기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[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.

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 ...