.\pandas-ta\tests\test_indicator_cycles.py
# 從config模組中匯入error_analysis, sample_data, CORRELATION, CORRELATION_THRESHOLD, VERBOSE變數
# 從context模組中匯入pandas_ta
from .config import error_analysis, sample_data, CORRELATION, CORRELATION_THRESHOLD, VERBOSE
from .context import pandas_ta
# 從unittest模組中匯入TestCase類和skip函式
# 匯入pandas.testing模組並重新命名為pdt
import pandas.testing as pdt
# 從pandas模組中匯入DataFrame和Series類
from pandas import DataFrame, Series
# 匯入talib庫並重新命名為tal
import talib as tal
# 定義TestCycles類，繼承自TestCase類
class TestCycles(TestCase):
# 設定類方法setUpClass，在測試類開始時執行
@classmethod
def setUpClass(cls):
# 設定類屬性data為sample_data
cls.data = sample_data
# 將data的列名轉換為小寫
cls.data.columns = cls.data.columns.str.lower()
# 設定類屬性open為data的"open"列
cls.open = cls.data["open"]
# 設定類屬性high為data的"high"列
cls.high = cls.data["high"]
# 設定類屬性low為data的"low"列
cls.low = cls.data["low"]
# 設定類屬性close為data的"close"列
cls.close = cls.data["close"]
# 如果"data"的列中包含"volume"列，設定類屬性volume為"data"的"volume"列
if "volume" in cls.data.columns:
cls.volume = cls.data["volume"]
# 設定類方法tearDownClass，在測試類結束時執行
@classmethod
def tearDownClass(cls):
# 刪除類屬性open
del cls.open
# 刪除類屬性high
del cls.high
# 刪除類屬性low
del cls.low
# 刪除類屬性close
del cls.close
# 如果類有volume屬性，刪除類屬性volume
if hasattr(cls, "volume"):
del cls.volume
# 刪除類屬性data
del cls.data
# 設定例項方法setUp，在每個測試方法執行前執行
def setUp(self): pass
# 設定例項方法tearDown，在每個測試方法執行後執行
def tearDown(self): pass
# 定義測試方法test_ebsw
def test_ebsw(self):
# 呼叫pandas_ta模組中的ebsw函式，並傳入close列，將結果賦給result變數
result = pandas_ta.ebsw(self.close)
# 斷言result的型別為Series
self.assertIsInstance(result, Series)
# 斷言result的名稱為"EBSW_40_10"
self.assertEqual(result.name, "EBSW_40_10")
.\pandas-ta\tests\test_indicator_momentum.py
# 從config模組中匯入error_analysis, sample_data, CORRELATION, CORRELATION_THRESHOLD, VERBOSE變數
# 從context模組中匯入pandas_ta模組
from .config import error_analysis, sample_data, CORRELATION, CORRELATION_THRESHOLD, VERBOSE
from .context import pandas_ta
# 從unittest模組中匯入TestCase類和skip函式
# 從pandas.testing模組中匯入pdt別名
# 從pandas模組中匯入DataFrame, Series類
# 匯入talib模組並使用tal別名
from unittest import TestCase, skip
import pandas.testing as pdt
from pandas import DataFrame, Series
import talib as tal
# 定義TestMomentum類，繼承自TestCase類
class TestMomentum(TestCase):
# 類方法setUpClass，用於設定測試類的初始狀態
@classmethod
def setUpClass(cls):
# 初始化sample_data資料
cls.data = sample_data
# 將資料列名轉換為小寫
cls.data.columns = cls.data.columns.str.lower()
# 初始化open, high, low, close資料列
cls.open = cls.data["open"]
cls.high = cls.data["high"]
cls.low = cls.data["low"]
cls.close = cls.data["close"]
# 如果資料中包含"volume"列，則初始化volume資料列
if "volume" in cls.data.columns:
cls.volume = cls.data["volume"]
# 類方法tearDownClass，用於清理測試類的狀態
@classmethod
def tearDownClass(cls):
# 刪除open, high, low, close資料列
del cls.open
del cls.high
del cls.low
del cls.close
# 如果存在volume資料列，則刪除volume資料列
if hasattr(cls, "volume"):
del cls.volume
# 刪除資料
del cls.data
# setUp方法，用於設定每個測試方法的初始狀態
def setUp(self): pass
# tearDown方法，用於清理每個測試方法的狀態
def tearDown(self): pass
# 測試方法test_datetime_ordered
def test_datetime_ordered(self):
# 測試datetime64索引是否有序
result = self.data.ta.datetime_ordered
self.assertTrue(result)
# 測試索引是否無序
original = self.data.copy()
reversal = original.ta.reverse
result = reversal.ta.datetime_ordered
self.assertFalse(result)
# 測試非datetime64索引
original = self.data.copy()
original.reset_index(inplace=True)
result = original.ta.datetime_ordered
self.assertFalse(result)
# 測試方法test_reverse
def test_reverse(self):
original = self.data.copy()
result = original.ta.reverse
# 檢查第一個和最後一個時間是否被顛倒
self.assertEqual(result.index[-1], original.index[0])
self.assertEqual(result.index[0], original.index[-1])
# 測試方法test_ao
def test_ao(self):
result = pandas_ta.ao(self.high, self.low)
self.assertIsInstance(result, Series)
self.assertEqual(result.name, "AO_5_34")
# 測試方法test_apo
def test_apo(self):
result = pandas_ta.apo(self.close, talib=False)
self.assertIsInstance(result, Series)
self.assertEqual(result.name, "APO_12_26")
try:
expected = tal.APO(self.close)
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
error_analysis(result, CORRELATION, ex)
result = pandas_ta.apo(self.close)
self.assertIsInstance(result, Series)
self.assertEqual(result.name, "APO_12_26")
# 測試方法test_bias
def test_bias(self):
result = pandas_ta.bias(self.close)
self.assertIsInstance(result, Series)
self.assertEqual(result.name, "BIAS_SMA_26")
# 測試 Balance of Power 指標計算函式
def test_bop(self):
# 使用 pandas_ta 庫計算 Balance of Power 指標，不使用 TA-Lib
result = pandas_ta.bop(self.open, self.high, self.low, self.close, talib=False)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "BOP"
self.assertEqual(result.name, "BOP")
try:
# 使用 TA-Lib 計算 Balance of Power 指標
expected = tal.BOP(self.open, self.high, self.low, self.close)
# 斷言計算結果與預期結果相等，忽略名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果資料框的誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 執行錯誤分析
error_analysis(result, CORRELATION, ex)
# 使用 pandas_ta 庫計算 Balance of Power 指標，使用 TA-Lib
result = pandas_ta.bop(self.open, self.high, self.low, self.close)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "BOP"
self.assertEqual(result.name, "BOP")
# 測試 BRAR 指標計算函式
def test_brar(self):
# 使用 pandas_ta 庫計算 BRAR 指標
result = pandas_ta.brar(self.open, self.high, self.low, self.close)
