為K線序列管理新增變動百分比屬性，和一個簡單分析
一般K線資料，主要是記錄HLOC（High，Low，Open，Close）四個值，再加上Volume交易量。在做基於K線分析時候，變動百分比也是一個經常考慮數值。這裡說下增加變動百分比的屬性。
其實還是很簡單，如果不考慮跳空的話，就是（Close - Open）* 100.0 / Open; 考慮到跳空的話，就是當前K線結束值前取上個K線結束值，再處於上個K線結束值即可。
如果有個close的值佇列的，示例程式碼如下
closelist = [100,99,101,103,105,109] def getPrecentlist(inputlist): precentlist = [] for i in range(1,len(inputlist)): precent = (inputlist[i] - inputlist[i-1])*100.0/inputlist[i-1] precentlist.append(precent) return precentlist getPrecentlist(closelist)
返回就是如下百分比佇列。
[-1.0,2.0202020202020203,1.9801980198019802,1.941747572815534,3.8095238095238093]
同理， 在VNPY的K線序列管理工具ArrayManager，可以加入下面程式碼。按照屬性返回百分比序列
@property def percent(self): """獲取百分比序列""" arrayold = self.closeArray[0:self.size - 1] arraynew = self.closeArray[1:self.size] return map(lambda (closenew, closeold): (closenew - closeold)*100.0/closeold,zip(arraynew, arrayold))
這裡稍微有點玄機，就是利用了lambda把原來function簡化，同時用zip生成一個當前close和前一個close的元祖，來調來計算。
下面使用之前做的DataFrame anaylzer做的一些分析。對於豆粕m1905，從2018年09月1日到現在，10分鐘K的變動百分比。
首先不出所料，precent以0為中軸的高斯分佈。
比較出乎意料的是，對於最大和最小的百分之一到百分之五的K線，之後的2，4，6個K線結束時候，過半數是反轉掉頭的。我原來以為如果有個大的K線向上，之後回順著向上，但是看起來，反轉更能多出現。
Precent 大於 0.4312038575295748, 99時候，k線數量為 54，第二根K線結束價格上漲機率為 31.48148148148148%;
Precent 小於於 -0.4345589035350628, 1時候，k線數量為 54, 第二根K線結束價格下跌機率為 38.888888888888886%
Precent 大於 0.4312038575295748, 99時候，第四根K線結束價格上漲機率為 33.333333333333336%
Precent 小於於 -0.4345589035350628, 1時候，第四根K線結束價格下跌機率為 48.148148148148145%
Precent 大於 0.4312038575295748, 99時候，第六根K線結束價格上漲機率為 35.18518518518518%
Precent 小於於 -0.4345589035350628, 1時候，第六根K線結束價格下跌機率為 46.2962962962963%
Precent 大於 0.31567899447202463, 98時候，k線數量為 107，第二根K線結束價格上漲機率為 38.3177570093458%;
Precent 小於於 -0.3369829012686155, 2時候，k線數量為 107, 第二根K線結束價格下跌機率為 36.44859813084112%
Precent 大於 0.31567899447202463, 98時候，第四根K線結束價格上漲機率為 37.38317757009346%
Precent 小於於 -0.3369829012686155, 2時候，第四根K線結束價格下跌機率為 41.12149532710281%
Precent 大於 0.31567899447202463, 98時候，第六根K線結束價格上漲機率為 33.64485981308411%
Precent 小於於 -0.3369829012686155, 2時候，第六根K線結束價格下跌機率為 40.18691588785047%
Precent 大於 0.27096928404930803, 97時候，k線數量為 160，第二根K線結束價格上漲機率為 39.375%;
Precent 小於於 -0.2776041810690485, 3時候，k線數量為 160, 第二根K線結束價格下跌機率為 36.25%
Precent 大於 0.27096928404930803, 97時候，第四根K線結束價格上漲機率為 40.625%
Precent 小於於 -0.2776041810690485, 3時候，第四根K線結束價格下跌機率為 41.875%
Precent 大於 0.27096928404930803, 97時候，第六根K線結束價格上漲機率為 40.0%
Precent 小於於 -0.2776041810690485, 3時候，第六根K線結束價格下跌機率為 42.5%
Precent 大於 0.23543815932988155, 96時候，k線數量為 213，第二根K線結束價格上漲機率為 37.55868544600939%;
Precent 小於於 -0.24673951357067325, 4時候，k線數量為 214, 第二根K線結束價格下跌機率為 38.78504672897196%
Precent 大於 0.23543815932988155, 96時候，第四根K線結束價格上漲機率為 40.375586854460096%
Precent 小於於 -0.24673951357067325, 4時候，第四根K線結束價格下跌機率為 43.925233644859816%
Precent 大於 0.23543815932988155, 96時候，第六根K線結束價格上漲機率為 39.436619718309856%
Precent 小於於 -0.24673951357067325, 4時候，第六根K線結束價格下跌機率為 43.925233644859816%
