기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[stoock]모멘텀지표(RSI, MOM, ROC)

모멘텀지표(RSI, MOM, ROC)

RSI (Relative Strength Index, 상대 강도 지수)

가격변동 속도와 규모를 측정하여 과매수 또는 과매도 상태를 파악하는데 사용되는 모멘텀 지표로서 [0, 100]값으로 표시되는 오실레이터 형태입니다.

특정기간에서의 가격이 상승한 날의 상승폭 합계와 하락한 날의 하락폭의 합계를 비교하여 상대적인 강도를 나타내는 지표로 일반적으로 기간 설정은 14일 입니다.

  1. Up, Down
    • 상승한 날(Up): 당일종가 - 전일 종가(양수, 아니면 0)
    • 하락한 날(Down): 전일종가 - 당일종가(양수, 아니면 0)
    • 변동없는 날: 상승폭과 하락폭 모두 0
  2. 평균상승폭, 평균하락폭 : 초기평균값은 SMA, 이후의 평균은 EMA 사용
    • 초기 평균 상승폭(Average Up, AU)=sma(Up, n)
    • 초기 평균 하락폭(Average Down, AD)=sma(Down, n)
    • 초기 이후 당일 AU=ema(Up, n)
    • 초기 이후 당일 AD=ema(AD, n)
  3. RS(상대강도)계산
    • $\text{RS} =\frac{\text{AU}}{\text{AD}}$
  4. RSI 계산
    • $\begin{align} \text{RSI}&=100-\frac{100}{1+\text{RS}}\\ \Leftrightarrow& \text{RSI}=\frac{\text{AU}}{\text{AU}+\text{AD}} \times 100\end{align}$

pandas_ta.rsi(close, length=None, scalar=None, talib=None, drift=None, offset=None, **kwargs)로 계산합니다. 평균 상승과 하락폭을 계산하기 위한 기간인 length의 기본값은 14이며, 종가들의 차를 계산하기 위한 기간인 drift의 기본값은 1입니다.

이 함수는 초기 AU, AD를 계산은 SMA를 사용하지만 이후의 계산에서 EMA 대신 SMMA(Smoothed Moving Average)을 사용합니다.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import pandas_ta as ta
import FinanceDataReader as fdr
import matplotlib.pyplot as plt
import mplfinance as mpf

st=pd.Timestamp(2024,9, 1)
et=pd.Timestamp(2025, 5,7)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]

rsi=trg.ta.rsi()
rsi.tail(3)
Date
2025-04-30    44.392134
2025-05-02    51.816963
2025-05-07    55.435602
Name: RSI_14, dtype: float64
adf=[mpf.make_addplot(trg.ta.ema(5), panel=0, color="brown",  label="ema5"),
     mpf.make_addplot(trg.ta.ema(20), panel=0, color="navy",  label="ema20"),
     mpf.make_addplot(rsi, panel=2, color="brown",  label="RSI")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=True, addplot=adf, returnfig=True, figsize=(12,8))
axs[0].legend(loc="upper left")
axs[0].legend(loc="upper left")
axs[4].axhline(70, color="r", ls="dashed", label="70")
axs[4].axhline(50, color="g", ls="dashed", label="50")
axs[4].axhline(30, color="b", ls="dashed", label="30")
axs[4].legend(loc="upper left")
plt.show()
  • 0~100 사이의 값으로 표현
  • RSI 상승: 가격 상승, RSI 하락: 가격 하락
  • RSI> 70 → 과매수 상태: 조만간 가격이 하락할 가능성을 암시
  • RSI< 30 → 과매도 상태: 조만간 가격이 상승할 가능성을 시사
    • 강한 추세가 지속될 때는 과매수/ 과매도 구간이 오래 지속될 수 있음
  • RSI = 50: 상승세와 하락세의 균형
    • RSI: 50 이상을 유지 → 상승추세
    • RSI: 50 이하를 유지 → 하락추세
    • 50을 기준으로 RSI값이 증가할수록 상승 추세 강도 증가, 낮을수록 하락 추세 강도 증가
    • 50을 상향 돌파 : 매수신호
    • 50을 하향 돌파: 매도신호
  • diverence: 가격 움직임과 RSI 움직임이 반대되는 현상으로 추세전환의 강력한 신호로 고려할 수 있지만 의심과 함께 다른 지표와 비교해야 함
    • 상승 다이버전스: 가격 하락, RSI 증가, 반전가능성으로 매수신호로 해석할 수 있음
    • 하락 다이버전스: 가격 상승, RSI 하락, 매도신호로 해석 가능
  • 실패스윙(Failure Swing): 과매도, 과매수 구간에서 RSI가 이전 저점 또는 고점을 넘지 못하고 방향을 반전하는 패턴으로 추세전환의 신호로 해석할 수 있음