# 斷言結果為 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱為 "BRAR_26"
self.assertEqual(result.name, "BRAR_26")
# 測試 CCI 指標計算函式
def test_cci(self):
# 使用 pandas_ta 庫計算 CCI 指標，不使用 TA-Lib
result = pandas_ta.cci(self.high, self.low, self.close, talib=False)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CCI_14_0.015"
self.assertEqual(result.name, "CCI_14_0.015")
try:
# 使用 TA-Lib 計算 CCI 指標
expected = tal.CCI(self.high, self.low, self.close)
# 斷言計算結果與預期結果相等，忽略名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果資料框的誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 執行錯誤分析
error_analysis(result, CORRELATION, ex)
# 使用 pandas_ta 庫計算 CCI 指標，使用 TA-Lib
result = pandas_ta.cci(self.high, self.low, self.close)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CCI_14_0.015"
self.assertEqual(result.name, "CCI_14_0.015")
# 測試 CFO 指標計算函式
def test_cfo(self):
# 使用 pandas_ta 庫計算 CFO 指標
result = pandas_ta.cfo(self.close)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CFO_9"
self.assertEqual(result.name, "CFO_9")
# 測試 CG 指標計算函式
def test_cg(self):
# 使用 pandas_ta 庫計算 CG 指標
result = pandas_ta.cg(self.close)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CG_10"
self.assertEqual(result.name, "CG_10")
# 測試 CMO 指標計算函式
def test_cmo(self):
# 使用 pandas_ta 庫計算 CMO 指標
result = pandas_ta.cmo(self.close)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CMO_14"
self.assertEqual(result.name, "CMO_14")
try:
# 使用 TA-Lib 計算 CMO 指標
expected = tal.CMO(self.close)
# 斷言計算結果與預期結果相等，忽略名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果資料框的誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 執行錯誤分析
error_analysis(result, CORRELATION, ex)
# 使用 pandas_ta 庫計算 CMO 指標，不使用 TA-Lib
result = pandas_ta.cmo(self.close, talib=False)
# 斷言結果為 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "CMO_14"
self.assertEqual(result.name, "CMO_14")
# 測試 Coppock 指標計算函式
def test_coppock(self):
# 呼叫 coppock 函式計算結果
result = pandas_ta.coppock(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "COPC_11_14_10"
# 測試 CTI 指標計算函式
def test_cti(self):
# 呼叫 cti 函式計算結果
result = pandas_ta.cti(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "CTI_12"
# 測試 ER 指標計算函式
def test_er(self):
# 呼叫 er 函式計算結果
result = pandas_ta.er(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "ER_10"
# 測試 DM 指標計算函式
def test_dm(self):
# 呼叫 dm 函式計算結果
result = pandas_ta.dm(self.high, self.low, talib=False)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "DM_14"
try:
# 使用 tal.PLUS_DM 和 tal.MINUS_DM 計算期望結果
expected_pos = tal.PLUS_DM(self.high, self.low)
expected_neg = tal.MINUS_DM(self.high, self.low)
expecteddf = DataFrame({"DMP_14": expected_pos, "DMN_14": expected_neg})
# 比較結果和期望結果
pdt.assert_frame_equal(result, expecteddf)
except AssertionError:
try:
# 分析結果和期望結果的相關性
dmp = pandas_ta.utils.df_error_analysis(result.iloc[:,0], expecteddf.iloc[:,0], col=CORRELATION)
self.assertGreater(dmp, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況
error_analysis(result, CORRELATION, ex)
try:
# 分析結果和期望結果的相關性
dmn = pandas_ta.utils.df_error_analysis(result.iloc[:,1], expecteddf.iloc[:,1], col=CORRELATION)
self.assertGreater(dmn, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況
error_analysis(result, CORRELATION, ex)
# 重新呼叫 dm 函式計算結果
result = pandas_ta.dm(self.high, self.low)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "DM_14"
# 測試 ERI 指標計算函式
def test_eri(self):
# 呼叫 eri 函式計算結果
result = pandas_ta.eri(self.high, self.low, self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "ERI_13"
# 測試 Fisher 指標計算函式
def test_fisher(self):
# 呼叫 fisher 函式計算結果
result = pandas_ta.fisher(self.high, self.low)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "FISHERT_9_1"
# 測試 Inertia 指標計算函式
def test_inertia(self):
# 呼叫 inertia 函式計算結果
result = pandas_ta.inertia(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "INERTIA_20_14"
# 呼叫 inertia 函式計算結果，使用高、低價資料，開啟 refined 引數
result = pandas_ta.inertia(self.close, self.high, self.low, refined=True)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷���結果的名稱為 "INERTIAr_20_14"
# 呼叫 inertia 函式計算結果，使用高、低價資料，開啟 thirds 引數
result = pandas_ta.inertia(self.close, self.high, self.low, thirds=True)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "INERTIAt_20_14"
# 測試 KDJ 指標計算函式
def test_kdj(self):
# 呼叫 kdj 函式計算結果
result = pandas_ta.kdj(self.high, self.low, self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "KDJ_9_3"
# 測試 KST 指標計算函式
def test_kst(self):
# 呼叫 kst 函式計算結果
result = pandas_ta.kst(self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "KST_10_15_20_30_10_10_10_15_9"
# 測試 MACD 指標計算函式
def test_macd(self):
# 使用 pandas_ta 庫計算 MACD 指標
result = pandas_ta.macd(self.close, talib=False)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱是 "MACD_12_26_9"
self.assertEqual(result.name, "MACD_12_26_9")
# 嘗試使用 talib 庫計算 MACD 指標，並與 pandas_ta 的結果比較
try:
# 使用 talib 庫計算 MACD 指標
expected = tal.MACD(self.close)
# 將 talib 計算的 MACD 結果轉換為 DataFrame
expecteddf = DataFrame({"MACD_12_26_9": expected[0], "MACDh_12_26_9": expected[2], "MACDs_12_26_9": expected[1]})
# 斷言 pandas_ta 計算的結果與 talib 計算的結果相等
pdt.assert_frame_equal(result, expecteddf)
except AssertionError:
# 如果結果不相等，則進行進一步分析
try:
# 計算 MACD 指標資料的相關性
macd_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 0], expecteddf.iloc[:, 0], col=CORRELATION)
# 斷言相關性大於預設閾值
self.assertGreater(macd_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result.iloc[:, 0], CORRELATION, ex)
