MACD指标
- 简介
- 计算方法
- 指标含义
- python代码实现
KDJ指标
- 简介
- 计算方法
- 指标含义
- python代码实现
DMA指标
- 简介
- 计算方法
- 指标原理
- python代码实现
Bias指标
- 简介
- 计算方法
- python代码
Boll指标
- 简介
- 计算方法
- 指标原理
- python代码
RSI指标
- 简介
- 计算方法
- 指标原理
- python代码
WR威廉指标
- 简介
- 计算方法
- 指标原理
- python代码实现

MACD指标

简介

MACD又称为异同移动平均线，用来度量不同频率移动平均线的变化情况。MACD指标主要包括3根线，分别为DIF、DEA和MACD。

计算方法

12日EMA:EMA(12)=212+1∗今日收盘价(12)+1112+1∗昨日EMA(12)12日EMA:EMA(12) = \frac{2}{12+1} * 今日收盘价(12) + \frac{11}{12+1} * 昨日EMA(12) 12日EMA:EMA(12)=12+12∗今日收盘价(12)+12+111∗昨日EMA(12)
26日EMA:EMA(26)=226+1∗今日收盘价(26)+2526+1∗昨日EMA(26)26日EMA:EMA(26) = \frac{2}{26+1} * 今日收盘价(26) + \frac{25}{26+1} * 昨日EMA(26) 26日EMA:EMA(26)=26+12∗今日收盘价(26)+26+125∗昨日EMA(26)
DIFF：DIFF=EMA(12)−EMA(26)DIFF：DIFF=EMA(12) - EMA(26) DIFF：DIFF=EMA(12)−EMA(26)
DEA:DEA=29+1∗今日DIFF+89+1∗昨日DEADEA: DEA = \frac{2}{9+1} * 今日DIFF + \frac{8}{9+1} * 昨日DEA DEA:DEA=9+12∗今日DIFF+9+18∗昨日DEA
MACD：MACD=2∗(DIFF−DEA)MACD：MACD = 2 * (DIFF-DEA ) MACD：MACD=2∗(DIFF−DEA)

指标含义

DIFF表示长周期均线和短周期均线的差值，DIFF > 0则表示短周期均线处于长周期均线上方，DIFF < 0则表示短周期均线处于长周期均线下方。DEA是DIFF的简单移动平均线，MACD是移动平均线和移动平均线的移动平均线的差值。

在应用过程中，常用其中的MACD指标或其中多个组合进行判断。

同时使用DIFF和DEA进行判断

当DIFF>0时，说明短周期均线处于长周期均线上方，近期价格呈现上涨趋势；当DEA>0时，说明短周期均线在近几期一直处于长周期均线的上方。如果DIFF上穿DEA，表示DIFF近期也处于上涨趋势，这两者叠加，说明该标的近期价格已经处于一个很高的价位。

若单独使用MACD指标

和同时使用DIFF和DEA相差不大，MACD是将DIFF和DEA差值以数值的形式表现出来。MACD有绿柱和红柱，柱体越长，说明近期价格上涨或下跌的程度越强，可以视作上涨或下跌力量的强弱。

python代码实现

在python中可以利用第三方库talib计算MACD指标，但发现怎么都无法和通达信等行情软件对上，所以自己按照原理写了一个。

由于原始数据难以获得，所以以下代码基于掘金量化平台的sdk查询标的原始数据。如果本地有数据或有其他的数据来源，只需要将data数据集变成输入参数，将函数中获取data的部分删除即可。

这里用到pandas库里面特别好用的两个函数：rolling/expanding和ewm，前者是滚动窗口，后者是求加权平均。rolling(N)可以实现每N个求一次平均，expanding(N)可以实现从N个窗口开始，求逐渐扩大窗口的平均。