但是，我嘗試用這個規律做繼續分析收益的時候，發現雖然繼續向上或者向下次數不多，但是往往是巨量的，這樣如果下一個反轉的單子意味著鉅虧。這個就是雖然小於50%出現，但是來一次都是高風險呀。
DataFrame 分析程式碼如下：
# encoding: UTF-8
from pymongo import MongoClient, ASCENDING
import pandas as pd
import numpy as np
from datetime import datetime
import talib
import matplotlib.pyplot as plt
import scipy.stats as scs
class DataAnalyzer(object):
def __init__(self, exportpath="C:\Project\\", datformat=['datetime', 'high', 'low', 'open', 'close','volume']):
self.mongohost = None
self.mongoport = None
self.db = None
self.collection = None
self.df = pd.DataFrame()
self.exportpath = exportpath
self.datformat = datformat
def db2df(self, db, collection, start, end, mongohost="localhost", mongoport=27017, export2csv=False):
"""讀取MongoDB資料庫行情記錄，輸出到Dataframe中"""
self.mongohost = mongohost
self.mongoport = mongoport
self.db = db
self.collection = collection
dbClient = MongoClient(self.mongohost, self.mongoport, connectTimeoutMS=500)
db = dbClient[self.db]
cursor = db[self.collection].find({'datetime':{'$gte':start, '$lt':end}}).sort("datetime",ASCENDING)
self.df = pd.DataFrame(list(cursor))
self.df = self.df[self.datformat]
self.df = self.df.reset_index(drop=True)
path = self.exportpath + self.collection + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def csv2df(self, csvpath, dataname="csv_data", export2csv=False):
"""讀取csv行情資料，輸入到Dataframe中"""
csv_df = pd.read_csv(csvpath)
self.df = csv_df[self.datformat]
self.df["datetime"] = pd.to_datetime(self.df['datetime'])
self.df = self.df.reset_index(drop=True)
path = self.exportpath + dataname + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def df2Barmin(self, inputdf, barmins, crossmin=1, export2csv=False):
"""輸入分鐘k線dataframe資料，合併多多種資料，例如三分鐘/5分鐘等，如果開始時間是9點1分，crossmin = 0；如果是9點0分，crossmin為1"""
dfbarmin = pd.DataFrame()
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
datetime = 0
for i in range(0, len(inputdf) - 1):
bar = inputdf.iloc[i, :].to_dict()
if openBarMin == 0:
openBarmin = bar["open"]
if highBarMin == 0:
highBarMin = bar["high"]
else:
highBarMin = max(bar["high"], highBarMin)
if lowBarMin == 0:
lowBarMin = bar["low"]
else:
lowBarMin = min(bar["low"], lowBarMin)
closeBarMin = bar["close"]
datetime = bar["datetime"]
volumeBarmin += int(bar["volume"])
# X分鐘已經走完
if not (bar["datetime"].minute + crossmin) % barmins: # 可以用X整除
# 生成上一X分鐘K線的時間戳
barMin = {'datetime': datetime, 'high': highBarMin, 'low': lowBarMin, 'open': openBarmin,
'close': closeBarMin, 'volume' : volumeBarmin}
dfbarmin = dfbarmin.append(barMin, ignore_index=True)
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
if export2csv == True:
dfbarmin.to_csv(self.exportpath + "bar" + str(barmins)+ str(self.collection) + ".csv", index=True, header=True)
return dfbarmin
#--------------------------------------------------------------
def Percentage(self, inputdf, export2csv=True):
