首页 > 其他分享 >量化交易中常见技术指标梳理和总结

量化交易中常见技术指标梳理和总结

时间:2024-10-11 23:49:53浏览次数:10  
标签:right frac 平均线 max 技术指标 计算 量化 Pi 梳理

量化交易中常见技术指标梳理和总结

一、移动平均线(MA,Moving Average)

  • 基本概念和由来

​ 移动平均线是一种通过计算一段时间内价格的平均值来平滑价格数据的指标,用于识别价格趋势。

​ 移动平均线的出现,很难追溯到某一个特定的人,它是在长期的市场实践和统计分析中逐渐形成和发展起来的概念。其广泛应用和理论总结在 20 世纪中期之后不断完善。

  • 核心思想

​ 其核心思想是通过计算一定时间周期内价格的平均值来显示价格的平均水平,从而帮助投资者识别市场趋势并作出交易决策。通过消除短期波动,可以更清晰地看到价格的长期趋势。

  • 数学模型

    1. 简单移动平均线(SMA,Simple Moving Average)

    对于时间序列数据 P = { P 1 , P 2 , ⋯   , P n } P=\left\{P_{1}, P_{2}, \cdots, P_{n}\right\} P={P1​,P2​,⋯,Pn​} ,计算周期为 m m m 的简单移动平均线 S M A t S M A_{t} SMAt​ 的公式为:
    S M A t = 1 m ∑ i = t − m + 1 t P i  , t 表示当前时间点 S M A_{t}=\frac{1}{m} \sum_{i=t-m+1}^{t} P_{i}\ ,t表示当前时间点 SMAt​=m1​i=t−m+1∑t​Pi​ ,t表示当前时间点

    1. 指数移动平均线(EMA,Exponential Moving Average)

    设 α = 2 m + 1 ( m 为计算周期 ) \alpha=\frac{2}{m+1}(m 为计算周期 ) α=m+12​(m为计算周期) ,初始值 E M A 1 = P 1 E M A_{1}=P_{1} EMA1​=P1​ ,对于 t > 1 t>1 t>1 ,指数移动平均线 E M A t E M A_{t} EMAt​ 的计算公式为:
    E M A t = α P t + ( 1 − α ) E M A t − 1 E M A_{t}=\alpha P_{t}+(1-\alpha) E M A_{t-1} EMAt​=αPt​+(1−α)EMAt−1​

二、相对强弱指数(RSI,Relative Strength Index)

  • 基本概念和由来

​ 相对强弱指标通过比较一段时间内的平均上涨幅度和平均下跌幅度来衡量市场买卖力量对比。

​ 由技术分析大师威尔斯・威尔德(Welles Wilder)于 1978 年提出。

  • 核心思想

​ RSI 是基于供求平衡的原理,通过测量某一个期间内股价上涨总幅度占股价变化总幅度平均值的百分比,来评估多空力量的强弱程度,判断市场是否处于超买/超卖状态,从而帮助投资者做出决策。

  • 数学模型

    1. 首先计算平均上涨幅度 U U U 和平均下跌幅度 D D D 。设时间序列为 P = { P 1 , P 2 , ⋯   , P n } P=\left\{P_{1}, P_{2}, \cdots, P_{n}\right\} P={P1​,P2​,⋯,Pn​} , 计算周期为 m m m 。

    U = 1 m ∑ i = 1 m max ⁡ ( 0 , P i − P i − 1 ) D = 1 m ∑ i = 1 m max ⁡ ( 0 , P i − 1 − P i ) \begin{array}{l} U=\frac{1}{m} \sum_{i=1}^{m} \max \left(0, P_{i}-P_{i-1}\right) \\ D=\frac{1}{m} \sum_{i=1}^{m} \max \left(0, P_{i-1}-P_{i}\right) \end{array} U=m1​∑i=1m​max(0,Pi​−Pi−1​)D=m1​∑i=1m​max(0,Pi−1​−Pi​)​

    1. 然后
      R S = U D R S=\frac{U}{D} RS=DU​

      R S I = 100 − 100 1 + R S R S I=100-\frac{100}{1+R S} RSI=100−1+RS100​

三、布林带(Bollinger Bands)

  • 基本概念和由来

​ 布林带由三条线组成,中间线是移动平均线,上下两条线是基于标准差计算得到的价格波动区间,用于衡量价格的波动和趋势。

​ 由美国投资者约翰・布林(John Bollinger)在 1981 年提出。

  • 核心思想

​ 资产的价格在正常情况下会在上下轨之间波动。当价格触及或突破上轨时,通常被视为超买信号;而当价格触及或突破下轨时,则被视为超卖信号。该指标可以帮助投资者衡量市场波动性、判断市场趋势和发现买卖时机。

  • 数学模型

    1. 中间线

      通常采用简单移动平均线
      M A = 1 m ∑ i = t − m + 1 t P i   ,   m  为计算周期  ,   t  为当前时间点 M A=\frac{1}{m} \sum_{i=t-m+1}^{t}P_{i} \ , \ m \ 为计算周期\ ,\ t \ 为当前时间点 MA=m1​i=t−m+1∑t​Pi​ , m 为计算周期 , t 为当前时间点