# coding=utf-8
from __future__ import print_function, absolute_import
from gm.api import *
import pandas as pd
import numpy as npdef MACD(symbol, start_time, end_time):'''计算MACD指标输入参数：symbol <- str      标的代码 （2005年以前上市的不可用）start_time <- str  起始时间end_time <- str    结束时间输出数据：macd <- dataframe  macd指标，包括DIFF、DEA、MACD'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',df=True)# 将数据转化为dataframe格式data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()# 计算EMA(12)和EMA(16)data['EMA12'] = data['close'].ewm(alpha=2 / 13, adjust=False).mean()data['EMA26'] = data['close'].ewm(alpha=2 / 27, adjust=False).mean()# 计算DIFF、DEA、MACDdata['DIFF'] = data['EMA12'] - data['EMA26']data['DEA'] = data['DIFF'].ewm(alpha=2 / 10, adjust=False).mean()data['MACD'] = 2 * (data['DIFF'] - data['DEA'])# 上市首日，DIFF、DEA、MACD均为0data['DIFF'].iloc[0] = 0data['DEA'].iloc[0] = 0data['MACD'].iloc[0] = 0# 按照起止时间筛选MACD = data[(data['bob'] >= start_time)]return MACD# 测试一下
a = MACD(symbol = 'DCE.y2101',start_time = '2020-01-01',end_time = '2020-10-22')

注：通达信等软件是从上市第一天开始算起的，只有当原始数据是从上市日期开始时，得到的结果才和通达信等软件相同。在进行验证时，最好用期货验证。

KDJ指标

简介

KDJ中文名称是随机指标，是利用N日内最高价、最低价、收盘价计算得到的，常用来判断标的超买超卖、价格波动。

计算方法

计算N日RSV=今日收盘−N日最低N日最高−N日最低)∗100计算N日RSV = \frac{今日收盘 - N日最低}{N日最高-N日最低)}* 100 计算N日RSV=N日最高−N日最低)今日收盘−N日最低∗100
K=(1−1M1)∗前一日K值+1M1∗RSVK = (1- \frac{1}{M1})*前一日K值 + \frac{1}{M1} * RSV K=(1−M11)∗前一日K值+M11∗RSV
D=(1−1M1)∗前一日D值+1M1∗K值D = (1-\frac{1}{M1})*前一日D值 + \frac{1}{M1} * K值 D=(1−M11)∗前一日D值+M11∗K值
J=3∗K−2∗DJ = 3 * K - 2 * D J=3∗K−2∗D

指标含义

RSV是（今收与最低的差值）与（最高与最低的差值比），可以想象成今天价格涨势占N日内涨得最凶的比例，也是一种衡量今日价格走势的指标。K是根据RSV进行加权得到的，D是根据K加权得到的。当RSV较高时，说明今天标的价格走势不错。但今天走势不错并非意味着已经形成较为明确的上涨趋势，只有当最近一段时间一直上涨，才能说明标的有了非常明显的上涨趋势。因此，只有RSV判断不够准确，需要对其加权平均，由此衍生出K和D。

K可以想象成度量过去一段时间收盘价涨跌情况，距离当前日期越近，所占权重越高，K越大说明近期收盘价的涨势越明显。D是对K的加权，减少了当前RSV的权重。（我通常将K和D理解为短周期均线和长周期均线）J是3倍的K减去2倍的D，（我将其理解为短周期均线和长周期均线的差值）。

KDJ上行，且J值达到较高水平时，说明上涨趋势形成，短期价格持续走高，多头力量强。
KDJ下行，且J只为负且越来越低，说明下跌趋势形成，短期价格持续走低，空头力量强。

