기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock] Chop 지표

Chop

시장의 추세 또는 횡보 상태를 판단하는데 도움을 주는 지표로서 수치화한 결과를 나타냄

  • True Range (TR) 계산:
    • TR=max(High−Low,High−Closeprev,Low−Closeprev|)
    • 여기서 High는 당일 고가, Low는 당일 저가, Closeprev 는 전일 종가입니다.
  • 설정된 기간 (n) 동안의 True Range 값을 합산합니다.
    • $\text{ATR Sum}_n = \sum^n_{i=1}\text{TR}_i$
  • 설정된 기간 (n) 동안의 최고가(HH)와 최저가(LL)를 찾습니다.
  • 차프 지수 (CHOP) 계산:
    • $\text{CHOP}=100×\frac{ \log\left(\frac{\text{ATR Sum}_n}{\text{HH}_n - \text{LL}_n} \right) }{\log(n)}$
    • n은 차프 지수를 계산하는 기간입니다.

추세는 큰 변동성을 기반으로 합니다. 그러므로 고가와 저가의 차이가 크기 때문에 Chop값이 작아집니다. 반대로 횡보구간은 그 차이가 작기 때문에 큰 Chop를 보입니다. 이러한 경우는 추세추종 전략의 효율성이 저하될 수 있습니다.

Chop의 절대값보다는 과거값과의 비교 또는 특정기준선을 통해 시장상황을 판단합니다.

pandas_ta.chop(high, low, close, length=None, atr_length=None, ln=None, scalar=None, drift=None, offset=None, **kwargs)로 계산할 수 있습니다.

  • ATR sum을 계산하는 기간 length로 기본값은 14
  • ATR은 TR의 이동평균값으로 이 기간은 atr_length로 조정하며 기본값은 1입니다. 기본값의 경우 ATR 대신 TR을 사용하는 것입니다.
  • 위 식의 tr을 계산하는 과정에서 이전이 종가를 사용합니다. 이전의 기간을 drift로 조정하며 기본값은 1입니다.
  • ln= True일 경우 자연로그, False일 경우 대수로그(log10)를 사용하며 기본값은 False
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(2024,1, 1)
et=pd.Timestamp(2025, 5, 3)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]


chop=trg.ta.chop(20)
chop.tail(3)
Date
2025-04-29    46.318631
2025-04-30    52.769038
2025-05-02    57.873517
Name: CHOP_20_1_100, dtype: float64
chop=trg.ta.chop()
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(chop, panel=1, color="brown", label="chop")]
f, axs=mpf.plot(trg, type="candle", style="yahoo", volume=False, addplot=adf, returnfig=True, figsize=(12, 6))
axs[0].legend(loc="upper left")
axs[2].legend(loc="upper left")
axs[2].axhline(61.8, color="orange", ls="dashed")
axs[2].axhline(38.2, color="orange", ls="dashed")
plt.show()

추세는 큰 변동성을 기반으로 합니다. 그러므로 고가와 저가의 차이가 크기 때문에 Chop값이 작아집니다. 반대로 횡보구간은 그 차이가 작기 때문에 큰 Chop를 보입니다. 이러한 경우는 추세추종 전략의 효율성이 저하될 수 있습니다.

Chop의 절대값보다는 과거값과의 비교 또는 특정기준선을 통해 시장상황을 판단합니다.

  • 높은 값 (일반적으로 61.8 이상): 횡보 또는 추세가 약한 구간으로 해석될 수 있음
  • 낮은 값 (일반적으로 38.2 이하): 강한 추세를 형성할 가능성이 있는 구간으로 해석될 수 있음
  • 중간 값: 명확한 추세나 횡보 상태를 나타내지 않음

  • 차프 지수는 시장의 방향을 예측하는 지표가 아니라, 현재 시장의 상태 (추세 vs. 횡보)를 판단하는 데 도움을 주는 지표이며 설정 기간 (n)에 따라 지표의 민감도가 달라질 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 »