【Quant102】經典技術指標 Pandas 實現（第一部分）

绝不原创的飞龙發表於2024-05-13

雙均線策略

假設你是個高階程式設計師和量化研究員，編寫函式實現雙均線策略。函式接受資料幀df，較短均線的列名稱short_col和較長均線的列名稱long_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def dual_moving_average_strategy(df, short_col='sma_short', long_col='sma_long', inplace=False):
    """
    實現雙均線策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame。
    short_col : str
        短週期均線的列名。
    long_col : str
        長週期均線的列名。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    if not inplace:
        df = df.copy()

    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：短週期均線由下向上穿越長週期均線
    df.loc[(df[short_col] > df[long_col]) & (df[short_col].shift(1) <= df[long_col].shift(1)), 'signal'] = 1
    
    # 產生賣出訊號：短週期均線由上向下穿越長週期均線
    df.loc[(df[short_col] < df[long_col]) & (df[short_col].shift(1) >= df[long_col].shift(1)), 'signal'] = -1
    
    return df

布林帶指標

假設你是個高階程式設計師和量化研究員，編寫函式實現布林帶指標。函式接受資料幀df，中布林帶的列名稱mid_col，上布林帶列名稱upper_col，下布林帶列名稱lower_col，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def bollinger_bands(
	df, mid_col='mid_band', 
	upper_col='upper_band', 
	lower_col='lower_band', 
	window=20, num_std=2, 
	inplace=False
):
    """
    計算布林帶指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    window : int, optional
        計算簡單移動平均線SMA的視窗大小，預設為20。
    num_std : int, optional
        計算布林帶通道時使用的標準差倍數，預設為2。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含布林帶指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算中軌（簡單移動平均線SMA）
    df['mid_band'] = df['close'].rolling(window=window).mean()
    
    # 計算價格的標準差
    std = df['close'].rolling(window=window).std()
    
    # 計算布林帶上軌
    df['upper_band'] = df['mid_band'] + (std * num_std)
    
    # 計算布林帶下軌
    df['lower_band'] = df['mid_band'] - (std * num_std)
    
    return df

布林帶策略

假設你是個高階程式設計師和量化研究員，編寫函式實現布林帶策略。函式接受資料幀df，中軌的列名稱mid_col，上軌列名稱upper_col，下軌列名稱lower_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def bollinger_bands_strategy(df, mid_col='mid_band', upper_col='upper_band', lower_col='lower_band', inplace=False):
    """
    實現布林帶策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'mid_col', 'upper_col', 'lower_col'列。
    mid_col : str
        中軌（通常是簡單移動平均線SMA）的列名。
    upper_col : str
        上軌的列名。
    lower_col : str
        下軌的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：價格跌破下軌
    df.loc[df['close'] < df[lower_col], 'signal'] = 1
    
    # 產生賣出訊號：價格突破上軌
    df.loc[df['close'] > df[upper_col], 'signal'] = -1
    
    return df

MACD 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 MACD 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def macd(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', fast_window=12, slow_window=26, signal_window=9, inplace=False):
    """
    計算MACD指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    fast_window : int, optional
        快速EMA的視窗大小，預設為12。
    slow_window : int, optional
        慢速EMA的視窗大小，預設為26。
    signal_window : int, optional
        訊號線的視窗大小，預設為9。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含MACD指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算快速EMA
    fast_ema = df['close'].ewm(span=fast_window, adjust=False).mean()
    
    # 計算慢速EMA
    slow_ema = df['close'].ewm(span=slow_window, adjust=False).mean()
    
    # 計算MACD線
    df[dea_col] = fast_ema - slow_ema
    
    # 計算訊號線
    df[dif_col] = df[dea_col].ewm(span=signal_window, adjust=False).mean()
    
    # 計算MACD柱
    df[hist_col] = df[dea_col] - df[dif_col]
    
    return df

MACD 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現MACD策略。函式接受資料幀df，DEA列名稱dea_col，DIF列名稱dif_col，柱狀圖列名稱hist_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def macd_strategy(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', inplace=False):
    """
    實現MACD策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含MACD指標資料的DataFrame，必須包含'dea_col', 'dif_col', 'hist_col'列。
    dea_col : str
        DEA（訊號線）的列名。
    dif_col : str
        DIF（MACD線）的列名。
    hist_col : str
        MACD柱狀圖的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：DIF上穿DEA
    df.loc[(df[dif_col] > df[dea_col]) & (df[dif_col].shift(1) <= df[dea_col].shift(1)), 'signal'] = 1
    