python代码实现

# KDJ指标计算
# 原理：计算N日RSV = （今日收盘 - N日最低）/(N日最高-N日最低) * 100
# K = (1-(1/M1))*前一日K值 + 1/M1 * RSV
# D = (1-(1/M1))*前一日D值 + 1/M1 * K值
# J = 3 * K - 2 * Ddef KDJ(symbol, N, M1, M2,end_time):'''计算KDJ指标公式输入： data <- dataframe，需包含开盘、收盘、最高、最低价N、M1、M2 <- intend_time <- str   结束时间输出： 将K、D、J合并到data后的dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close,low,high',df=True)# 计算前N日最低和最高，缺失值用前n日（n<N)最小值替代lowList = data['low'].rolling(N).min()lowList.fillna(value=data['low'].expanding().min(), inplace=True)highList = data['high'].rolling(N).max()highList.fillna(value=data['high'].expanding().max(), inplace=True)# 计算rsvrsv = (data['close'] - lowList) / (highList - lowList) * 100# 计算k,d,jdata['kdj_k'] = rsv.ewm(alpha=1/M1, adjust=False).mean()     # ewm是指数加权函数data['kdj_d'] = data['kdj_k'].ewm(alpha=1/M2, adjust=False).mean()data['kdj_j'] = 3.0 * data['kdj_k'] - 2.0 * data['kdj_d']return data# 测试一下
d = KDJ('DCE.y2101',9,3,3,'2020-12-31')

DMA指标

简介

DMA又称平行线差，是一种用来判断价格变化、买点卖点的指标体系。包括DIF和AMA两个指标，用来描述不同频率均线的变化情况。

计算方法

DIF=close的N1日移动平均−close的N2日移动平均DIF = close的N1日移动平均-close的N2日移动平均 DIF=close的N1日移动平均−close的N2日移动平均
AMA=DIF的M日移动平均AMA = DIF的M日移动平均 AMA=DIF的M日移动平均

指标原理

DIF描述的是收盘价“快线”的移动平均线与收盘价“慢线”的移动平均线之差。DIF>0说明短周期均线处于长周期均线上方，DIF<0说明短周期均线处于长周期均线下方。AMA是DIF的M日移动平均，DIF上穿AMA说明近期DIF呈现上涨趋势，DIF上涨又可以说明短周期均线处于长周期均线上方且越来越高，表明当前标的价格已经呈现不断上涨的趋势，反之也成立。

python代码实现

# DMA指标计算
# 计算DIF: close的N1日移动平均-close的N2日移动平均
# 计算AMA: DIF的M日移动平均def DMA(symbol, start_time, end_time, N1, N2, M):''' 计算DMA输入参数：symbol <- str  标的代码start_time <- str  开始时间end_time <- 结束时间N1 <- 大周期均值N2 <- 小周期均值输出参数：DMA <- dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',df=True)data['MA1'] = data['close'].rolling(N1).mean()data['MA2'] = data['close'].rolling(N2).mean()data['DIF'] = data['MA1'] - data['MA2']data['AMA'] = data['DIF'].rolling(M).mean()# 将数据转化为dataframe格式data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()# 按起止时间筛选DMA = data[(data['bob'] >= start_time)]return DMA# 检验一下
d1 = DMA(symbol = 'DCE.y2101',start_time = '2020-01-01',end_time = '2020-10-22',N1 = 10,N2 = 50,M = 6)

Bias指标

简介

Bias又称乖离率，描述收盘价距离均线的百分比，常用来衡量收盘价偏离程度。格兰维尔八大法则中有一条“乖离过大”就是描述乖离率这一指标。

计算方法

BIAS1:CLOSE−N1日的平均值CLOSEN1日的平均值CLOSE∗100BIAS1 : \frac{CLOSE-N1日的平均值CLOSE}{N1日的平均值CLOSE}*100BIAS1:N1日的平均值CLOSECLOSE−N1日的平均值CLOSE∗100

BIAS2:CLOSE−N2日的平均值CLOSEN2日的平均值CLOSE∗100BIAS2 : \frac{CLOSE-N2日的平均值CLOSE}{N2日的平均值CLOSE}*100BIAS2:N2日的平均值CLOSECLOSE−N2日的平均值CLOSE∗100

