기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[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
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 »