    # 產生賣出訊號：DIF下穿DEA
    df.loc[(df[dif_col] < df[dea_col]) & (df[dif_col].shift(1) >= df[dea_col].shift(1)), 'signal'] = -1
    
    return df

RSI 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 RSI 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def rsi(df, rsi_col='rsi', window=14, inplace=False):
    """
    計算RSI指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    window : int, optional
        RSI指標的視窗大小，預設為14。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含RSI指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算價格變動
    chg = df['close'].diff()
    
    # 計算上漲和下跌的平均值
    up_avg = chg.where(chg > 0).rolling(window=window).mean()
    down_avg = -chg.where(chg < 0).rolling(window=window).mean()
    
    # 防止除以零
    up_avg.fillna(0, inplace=True)
    down_avg.fillna(0, inplace=True)
    
    # 計算RSI
    df[rsi_col] = 100 - (100 / (1 + (up_avg / down_avg)))
    
    return df

RSI 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現RSI策略。函式接受資料幀df，RSI列名稱rsi_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def rsi_strategy(df, rsi_col='rsi', inplace=False):
    """
    實現RSI策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含RSI指標資料的DataFrame，必須包含'rsi_col'列。
    rsi_col : str
        RSI指標的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：RSI低於30
    df.loc[df[rsi_col] < 30, 'signal'] = 1
    
    # 產生賣出訊號：RSI高於70
    df.loc[df[rsi_col] > 70, 'signal'] = -1
    
    return df

KDJ 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 KDJ 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def kdj(df, k_col='K', d_col='D', j_col='J', n=9, m1=3, m2=3, inplace=False):
    """
    計算KDJ指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    n : int, optional
        計算KDJ指標的時間視窗，預設為9。
    m1 : int, optional
        計算D線的時間視窗，預設為3。
    m2 : int, optional
        計算J線的引數，預設為3。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含KDJ指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算最小值和最大值
    low_min = df['low'].rolling(window=n).min()
    high_max = df['high'].rolling(window=n).max()
    
    # 計算K值
    df[k_col] = (df['close'] - low_min) / (high_max - low_min) * 100
    
    # 計算D值
    df[d_col] = df[k_col].rolling(window=m1).mean()
    
    # 計算J值
    df[j_col] = m2 * df[d_col] - df[k_col].rolling(window=m2).mean()
    
    return df

KDJ 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現KDJ策略。函式接受資料幀df，K/D/J列名稱k_col、d_col、j_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def kdj_strategy(df, k_col='K', d_col='D', j_col='J', inplace=False):
    """
    實現KDJ策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含KDJ指標資料的DataFrame，必須包含'k_col', 'd_col', 'j_col'列。
    k_col : str
        K值的列名。
    d_col : str
        D值的列名。
    j_col : str
        J值的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：K值上穿D值
    df.loc[(df[k_col] > df[d_col]) & (df[k_col].shift(1) <= df[d_col].shift(1)), 'signal'] = 1
    
    # 產生賣出訊號：K值下穿D值
    df.loc[(df[k_col] < df[d_col]) & (df[k_col].shift(1) >= df[d_col].shift(1)), 'signal'] = -1
    
    return df

CCI 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 CCI 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def cci(df, cci_col='cci', n=20, inplace=False):
    """
    計算CCI指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    n : int, optional
        CCI指標的時間視窗，預設為20。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含CCI指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算移動平均值
    sma = df['close'].rolling(window=n).mean()
    
    # 計算標準差
    std = df['close'].rolling(window=n).std()
    
    # 計算CCI
    df[cci_col] = (df['close'] - sma) / (0.015 * std)
    
    return df

CCI 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現CCI策略。函式接受資料幀df，CCI列名稱cci_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def cci_strategy(df, cci_col='cci', inplace=False):
    """
    實現CCI策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含CCI指標資料的DataFrame，必須包含'cci_col'列。
    cci_col : str
        CCI指標的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：CCI低於-100
    df.loc[df[cci_col] < -100, 'signal'] = 1
    
