기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[stock]엔트로피(entropy)

엔트로피(entropy)

가격변동성의 정도 또는 무작위성을 측정하는 비교적 덜 일반적인 지표로서 시장의 혼란도나 예측불사능성을 나타냅니다.

  • 엔트로피 증가 → 무작위적이고 예측하기 어려움을 시사
  • 엔트로피 감소 → 가격 움직임이 더 규칙적이고 명확할 가능성을 나타냄

엔트로피 측정의 기본개념은 다음과 같습니다.

  • 가격변화 분포의 불확실성 측정: 가격변화가 특정값 근처에 집중될 수록 엔트로피는 낮아집니다.
  • 상태 공간 복잡성 측정: 가격 변화의 복잡성을 엔트로피로 측정, 많은 고유한 상태 변화가 발생하고 예측하기 어려울수록 엔트로피는 높아짐
  • 예측가능한 패턴이 많을수록 정보 콘텐츠는 낮아지고 엔트로피도 낮아짐

위 개념에 따른 표준된 단일한 공식은 없습니다. 대신 정보이론에서는 사용되는 새넌 엔트로피의 개념을 차용하여 계산합니다.

$$H(x)=-\sum^N_{i=1}P(x_i)\log_2(P(x_i))$$
  • H(X): 확률변수 X(가격변화율)의 엔트로피
  • n: 가격변화율 구간의 개수
  • P(xi): i번째 구간에 속할 확률

pandas_ta.entropy(close, length=None, base=None, offset=None, **kwargs)로 계산할 수 있습니다. length의 기본값은 10이고 base는 로그의 밑수를 나타내는 것으로 기본값은 2입니다.

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, 5,7)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]

entropy=trg.ta.entropy()
entropy.tail(3)
Date
2025-04-30    3.336093
2025-05-02    3.343330
2025-05-07    3.352967
Name: ENTP_10, dtype: float64
adf=[mpf.make_addplot(trg.ta.ema(5), panel=0, color="brown",  label="sma_10"),
     mpf.make_addplot(trg.ta.ema(20), panel=0, color="navy",  label="ema_10"),
     mpf.make_addplot(entropy, panel=1, color="brown", label="entropy")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True, figsize=(12,4))
axs[0].legend(loc="upper left")
axs[2].legend(loc="upper left")
plt.show()

위 결과는 가격 상승시 엔트로피가 증가하고 하락시 엔트로피가 감소합니다. 이것은 증가하는 과정에 주가변동이 크고 예측하기 어려울 수 있다고 해석할 수 있습니다.

  • 높은 엔트로피 = 높은 불확실성 또는 무작위성 : 상승 구간에서 높은 엔트로피는 매수세 우세로 상승하지만 그 과정에서 일관성 없이 크고 작은 변동이 자주 발생한다는 의미
  • 높은 엔트로피는 추세가 안정적이지 않기 때문에 언제든지 꺽일 수 있다는 신호로 해석할 수 있습니다. 즉, 큰 변동성은 투자자들의 불안감을 증폭시키고 이는 결국 매서-매도세로의 전환 가능성을 암시
  • 활발한 거래와 변동성은 매수-매도 활동으로 인해 가격 변동성이 증가하는 상황을 반영할 수 있습니다. 이는 특정 가격대에서 차익실현 매물이 나오거나 새로운 정보에 대한 시장의 민감한 반응 등으로 발생할 수 있음
  • 단순히 엔트로피가 높다는 것만으로 추세가 불안정하다고 단정하기는 어렵습니다. 전체적인 추세의 강도와 방향을 함께 고려해야 합니다. 강한 상승 추세속에서 일시적인 변동성의 확대로 인해 에트로피가 높아질 수 있음
  • 다른 기술적 지표(거래량, 이평선, 변동성 지표 등)와 함께 분석 필요
  • 시장의 경제지표, 정책변화등 정성적인 분위기나 외부적 요인이 주가에 영향을 미칠 수 있음을 고려

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...

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...