pandas_ta。这个python库为你提供了一个简化的API，让你从时间序列中提取技术分析指标。今天云朵君将和大家一起学习这个库。虽然你可能会将这些函数应用于股票价格，但你可以对任何与股票价格配对的时间序列进行操作，例如，情绪甚至经济指标。
它利用具有 130 多个指标和实用程序函数以及 60 多个 TA Lib 烛台模式的 Pandas 包。包括许多常用的指标，例如：蜡烛图(cdl_pattern)、简单移动平均线(sma)、移动平均线收敛散度(macd)、赫尔指数移动平均线(hma)、布林带(bbands)、平衡交易量(obv )、aroon、Squeeze等等。
通常有几种方法可以从股票价格中提取技术分析指标，其中一种是手动编辑完整的处理过程。如果只需要使用像移动平均线这样的简单指标，这种方法实现起来比较轻松，但当我们需要使用更复杂的数学模型时，此时就会想到想是否有这样的python库来轻松实现，其实这就是API的作用，它们调解低级代码的复杂性，提供一个简化的高级接口。
在存储股票信息时，我能想到的第一个方法是通过使用Pandas DataFrame。这种方法在Python用户中非常普遍，其实，使用 pandas_ta 将会更简单，还有其他常见的存储股票价格等多维数据的方法，比如说使用JSON文件。
import pandas as pd
import pandas_ta as ta
df = pd.DataFrame() # 一个空的DataFrame
# 导入数据
df = pd.read_csv('path/to/symbol.csv', sep=',')
# 如果你安装了 yfinance
df = df.ta.ticker('aapl')
# VWAP要求DataFrame索引是一个DatetimeIndex。
# 用DataFrame中合适的列替换datetime
df.set_index(pd.DatetimeIndex(df['datetime']),
inplace=True)
# 计算结果返回并添加到DataFrame中去
df.ta.log_return(cumulative=True,
append=True)
df.ta.percent_return(cumulative=True,
append=True)
# 查看下包含结果的列
df.columns
# 查看下具体数据
df.tail()
# 继续后期处理
与其他许多安装起来有些困难的库相比，这个库既容易安装，又能作为 pandas 的一个扩展功能。
$ pip install pandas_ta
具体使用方法，参见下文。
股市数据获取，推荐你查看这篇文章。
请注意，pandas_ta 要求数据以特定的格式结构化。
OCHL指的是金融业中一些常用的指标，用于存储价格随时间的变化。开盘价、收盘价、最高价和最低价。不同的技术分析指标可能只需要其中的一列或多列，所以拥有全部四列将使我们能够模拟库中的大多数可用指标。
为了演示目的，使用如下程序将生成一个程序性的OCHL股票。
from scipy.stats import skewnorm
import plotly.graph_objects as go
import plotly.express as px
import pandas_ta as ta
import pandas as pd
import numpy as np
import random
# 高低差的正态分布
def create_pdf(sd, mean, alfa):
# 反转阿尔法的信号
x = skewnorm.rvs(alfa, size=1000000)
print(x)
def calc(k, sd, mean):
return (k*sd)+mean
x = calc(x, sd, mean) # 分布标准化
return x
def graph_stock(df_original):
# Time_column是一个字符串
df = df_original.copy()
pd.options.plotting.backend = 'plotly'
# 需要用索引创建一个列，否则plot就不会画出它
df['date'] = df.index
#fig = px.line(df, x='time', y=['price', 'price_2'])
fig = px.line(df, x='date', y=df.columns)
fig.show()
# 保存为png
#fig.write_image('csvfiles/btc.mark2mkt.png')
def graph_OCHL(df_OCHL, title):
#fig_1 = px.line(df, x=df.index, y=df.columns, title=title)
fig_2 = go.Figure(data=go.Ohlc(x=df_OCHL.index,
open=df_OCHL['open'],
high=df_OCHL['high'],
low=df_OCHL['low'],
close=df_OCHL['close']))
fig_2.update(layout_xaxis_rangeslider_visible=False)
fig_2.show()
def OCHL(group_values):
min_ = min(group_values)
max_ = max(group_values)
range = max_ - min_
open = min_+range*random.random()
close = min_+range*random.random()
return min_, max_, open, close
def simulate_stock(initial_price, drift, volatility, trend, days):
days=days*24
def create_pdf(sd, mean, alfa):
# 反转阿尔法的信号
x = skewnorm.rvs(alfa, size=1000000)
def calc(k, sd, mean):
return (k*sd)+mean
x = calc(x, sd, mean) # 标准的分布
return x
def create_empty_df(days):
# 创建一个带有日期的空数据帧
empty = pd.DatetimeIndex(
pd.date_range('2020-01-01', periods=days, freq='D')
)
empty = pd.DataFrame(empty)
# 时间，分钟，秒都在减少
empty.index = [str(x)[0:empty.shape[0]] for x in list(empty.pop(0))]
# 最终数据集
stock = pd.DataFrame([x for x in range(0, empty.shape[0])])
stock.index = empty.index
return stock
#ran = create_pdf(0.1, 0.2, 0) #del?