    # 產生賣出訊號：CCI高於+100
    df.loc[df[cci_col] > 100, 'signal'] = -1
    
    return df

OBV 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 OBV 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def obv(df, obv_col='obv', inplace=False):
    """
    計算OBV指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含OBV指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
	# 計算收盤價差異的符號
    chg = df['close'].diff()
	sgn = np.sign(chg)
	sgn.iloc[0] = 0
	# 計算OBV
	df[obv_col] = (df['volume'] * sgn).cumsum()
    
    return df

OBV 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現OBV策略。函式接受資料幀df，OBV列名稱obv_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def obv_strategy(df, obv_col, inplace=False):
    """
    實現OBV策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含OBV指標資料的DataFrame，必須包含'obv_col'列。
    obv_col : str
        OBV指標的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：OBV連續上升
    df.loc[df[obv_col].rolling(window=3).sum() > 0, 'signal'] = 1
    
    # 產生賣出訊號：OBV連續下降
    df.loc[df[obv_col].rolling(window=3).sum() < 0, 'signal'] = -1
    
    return df

ADX 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 ADX 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def adx(df, window=14, inplace=False):
    """
    計算ADX指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close'列。
    window : int, optional
        ADX指標的時間視窗，預設為14。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含ADX指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算最高價和最低價之間的差異
    df['range'] = df['high'] - df['low']
    
    # 計算動量（Momentum）
    plus_dm = np.where(df['close'] - df['open'] > 0, df['range'], 0)
    minus_dm = np.where(df['open'] - df['close'] > 0, -df['range'], 0)
    
    # 計算ADM和ADN
    plus_dm_mean = plus_dm.rolling(window=window).mean()
    minus_dm_mean = minus_dm.rolling(window=window).mean()
    
    # 計算DX
    dx = (plus_dm_mean - minus_dm_mean) / (plus_dm_mean + minus_dm_mean)
    dx_mean = dx.rolling(window=window).mean()
    
    # 計算ADX
    df['adx'] = (100 - 100 / (1 + np.sqrt(dx_mean)))
    
    return df

ADX 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現ADX策略。函式接受資料幀df，ADX列名稱adx_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def adx_strategy(df, adx_col='adx', inplace=False):
    """
    實現ADX策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含ADX指標資料的DataFrame，必須包含'adx_col'列。
    adx_col : str
        ADX指標的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：ADX超過25
    df.loc[df[adx_col] > 25, 'signal'] = 1
    
    # 產生賣出訊號：ADX低於25
    df.loc[df[adx_col] < 25, 'signal'] = -1
    
    return df

VWAP 指標

假設你是個高階程式設計師和量化研究員，編寫函式實現 VWAP 指標。函式接受資料幀df，inplace引數控制是否原地更新df。df包含四個列：open開盤價、high最高價、low最低價和close收盤價。所有指標都應當儲存到df中，最後返回df。

def vwap(df, vwap_col='vwap', inplace=False):
    """
    計算VWAP指標，並更新DataFrame。
    
    引數:
    df : DataFrame
        包含價格資料的DataFrame，必須包含'open', 'high', 'low', 'close', 'volume'列。
    window : int, optional
        滾動視窗的大小，預設為1。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        包含VWAP指標的新DataFrame（如果inplace為False）。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 計算VWAP
    df['vwap'] = (df['open'] + df['high'] + df['low'] + df['close']) / 4 * df['volume']
        
    return df

VWAP 策略

假設你是個高階程式設計師和量化研究員，編寫函式實現VWAP策略。函式接受資料幀df，VWAP列名稱vwap_col，inplace引數控制是否原地更新df。買賣訊號應儲存在signal列中。最後返回df。

def vwap_strategy(df, vwap_col='vwap', inplace=False):
    """
    實現VWAP策略，生成買賣訊號。
    
