기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]Pivot point

피벗포인트(pivot point)

잠재적인 지지선/ 저항선을 예측하기 위해 사용하는 지표로서 이전 거래일의 고가, 저가, 종가를 평균하여 계산하고 이를 기준으로 여러개의 지지선과 저항선을 산출합니다.

  • 피벗포인트(PP)
    • $\text{PP}=\frac{\text{High+Low+Close}}{3}$
    • High, Low, Close: 이전 거래일의 가격
차수지지선저항선
1차 S1 = (2 × PP) - High R1=(2 × PP) - Low
2차 S2 = PP - (High - Low) R2 = PP + (High - Low)
3차 S3 = Low - 2 × (High - PP) R3 = High - 2 × (PP - Low)

Pandas_ta에서 직접계산하는 함수는 제공하지 않습니다. 대신에 다음과 같이 UDF를 작성하여 사용합니다.

def calculate_pivot(data):
    result=pd.DataFrame()
    result["PP"]=(data.High+data.Low+data.Close)/3
    result["R1"]=(2*result["PP"])-data.Low
    result["S1"]=(2*result["PP"])-data.High
    result["R2"]=result["PP"]+(data.High-data.Low)
    result["S2"]=result["PP"]-(data.High-data.Low)
    result["R3"]=data.High+2*(result["PP"] - data.Low)
    result["S3"]=data.Low-2*(data.High-result["PP"])
    return result
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(2024,5, 1)
et=pd.Timestamp(2025, 5,11)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]

pp=calculate_pivot(trg)
pp.tail(3)
PP R1 S1 R2 S2 R3 S3
Date
2025-05-07 189400.0 192900.0 187300.0 195000.0 183800.0 198500.0 181700.0
2025-05-08 191900.0 194400.0 187800.0 198500.0 185300.0 201000.0 181200.0
2025-05-09 189900.0 193000.0 187000.0 195900.0 183900.0 199000.0 181000.0 
adf=[mpf.make_addplot(pp.iloc[:,0],  panel=0, color="g", label="pp"),
     mpf.make_addplot(pp.iloc[:,1],  panel=0, color="b", label="R1"),
     mpf.make_addplot(pp.iloc[:,2],  panel=0, color="r", label="S1"),
     mpf.make_addplot(pp.iloc[:,3],  panel=0, color="b", linestyle="--",  label="R2"),
     mpf.make_addplot(pp.iloc[:,4],  panel=0, color="r",  linestyle="--", label="S2"),
     mpf.make_addplot(pp.iloc[:,5],  panel=0, color="b", linestyle="dotted",  label="R3"),
     mpf.make_addplot(pp.iloc[:,6],  panel=0, color="r", linestyle="dotted",  label="S3")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True,xlim=(pd.to_datetime("2025-04-01"), pd.to_datetime("2025-05-10")), ylim=(160000, 220000),figsize=(12,3))
axs[0].legend(loc="upper left")
plt.show()
  • 현재가격 > PP : 상승추세를 고려할 수 있음
  • 현재가격 < PP : 하락추세를 고려할 수 있음
  • 가격이 지지선에서 반등 매수 포지션, 저항선 근처에서 꺽일때 매도 포지션을 고려
  • 가격이 지지선 또는 저항선을 뚫고 나갈때 추세방향으로 포지션을 취함
  • 지지선과 저항선를 기준으로 이익실현 또는 손절매 목표가를 설정할 수 있음

다음과 같은 다양한 계산 방식이 존재합니다.

  • 우디 피벗 포인트 (Woodie's Pivot Points): 종가에 더 큰 비중을 둡니다.
  • 카마릴라 피벗 포인트 (Camarilla Pivot Points): 더 많은 지지/저항 레벨을 제공하며, 현재 추세 내에서 매매하는 데 유용합니다.
  • 드마크 피벗 포인트 (DeMark's Pivot Points): 시가, 고가, 저가, 종가 간의 관계에 따라 피벗 포인트를 다르게 계산합니다.
  • 피보나치 피벗 포인트 (Fibonacci Pivot Points): 피보나치 비율을 적용하여 지지/저항 레벨을 계산합니다.
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 »