try:
# 分析歷史資料的相關性
history_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 1], expecteddf.iloc[:, 1], col=CORRELATION)
# 斷言相關性大於預設閾值
self.assertGreater(history_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result.iloc[:, 1], CORRELATION, ex, newline=False)
try:
# 分析訊號資料的相關性
signal_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 2], expecteddf.iloc[:, 2], col=CORRELATION)
# 斷言相關性大於預設閾值
self.assertGreater(signal_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result.iloc[:, 2], CORRELATION, ex, newline=False)
# 重新使用 pandas_ta 庫計算 MACD 指標
result = pandas_ta.macd(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱是 "MACD_12_26_9"
self.assertEqual(result.name, "MACD_12_26_9")
# 測試 MACD 指標計算函式（帶 asmode 引數）
def test_macdas(self):
# 使用 pandas_ta 庫計算 MACD 指標（帶 asmode 引數）
result = pandas_ta.macd(self.close, asmode=True)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱是 "MACDAS_12_26_9"
self.assertEqual(result.name, "MACDAS_12_26_9")
# 測試動量指標計算函式
def test_mom(self):
# 使用 pandas_ta 庫計算動量指標
result = pandas_ta.mom(self.close, talib=False)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱是 "MOM_10"
self.assertEqual(result.name, "MOM_10")
# 嘗試使用 talib 庫計算動量指標，並與 pandas_ta 的結果比較
try:
# 使用 talib 庫計算動量指標
expected = tal.MOM(self.close)
# 斷言 pandas_ta 計算的結果與 talib 計算的結果相等
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
# 如果結果不相等，則進行進一步分析
try:
# 計算資料的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於預設閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result, CORRELATION, ex)
# 重新使用 pandas_ta 庫計算動量指標
result = pandas_ta.mom(self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱是 "MOM_10"
self.assertEqual(result.name, "MOM_10")
# 測試價格振盪器指標計算函式
def test_pgo(self):
# 使用 pandas_ta 庫計算價格振盪器指標
result = pandas_ta.pgo(self.high, self.low, self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱是 "PGO_14"
self.assertEqual(result.name, "PGO_14")
# 測試基於價格的振盪器（Price Percentage Oscillator，PPO），設定 talib=False 表示不使用 talib
def test_ppo(self):
# 呼叫 pandas_ta 庫中的 PPO 函式，計算 PPO 指標
result = pandas_ta.ppo(self.close, talib=False)
# 斷言返回結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱為 "PPO_12_26_9"
self.assertEqual(result.name, "PPO_12_26_9")
try:
# 嘗試使用 talib 計算 PPO 指標
expected = tal.PPO(self.close)
# 對比結果與 talib 計算結果
pdt.assert_series_equal(result["PPO_12_26_9"], expected, check_names=False)
except AssertionError:
try:
# 若對比失敗，則進行誤差分析
corr = pandas_ta.utils.df_error_analysis(result["PPO_12_26_9"], expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 若出現異常，則輸出錯誤分析
error_analysis(result["PPO_12_26_9"], CORRELATION, ex)
# 重新計算 PPO 指標（使用 pandas_ta 預設設定）
result = pandas_ta.ppo(self.close)
# 斷言返回結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱為 "PPO_12_26_9"
self.assertEqual(result.name, "PPO_12_26_9")
# 測試趨勢狀態線（Price Speed and Length，PSL）指標
def test_psl(self):
# 呼叫 pandas_ta 庫中的 PSL 函式，計算 PSL 指標
result = pandas_ta.psl(self.close)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "PSL_12"
self.assertEqual(result.name, "PSL_12")
# 測試量價震盪器（Price Volume Oscillator，PVO）指標
def test_pvo(self):
# 呼叫 pandas_ta 庫中的 PVO 函式，計算 PVO 指標
result = pandas_ta.pvo(self.volume)
# 斷言返回結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱為 "PVO_12_26_9"
self.assertEqual(result.name, "PVO_12_26_9")
# 測試 QQE 指標
def test_qqe(self):
# 呼叫 pandas_ta 庫中的 QQE 函式，計算 QQE 指標
result = pandas_ta.qqe(self.close)
# 斷言返回結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果 DataFrame 的名稱為 "QQE_14_5_4.236"
self.assertEqual(result.name, "QQE_14_5_4.236")
# 測試變動率指標（Rate of Change，ROC）
def test_roc(self):
# 測試不使用 talib 計算 ROC 指標
result = pandas_ta.roc(self.close, talib=False)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "ROC_10"
self.assertEqual(result.name, "ROC_10")
try:
# 嘗試使用 talib 計算 ROC 指標
expected = tal.ROC(self.close)
# 對比結果與 talib 計算結果
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 若對比失敗，則進行誤差分析
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 若出現異常，則輸出錯誤分析
error_analysis(result, CORRELATION, ex)
# 重新計算 ROC 指標（使用 pandas_ta 預設設定）
result = pandas_ta.roc(self.close)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "ROC_10"
self.assertEqual(result.name, "ROC_10")
# 測試相對強弱指標（Relative Strength Index，RSI）
def test_rsi(self):
# 測試不使用 talib 計算 RSI 指標
result = pandas_ta.rsi(self.close, talib=False)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "RSI_14"
self.assertEqual(result.name, "RSI_14")
try:
# 嘗試使用 talib 計算 RSI 指標
expected = tal.RSI(self.close)
# 對比結果與 talib 計算結果
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 若對比失敗，則進行誤差分析
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 若出現異常，則輸出錯誤分析
error_analysis(result, CORRELATION, ex)
# 重新計算 RSI 指標（使用 pandas_ta 預設設定）
result = pandas_ta.rsi(self.close)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "RSI_14"
self.assertEqual(result.name, "RSI_14")
# 測試相對強弱指數（Relative Strength Index Smoothed，RSX）
def test_rsx(self):
# 呼叫 pandas_ta 庫中的 RSX 函式，計算 RSX 指標
result = pandas_ta.rsx(self.close)
# 斷言返回結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "RSX_14"
self.assertEqual(result.name, "RSX_14")
# 測試 RVGI 指標計算函式
def test_rvgi(self):
# 呼叫 rvgi 函式計算結果
result = pandas_ta.rvgi(self.open, self.high, self.low, self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "RVGI_14_4"