BIAS3:CLOSE−N3日的平均值CLOSN3日的平均值CLOSE∗100BIAS3 : \frac{CLOSE-N3日的平均值CLOS}{N3日的平均值CLOSE}*100BIAS3:N3日的平均值CLOSECLOSE−N3日的平均值CLOS∗100

python代码

# BIAS：乖离率指标计算
# BIAS1 : (CLOSE-N1日的平均值CLOSE）/N1日的平均值CLOSE*100
# BIAS2 : (CLOSE-N2日的平均值CLOSE）/N2日的平均值CLOSE*100
# BIAS3 : (CLOSE-N3日的平均值CLOSE）/N3日的平均值CLOSE*100def BIAS(symbol, start_time, end_time, N1, N2, N3):'''计算乖离率指标输入值：symbol <- str 标的代码start_time <- str 开始时间end_time <- str 结束时间N1、N2、N3 <- 移动平均数输出值：BIAS <- dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',df=True)# 将数据转化为dataframe格式data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()# 计算指标data['BIAS1'] = (data['close'] - data['close'].rolling(N1).mean())/data['close'].rolling(N1).mean() * 100data['BIAS2'] = (data['close'] - data['close'].rolling(N2).mean())/data['close'].rolling(N2).mean() * 100data['BIAS3'] = (data['close'] - data['close'].rolling(N3).mean())/data['close'].rolling(N3).mean() * 100# 按时间筛选BIAS = data[(data['bob'] >= start_time)]return BIAS# 测试一下
d2 = BIAS(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1=6, N2=12, N3=24)

Boll指标

简介

布林线指标，是指利用统计学上均线及正负二倍标准差计算得到的。布林线理论认为，标的资产的价格总会在布林线形成的布林带内运动，一旦偏离此区域，长期一定会回到布林带内。

计算方法

中轨线=N日收盘价平均值中轨线 = N日收盘价平均值中轨线=N日收盘价平均值
上轨线=中轨线+N日收盘价标准差上轨线 = 中轨线 + N日收盘价标准差上轨线=中轨线+N日收盘价标准差
下轨线=中轨线−N日收盘价标准差下轨线 = 中轨线 - N日收盘价标准差下轨线=中轨线−N日收盘价标准差

指标原理

统计学中有一个3σ原则，即对于正态分布来讲，落在均值正负2倍标准差之间的概率为95.5%。布林带的设计类似于这个原则：股价会在布林带围成的区域不断变动，即使短期偏离此区域，长期来看也会回归到布林带中。

当股价上穿布林带上轨线，预计未来价格会下跌，此时宜卖出或做空。
当股价下穿布林带下轨线，预计未来价格会上涨，此时宜买入或平空。

python代码

# BOLL：BOLL带指标计算
# 中轨线 = N日收盘价平均值
# 上轨线 = 中轨线 + N日收盘价标准差
# 下轨线 = 中轨线 - N日收盘价标准差
def BOLL(symbol, start_time, end_time, N):''' 计算布林带输入参数：symbol <- str 标的代码start_time <- str 开始日期end_time <- str 结束日期N <- N日移动平均线输出参数：BOLL <- dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close',adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)# 将数据转化为dataframe格式data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()# 计算指标data['BOLL'] = data['close'].rolling(N).mean()data['UB'] = data['BOLL'] + 2 * data['close'].rolling(N).std()data['LB'] = data['BOLL'] - 2 * data['close'].rolling(N).std()# 按时间筛选BOLL = data[(data['bob'] >= start_time)]return BOLL# 测试一下
d3 = BOLL(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N=20)

RSI指标

简介

RSI称为相对强弱指标，用来描述多空方力量对比情况。

计算方法

SMA(MAX(CLOSE−LC,0),N,1)/SMA(ABS(CLOSE−LC),N,1)SMA(MAX(CLOSE-LC,0),N,1)/SMA(ABS(CLOSE-LC),N,1)SMA(MAX(CLOSE−LC,0),N,1)/SMA(ABS(CLOSE−LC),N,1)

其中LC表示前一日收盘价。SMA(x,N,M)表示x的加权平均，计算方法为：
SMA(X,N,M)=X∗NM+(1−NM)∗前一期SMASMA(X,N,M) = X * \frac{N}{M}+ (1-\frac{N}{M})*前一期SMASMA(X,N,M)=X∗MN+(1−MN)∗前一期SMA