    2. 上轨线和下轨线
      M A + k × σ , M A+k \times \sigma , MA+k×σ,

      M A − k × σ M A-k \times \sigma MA−k×σ

    3. 其中的参数 σ \sigma σ k k k

    σ = 1 m ∑ i = t − m + 1 t ( P i − M A ) 2   ,   k  为常数 ( 通常取 2 ) 。 \sigma=\sqrt{\frac{1}{m} \sum_{i=t-m+1}^{t}\left(P_{i}-M A\right)^{2}} \ ,\ k\ 为常数(通常取 2)。 σ=m1​i=t−m+1∑t​(Pi​−MA)2 ​ , k 为常数(通常取2)。

标签:right,frac,平均线,max,技术指标,计算,量化,Pi,梳理
From: https://blog.csdn.net/JiexianYao/article/details/142865809

相关文章

  • 大模型agent开发之文本向量化
    文本向量化实现方式 在复杂的大模型中文本向量化有很多好处,比如提高检索速度,在大规模数据集上向量通过相似表示可以快速找到相似文本,在处理长文本和跨语言对齐等任务上也可以减少很多开销。在langchain中可以从包langchain.embeddings.openai中可以引入方法OpenAIEmbeddings定义......
  • 量化交易需要哪些编程技能,都有哪些优势?
    Python股票接口实现查询账户,提交订单,自动交易(1)Python股票程序交易接口查账,提交订单,自动交易(2)股票量化,Python炒股,CSDN交流社区>>>Python:量化交易的核心编程语言Python的基础优势Python在量化交易中犹如一把万能钥匙。它的简洁性使得即使是编程新手也能快速上手。对于......
  • ORB-SLAM2源码学习:ORBextractor.cc 逻辑梳理
    前言 温馨提示:请在看过源代码的情况下看此文章学习效果更好。ORBextractor.cc这个源文件定义函数众多,要是按照源码的顺序进行学习会抓不住重点,下面是我梳理的四个核心函数。一、主入口函数:operator()说明:主入口函数直接调用了ComputePyramid()、ComputeKeyPointsOctTree()、......
  • 散户如何获取量化交易的API接口?
    炒股自动化:申请官方API接口,散户也可以python炒股自动化(0),申请券商API接口python炒股自动化(1),量化交易接口区别Python炒股自动化(2):获取股票实时数据和历史数据Python炒股自动化(3):分析取回的实时数据和历史数据Python炒股自动化(4):通过接口向交易所发送订单Python炒股自动化(5):......
  • HM变化量化中的Scaling 操作(解码器)
    (1)xIntraRecBlk调用invTransformNxN处理TU块if(pcCU->getCbf(uiAbsPartIdx,compID,rTu.GetTransformDepthRel())!=0){m_pcTrQuant->invTransformNxN(rTu,compID,piResi,uiStride,pcCoeff,cQPDEBUG_STRING_PASS_INTO(psDebug));}(2)invTransform......
  • K8S基本组件梳理
    Master组件apiserver:对资源对象进行curd操作,例如pod和server;将所有的状态储存到etcd中。schedule:监控未调度的pod,根据pod的资源需求、资源可用性和其他约束,选择最合适的节点来运行pod。controller-manage:监控集群的状态,实现集群的自愈和自动化管理。​ Replicationcontroller......
  • 59_初识搜索引擎_搜索相关参数梳理以及bouncing results问题解决方案
    1、preference决定了哪些shard会被用来执行搜索操作_primary,_primary_first,_local,_only_node:xyz,_prefer_node:xyz,_shards:2,3bouncingresults问题,两个document排序,field值相同;不同的shard上,可能排序不同;每次请求轮询打到不同的replicashard上;每次页面上看到的搜索......
  • 10_shard&replica机制再次梳理以及单node环境中创建index图解
    1、shard&replica机制再次梳理2、图解单node环境下创建index是什么样子的1、shard&replica机制再次梳理(1)index包含多个shard(2)每个shard都是一个最小工作单元,承载部分数据,lucene实例,完整的建立索引和处理请求的能力(3)增减节点时,shard会自动在nodes中负载均衡(4)primaryshard和......
  • YOLOv8改进 | 主干篇,YOLOv8改进主干网络为华为的轻量化架构GhostNetV1
    摘要摘要:将卷积神经网络(CNN)部署在嵌入式设备上是困难的,因为嵌入式设备的内存和计算资源有限。特征图的冗余是成功的CNN的一个重要特征,但在神经网络架构设计中很少被研究。作者提出了一种新颖的Ghost模块,用于通过廉价操作生成更多的特征图。基于一组内在特征图,我们......
  • 如何选择合适的量化交易策略,回测与模拟交易的实战演练
    炒股自动化:申请官方API接口,散户也可以python炒股自动化(0),申请券商API接口python炒股自动化(1),量化交易接口区别Python炒股自动化(2):获取股票实时数据和历史数据Python炒股自动化(3):分析取回的实时数据和历史数据Python炒股自动化(4):通过接口向交易所发送订单Python炒股自动化(5):......