self.assertEqual(result.name, "RVGI_14_4")
# 測試斜率指標計算函式
def test_slope(self):
# 呼叫 slope 函式計算結果
result = pandas_ta.slope(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果名稱為 "SLOPE_1"
self.assertEqual(result.name, "SLOPE_1")
# 測試斜率指標計算函式，返回角度值
def test_slope_as_angle(self):
# 呼叫 slope 函式計算結果，返回角度值
result = pandas_ta.slope(self.close, as_angle=True)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果名稱為 "ANGLEr_1"
self.assertEqual(result.name, "ANGLEr_1")
# 測試斜率指標計算函式，返回角度值並轉換為度數
def test_slope_as_angle_to_degrees(self):
# 呼叫 slope 函式計算結果，返回角度值並轉換為度數
result = pandas_ta.slope(self.close, as_angle=True, to_degrees=True)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果名稱為 "ANGLEd_1"
self.assertEqual(result.name, "ANGLEd_1")
# 測試 SMI 指標計算函式
def test_smi(self):
# 呼叫 smi 函式計算結果
result = pandas_ta.smi(self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SMI_5_20_5"
self.assertEqual(result.name, "SMI_5_20_5")
# 斷言結果列數為 3
self.assertEqual(len(result.columns), 3)
# 測試 SMI 指標計算函式，設定 scalar 引數
def test_smi_scalar(self):
# 呼叫 smi 函式計算結果，設定 scalar 引數為 10
result = pandas_ta.smi(self.close, scalar=10)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SMI_5_20_5_10.0"
self.assertEqual(result.name, "SMI_5_20_5_10.0")
# 斷言結果列數為 3
self.assertEqual(len(result.columns), 3)
# 測試 Squeeze 指標計算函式
def test_squeeze(self):
# 呼叫 squeeze 函式計算結果
result = pandas_ta.squeeze(self.high, self.low, self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZ_20_2.0_20_1.5"
# 呼叫 squeeze 函式計算結果，設定 tr 引數為 False
result = pandas_ta.squeeze(self.high, self.low, self.close, tr=False)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZhlr_20_2.0_20_1.5"
# 呼叫 squeeze 函式計算結果，設定 lazybear 引數為 True
result = pandas_ta.squeeze(self.high, self.low, self.close, lazybear=True)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZ_20_2.0_20_1.5_LB"
# 呼叫 squeeze 函式計算結果，設定 tr 和 lazybear 引數為 True
result = pandas_ta.squeeze(self.high, self.low, self.close, tr=False, lazybear=True)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZhlr_20_2.0_20_1.5_LB"
# 測試 Squeeze Pro 指標計算函式
def test_squeeze_pro(self):
# 呼叫 squeeze_pro 函式計算結果
result = pandas_ta.squeeze_pro(self.high, self.low, self.close)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZPRO_20_2.0_20_2_1.5_1"
# 呼叫 squeeze_pro 函式計算結果，設定 tr 引數為 False
result = pandas_ta.squeeze_pro(self.high, self.low, self.close, tr=False)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZPROhlr_20_2.0_20_2_1.5_1"
# 呼叫 squeeze_pro 函式計算結果，設定各引數值
result = pandas_ta.squeeze_pro(self.high, self.low, self.close, 20, 2, 20, 3, 2, 1)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZPRO_20_2.0_20_3.0_2.0_1.0"
# 呼叫 squeeze_pro 函式計算結果，設定各引數值和 tr 引數為 False
result = pandas_ta.squeeze_pro(self.high, self.low, self.close, 20, 2, 20, 3, 2, 1, tr=False)
# 斷言結果型別為 DataFrame
self.assertIsInstance(result, DataFrame)
# 斷言結果名稱為 "SQZPROhlr_20_2.0_20_3.0_2.0_1.0"
# 測試 Smoothed Triple Exponential Moving Average (STC) 函式
def test_stc(self):
# 使用 pandas_ta 庫中的 stc 函式計算結果
result = pandas_ta.stc(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "STC_10_12_26_0.5"
self.assertEqual(result.name, "STC_10_12_26_0.5")
# 測試 Stochastic Oscillator (STOCH) 函式
def test_stoch(self):
# TV Correlation
# 使用 pandas_ta 庫中的 stoch 函式計算結果
result = pandas_ta.stoch(self.high, self.low, self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "STOCH_14_3_3"
self.assertEqual(result.name, "STOCH_14_3_3")
try:
# 使用 talib 庫中的 STOCH 函式計算預期結果
expected = tal.STOCH(self.high, self.low, self.close, 14, 3, 0, 3, 0)
# 構建預期結果的 DataFrame
expecteddf = DataFrame({"STOCHk_14_3_0_3_0": expected[0], "STOCHd_14_3_0_3": expected[1]})
# 斷言結果與預期結果相等
pdt.assert_frame_equal(result, expecteddf)
except AssertionError:
try:
# 計算結果與預期結果的相關性
stochk_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 0], expecteddf.iloc[:, 0], col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(stochk_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果相關性不符合要求，進行錯誤分析
error_analysis(result.iloc[:, 0], CORRELATION, ex)
try:
# 計算結果與預期結果的相關性
stochd_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 1], expecteddf.iloc[:, 1], col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(stochd_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果相關性不符合要求，進行錯誤分析
error_analysis(result.iloc[:, 1], CORRELATION, ex, newline=False)
# 測試 Stochastic RSI (STOCHRSI) 函式
def test_stochrsi(self):
# TV Correlation
# 使用 pandas_ta 庫中的 stochrsi 函式計算結果
result = pandas_ta.stochrsi(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "STOCHRSI_14_14_3_3"
self.assertEqual(result.name, "STOCHRSI_14_14_3_3")
try:
# 使用 talib 庫中的 STOCHRSI 函式計算預期結果
expected = tal.STOCHRSI(self.close, 14, 14, 3, 0)
# 構建預期結果的 DataFrame
expecteddf = DataFrame({"STOCHRSIk_14_14_0_3": expected[0], "STOCHRSId_14_14_3_0": expected[1]})
# 斷言結果與預期結果相等
pdt.assert_frame_equal(result, expecteddf)
except AssertionError:
try:
# 計算結果與預期結果的相關性
stochrsid_corr = pandas_ta.utils.df_error_analysis(result.iloc[:, 0], expecteddf.iloc[:, 1], col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(stochrsid_corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果相關性不符合要求，進行錯誤分析
error_analysis(result.iloc[:, 0], CORRELATION, ex, newline=False)
# 跳過測試 TS Sequential 函式
@skip
def test_td_seq(self):
"""TS Sequential: Working but SLOW implementation"""