具体计算方法可以参考知乎上的提问

指标原理

RSI实际上就是将收盘价上涨的点数之和除以收盘价上涨和下跌绝对值的点数之和求加权平均。上涨的点数之和可以理解为多方力量，上涨和下跌点数之和可以理解为多方力量和空方力量之和。RSI就是描述多方力量占（多方+空方）的比值。RSI越接近100，说明多方力量越强，价格上涨的可能性越高，适合买入。RSI越接近0说明空方力量越强，价格下跌的可能性越高，适合卖出。

python代码

# RSI指标计算
# RSI = N日内收盘价涨数和的均值/N日内收盘价涨和跌的均值*100
def RSI(symbol, start_time, end_time, N1, N2, N3):''' 计算RSI相对强弱指数输入参数：symbol <- str 标的代码start_time <- str 开始日期end_time <- str 结束日期N <- N日移动平均线输出参数：RSI <- dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time, fields='symbol,bob,close,pre_close',adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)# 将数据转化为dataframe格式data['bob'] = data['bob'].apply(lambda x: x.strftime('%Y-%m-%d')).tolist()# 计算指标data['change'] = data['close'] - data['pre_close']          # 计算涨跌幅data.loc[(data['pre_close'] == 0), 'change'] = 0            # 如果是首日，change记为0data['x'] = data['change'].apply(lambda x: max(x, 0))       # 涨跌幅<0换为0data['RSI1'] = data['x'].ewm(alpha=1 / N1, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1/N1, adjust=False).mean()) * 100data['RSI2'] = data['x'].ewm(alpha=1 / N2, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1 / N2, adjust=False).mean()) * 100data['RSI3'] = data['x'].ewm(alpha=1 / N3, adjust=False).mean() / (np.abs(data['change']).ewm(alpha=1 / N3, adjust=False).mean()) * 100# 输出RSI = data[(data['bob'] >= start_time)]return RSI# 测试一下
d4 = RSI(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1=6, N2=12, N3=24)

WR威廉指标

简介

威廉指标主要是衡量标的资产价格的波动情况，进而判断市场处于超买还是超卖状态。

计算方法

WR(N)=100∗[HIGH(N)−C][HIGH(N)−LOW(N)]WR(N) = \frac{100 * [HIGH(N)-C]}{[HIGH(N)-LOW(N)]}WR(N)=[HIGH(N)−LOW(N)]100∗[HIGH(N)−C]

指标原理

利用威廉指标判断涨跌趋势时，常用两条不同周期的WR线。单根WR线会在0-100之间波动，0-20为超买区，80-100位超卖区。多根WR线的应用可参考知乎老林说股。

python代码实现

# WR威廉指标计算
# WR(N) = 100 * [HIGH(N)-C] / [HIGH(N)-LOW(N)]
def WR(symbol, start_time, end_time, N1, N2):''' 计算威廉指数输入：symbol <- str 标的代码start_time <- str 开始时间end_time <- 结束时间N <- 周期数输出：WR <- dataframe'''# 取历史数据，取到上市首日data = history(symbol=symbol, frequency='1d', start_time='2005-01-01', end_time=end_time,fields='symbol,bob,close,high,low',adjust=ADJUST_PREV, adjust_end_time=end_time, df=True)# 计算指标data['WR1'] = 100 * (data['high'].rolling(N1).max() - data['close']) / (data['high'].rolling(N1).max() - data['low'].rolling(N1).min())data['WR2'] = 100 * (data['high'].rolling(N2).max() - data['close']) / (data['high'].rolling(N2).max() - data['low'].rolling(N2).min())# 缺失值填充data['WR1'].fillna(value=100 * (data['high'].expanding().max() - data['close']) / (data['high'].expanding().max() - data['low'].expanding().min()), inplace=True)data['WR2'].fillna(value=100 * (data['high'].expanding().max() - data['close']) / (data['high'].expanding().max() - data['low'].expanding().min()), inplace=True)# 输出WR = data[(data['bob'] >= start_time)]return WR# 测试一下
d5 = WR(symbol='DCE.y2101', start_time='2020-01-01', end_time='2020-10-22', N1 = 10,N2 = 6)