주의 사항

  • 변동성 모멘트를 나타내는 지표로 추세방향을 명확하게 결정할 수 없습니다. 그러므로 이동평균선, 추세선 등의 다른 기술적 지표와 함께 사용하여야 합니다.
  • 변동성이 큰 시장에서 과매도/과매수 구간의 진입과 이탈이 빈번할 수 있으므로 시장의 전체적인 상황을 고려하여 해석해야 함
  • 설정기간에 따라 민감도의 변화가 큼
    • 짧은 기간: 가격 민감도가 크지만 노이즈가 많을 수 있음
    • 긴 기간: 노이즈가 작지만 가격에 둔감하여 신호가 늦어짐

CMO(Chande Momentum Oscillator)

일정한 기간의 가격 상승폭의 합계와 하락폭의 합계의 차이를 고려하여 과매수, 과매도 상태 파악을 위한 모멘텀 지표입니다. 그 결과값은 -100에서 +100 사이의 값으로 표현됩니다.

$$\text{CMO} = 100 \times \frac{\text{상승폭의 합계 -하락폭의 합계}}{\text{상승폭의 합계 +하락폭의 합계}}$$
  • 상승폭의 합계: 일정기간동안 종가 > 전일 종가인 날의 그 차이의 합
  • 하락폭의 합계: 일정기간동안 종가 < 전일 종가인 날의 그 차이의 절대값의 합
  • 일반적으로 기간은 20일 사용

이 지표는 상승폭과 하락폭에 대한 각각의 지수이동평균값의 비율로 계산한 RSI와 같은 형태를 보입니다.

pandas_ta.cmo(close, length=None, scalar=None, **kwargs) 함수를 사용하여 계산합니다. 합계를 위한 기간 length의 기본값은 14일입니다.

cmo=trg.ta.cmo()
cmo.tail(3)
CMO_14
Date	
2025-04-30	-11.215509
2025-05-02	3.634257
2025-05-07	10.871572

dtype: float64
rsi=trg.ta.rsi()
adf=[mpf.make_addplot(trg.ta.ema(5), panel=0, color="brown",  label="ema5"),
     mpf.make_addplot(trg.ta.ema(20), panel=0, color="navy",  label="ema20"),
     mpf.make_addplot(cmo, panel=2, color="brown",  label="CMO", ylim=(-60, 60)),
     mpf.make_addplot(ta.ema(cmo, length=9), panel=2, color="navy",  label="ema9", ylim=(-60, 60)),
     mpf.make_addplot(rsi, panel=3, color="brown",  label="RSI")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=True, addplot=adf, returnfig=True, figsize=(12,8))
axs[0].legend(loc="upper left")
axs[4].legend(loc="upper left")
axs[4].axhline(50, color="orange", ls="dashed")
axs[4].axhline(0, color="gray", ls="dashed")
axs[4].axhline(-50, color="orange", ls="dashed")
axs[6].legend(loc="upper left")
axs[6].axhline(70, color="r", ls="dashed")
axs[6].axhline(50, color="g", ls="dashed")
axs[6].axhline(30, color="b", ls="dashed")
plt.show()
  • 과매수 및 과매도 판단: 일반적으로 +50 이상이면 과매수, -50 이하이면 과매도 상태로 간주합니다.
  • 추세 강도 확인: 절대값이 클수록 추세가 강하고, 0에 가까울수록 횡보 추세일 가능성이 높습니다.
  • 매매 신호:
    • CMO가 과매수 영역에서 하락하거나, 신호선(일반적으로 9일 이동평균선) 아래로 교차할 때 매도 신호로 해석할 수 있습니다.
    • CMO가 과매도 영역에서 상승하거나, 신호선 위로 교차할 때 매수 신호로 해석할 수 있습니다.
  • 0선 돌파는 추세 방향의 전환 신호로 활용될 수 있습니다.
  • 다이버전스: 가격 움직임과 CMO의 움직임이 반대 방향으로 나타날 경우 추세 전환의 징후
    • 가격은 상승하는데 CMO는 하락하는 약세 다이버전스는 하락 추세로의 전환 가능성을 시사
    • 가격은 하락하는데 CMO는 상승하는 강세 다이버전스는 상승 추세로의 전환 가능성을 시사

CMO 차트에서 가격 차트에서 보이지 않는 추세선, 지지 및 저항, 이중 천장/바닥 등의 패턴을 발견하여 활용할 수 있습니다.

