기본 콘텐츠로 건너뛰기

[matplotlib]quiver()함수

댓글 쓰기

[stock]PSAR(Parabolic Stop and Reverse)

PSAR(Parabolic Stop and Reverse)

추세의 방향 파악, 잠재적인 추세의 반전 시점 예측에 사용되는 지표입니다. 가격차트 위에 점으로 표시됩니다.

PSAR은 상승과 하락 추세에 따라 약간 다른 공식을 사용하며 가속요소(Accerleration Factor, AF)와 극점(Extreme Point, EP)으로 계산됩니다. AF의 초기값은 0.02를 사용하며 상승추세에서 최고점 그리고 하락추세에서 최저점이 발생할 때마다 0.02씩 증가합니다. 일반적으로 최고점은 0.2로 제한됩니다. EP는 상승추세에서 현재 추세에서 최고가, 하락추세에서는 현재추세에서 최저가가 되며 새로운 최고가 또는 최저가가 발생하면 EP 값이 업데이트 됩니다.

pandas.psar(high, low, close=None, af0=None, af=None, max_af=None, offset=None, **kwargs) 함수로 계산합니다. af0, af의 기본값은 0.02이며 max_af의 기본값은 0.2입니다. long, short, af, and reversal 칼럼들로 구성된 DataFrame을 반환합니다. 

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, 5,10)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]

psar=trg.ta.psar()
psar.tail(3)
PSARl_0.02_0.2 PSARs_0.02_0.2 PSARaf_0.02_0.2 PSARr_0.02_0.2
Date
2025-05-07 169913.379297 NaN 0.10 0
2025-05-08 172072.041367 NaN 0.12 0
2025-05-09 174943.396403 NaN 0.12 0 
adf=[mpf.make_addplot(psar.iloc[:,0], type="scatter", panel=0, color="r", label="long"),
     mpf.make_addplot(psar.iloc[:,1], type="scatter",panel=0, color="b", label="short")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True, xlim=(pd.to_datetime("2025-01-01"), pd.to_datetime("2025-05-10")),figsize=(12,3))
axs[0].legend(loc="upper left")
plt.show()
  • 상승 추세에서 psar(점)은 가격의 아래에 위치하며 추세가 진행됨에 따라 점차 가격에 가까워 집니다.
  • 하락 추세에서 psar은 가격의 위에 위치하며 추세가 진행됨에 따라 점차 가격에 가까워 집니다.
  • 가격과 psar의 형태가 전환되는 시점에서 매매를 고려할 수 있습니다.

주의점

  • 횡보장에서의 잦은 오Signal: 추세가 명확하지 않고 가격이 횡보하는 구간에서는 SAR이 잦은 매수/매도 신호를 발생시켜 손실을 유발할 수 있습니다.
  • 추세 시작 시의 뒤늦은 신호: SAR은 추세 추종 지표이므로, 추세가 시작된 후 다소 뒤늦게 신호를 제공할 수 있습니다.
  • 가속 요소 설정의 민감성: 가속 요소의 값을 잘못 설정하면 너무 민감하거나 둔감한 신호를 생성할 수 있습니다.
  • Parabolic SAR은 단독으로 사용하기보다는 다른 기술적 지표(예: 이동평균선, ADX, RSI)와 함께 사용하여 신뢰도를 높이는 것이 좋습니다.
  • 횡보장에서는 SAR의 활용에 주의해야 하며, 추세 강도 지표(예: ADX)를 통해 추세 유무를 확인하는 것이 도움이 될 수 있습니다.
  • 가속 요소의 기본값을 사용하거나, 시장 상황과 분석하는 자산의 특성에 맞게 조정하는 것이 중요합니다.
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 »