""" 計算 Percentage """
dfPercentage = inputdf
for i in range(1, len(inputdf)):
if dfPercentage.loc[ i - 1, "close"] == 0.0:
percentage = 0
else:
percentage = ((dfPercentage.loc[i, "close"] - dfPercentage.loc[i - 1, "close"]) / dfPercentage.loc[ i - 1, "close"]) * 100.0
dfPercentage.loc[i, "Perentage"] = percentage
dfPercentage = dfPercentage.fillna(0)
dfPercentage = dfPercentage.replace(np.inf, 0)
if export2csv == True:
dfPercentage.to_csv(self.exportpath + "Percentage_" + str(self.collection) + ".csv", index=True, header=True)
return dfPercentage
def resultValuate(self,inputdf, nextBar, export2csv=True):
summayKey = ["Percentage","TestValues"]
dft = pd.DataFrame(columns=summayKey)
def addResultBar(self, inputdf, export2csv = False):
dfaddResultBar = inputdf
######cci在（100 - 200),(200 -300）後的第2根，第4根，第6根的價格走勢######################
dfaddResultBar["next2BarClose"] = None
dfaddResultBar["next4BarClose"] = None
dfaddResultBar["next6BarClose"] = None
dfaddResultBar["next5BarCloseMakrup"] = None
for i in range(1, len(dfaddResultBar) - 6):
dfaddResultBar.loc[i, "next2BarPercentage"] = dfaddResultBar.loc[i + 2, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next4BarPercentage"] = dfaddResultBar.loc[i + 4, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next6BarPercentage"] = dfaddResultBar.loc[i + 6, "close"] - dfaddResultBar.loc[i, "close"]
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = 1
dfaddResultBar = dfaddResultBar.fillna(0)
if export2csv == True:
dfaddResultBar.to_csv(self.exportpath + "addResultBar" + str(self.collection) + ".csv", index=True, header=True)
return dfaddResultBar
def PrecentAnalysis(inputdf):
dfPercentage = inputdf
#######################################分析分佈########################################
plt.figure(figsize=(10,3))
plt.hist(dfPercentage['Perentage'],bins=300,histtype='bar',align='mid',orientation='vertical',color='r')
plt.show()
for Perentagekey in range(1,5):
lpHigh = np.percentile(dfPercentage['Perentage'], 100-Perentagekey)
lpLow = np.percentile(dfPercentage['Perentage'], Perentagekey)
de_anaylsisH = dfPercentage.loc[(dfPercentage["Perentage"]>= lpHigh)]
HCount = de_anaylsisH['Perentage'].count()
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"] <= lpLow)]
LCount = de_anaylsisL['Perentage'].count()
percebtage = de_anaylsisH[de_anaylsisH["next2BarClose"]>0]["next2BarClose"].count()*100.000/HCount
de_anaylsisHsum = de_anaylsisH["next2BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next2BarPercentage"].sum()
print('Precent 大於 %s, %s時候，k線數量為 %s，第二根K線結束價格上漲機率為 %s%%;' %(lpHigh,100-Perentagekey,HCount , percebtage))
print('和值 %s' %(de_anaylsisHsum))
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"]<= lpLow)]
percebtage = de_anaylsisL[de_anaylsisL["next2BarClose"]<0]["next2BarClose"].count()*100.000/LCount
