}_i-\text{SMA(TP, n)}_i}\vert}{N}\\ 4.\;&\text{CCI} = \frac{\text{TP} - \text{SMA(TP, n)}}{0.015 \cdot \text{MD}}\end{align}$$

위 식에서 0.015는 CCI의 대부분 값이 -100 ~ +100 사이에서 움직이기 위해 조정하는 인자이며 이동평균 기간은 일반적으로 14일을 사용합니다.

CCI를 계산하기 위한 UDF calculate_cci()를 작성하여 사용할 수 있습니다. 다음 계산은 pandas_ta.cci(high, low, close, length=None, c=None, talib=None, offset=None, **kwargs) 함수를 사용합니다. 매개변수 c는 대부분의 CCI값이 [-100, +100]사이의 만들기 위한 상수로서 위 식의 0.015와 같습니다. 기본값은 0.015입니다. 매개변수 length의 기본값은 14입니다.

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

st=pd.Timestamp(2024,9, 1)
et=pd.Timestamp(2025, 5,2)
trgnme="000660.KS"
trg=yf.download(trgnme,  st, et)
trg.columns=[i[0] for i in trg.columns]

cci=ta.cci(trg.High, trg.Low, trg.Close)
cci.tail(3)
Date
2025-04-28    65.935851
2025-04-29    42.052229
2025-04-30   -13.725490
Name: CCI_14_0.015, dtype: float64

위 자료에 대한 봉차트와 CCI 그래프를 작성합니다.

adp=[mpf.make_addplot(ta.cci(trg.High, trg.Low, trg.Close, length=10), panel=1, color="brown",  label="CCI(10)"), 
    mpf.make_addplot(ta.ema(trg.Close, length=5), panel=0, color="Navy",  label="ema_5"), 
     mpf.make_addplot(ta.ema(trg.Close, length=20), panel=0, color="brown",  label="ema_20")]
fig, axs=mpf.plot(trg, type="candle", style="yahoo", addplot=adp, volume=False, returnfig=True, figsize=(12,6))
axs[2].axhline(0, color="gray", ls="dotted", label="+100")
axs[2].axhline(100, color="r", ls="dotted", label="-100")
axs[2].axhline(-100, color="b", ls="dotted")
axs[0].legend(loc="upper left")
axs[2].legend(loc="upper left")
plt.show()

위 결과에서 다음을 알 수 있음

  • CCI > 0 이면 상승장, CCI < 0 하락장
  • 0선과 CCI의 이격이 증가하면 추세의 강도가 증가

CCI는 다음과 같이 해석됩니다.

  • CCI > 100: 가격이 평균보다 매우 높음 즉, 과매수상태로 매도신호로 해석할 수 있음, 그러나 강한 상승추세의 시작일 수 있음(다른 지표로 관찰?)
  • CCI < -100: 가격이 평균보다 매우 낮음 즉, 과매도상태로 매수신호로 해석할 수 있음, 그러나 강한 하락추세의 시작일 수 있음(다른 지표로 관찰?)
  • 0선 상향돌파는 가격이 평균 보다 낮다가 높은 방향으로 이동하므로 추세전환(약세 → 강세) 가능성 시사
  • 100선 하향돌파는 가격이 평균 보다 높다가 낮은 방향으로 이동하므로 추세전환(강세 → 약세) 가능성 시사
    • 다이버전스: 가격과 CCI 움직임이 반대 방향으로 나타나는 현상
  • 상승(강세)디버전스: 가격의 저점은 하향, CCI의 저점 상향 → 약세에서 강세로 추세전환 가능성 시사
  • 하락(약세)디버전스: 가격의 고점은 상향, CCI의 고점 하향 → 강세에서 약세로 추세전환 가능성 시사
  • CCI와 이동평균선, MACDm RSI와 함께 고려

주의

  • 변동성이 큰 시장에서 효과적, 횡보장에서 오신호 자주 발생할 수 있음
  • 과매도, 과매수가 반드시 추세반전을 의미하는 것이 아님. 강한 추세에서는 과매도, 과매수 구간에서 오랫동안 머무를 수 있음
  • CCI의 기간 설정에 따라 민감도가 달라질 수 있습니다. 짧은 기간 설정은 더 많은 신호를 발생시키지만 노이즈가 많을 수 있고, 긴 기간 설정은 신호 발생 빈도가 낮아지지만 신뢰도는 높을 수 있습니다. 투자 전략과 분석 대상에 맞춰 적절한 기간을 설정하는 것이 중요합니다.
  • CCI는 후행성 지표의 성격을 가지고 있으므로, 가격 움직임보다 약간 늦게 반응할 수 있다는 점을 고려해야 합니다.

CCI를 계산하기 위한 UDF calculate_cci()를 작성하여 사용할 수 있습니다.

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 »