我最近出了一本书,《基于股票大数据分析的Python入门实战 视频教学版》,京东链接:https://item.jd.com/69241653952.html,在其中给出了MACD,KDJ等指标图的绘制方法。这里将根据KDJ的算法,计算并绘制KDJ指标线。

1  KDJ指标的计算过程

KDJ指标也叫随机指标,是由乔治·蓝恩博士(George Lane)最早提出的。该指标集中包含了强弱指标、动量概念和移动平均线的优点,可以用来衡量股价脱离正常价格范围的偏离程度。

KDJ指标的计算过程是,首先获取指定周期(一般是9天)内出现过的股票最高价、最低价和最后一个交易日的收盘价,随后通过它们三者间的比例关系来算出未成熟随机值RSV,并在此基础上再用平滑移动平均线的方式来计算K、D和J值。计算完成后,把KDJ的值绘成曲线图,以此来预判股票走势,具体的算法如下所示。

    第一步:计算周期内(n日、n周等,n一般是9)的RSV值,RSV也叫未成熟随机指标值,是计算K值、D值和J值的基础。以n日周期计算单位为例,计算公式如下所示。

n日RSV =(Cn-Ln)/(Hn-Ln)× 100

其中,Cn是第n日(一般是最后一日)的收盘价,Ln是n日范围内的最低价,Hn是n日范围内的最高价,根据上述公式可知,RSV值的取值范围是1到100。如果要计算n周的 RSV值,则Cn还是最后一日的收盘价,但Ln和Hn则是n周内的最低价和最高价。

    第二步:根据RSV计算K和D值,方法如下。

当日K值 = 2/3 × 前一日K值 + 1/3 × 当日的RSV值

当日D值 = 2/3 × 前一日D值 + 1/3 × 当日K值

在计算过程中,如果没有前一日K 值或D值,则可以用数字50来代替。

在实际使用过程中,一般是以9日为周期来计算KD线,根据上述公式,首先是计算出最近9日的RSV值,即未成熟随机值,计算公式是9日RSV = (C-L9)÷(H9-L9)× 100。其中各项参数含义在步骤一中已经提到,其次再按本步骤所示计算当日的K和D值。

需要说明的是,上式中的平滑因子2/3和1/3是可以更改的,不过在股市交易实践中,这两个值已经被默认设置为2/3和1/3。

    第三步:计算J值。J指标的计算公式为:J = 3×K - 2×D。从使用角度来看,J的实质是反映K值和D值的乖离程度,它的范围上可超过100,下可低于0。

最早的KDJ指标只有K线和D线两条线,那个时候也被称为KD指标,随着分析技术的发展,KD指标逐渐演变成KDJ指标,引入J指标后,能提高KDJ指标预判行情的能力。

在按上述三个步骤计算出每天的K、D和J三个值之后,把它们连接起来,就可以看到KDJ指标线了。

2 绘制静态的KDJ指标线

根据上节给出的KDJ算法,在下面的drawKDJ.py范例程序中将绘制股票“金石资源”(股票代码为603505)从2018年9月到2019年5月这段时间内的KDJ走势图。

 !/usr/bin/env python
# coding=utf-
import matplotlib.pyplot as plt
import pandas as pd
# 计算KDJ
def calKDJ(df):
df['MinLow'] = df['Low'].rolling(, min_periods=).min()
# 填充NaN数据
df['MinLow'].fillna(value = df['Low'].expanding().min(), inplace = True)
df['MaxHigh'] = df['High'].rolling(, min_periods=).max()
df['MaxHigh'].fillna(value = df['High'].expanding().max(), inplace = True)
df['RSV'] = (df['Close'] - df['MinLow']) / (df['MaxHigh'] - df['MinLow']) *
# 通过for循环依次计算每个交易日的KDJ值
for i in range(len(df)):
if i==: # 第一天
df.ix[i,'K']=
df.ix[i,'D']=
if i>:
df.ix[i,'K']=df.ix[i-,'K']*/ + /*df.ix[i,'RSV']
df.ix[i,'D']=df.ix[i-,'D']*/ + /*df.ix[i,'K']
df.ix[i,'J']=*df.ix[i,'K']-*df.ix[i,'D']
return df