# 使用 pandas_ta 庫中的 td_seq 函式計算結果（已跳過）
result = pandas_ta.td_seq(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "TD_SEQ"
# 測試 Triple Exponential Moving Average (TRIX) 函式
def test_trix(self):
# 使用 pandas_ta 庫中的 trix 函式計算結果
result = pandas_ta.trix(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "TRIX_30_9"
# 測試 True Strength Index (TSI) 函式
def test_tsi(self):
# 使用 pandas_ta 庫中的 tsi 函式計算結果
result = pandas_ta.tsi(self.close)
# 斷言結果是 DataFrame 型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "TSI_13_25_13"
# 測試 `uo` 函式的單元測試
def test_uo(self):
# 使用 pandas_ta 庫的 UO 函式計算結果
result = pandas_ta.uo(self.high, self.low, self.close, talib=False)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "UO_7_14_28"
self.assertEqual(result.name, "UO_7_14_28")
try:
# 使用 TA-Lib 庫的 ULTOSC 函式計算預期結果
expected = tal.ULTOSC(self.high, self.low, self.close)
# 比較結果和預期結果，不檢查名稱
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果和預期結果的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於預定義的閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況，呼叫錯誤分析函式
error_analysis(result, CORRELATION, ex)
# 使用 pandas_ta 庫的 UO 函式計算結果（預設情況下使用 TA-Lib）
result = pandas_ta.uo(self.high, self.low, self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "UO_7_14_28"
self.assertEqual(result.name, "UO_7_14_28")
# 測試 `willr` 函式的單元測試
def test_willr(self):
# 使用 pandas_ta 庫的 WILLR 函式計算結果
result = pandas_ta.willr(self.high, self.low, self.close, talib=False)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WILLR_14"
self.assertEqual(result.name, "WILLR_14")
try:
# 使用 TA-Lib 庫的 WILLR 函式計算預期結果
expected = tal.WILLR(self.high, self.low, self.close)
# 比較結果和預期結果，不檢查名稱
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果和預期結果的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於預定義的閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況，呼叫錯誤分析函式
error_analysis(result, CORRELATION, ex)
# 使用 pandas_ta 庫的 WILLR 函式計算結果（預設情況下使用 TA-Lib）
result = pandas_ta.willr(self.high, self.low, self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WILLR_14"
self.assertEqual(result.name, "WILLR_14")
.\pandas-ta\tests\test_indicator_overlap.py
# 從當前目錄的 config 模組中匯入 CORRELATION, CORRELATION_THRESHOLD, error_analysis, sample_data, VERBOSE 變數
from .config import CORRELATION, CORRELATION_THRESHOLD, error_analysis, sample_data, VERBOSE
# 從當前目錄的 context 模組中匯入 pandas_ta 模組
from .context import pandas_ta
# 匯入 TestCase 類
from unittest import TestCase
# 匯入 pandas.testing 模組，並重新命名為 pdt
import pandas.testing as pdt
# 匯入 DataFrame, Series 類
from pandas import DataFrame, Series
# 匯入 talib 庫，並重新命名為 tal
import talib as tal
# 定義測試類 TestOverlap，繼承自 TestCase 類
class TestOverlap(TestCase):
# 設定類方法 setUpClass，用於設定測試類的資料
@classmethod
def setUpClass(cls):
# 設定類屬性 data 為 sample_data
cls.data = sample_data
# 將資料列名轉換為小寫
cls.data.columns = cls.data.columns.str.lower()
# 設定類屬性 open 為 data 中的 "open" 列
cls.open = cls.data["open"]
# 設定類屬性 high 為 data 中的 "high" 列
cls.high = cls.data["high"]
# 設定類屬性 low 為 data 中的 "low" 列
cls.low = cls.data["low"]
# 設定類屬性 close 為 data 中的 "close" 列
cls.close = cls.data["close"]
# 如果資料中包含 "volume" 列，則設定類屬性 volume 為 data 中的 "volume" 列
if "volume" in cls.data.columns:
cls.volume = cls.data["volume"]
# 設定類方法 tearDownClass，用於清理測試類的資料
@classmethod
def tearDownClass(cls):
# 刪除類屬性 open
del cls.open
# 刪除類屬性 high
del cls.high
# 刪除類屬性 low
del cls.low
# 刪除類屬性 close
del cls.close
# 如果類屬性中存在 volume，則刪除 volume
if hasattr(cls, "volume"):
del cls.volume
# 刪除類屬性 data
del cls.data
# 設定例項方法 setUp，用於測試方法的初始化
def setUp(self): pass
# 設定例項方法 tearDown，用於測試方法的清理
def tearDown(self): pass
# 定義測試方法 test_alma，測試 alma 函式
def test_alma(self):
# 呼叫 pandas_ta.alma 函式，傳入 close 列作為引數
result = pandas_ta.alma(self.close)# , length=None, sigma=None, distribution_offset=)
# 斷言 result 是 Series 型別
self.assertIsInstance(result, Series)
# 斷言 result 的名稱為 "ALMA_10_6.0_0.85"
self.assertEqual(result.name, "ALMA_10_6.0_0.85")
# 定義測試方法 test_dema，測試 dema 函式
def test_dema(self):
# 呼叫 pandas_ta.dema 函式，傳入 close 列和 talib=False 引數
result = pandas_ta.dema(self.close, talib=False)
# 斷言 result 是 Series 型別
self.assertIsInstance(result, Series)
# 斷言 result 的名稱為 "DEMA_10"
self.assertEqual(result.name, "DEMA_10")
try:
# 使用 talib 計算預期值
expected = tal.DEMA(self.close, 10)
# 使用 pandas.testing 模組的 assert_series_equal 函式比較 result 和 expected，不檢查名稱
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 呼叫 pandas_ta.utils.df_error_analysis 函式計算 result 和 expected 之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於 CORRELATION_THRESHOLD
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果計算相關性時出現異常，則呼叫 error_analysis 函式記錄異常資訊
error_analysis(result, CORRELATION, ex)
# 再次呼叫 pandas_ta.dema 函式，傳入 close 列，預設引數
result = pandas_ta.dema(self.close)
# 斷言 result 是 Series 型別
self.assertIsInstance(result, Series)
# 斷言 result 的名稱為 "DEMA_10"
self.assertEqual(result.name, "DEMA_10")
# 測試指數移動平均值函式
def test_ema(self):
# 呼叫指數移動平均值函式，計算不帶SMA的EMA
result = pandas_ta.ema(self.close, presma=False)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"EMA_10"
self.assertEqual(result.name, "EMA_10")
# 嘗試使用talib庫計算EMA，並進行結果對比
try:
# 期望值透過talib庫計算
expected = tal.EMA(self.close, 10)
# 斷言兩個Series相等，忽略名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗，則進行進一步分析
except AssertionError:
try:
# 計算結果和期望值之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果出現異常，則執行錯誤分析函式
except Exception as ex:
error_analysis(result, CORRELATION, ex)
# 呼叫指數移動平均值函式，計算不使用talib的EMA
result = pandas_ta.ema(self.close, talib=False)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"EMA_10"
self.assertEqual(result.name, "EMA_10")
# 嘗試斷言兩個Series相等，忽略名稱檢查
try:
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗，則進行進一步分析
except AssertionError:
try:
# 計算結果和期望值之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果出現異常，則執行錯誤分析函式
except Exception as ex:
error_analysis(result, CORRELATION, ex)
# 呼叫指數移動平均值函式，計算預設的EMA
result = pandas_ta.ema(self.close)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"EMA_10"
self.assertEqual(result.name, "EMA_10")
# 測試前加權移動平均值函式
def test_fwma(self):
# 呼叫前加權移動平均值函式
result = pandas_ta.fwma(self.close)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"FWMA_10"
self.assertEqual(result.name, "FWMA_10")
# 測試高低價通道指標函式
def test_hilo(self):
# 呼叫高低價通道指標函式
result = pandas_ta.hilo(self.high, self.low, self.close)
# 斷言結果為DataFrame型別
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為"HILO_13_21"
self.assertEqual(result.name, "HILO_13_21")
# 測試高低價中值函式
def test_hl2(self):
# 呼叫高低價中值函式
result = pandas_ta.hl2(self.high, self.low)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"HL2"
self.assertEqual(result.name, "HL2")
# 測試高低收盤價中值函式
def test_hlc3(self):
# 呼叫高低收盤價中值函式，不使用talib
result = pandas_ta.hlc3(self.high, self.low, self.close, talib=False)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"HLC3"
# 嘗試使用talib庫計算TYPPRICE，並進行結果對比
try:
# 期望值透過talib庫計算
expected = tal.TYPPRICE(self.high, self.low, self.close)
# 斷言兩個Series相等，忽略名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗，則進行進一步分析
except AssertionError:
try:
# 計算結果和期望值之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果出現異常，則執行錯誤分析函式
except Exception as ex:
error_analysis(result, CORRELATION, ex)
# 呼叫高低收盤價中值函式，使用talib
result = pandas_ta.hlc3(self.high, self.low, self.close)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"HLC3"
# 測試Hull移動平均值函式
def test_hma(self):
# 呼叫Hull移動平均值函式
result = pandas_ta.hma(self.close)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"HMA_10"
# 測試Hull加權移動平均值函式
def test_hwma(self):
# 呼叫Hull加權移動平均值函式
result = pandas_ta.hwma(self.close)
# 斷言結果為Series型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為"HWMA_0.2_0.1_0.1"
# 測試 KAMA 指標計算函式
def test_kama(self):
# 呼叫 pandas_ta 庫中的 kama 函式計算
result = pandas_ta.kama(self.close)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "KAMA_10_2_30"
self.assertEqual(result.name, "KAMA_10_2_30")
# 測試 JMA 指標計算函式
def test_jma(self):
# 呼叫 pandas_ta 庫中的 jma 函式計算
result = pandas_ta.jma(self.close)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "JMA_7_0"
self.assertEqual(result.name, "JMA_7_0")
# 測試 Ichimoku 指標計算函式
def test_ichimoku(self):
# 呼叫 pandas_ta 庫中的 ichimoku 函式計算
ichimoku, span = pandas_ta.ichimoku(self.high, self.low, self.close)
# 斷言 ichimoku 結果為 DataFrame 物件
self.assertIsInstance(ichimoku, DataFrame)
# 斷言 span 結果為 DataFrame 物件
self.assertIsInstance(span, DataFrame)
# 斷言 ichimoku 結果的名稱為 "ICHIMOKU_9_26_52"
self.assertEqual(ichimoku.name, "ICHIMOKU_9_26_52")
# 斷言 span 結果的名稱為 "ICHISPAN_9_26"
self.assertEqual(span.name, "ICHISPAN_9_26")
# 測試 LinReg 指標計算函式
def test_linreg(self):
# 呼叫 pandas_ta 庫中的 linreg 函式計算，不使用 talib
result = pandas_ta.linreg(self.close, talib=False)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LR_14"
self.assertEqual(result.name, "LR_14")
try:
# 嘗試使用 talib 進行結果比較
expected = tal.LINEARREG(self.close)
# 使用 pandas 的 assert_series_equal 檢查結果
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 嘗試進行結果相關性分析
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況
error_analysis(result, CORRELATION, ex)
# 再次呼叫 linreg 函式，使用 talib
result = pandas_ta.linreg(self.close)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LR_14"
self.assertEqual(result.name, "LR_14")
# 測試 LinReg Angle 指標計算函式
def test_linreg_angle(self):
# 呼叫 pandas_ta 庫中的 linreg 函式計算，包括角度計算，不使用 talib
result = pandas_ta.linreg(self.close, angle=True, talib=False)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LRa_14"
self.assertEqual(result.name, "LRa_14")
try:
# 嘗試使用 talib 進行結果比較
expected = tal.LINEARREG_ANGLE(self.close)
# 使用 pandas 的 assert_series_equal 檢查結果
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 嘗試進行結果相關性分析
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況
error_analysis(result, CORRELATION, ex)
# 再次呼叫 linreg 函式，包括角度計算，使用 talib
result = pandas_ta.linreg(self.close, angle=True)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LRa_14"
self.assertEqual(result.name, "LRa_14")
# 測試 LinReg Intercept 指標計算函式
def test_linreg_intercept(self):
# 呼叫 pandas_ta 庫中的 linreg 函式計算，包括截距計算，不使用 talib
result = pandas_ta.linreg(self.close, intercept=True, talib=False)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LRb_14"
self.assertEqual(result.name, "LRb_14")
try:
# 嘗試使用 talib 進行結果比較
expected = tal.LINEARREG_INTERCEPT(self.close)
# 使用 pandas 的 assert_series_equal 檢查結果
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 嘗試進行結果相關性分析
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 處理異常情況
error_analysis(result, CORRELATION, ex)
# 再次呼叫 linreg 函式，包括截距計算，使用 talib
result = pandas_ta.linreg(self.close, intercept=True)
# 斷言結果為 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "LRb_14"
self.assertEqual(result.name, "LRb_14")