print('Precent 小於於 %s, %s時候，k線數量為 %s, 第二根K線結束價格下跌機率為 %s%%' %(lpLow,Perentagekey,LCount, percebtage))
print('和值 %s' %(de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next4BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next4BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next4BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print('Precent 大於 %s, %s時候，第四根K線結束價格上漲機率為 %s%%' % (lpHigh, 100 - Perentagekey, percebtage))
# print('和值 %s' % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next4BarClose"] < 0]["next2BarClose"].count() * 100.000 / LCount
print('Precent 小於於 %s, %s時候，第四根K線結束價格下跌機率為 %s%%' % (lpLow, Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next6BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next6BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next6BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print('Precent 大於 %s, %s時候，第六根K線結束價格上漲機率為 %s%%' % (lpHigh, 100 - Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next6BarClose"] < 0]["next2BarClose"].count() * 100.000 /LCount
print('Precent 小於於 %s, %s時候，第六根K線結束價格下跌機率為 %s%%' % (lpLow, Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisLsum))
if __name__ == '__main__':
DA = DataAnalyzer()
#資料庫匯入
start = datetime.strptime("20180901", '%Y%m%d')
end = datetime.today()
df = DA.db2df(db="VnTrader_1Min_Db", collection="m1905", start = start, end = end)
#csv匯入
# df = DA.csv2df("rb1905.csv")
df10min = DA.df2Barmin(df,10)
dfPercentage = DA.Percentage(df10min)
dfPercentage = DA.addResultBar(dfPercentage)
PrecentAnalysis(dfPercentage)
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/22259926/viewspace-2641780/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- WPF一個簡單的屬性編輯控制元件控制元件
- 一個超級簡單的PHP超全域性變數管理擴充套件PHP變數套件
- JS/JQ動態建立（新增）optgroup和option屬性JS
- 簡單介紹實體類或物件序列化時,忽略為空屬性的操作物件
- Wordpress自動給圖片新增alt和title屬性
- Java：對一個物件序列化和反序列化的簡單實現Java物件
- 4 個概念，1 個動作，讓應用管理變得更簡單
- 為 protocol 中屬性新增預設值Protocol
- 在 JavaScript 中，我們能為原始型別新增一個屬性或方法嗎？JavaScript型別
- 簡單聊一聊Flex佈局常用的屬性Flex
- spring 簡單的使用 Hikari連線池 和 jdbc連線mysql 的一個簡單例子SpringJDBCMySql單例
- Fastjson定製屬性的序列化和反序列化ASTJSON
- Python 動態新增例項屬性，例項方法，類屬性，類方法Python
- 在一個元素上:hover，改變另一個元素的css屬性CSS
- python物件屬性管理(2)：property管理屬性Python物件
- 為什麼React元素有一個$$typeof屬性？React
- Python給exe新增以管理員執行的屬性Python
- 線性dp--最長上升子序列變形
- Android 顏色漸變 屬性動畫Android動畫
- ???又一個管理端框架上線了，設計理念簡單而不簡約框架
- jquery js 設定 div 的內容，給 div 新增一個屬性jQueryJS
- line-height與vertical-align：簡單的屬性不簡單
- PHP動態屬性和stdclassPHP
- java實現用一個變數表示多個屬性的狀態Java變數
- defer 屬性和 async 屬性
- 分析一個簡單的goroutine資源池Go
- 一個left join SQL 簡單優化分析SQL優化
- Python，寫一個簡單的屬於自己的『BaseEnum』類Python
- EAV（實體-屬性-值）模型簡單介紹模型
- Go語言編譯時為exe新增圖示和屬性資訊的方法Go編譯
- EVIEWS 簡單線性迴歸 02View
- 給Product新增自定義屬性
- class屬性的新增刪除
- SVG accumulate和additive動畫屬性SVG動畫
- 使用Netty和動態代理實現一個簡單的RPCNettyRPC
- vue3如何將 app 全域性變數物件變為響應式並監聽到某個屬性的改變VueAPP變數物件
- 為VNPY的K線序列管理工具ArrayManager增加對數收益率佇列佇列
- HTML5中新新增的表單屬性有哪些？HTML