MACD、KDJ、DMA等常用技术指标的python实现相关推荐

matlab计算macd_[转载]4.K线图以及常用技术指标的Matlab实现-基于Matlab的量化投资...
本次主要讲解用Matlab来实现K线图以及常用的技术指标. 相关前导帖子浏览: 系列帖子目录 Matlab的Bar图中Bar颜色灵活设置的一点总结[by faruto] [原创]坐标轴刻度标签旋转升级 ...
matlab的技术指标,[转载]4.K线图以及常用技术指标的Matlab实现-基于Matl
本次主要讲解用Matlab来实现K线图以及常用的技术指标. 相关前导帖子浏览: 系列帖子目录 Matlab的Bar图中Bar颜色灵活设置的一点总结[by faruto] [原创]坐标轴刻度标签旋转升级 ...
python自动交易源码_【硬核福利】量化交易神器talib中28个技术指标的Python实现（附全部源码）...
内容首发乐学偶得(http://lexueoude.com) 公众号: 乐学Fintech 用代码理解分析解决金融问题之前跟大家分享过用Python调用talib实现技术指标分析,但是许多小伙伴有 ...
python量化策略源码_【硬核福利】量化交易神器talib中28个技术指标的Python实现（附全部源码）...
内容首发乐学偶得(http://lexueoude.com) 公众号: 乐学Fintech 用代码理解分析解决金融问题之前跟大家分享过用Python调用talib实现技术指标分析,但是许多小伙伴有 ...
用Python绘制MACD、KDJ、布林线技术指标图
背景介绍: 搭建程序化交易平台的过程需要研究技术指标. 环境: OS:mac PYTHON: 3.8 IDE: pycharm 步骤: 第一步:加载库 import pandas as pd impo ...
python回测函数_【手把手教你】动量指标的Python量化回测
我认为投资专业的学生只需要两门教授得当的课堂:如何评估一家公司,以及如何考虑市场价格.--巴菲特 01 引言本文延续"手把手教你使用Python的TA-Lib"系列,以资金流量指 ...
python调用通达信公式_对照通达信一些指标的Python实现
行情软件里习惯了通达信的简介,虽然很多时候还是要依赖大智慧,但平时看图形基本都是用通达信.因此在有时候做数据分析的时候,不可避免的需要再次的实现一些指标功能,所以在Python里整理了一下,写了部分的 ...
Lesson 6.5Lesson 6.6.1Lesson 6.6.2 机器学习调参基础理论与网格搜索多分类评估指标的macro与weighted过程GridSearchCV的进阶使用方法
Lesson 6.5 机器学习调参基础理论与网格搜索在上一小节执行完手动调参之后,接下来我们重点讨论关于机器学习调参的理论基础,并且介绍sklearn中调参的核心工具--GridSearchCV. ...
python k线图_如何用python画K线图(成交量+MACD+KDJ)
最近一直在研究股票的形态,一些量化的东西,虽然量化听起来很高大上,通寻找到一个策略,通过程序的手段去找到这样一批股票,避免了人为的因素在其中.这样有个问题就是,程序选出来的股票太机械了,某个参数或条件 ...
可伸缩性架构常用技术——之数据切分
可伸缩性架构常用技术 --之数据切分(Data Sharding/Partition) 1 简介本来想写一篇可伸缩性架构方面的文章,发现东西太多了,久久未能下笔,这里首先把大家最关注的数据切分(Pa ...

MACD、KDJ、DMA等常用技术指标的python实现

目录

MACD指标

简介

计算方法

指标含义

python代码实现

KDJ指标

简介

计算方法

指标含义

python代码实现

DMA指标

简介

计算方法

指标原理

python代码实现

Bias指标

简介

计算方法

python代码

Boll指标

简介

计算方法

指标原理

python代码

RSI指标

简介

计算方法

指标原理

python代码

WR威廉指标

简介

计算方法

指标原理

python代码实现

MACD、KDJ、DMA等常用技术指标的python实现相关推荐

最新文章

热门文章