# 測試線性迴歸指標的隨機性（r）計算是否正確
def test_linreg_r(self):
# 計算線性迴歸指標的隨機性（r）
result = pandas_ta.linreg(self.close, r=True)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "LRr_14"
self.assertEqual(result.name, "LRr_14")
# 測試線性迴歸指標的斜率（slope）計算是否正確
def test_linreg_slope(self):
# 計算線性迴歸指標的斜率
result = pandas_ta.linreg(self.close, slope=True, talib=False)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "LRm_14"
self.assertEqual(result.name, "LRm_14")
try:
# 嘗試使用 talib 計算線性迴歸指標的斜率
expected = tal.LINEARREG_SLOPE(self.close)
# 對比結果與預期結果是否相等，不檢查名稱
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 計算結果與預期結果之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 確保相關性大於 CORRELATION_THRESHOLD
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 在出現異常時執行錯誤分析
error_analysis(result, CORRELATION, ex)
# 使用預設設定計算線性迴歸指標的斜率
result = pandas_ta.linreg(self.close, slope=True)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "LRm_14"
self.assertEqual(result.name, "LRm_14")
# 測試移動平均（ma）指標計算是否正確
def test_ma(self):
# 計算簡單移動平均（SMA）指標
result = pandas_ta.ma()
# 確保返回結果是一個列表
self.assertIsInstance(result, list)
# 確保返回結果長度大於 0
self.assertGreater(len(result), 0)
# 計算指定型別的移動平均（EMA）指標
result = pandas_ta.ma("ema", self.close)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "EMA_10"
self.assertEqual(result.name, "EMA_10")
# 計算指定型別和長度的移動平均（FWMA）指標
result = pandas_ta.ma("fwma", self.close, length=15)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "FWMA_15"
self.assertEqual(result.name, "FWMA_15")
# 測試 MACD 指標計算是否正確
def test_mcgd(self):
# 計算 MACD 指標
result = pandas_ta.mcgd(self.close)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "MCGD_10"
# 測試中點（midpoint）指標計算是否正確
def test_midpoint(self):
# 計算中點（midpoint）指標
result = pandas_ta.midpoint(self.close, talib=False)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "MIDPOINT_2"
try:
# 嘗試使用 talib 計算中點（midpoint）指標
expected = tal.MIDPOINT(self.close, 2)
# 對比結果與預期結果是否相等，不檢查名稱
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 計算結果與預期結果之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 確保相關性大於 CORRELATION_THRESHOLD
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 在出現異常時執行錯誤分析
error_analysis(result, CORRELATION, ex)
# 使用預設設定計算中點（midpoint）指標
result = pandas_ta.midpoint(self.close)
# 確保返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 確保返回結果的名稱為 "MIDPOINT_2"
self.assertEqual(result.name, "MIDPOINT_2")
# 測試中位數價格指標函式
def test_midprice(self):
# 呼叫 midprice 函式計算中位數價格
result = pandas_ta.midprice(self.high, self.low, talib=False)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "MIDPRICE_2"
self.assertEqual(result.name, "MIDPRICE_2")
try:
# 使用 Talib 庫計算期望結果
expected = tal.MIDPRICE(self.high, self.low, 2)
# 斷言結果與期望結果相等
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果與期望結果之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於 CORRELATION_THRESHOLD
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 在出現異常時進行錯誤分析
error_analysis(result, CORRELATION, ex)
# 未指定時間週期呼叫 midprice 函式
result = pandas_ta.midprice(self.high, self.low)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "MIDPRICE_2"
self.assertEqual(result.name, "MIDPRICE_2")
# 測試 OHLC4 函式
def test_ohlc4(self):
# 呼叫 ohlc4 函式計算 OHLC4
result = pandas_ta.ohlc4(self.open, self.high, self.low, self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "OHLC4"
self.assertEqual(result.name, "OHLC4")
# 測試 PWMA 函式
def test_pwma(self):
# 呼叫 pwma 函式計算 PWMA
result = pandas_ta.pwma(self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "PWMA_10"
self.assertEqual(result.name, "PWMA_10")
# 測試 RMA 函式
def test_rma(self):
# 呼叫 rma 函式計算 RMA
result = pandas_ta.rma(self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "RMA_10"
self.assertEqual(result.name, "RMA_10")
# 測試 SINWMA 函式
def test_sinwma(self):
# 呼叫 sinwma 函式計算 SINWMA
result = pandas_ta.sinwma(self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SINWMA_14"
self.assertEqual(result.name, "SINWMA_14")
# 測試 SMA 函式
def test_sma(self):
# 不使用 Talib 庫呼叫 sma 函式計算 SMA
result = pandas_ta.sma(self.close, talib=False)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SMA_10"
self.assertEqual(result.name, "SMA_10")
try:
# 使用 Talib 庫計算期望結果
expected = tal.SMA(self.close, 10)
# 斷言結果與期望結果相等
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
try:
# 分析結果與期望結果之間的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於 CORRELATION_THRESHOLD
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 在出現異常時進行錯誤分析
error_analysis(result, CORRELATION, ex)
# 未指定時間週期呼叫 sma 函式
result = pandas_ta.sma(self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SMA_10"
self.assertEqual(result.name, "SMA_10")
# 測試 SSF 函式
def test_ssf(self):
# 呼叫 ssf 函式計算 SSF
result = pandas_ta.ssf(self.close, poles=2)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SSF_10_2"
self.assertEqual(result.name, "SSF_10_2")
# 再次呼叫 ssf 函式計算 SSF
result = pandas_ta.ssf(self.close, poles=3)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SSF_10_3"
self.assertEqual(result.name, "SSF_10_3")
# 測試 SWMA 函式
def test_swma(self):
# 呼叫 swma 函式計算 SWMA
result = pandas_ta.swma(self.close)
# 斷言返回結果是一個 Series 物件
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "SWMA_10"
self.assertEqual(result.name, "SWMA_10")
# 測試 SuperTrend 函式
def test_supertrend(self):
# 呼叫 supertrend 函式計算 SuperTrend
result = pandas_ta.supertrend(self.high, self.low, self.close)
