기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

[stock]ATR (Average True Range)

ATR (Average True Range)

시장 변동성을 측정하는 지표로 특정기간 동안 가격의 방향이 아닌 변동폭의 평균을 나타냅니다.

계산방법

  • 각 기간의 True range(TR)을 계산
  • $$\text{TR} = \text{max(당일고가 - 당일저가, |당일고가 - 전일종가|, |당일저가 - 전일종가|)}$$
  • ATR은 일정기간 TR의 이동평균으로 일반적으로 14일을 사용합니다. 초기 ATR은 처음 14개의 TR값의 산술평균으로 계산하며 이루 ATR은 다음과 같이 계산합니다.
  • $$\text{ATR}_t = \frac{\text{ATR}_{t-1} \times (n-1)+\text{TR}_t}{n}$$
  • ATRt, ATRt-1: 현재 t와 이전 시점의 ATR 값
  • n: ATR 계산기간(일반적으로 14)
  • TRt: 현재 기간의 TR

pandas_ta.atr(high, low, close, length=None, mamode=None, talib=None, drift=None, offset=None, **kwargs)를 사용하여 계산합니다. 위 계산과는 약간의 차이를 보이며 mamode에 이동평균의 방식을 지정함으로서 TR의 이동평균을 계산합니다. 기본값은 wilder's smoothing MA(RMA)입니다. 매개변수 diff를 사용하여 현재와 이전의 차이를 1이외의 더 차이나게 지정할 수 있습니다. 기본값은 1입니다. 인수중 percent=True로 지정하면 "atrt*100/종가"로 계산한 결과를 반환합니다.

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, 4,30)
trgnme="000660.KS"
trg=yf.download(trgnme,  st, et)
trg.columns=[i[0] for i in trg.columns]

atr=ta.atr(trg.High, trg.Low, trg.Close, percent=True)
atr.tail(3)
Date
2025-04-25    3.999143
2025-04-28    3.946917
2025-04-29    3.839446
Name: ATRr_14p, dtype: float64

위 결과를 그래프로 작성합니다. 

adp=[mpf.make_addplot(atr, panel=1, color="brown",  label="atr"), 
     mpf.make_addplot(ta.ema(trg.Close, 5), panel=0, color="orange", label="EMA5"),
   mpf.make_addplot(ta.ema(trg.Close, 20), panel=0, color="navy", label="EMA20")]
fig, axs=mpf.plot(trg, type="candle", style="yahoo", addplot=adp, volume=False, returnfig=True, figsize=(12, 6))
axs[2].axhline(atr.mean(), color="gray", linestyle="dotted", label=r"$\mu$")
axs[0].legend(loc="upper left")
axs[2].legend(loc="upper left")
plt.show()

위 두개의 그래프는 가격의 변동에 의해 ATR의 변화를 보임을 나타냅니다. 추세의 방향과는 무관하며 가격 변동에 반응을 보이지만 평활화 기능으로 인해 가격 변화가 반응은 그 크기에 따라 제한적입니다. 또한 가격변화에 따른 반응이 후진적입니다. 단지 다음을 참고할 수 있습니다.

  • ATR 상승: 시장의 변동성이 증가하고 있음을 나타냅니다. 이는 가격 움직임의 폭이 커지고 추세가 강화될 수 있는 신호로 해석될 수 있습니다.
  • ATR 하락: 시장의 변동성이 감소하고 있음을 나타냅니다. 이는 가격 움직임이 제한적이고 횡보 추세가 나타날 수 있음을 시사합니다.

위 두 사항을 기반으로 ADX와 같은 다른 지표와 연계가 필요합니다. 이 지표를 독단적으로 사용하는 것은 위험합니다.

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 »

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...
댓글 쓰기
Read more »

부분분수의 미분

내용 방법 1 방법 2 방법 3 부분분수의 미분 분수의 미분은 일정한 공식 을 적용하여 계산할 수 있습니다. 그러나 분수 자체가 단순한 표현으로 이루어지지 않았다면 미분 과정이나 결과는 매우 복잡할 수 있습니다. 만약 복잡한 분수 함수를 간단한 분수들로 분해할 수 있다면 계산이 보다 간편해질 것입니다. 이와 같이 분해된 간단한 분수들을 부분분수 라고 합니다. 예를 들어 다음 두 분수의 합을 계산해 봅니다. $$\begin{align} \frac{1}{x+1}+\frac{2}{x-1}&=\frac{x-1+2(x+1)}{(x+1)(x-1)}\\ &=\frac{3x+1}{x^2-1} \end{align}$$ 위 과정은 3개 이상의 여러 분수에서도 이루어질 수 있습니다. 또한 역으로 진행될 수 있습니다. 즉, 분수를 부분 분수로 분할할 수 있습니다. 그러나 이러한 과정은 대수분수 (분자의 가장 큰 차수가 분모의 최고의 차수보다 작은 분수)에서만 이루어질 수 있습니다. 예를 들어 $\displaystyle \frac {x^2+2}{x^2-1}$의 경우는 분자와 분모의 차수는 2차로 같습니다. 이러한 경우 다음과 같이 분리할 수 있습니다. $$\frac{x^2+2}{x^2-1}=1+\frac{3}{x^2-1}$$ 위의 식 중 $\displaystyle \frac{3}{x^2-1}$은 분자의 차수가 분모의 차수 보다 낮은 대수 분수이므로 부분 분수로 분리할 수 있습니다. 이와같이 부분 분수로 분해하는 방법은 다음과 같이 몇 가지로 구분할 수 있습니다. 방법 1 위 예의 결과 $\displaystyle \frac{3x+1}{x^2-1}$의 경우를 역으로 생각해 봅니다. 분모의 인수분해가 가능하면 그 분모의 인수에 의해 다음과 같이 분해할 수 있습니다. $$\begin{align} \frac{3x+1}{x^2-1}&=\frac{3x+1}{(x+1)(x-1)}\\ &=\frac{A}{x+1...
댓글 쓰기
Read more »