Der KDJ-Indikator, vollständig Stochastics genannt, ist das am häufigsten verwendete technische Analysetool in den Futures- und Aktienmärkten. Er wurde von Dr. George Lane entwickelt. Der KDJ-Indikator kombiniert Dynamikkonzepte, Stärken und Schwächen.
RSVt = ((Ct-L9)/ ((H9-L9)) * 100 (Ct = Preis am Tag des Abschlusses; L9 = niedrigster Preis in 9 Tagen; H9 = höchster Preis in 9 Tagen)
K-Wert ist der RSV-Wert der 3-tägigen gleitenden Durchschnittslinie mit der Formel: Kt = RSVt/3+2*t-1/3
Dt = Kt/3+2*Dt-1/3
J ist 3 mal K minus 2 mal D, also Jt = 3Dt-2Kt
Es gibt einige wichtige Aspekte, die bei der Anwendung des KDJ-Indikators berücksichtigt werden müssen:
1. Die Bewertungen von K und D liegen zwischen 0 und 100 und über 80 Märkte zeigen Überkauf und unter 20 Märkte zeigen Überverkauf.
2.买进信号：K值在上涨趋势中﹤D值，K线向上突破D线时；卖出信号：K值在下跌趋势中﹥D值，K线向下跌破D线。
3.交易不活跃、发行量小的股票并不适用KD指标，而对大盘和热门大盘的准确性却很高。
4.在KD处在高位或低位，如果出现与股价走向的背离，则是采取行动的信号。
5. J-Aufnahme > 100 für Überkauf und < 0 für Überverkauf, alle in der abnormalen Zone des Preises.
6.短期转势预警信号：K值和D值上升或者下跌的速度减弱，倾斜度趋于平缓
Normalerweise sind die drei Werte K, D und J zwischen 20 und 80 für die Schwellzone und sollten beobachtet werden. In Bezug auf die Empfindlichkeit ist der stärkste Wert J, gefolgt von K, der langsamste Wert ist D, und in Bezug auf die Sicherheit ist es genau das Gegenteil.
import numpy as np
import pandas as pd
from pandas import DataFrame
import talib as ta
start = '2006-01-01' # 回测起始时间
end = '2015-08-17' # 回测结束时间
benchmark = 'HS300' # 策略参考标准
universe = set_universe('HS300')
capital_base = 100000 # 起始资金
refresh_rate = 1 # 调仓频率，即每 refresh_rate 个交易日执行一次 handle_data() 函数
longest_history=20
MA=[5,10,20,30,60,120] #移动均线参数
def initialize(account):
account.kdj=[]
def handle_data(account):
# 每个交易日的买入卖出指令
sell_pool=[]
hist = account.get_history(longest_history)
#data=DataFrame(hist['600006.XSHG'])
stock_pool,all_data=Get_all_indicators(hist)
pool_num=len(stock_pool)
if account.secpos==None:
print 'null'
for i in stock_pool:
buy_num=int(float(account.cash/pool_num)/account.referencePrice[i]/100.0)*100
order(i, buy_num)
else:
for x in account.valid_secpos:
if all_data[x].iloc[-1]['closePrice']<all_data[x].iloc[-1]['ma1'] and (all_data[x].iloc[-1]['ma1']-all_data[x].iloc[-1]['closePrice'])/all_data[x].iloc[-1]['ma1']>0.05 :
sell_pool.append(x)
order_to(x, 0)
if account.cash>500 and pool_num>0:
try:
sim_buy_money=float(account.cash)/pool_num
for l in stock_pool:
#print sim_buy_money,account.referencePrice[l]
buy_num=int(sim_buy_money/account.referencePrice[l]/100.0)*100
#buy_num=10000
order(l, buy_num)
except Exception as e:
#print e
pass
def Get_kd_ma(data):
indicators={}
#计算kd指标
indicators['k'],indicators['d']=ta.STOCH(np.array(data['highPrice']),np.array(data['lowPrice']),np.array(data['closePrice']),\
fastk_period=9,slowk_period=3,slowk_matype=0,slowd_period=3,slowd_matype=0)
indicators['ma1']=pd.rolling_mean(data['closePrice'], MA[0])
indicators['ma2']=pd.rolling_mean(data['closePrice'], MA[1])
indicators['ma3']=pd.rolling_mean(data['closePrice'], MA[2])
indicators['ma4']=pd.rolling_mean(data['closePrice'], MA[3])
indicators['ma5']=pd.rolling_mean(data['closePrice'], MA[4])
indicators['closePrice']=data['closePrice']
indicators=pd.DataFrame(indicators)
return indicators
def Get_all_indicators(hist):
stock_pool=[]
all_data={}
for i in hist:
try:
indicators=Get_kd_ma(hist[i])
all_data[i]=indicators
except Exception as e:
#print 'error:%s'%e
pass
if indicators.iloc[-2]['k']<indicators.iloc[-2]['d'] and indicators.iloc[-1]['k']>indicators.iloc[-2]['d']:
stock_pool.append(i)
elif indicators.iloc[-1]['k']>=10 and indicators.iloc[-1]['d']<=20 and indicators.iloc[-1]['k']>indicators.iloc[-2]['k'] and indicators.iloc[-2]['k']<indicators.iloc[-3]['k']:
stock_pool.append(i)
return stock_pool,all_data
Übertragen von Programmierer