# 斷言返回結果是一個 DataFrame 物件
self.assertIsInstance(result, DataFrame)
# 斷言結果的名稱為 "SUPERT_7_3.0"
self.assertEqual(result.name, "SUPERT_7_3.0")
# 測試 T3 指標計算函式
def test_t3(self):
# 使用 pandas_ta 庫計算 T3 指標，關閉使用 talib
result = pandas_ta.t3(self.close, talib=False)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "T3_10_0.7"
self.assertEqual(result.name, "T3_10_0.7")
# 嘗試使用 talib 計算 T3 指標，並與預期結果比較
try:
expected = tal.T3(self.close, 10)
# 使用 pandas.testing.assert_series_equal 函式比較兩個 Series，關閉名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗
except AssertionError:
# 嘗試進行誤差分析並檢查相關性
try:
# 呼叫 pandas_ta.utils.df_error_analysis 函式分析誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於指定閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果發生異常
except Exception as ex:
# 呼叫 error_analysis 函式處理異常
error_analysis(result, CORRELATION, ex)
# 重新使用 pandas_ta 庫計算 T3 指標
result = pandas_ta.t3(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "T3_10_0.7"
self.assertEqual(result.name, "T3_10_0.7")
# 測試 TEMA 指標計算函式
def test_tema(self):
# 使用 pandas_ta 庫計算 TEMA 指標，關閉使用 talib
result = pandas_ta.tema(self.close, talib=False)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "TEMA_10"
self.assertEqual(result.name, "TEMA_10")
# 嘗試使用 talib 計算 TEMA 指標，並與預期結果比較
try:
expected = tal.TEMA(self.close, 10)
# 使用 pandas.testing.assert_series_equal 函式比較兩個 Series，關閉名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗
except AssertionError:
# 嘗試進行誤差分析並檢查相關性
try:
# 呼叫 pandas_ta.utils.df_error_analysis 函式分析誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於指定閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果發生異常
except Exception as ex:
# 呼叫 error_analysis 函式處理異常
error_analysis(result, CORRELATION, ex)
# 重新使用 pandas_ta 庫計算 TEMA 指標
result = pandas_ta.tema(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "TEMA_10"
self.assertEqual(result.name, "TEMA_10")
# 測試 TRIMA 指標計算函式
def test_trima(self):
# 使用 pandas_ta 庫計算 TRIMA 指標，關閉使用 talib
result = pandas_ta.trima(self.close, talib=False)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "TRIMA_10"
self.assertEqual(result.name, "TRIMA_10")
# 嘗試使用 talib 計算 TRIMA 指標，並與預期結果比較
try:
expected = tal.TRIMA(self.close, 10)
# 使用 pandas.testing.assert_series_equal 函式比較兩個 Series，關閉名稱檢查
pdt.assert_series_equal(result, expected, check_names=False)
# 如果斷言失敗
except AssertionError:
# 嘗試進行誤差分析並檢查相關性
try:
# 呼叫 pandas_ta.utils.df_error_analysis 函式分析誤差
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於指定閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
# 如果發生異常
except Exception as ex:
# 呼叫 error_analysis 函式處理異常
error_analysis(result, CORRELATION, ex)
# 重新使用 pandas_ta 庫計算 TRIMA 指標
result = pandas_ta.trima(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "TRIMA_10"
self.assertEqual(result.name, "TRIMA_10")
# 測試 VIDYA 指標計算函式
def test_vidya(self):
# 使用 pandas_ta 庫計算 VIDYA 指標
result = pandas_ta.vidya(self.close)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "VIDYA_14"
self.assertEqual(result.name, "VIDYA_14")
# 測試 VWAP 指標計算函式
def test_vwap(self):
# 使用 pandas_ta 庫計算 VWAP 指標
result = pandas_ta.vwap(self.high, self.low, self.close, self.volume)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "VWAP_D"
self.assertEqual(result.name, "VWAP_D")
# 測試 VWMA 指標計算函式
def test_vwma(self):
# 使用 pandas_ta 庫計算 VWMA 指標
result = pandas_ta.vwma(self.close, self.volume)
# 斷言結果型別為 Series
self.assertIsInstance(result, Series)
# 斷言結果 Series 的名稱為 "VWMA_10"
self.assertEqual(result.name, "VWMA_10")
# 測試 Weighted Close Price (WCP) 函式
def test_wcp(self):
# 使用 pandas_ta 庫中的 wcp 函式計算結果
result = pandas_ta.wcp(self.high, self.low, self.close, talib=False)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WCP"
self.assertEqual(result.name, "WCP")
# 嘗試使用 Talib 庫中的 WCLPRICE 函式計算期望結果
try:
expected = tal.WCLPRICE(self.high, self.low, self.close)
# 使用 pandas 測試工具 pdt 斷言兩個 Series 相等
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
# 如果斷言失敗，則進行誤差分析
try:
# 計算結果與期望值的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result, CORRELATION, ex)
# 再次使用 pandas_ta 庫中的 wcp 函式計算結果
result = pandas_ta.wcp(self.high, self.low, self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WCP"
self.assertEqual(result.name, "WCP")
# 測試 Weighted Moving Average (WMA) 函式
def test_wma(self):
# 使用 pandas_ta 庫中的 wma 函式計算結果
result = pandas_ta.wma(self.close, talib=False)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WMA_10"
self.assertEqual(result.name, "WMA_10")
# 嘗試使用 Talib 庫中的 WMA 函式計算期望結果
try:
expected = tal.WMA(self.close, 10)
# 使用 pandas 測試工具 pdt 斷言兩個 Series 相等
pdt.assert_series_equal(result, expected, check_names=False)
except AssertionError:
# 如果斷言失敗，則進行誤差分析
try:
# 計算結果與期望值的相關性
corr = pandas_ta.utils.df_error_analysis(result, expected, col=CORRELATION)
# 斷言相關性大於閾值
self.assertGreater(corr, CORRELATION_THRESHOLD)
except Exception as ex:
# 如果出現異常，則進行錯誤分析
error_analysis(result, CORRELATION, ex)
# 再次使用 pandas_ta 庫中的 wma 函式計算結果
result = pandas_ta.wma(self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "WMA_10"
self.assertEqual(result.name, "WMA_10")
# 測試 Zero-Lag Exponential Moving Average (ZLEMA) 函式
def test_zlma(self):
# 使用 pandas_ta 庫中的 zlma 函式計算結果
result = pandas_ta.zlma(self.close)
# 斷言結果是 Series 型別
self.assertIsInstance(result, Series)
# 斷言結果的名稱為 "ZL_EMA_10"
self.assertEqual(result.name, "ZL_EMA_10")