기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock] OBV(On-Balance Volume)

OBV(On-Balance Volume)

거래량 기반의 지표로 가격변동과 거래량 간의 관계를 분석하여 매수, 매도 압력을 측정하고 추세의 강도를 예측하는데 사용됩니다.

이 지표는 매수거래량의 증가가 가격 상승의 원인이고 매도거래량의 증가는 가격하락의 원인이 되는 경향을 기반으로 "거래량이 가격에 선행"한다는것을 기반으로 합니다. 그러므로 OBV는 상승하는 날의 거래량은 누적하여 더하고 하락하는 날의 거래량은 누적하여 뺴는 방식으로 계산됩니다.

  • 당일 종가 > 전일 종가 : 현재 OBV = 이전 OBV + 당일 거래량
  • 당일 종가 < 전일 종가 : 현재 OBV = 이전 OBV - 당일 거래량
  • 당일 종가 = 전일 종가 : 현재 OBV = 이전 OBV
  • 최초 obv값은 그 시점의 거래량을 사용합니다.

pandas_ta.obv(close, volume, talib=None, offset=None, **kwargs) 함수로 계산합니다.

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

st=pd.Timestamp(2024,9, 1)
et=pd.Timestamp(2025, 5,2)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)

obv=ta.obv(trg.Close, trg.Volume)
obv.tail(3)
Date
2025-04-29    1907905.0
2025-04-30    -446568.0
2025-05-02    3439701.0
Name: OBV, dtype: float64
macd=ta.macd(trg.Close, 5, 20)
adf=[mpf.make_addplot(ta.ema(trg.Close, 5), panel=0, color="brown", label="ema5"),
     mpf.make_addplot(ta.ema(trg.Close, 20), panel=0, color="navy", label="ema20"),
     mpf.make_addplot(obv, panel=2, color="brown", label="obv"),
     mpf.make_addplot(macd.iloc[:,0], panel=3, color="brown", label="macd_fast"),
     mpf.make_addplot(macd.iloc[:,2], panel=3, color="navy", label="macd_slow")]
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[6].legend(loc="upper left")
plt.show()

OBV의 상승은 매수압력의 상승, 하락은 매도압력의 상승을 나타냅니다. 값 자체 보다 OBV선의 움직임과 가격 움직임 간과 관계를 분석하는 것이 중요

  • 추세확인
    • 가격상승, OBV 상승: 상승추세가 강하게 유지
    • 가격하락, OBV 하락: 하락추세가 강하게 유지
  • 다이버전스: 가격과 OBV의 방향의 다름은 추세전환을 암시
    • 상승다이버전스: 가격 하락 또는 횡보, OBV 상승 → 매수압력 증가, 가격 상승을 암시
    • 하락다이버전스: 가격 상승 또는 횡보, OBV 하강 → 매도압력 증가, 가격 하락을 암시
  • 돌파확인
    • 가격이 중요한 저항선을 돌파할 때 OBV 상승: 해당 돌파가 거래량(매수)에 의해 뒷받침되는 강한 신호
    • 가격이 중요한 지지선을 돌파할 때 OBV 하강: 해당 돌파가 거래량(매도)에 의해 뒷받침되는 것으로 하락의 강한 신호

다른 지표와 함께 사용, 횡보추세에서는 신뢰도가 낮을 수 있음

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 »