L'indicateur KDJ, le plus utilisé sur les marchés des contrats à terme et des actions, a été créé par le Dr. George Lane. Il combine les notions de dynamisme, de force et de faiblesse. L'indicateur KDJ est calculé en fonction de la relation entre les prix les plus élevés, les prix les plus bas et les prix de clôture sur une période donnée.
RSVt = ((Ct-L9)/ ((H9-L9)) * 100 (Ct = prix de clôture du jour; L9 = prix le plus bas en 9 jours; H9 = prix le plus élevé en 9 jours)
La valeur K est la moyenne mobile fluctuante de RSV de 3 jours, avec la formule: Kt = RSVt/3 + 2 * t-1/3
L'équation est la suivante: Dt = Kt/3+2*Dt-1/3
La valeur de J est égale à 3 fois la valeur de K moins 2 fois la valeur de D, la formule est:Dt-2Kt
Les indicateurs KDJ doivent être appliqués en tenant compte de plusieurs facteurs:
1. La valeur de K et D est comprise entre 0 et 100, plus de 80 marchés présentent un surachat et moins de 20 un survente.
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。
La prise de valeur de J > 100 est une survente et < 0 est une survente, toutes deux dans la zone anormale du prix.
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
Généralement, les trois valeurs K, D et J sont entre 20 et 80 pour la zone de rétention, ce qui est souhaitable, en termes de sensibilité, la plus forte est la valeur J, suivie de K, la plus lente est D, et en termes de sécurité, c'est tout le contraire.
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
Traduit de négociant programmé