#np.random.choice(ran) #del?
#skeleton
stock = create_empty_df(days)
#初识值
stock[0][0] = initial_price
# 创建整个股票数据框
x = create_pdf(volatility, drift, trend)
for _ in range(1, stock.shape[0]):
stock.iloc[_] = stock.iloc[_-1]*(1+np.random.choice(x))
stock.index = pd.DatetimeIndex(stock.index)
return stock
def simulate_OCHL_stock(df, graph_timeseries=False, graph_OCHL=False):
df_ = list()
#df.groupby(np.arange(len(df))//24).apply(OCHL) non funziona
# 这是正确的方法，但需要从0开始创建一个新的df
for a, b in df.groupby(np.arange(len(df))//24):
group_values = np.array(b.values).flatten()
low, high, open, close = OCHL(group_values)
df_.append([low, high, open, close])
df_OCHL = pd.DataFrame(df_, index=pd.Series(pd.date_range('2020-01-01', periods=365, freq='D')), columns=['low', 'high', 'open', 'close'])
#graph
if graph_timeseries==True: graph_stock(df)
if graph_OCHL==True:
fig = go.Figure(
data=go.Ohlc(x=df_OCHL.index,
open=df_OCHL['open'],
high=df_OCHL['high'],
low=df_OCHL['low'],
close=df_OCHL['close'])
)
fig.update(layout_xaxis_rangeslider_visible=False)
fig.show()
return df_OCHL
df_OCHL = simulate_OCHL_stock(simulate_stock(1000, 0, 0.01, 0, 365),
graph_timeseries=True,
graph_OCHL=True)
我们可以看到，每当我运行该算法时，就会产生一个新的时间序列，有4个维度，每个维度代表股票的一个OCHL数据。默认情况下，该股票只工作了365天（毕竟是出于测试目的）。让我们看一下生成的数据。
我们可以通过使用嵌入的布尔参数**graph_timeseries和graph_OCHL**轻松地绘制数据。
如果我们看一下DataFrame，生成的数据会是这样的。请注意，这种格式正是pandas_ta所要求的数据模式。
如果你不熟悉pandas的工作方式，我们不能简单地将一个DataFrame分配给第二个变量来复制它。我们需要使用copy函数来克隆原始DataFrame。
df_backup = df_OCHL.copy()
我之所以要复制数据，是因为 pandas_ta 会直接编辑我们应用技术分析策略的数据集。它的工作方式不像普通函数那样，我们可以输入我们的DataFrame，然后收到一个副本作为输出。
如果我们对程序模式的外观感到满意，我们可能不想在每次运行该算法时都创建一个全新的股票价格。这样一来，我们就可以安全地开始实验备份副本了。
最流行的技术分析策略被称为简单移动平均线。该技术包括创建两条不同长度的移动平均线，并使用交叉点作为买入和卖出信号。
#导入备份
df = df_backup.copy()MyStrategy = ta.Strategy(
name='DCSMA10',
ta=[
{'kind': 'ohlc4'},
{'kind': 'sma', 'length': 10},
{'kind': 'sma', 'length': 20},
]
)
# 运行策略
df.ta.strategy(MyStrategy)
df = df.drop(['low', 'high', 'open'], axis=1)
graph_stock(df)
应用该策略后，我们可以看到新的列是如何被添加到我们的原始数据集中的。
当然，我们也可以采用更复杂的技术，如布林带：这种策略包括当价格达到下限带以下时买入股票，当价格达到上限带以上时卖出。
我们的假设是，当趋势的导数（也就是瞬时变化率）根据我们的参数达到最大容忍度时，是股票反转趋势的适当时机。
#导入备份
df = df_backup.copy()MyStrategy = ta.Strategy(
name='strategy_3',
ta=[{
'close': 'close',
'kind': 'bbands',
'length': 15,
'std': 2
}]
)
# 运行策略
df.ta.strategy(MyStrategy)
df = df.drop(['low', 'high', 'open'], axis=1)
graph_stock(df)
Pandas_ta，特别是在设置之后，使用起来非常简单和直观，有80多个可用的指标，你可以简单地调用字符串。
联系客服
