기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]CMO(Chande Momentum Oscillator)

CMO(Chande Momentum Oscillator)

가격 모멘텀을 측정하는 지표로 특정 기간의 상승일의 가격폭의 합계와 하락일 가격폭의 합계 사이의 관계를 고려하여 [-100, 100] 사이의 값으로 나타냅니다.

$$\begin{align}\Delta \text{diff} &= C_t-C_{t-i}\\ \text{Up_diff}:\;&\Delta \text{diff} > 0 \\ \text{Down_diff}:\;&\Delta \text{diff} \lt 0\\ \text{CMO}&=\frac{\sum^n_{i=1}\text{Up_diff}-\sum^n_{i=1}\text{Down_diff}}{\sum^n_{i=1}\text{Up_diff}+\sum^n_{i=1}\text{Down_diff}}\times 100\end{align}$$
  • n: 특정기간 (일반적으로 20일)
  • C:가격이며 일반적으로 Close(종가)

pandas_ta.cmo(close, length=None, scalar=None, talib=None, drift=None, offset=None, **kwargs) 함수를 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, 5,9)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]

cmo=trg.ta.cmo(length=10)
cmo.tail(3)
	CMO_10
Date	
2025-05-07	20.041102
2025-05-08	18.563030
2025-05-09	17.917729
dtype: float64
adf=[mpf.make_addplot(trg.ta.ema(5), panel=0, color="r", label="ema_5"),
     mpf.make_addplot(trg.ta.ema(20), panel=0, color="b", label="ema_20"),
     mpf.make_addplot(cmo, panel=1, color="g",label="cmo")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True, figsize=(12,5))
axs[0].legend(loc="upper left")
axs[2].axhline(0, color="gray", ls="dotted")
axs[2].axhline(50, color="r", ls="dotted", label="50")
axs[2].axhline(-50, color="b", ls="dotted", label="-50")
axs[2].legend(loc="upper left")
plt.show()

가격 상승에서 CMO 상승, 하락에서 CMO 하락이 나타납니다.

0선을 기준으로 CMO의 이격이 클수록 추세가 강해짐을 알 수 있습니다. 다음과 같이 정리할 수 있습니다.

단기이평이 장기이평 상향돌파 시점에서 CMO는 0선을 상향돌파: 하락에서 상승 추세로 전환

단기이평이 장기이평 하향돌파 시점에서 CMO는 0선을 하향돌파: 상승에서 하락 추세로 전환

  • 50, -50선을 과매수, 과매도 상태(극단적인 수준)으로 간주하며 추세 전환 가능성을 고려할 수 있음
    • > 50: 과매수 상태로 가격 하락 가능성을 시사
    • < -50: 과매도 상태로 가격 상승 가능성을 시사
  • 0 근처: 시장의 모멘텀이 약함. 가격 균형상태
  • CMO의 절대값이 클수록 추세의 강도가 강함으로 해석
  • 가격과 CMO의 다이버전스(불일지): 추세반전 신호
    • 가격 하락, CMO 상승 (강세다이버전스) : 매수신호
    • 가격 상승, CMO 하락 (약세다이버전스) : 매도신호
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 »