Indikator KDJ, yang dikenali sebagai Stochastics, yang dicipta oleh Dr. George Lane, menggabungkan konsep momentum, kekuatan dan kelemahan. Indikator ini dikira sebagai data asas berdasarkan perbandingan antara harga tertinggi, terendah dan harga penutupan yang muncul dalam satu tempoh tertentu.
RSVt = ((Ct-L9)/ ((H9-L9) * 100 (Ct = harga penutupan pada hari itu; L9 = harga terendah dalam 9 hari; H9 = harga tertinggi dalam 9 hari)
K ialah nilai RSV 3 hari, dengan formula: Kt = RSVt/3+2*t-1/3
Rata-rata bergerak 3 hari dengan nilai D adalah nilai K, dengan rumus: Dt = Kt/3 + 2 * Dt-1/3
Nilai J ialah 3 kali nilai K dikurangkan 2 kali nilai D, formula ialah:Dt-2Kt
Beberapa aspek utama yang perlu dipertimbangkan dalam penggunaan indikator KDJ ialah:
1. Pengutipan K dan D, dalam julat adalah 0-100; lebih daripada 80 pasaran menunjukkan fenomena beli berlebihan; dan di bawah 20 menunjukkan fenomena jual berlebihan.
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 mengambil nilai > 100 untuk beli berlebihan, < 0 untuk jual berlebihan, semuanya berada di kawasan harga yang tidak normal.
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
Biasanya, tiga nilai K, D, J adalah antara 20-80 untuk zon keradangan, dan adalah wajar untuk memerhatikan, dari segi sensitiviti, nilai J yang paling kuat, diikuti oleh K, D yang paling lambat, dan dari segi keselamatan, sebaliknya.
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
Dipindahkan dari Pedagang Program