모멘텀(momentum)

모멘텀은 현재가격과 과거 특정시점의 가격을 비교하여 가격변화의 속도를 측정하는 지표로서 현 추세의 강도를 파악하고 추세의 지속성 또는 약화 가능성을 예측하는데 도움을 줍니다.

$$\text{MOM}=\text{현재종가} - \text{n일 전 종가}$$

n은 일반적으로 10, 14, 20일 등이 사용됩니다.

pandas_ta.mom(close, length=None, talib=None, offset=None, **kwargs)를 사용할 수 있으며 length의 기본값은 1입니다.

mom=trg.ta.mom(length=10)
mom.tail(3)
Date
2025-04-30     3500.0
2025-05-02    11000.0
2025-05-07    15800.0
Name: MOM_10, dtype: float64
plt.figure(figsize=(10, 3))
momentum_plot(trg)
plt.show()
  • 0선
    • MOM > 0 : n일전 가격보다 높음. 상승모멘텀의 존재를 시사
    • MOM < 0 : n일전 가격보다 낮음. 하락모멘텀의 존재를 시사
    • MOM이 0선 상향돌파: 매수신호
    • MOM이 0선 하향돌파: 매도신호
  • 절대값의 크기
    • MOM의 절대값이 클수록 가격변화의 속도, 강도가 강함을의미, 추세의 강화
    • MOM이 0에 근접할수록 모멘텀 약화. 횡보 추세 또는 추세전환의 가능성 시사
  • 과매도/과매수
    • MOM으로 과매수, 과매도의 기준은 없음. 그러나 과거 값과 비교하여 수준 판단 가능. 예로 과거 최고치에 도달하면 과매수, 최저치 근처는 과매도 간주 가능
  • 다이버전스
    • 가격 하락, MOM 상승: 강세 다이버전스로 상승추세의 전환 시사
    • 가격 상승, MOM 하락: 약세 다이버전스로 하락추세의 전환 시사

n이 짧은 경우 가격민감 그러나 노이즈가 많을 수 있고 긴 기간은 추세 변화를 늦게 반영할 수 있으므로 적절한 n의 선택이 중요

횡보장에서 오신호 발생 가능하므로 다른 지표와의 조화가 중요

Rate of Change(ROC)

mom이 현재의 종가를 n일 전의 종가의 차를 사용하는 것에 반해 ROC는 가격의 변화율을 사용하여 추세의 강도와 전환등을 파악하기 위한 지표입니다. momentum과 동일한 형태를 보입니다.

$$\text{ROC}=\frac{\text{현재종가}-\text{n일 전 종가}}{\text{n일 전 종가}} \cdot 100$$

일반적으로 n은 일반적으로 10일, 12일, 20일을 사용합니다.

pandas_ta.roc(close, length=None, scalar=None, talib=None, offset=None, **kwargs)함수로 계산하면 length의 기본값은 1입니다.

roc=trg.ta.roc(length=12)
roc.tail(3)
Date
2025-04-30   -1.498335
2025-05-02    2.990033
2025-05-07    9.655172
Name: ROC_12, dtype: float64
adf=[mpf.make_addplot(trg.ta.ema(5), panel=0, color="brown",  label="ema5"),
     mpf.make_addplot(trg.ta.ema(20), panel=0, color="navy",  label="ema20"),
     mpf.make_addplot(mom, panel=1, color="brown", label="MOM"),
      mpf.make_addplot(roc, panel=2, color="brown", label="ROC")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True, figsize=(12,8))
axs[0].legend(loc="upper left")
axs[2].axhline(0, color="g", ls="dashed")
axs[2].legend(loc="upper left")
axs[4].axhline(0, color="g", ls="dashed")
axs[4].legend(loc="upper left")
plt.show()

ROC의 해석은 MOM과 같지만 ROC가 가격변화의 상대적인 크기를 파악하는데 더 유용할 수 있습니다. 특히 가격 수준이 크게 다른 상황에서 모멘텀의 강도를 비교하는데 효과적입니다.

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 ...