    引數:
    df : DataFrame
        包含VWAP指標資料的DataFrame，必須包含'vwap_col'列。
    vwap_col : str
        VWAP指標的列名。
    inplace : bool, optional
        是否在原地更新DataFrame，預設為False。
    
    返回:
    df : DataFrame
        原始DataFrame，增加了一個名為'signal'的列，包含買賣訊號。
    """
    
    # 複製DataFrame以避免修改原始資料
    if not inplace:
        df = df.copy()
    
    # 初始化訊號列，預設為無操作
    df['signal'] = 0
    
    # 產生買入訊號：價格突破VWAP
    df.loc[df['close'] > df[vwap_col], 'signal'] = 1
    
    # 產生賣出訊號：價格跌破VWAP
    df.loc[df['close'] < df[vwap_col], 'signal'] = -1
    
    return df

c 語言指標操作經典問題
2020-12-19
指標
預算指標技術指標操作引數
2013-09-24
指標
C++入門經典第九章指標第一節自測題
2018-08-20
C++指標
制度量化管理與技術經濟指標企業管理
2013-05-19
指標
交換機的基本技術指標
2016-08-13
指標
ARINC429模組技術指標
2024-08-05
指標
技術基礎 | 重要指標和告警
2020-12-12
指標
（INTERBASE之五） IB技術指標 (轉)
2008-01-24
指標
部分JS經典題目解析
2018-10-25
JS
Delphi中GUID相等檢查中經典指標應用
2015-03-27
GUI指標
專案管理經典技術簡介（轉）
2007-08-15
專案管理
空指標漏洞防護技術（提高篇）
2015-09-15
指標
實現累加的經典sql方法
2014-04-09
SQL
經典手眼標定演算法之Tsai-Lenz的OpenCV實現
2016-06-09
演算法AIOpenCV
空指標漏洞防護技術（初級篇）
2015-09-15
指標
MySQL 效能監控4大指標——第一部分
2016-06-14
MySql指標
MySQL效能監控4大指標——第一部分
2016-06-14
MySql指標
c語言實現this指標效果
2023-12-04
C語言指標
Hystrix指標視窗實現原理
2018-03-29
指標
微軟經典面試100題系列（部分）
2014-07-10
微軟面試
愛奇藝ZoomAI技術，助力經典國劇修復
2019-08-14
OOMAI
資料庫分頁技術大全(超級經典)
2016-04-13
資料庫
JavaScript實現經典排序演算法
2019-04-08
JavaScript排序演算法
經典排序演算法PHP實現
2018-08-21
排序演算法PHP
Vim 實用技術，第 1 部分: 實用技巧
2013-03-29
技術初創公司的五個核心指標 - James
2022-02-24
指標
深入解析Go非型別安全指標：技術全解與最佳實踐
2023-10-13
Go型別指標
使用Thanos實現Prometheus指標聯邦
2020-07-20
Prometheus指標
智慧指標-使用、避坑和實現
2022-02-08
指標
利用指標實現strncmp函式功能
2020-12-30
指標函式
經典比賽濃縮成書：阿里雲天池釋出深度學習實戰技術寶典
2021-10-28
阿里深度學習
程式設計技術日新月異，TAOCP經典永駐
2017-03-13
程式設計
第一個包含實時安全指標---DigiCert Smart Seal
2022-01-07
指標
力扣演算法經典第一題——兩數之和（Java兩種方式實現）
2022-02-23
力扣演算法Java
Qt內部的d指標和q指標手把手教你實現
2021-02-08
QT指標
巧用指標平臺DataIndex，五步法輕鬆實現指標管理
2023-10-11
指標AIIndex
C++ 引用計數技術及智慧指標的簡單實現
2016-05-27
C++指標
用 PHP 實現經典排序演算法
2020-04-06
PHP排序演算法

【Quant102】 經典技術指標 Pandas 實現（第一部分）

雙均線策略

布林帶指標

布林帶策略

MACD 指標

MACD 策略

RSI 指標

RSI 策略

KDJ 指標

KDJ 策略

CCI 指標

CCI 策略

OBV 指標

OBV 策略

ADX 指標

ADX 策略

VWAP 指標

VWAP 策略

相關文章

【Quant102】經典技術指標 Pandas 實現（第一部分）