从第6行到第22行程序语句定义的calKDJ方法中,将根据输入参数df,计算指定时间范围内的KDJ值。

具体的计算步骤是,在第8行中通过df['Low'].rolling(9, min_periods=9).min(),把每一行(即每个交易日)的 'MinLow' 属性值设置为9天内收盘价(Low)的最小值。

如果只执行这句,第1到第8个交易日的MinLow属性值将会是NaN,所以要通过第9行的程序代码,把这些交易日的MinLow属性值设置为9天内收盘价(Low)的最小值。同理,通过第10行的程序代码,把每个交易日的 'MaxHigh' 属性值设置为9天内的最高价,同样通过第11行的fillna方法,填充前8天的 'MaxHigh' 属性值。随后在第12行中根据算法计算每个交易日的RSV值。

在算完RSV值后,通过第14行的for循环,依次遍历每个交易日,在遍历时根据KDJ的算法分别计算出每个交易日对应的KDJ值。

请注意,如果是第1个交易日,则在第16行和第17行的程序代码中把 K值和D值设置为默认的50,如果不是第1交易日,则通过第19行和第20行的算法计算K值和D值。计算完K和D的值以后,再通过第21行的程序代码计算出每个交易日的J值。

从上述代码中,可以看到关于DataFrame对象的三个操作技巧:

第一,如第9行所示,如果要把修改后的数据写回到DataFrame中,必须加上inplace = True的参数;

第二,在第12行中,df['Close']等变量值是以列为单位,也就是说,在DataFrame中,可以直接以列为单位进行操作;

第三,在第16行的代码df.ix[i,'K']=50,这里用到的是ix通过索引值和标签值来访问对象,而实现类似功能的loc和iloc方法只能通过索引值来访问。

 绘制KDJ线
def drawKDJ():
df = pd.read_csv('D:/stockData/ch8/6035052018-09-012019-05-31.csv',encoding='gbk')
stockDataFrame = calKDJ(df)
print(stockDataFrame)
# 开始绘图
plt.figure()
stockDataFrame['K'].plot(color="blue",label='K')
stockDataFrame['D'].plot(color="green",label='D')
stockDataFrame['J'].plot(color="purple",label='J')
plt.legend(loc='best') # 绘制图例
# 设置x轴坐标的标签和旋转角度 major_index=stockDataFrame.index[stockDataFrame.index%==]
major_xtics=stockDataFrame['Date'][stockDataFrame.index%==]
plt.xticks(major_index,major_xtics)
plt.setp(plt.gca().get_xticklabels(), rotation=)
# 带网格线,且设置了网格样式
plt.grid(linestyle='-.')
plt.title("金石资源的KDJ图")
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()
# 调用方法
drawKDJ()

在第24行的drawKDJ方法中实现了绘制KDJ的操作。其中的关键步骤是,通过第25行的程序代码从指定的csv文件中读取股票交易数据,随后在第30行到第32行的程序代码中,调用plot方法分别用三种不同的颜色绘制了KDJ线,因为在绘制时通过label参数设置了标签,所以可以执行第33行的程序代码来绘制图例。

在第34行到第37行的代码中设置了x轴的文字标签和旋转角度,这部分代码与之前绘制MACD指标线的代码很相似,为了不在x轴上过多地显示日期,于是用stockDataFrame.index%10 == 0的方式,只显示索引值是10的倍数的日期。

在第44行调用了drawKDJ方法将KDJ绘制出来。运行这个范例程序之后,即可看到如图所示的结果,其中KDJ三根曲线分别用蓝色、绿色和紫色绘制出来(因为本书采用黑白印刷而看不出彩色,请读者在自己的计算机上运行这个范例程序)。

用Python的Pandas和Matplotlib绘制股票KDJ指标线-LMLPHP

下图是从股票软件中得到的股票“金石资源”在同时间段内的KDJ走势图,两者的变化趋势基本一致。

用Python的Pandas和Matplotlib绘制股票KDJ指标线-LMLPHP

本文可以转载,转载时请全文转载,别有删节,并用链接的形式给出原文链接。否则的话,可能会遇到出版社的维权。

用Python的Pandas和Matplotlib绘制股票KDJ指标线-LMLPHP

文本相关链接:

05-11 02:07