기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

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 »

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 »