기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

[stock]SONAR

SONAR

주가의 평균 변화율 추이를 분석하여 상승 및 하락 강도를 측정하여 사용하는 기술적 지표입니다.

  1. 현재 지수이동평균과 과거이동평균의 차를 계산
    • SONAR = EMA(Close, n) - EMA(Close, n)_K일 전
    • Close : 종가
    • n: EMA의 기간을 일반적으로 9일
    • k: 현재의 이동지수평균과 비교하기 위한 과거 이동평균의 기간으로 일반적으로 6일
  2. 신호선 = SMA(SONAR, m)
    • m: SONAR의 이동평균 기간으로 일반적으로 5일

pandas_ta에서는 SONAR를 직접 계산할 수 있는 함수를 제공하지 않지만 pandas_ta.ema() 함수를 적용하여 UDF를 작성할 수 있습니다.

def sonar(series, n=9, k=6, m=5):
    ema_n=ta.ema(series, length=n)
    ema_n_k=ema_n.shift(k)
    sonar_line=ema_n - ema_n_k
    singal_line=ta.ema(sonar_line, length=m)
    return pd.DataFrame({"SONAR": sonar_line, "SIGNAL": singal_line})
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, 5,8)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)[["Open", "High", "Low", "Close", "Volume"]]

sr=sonar(trg.Close)
sr.tail(3)
SONAR SIGNAL
Date
2025-05-02 2983.567678 1549.373931
2025-05-07 4886.854142 2661.867335
2025-05-08 5089.483314 3471.072661

위 결과를 시각화합니다.

adf=[mpf.make_addplot(trg.ta.ema(10), panel=0, color="r", label="ema_10"),
     mpf.make_addplot(sr.SONAR, panel=1, color="g",label="sonar"),
     mpf.make_addplot(sr.SIGNAL, panel=1, color="r",  label="signal")]
f, axs=mpf.plot(trg, type="candle", style="yahoo",  volume=False, addplot=adf, returnfig=True, figsize=(12,5))
axs[0].legend(loc="upper left")
axs[2].axhline(0, color="b", ls="--")
axs[2].legend(loc="upper left")
plt.show()

상승인 경우 sonar > signal 경향을 보입니다. 또한 0선을 경계로 sonar의 영역과 주가의 경향이 다르게 나타납니다. 다음과 같이 정리 할 수 있습니다.

  • SONAR > 0 : 상승모멘트
  • SONAR < 0 : 하강모멘트
  • SONAR 상승: 상승모멘트 강화
  • SONAR 하락: 상승모멘트 약화를 시사하며 추세 전환가능성 암시
  • SONAR가 신호를 상향돌파(매수신호): 상승모멘텀이 평균대비 강해지고 있다는 신호
  • SONAR가 신호를 하향돌파(매도신호): 하락모멘텀이 평균대비 강해지고 있다는 신호
  • 다이버전스: 가격 움직임과 SONAR 지표 간의 다이버전스는 추세 반전의 잠재적인 초기 신호가 될 수 있습니다. 예를 들어, 가격은 신고점을 경신하는데 SONAR는 이전 상승 시보다 낮은 고점을 형성한다면 약세 다이버전스로 해석할 수 있습니다.
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 »

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 »

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...
댓글 쓰기
Read more »