文章目录

前言
一、k 线图是什么？
二、K 线图结构
- （1）影线和实体
- （2）十字线
四、双均线策略
- （一）、金叉
- （二）、死叉
- （三）、均线策略的特点
五、通道突破策略
- （一）唐奇安通道策略
- - （1）上阻力线、中心线、下支撑线
  - （2）唐奇安通道买入策略
  - （2）唐奇安通道卖出策略
- （二）、布林带策略
- - （1）压力线、价格平均线、支撑线
- （三）、布林带策略与唐奇安通道策略的关系
三、绘图步骤
- （1）导入相关模块
- （2）处理数据
- （3）绘制k线图
- （4）代码
- （5）效果呈现
- - 1）蜡烛图
  - 2）均线图
  - 3）布林带策略图
  - 4）唐奇德策略图
  - 4）数据图汇总

前言

`利用数据绘制K线图

一、k 线图是什么？

K线图又称蜡烛图，起源于十八世纪德川幕府时代的米市交易市场，用来计算米价每天的涨跌走势，由开盘价、收盘价、最高价、最低价绘制而成的一条柱状的线条，它由影线和实体组成，基本用途是寻找买卖点。

K线图由股票的最高价，最低价，收盘价，开盘价组成。红色代表阳线：收盘价高于开盘价，俗称看多。绿色代表阴线：收盘价低于开盘价，俗称看空。
注意⚠️：在欧美股市则是相反的，即红色代表阴线，绿色代表阳线。

二、K 线图结构

（1）影线和实体

（2）十字线

⚠️：反映买卖双方的博弈

四、双均线策略

双均线策略，就是同时考虑短周期和长周期的趋势，它由一个短周期趋势和长周期趋势构成。长周期均线捕捉股票行情趋势，而短周期均线起到的是择时的作用。
在考虑长周期趋势的同时，兼顾比较敏感的小周期趋势，是解决简单移动平均线滞后性弱点的一项有效方法。

（一）、金叉

（二）、死叉

（三）、均线策略的特点

双均线策略虽然可以弥补一些滞后性，但均线策略都是基于：“利用固定长度的价格均线作为交易趋势的判断”
均线随着时间的变化是相对连续的，即使是价格发生猛涨或者急跌也很难直接造成均线方向的变化。因此使用均线侧率作为交易信号，会有滞后性。

五、通道突破策略

通道策略就是选定价格区间，当价格突破选定价格区间时就进行交易，因此没有滞后性。

（一）唐奇安通道策略

唐奇安通道策略由三条线组成，分别是上阻力线、下支撑线、中心线。一般来说，唐奇安通道的宽度越宽，市场波动就越大，而唐奇安通道越窄，市场波动性就越小。

（1）上阻力线、中心线、下支撑线

⚠️ 上阻力线： 是由过去N天的最高价的最大值组成的

⚠️ 中心线： 是由过去最高价与最低价的平均值组成的，即（最大值**+**最小值）÷2

⚠️ 下支撑线： ** 是由过去N天的最低价的最小值组成的

（2）唐奇安通道买入策略

买入：当价格跌破下支撑线，则执行买入的操作

（2）唐奇安通道卖出策略

卖出：当价格突破上阻力线，则执行卖出的操作

（二）、布林带策略

布林带策略，也是由3条轨道线组成：其中上下两条线分别可以看成是价格的压力线和支撑线，在两条线之间是一条价格平均线，一般情况价格线在上下轨道组成的带状区间游走，而且随价格的变化而自动调整轨道的位置。布林带通道宽度有4个标准差，因此95%的价格都将包含在内，可以展示大部分价格的波动情况。

（1）压力线、价格平均线、支撑线

⚠️ 压力线： 就是20日均线加上N倍标准差，N为可调参数，一般设置为2。【压力线 = ma20 + n * std】

⚠️ 价格平均线： 就是20日均线

⚠️ 支撑线： 20日均线减去N倍标准差，N为可调参数，一般设置为2。【压力线 = ma20 - n * std】

（三）、布林带策略与唐奇安通道策略的关系

联系：
外观上两个策略的线图相似
.
区别：
布林带的波动比较灵敏
唐奇安通道则相对迟缓，直上直下。

三、绘图步骤

（1）导入相关模块

代码如下：

# 数据分析辅助模块
import numpy as np
# 读取数据模块
import pandas as pd
# 绘图基本模块
import matplotlib.pyplot as plt
# 日期转换模块
from matplotlib.dates import date2num
# 绘制蜡烛图模块
from mplfinance import original_flavor as mpf
print('<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<')

（2）处理数据

1）读取交易时间、开盘价、收盘价、最高价、最低价，并把交易时间设定位字符串
2）交易时间转换时间数据形式
2）设置时间戳：在数据时间中提取
3）设置特定蜡烛图绘图数据
4）设置移动平均线数据
5）设置金叉死叉位
6）回测金叉死叉策略收益

（3）绘制k线图

1）设置文字与符号识别
2）设置画布，添加子图，并把子图x轴设为时间轴
3）绘制K线图
4）绘制5,、10、20移动平均线
5）标记金叉死叉点位

（4）代码

代码如下：

# 数据分析辅助模块
import numpy as np
# 读取数据模块
import pandas as pd
# 绘图基本模块
import matplotlib.pyplot as plt
# 日期转换模块
from matplotlib.dates import date2num
# 绘制蜡烛图模块
from mplfinance import original_flavor as mpf
print('<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<')
"""======================== 设置数据 ========================"""
# # 数据处理
# 读取特定数据数据，设定交易时间为字符数按
path = r'F:\\601398.SH.xlsx'
data = pd.read_excel(path,usecols=['trade_date','open','close','high','low'],dtype={'trade_date':object})
# 数据时间处理
data['trade_date'] = pd.to_datetime(data['trade_date'])
# 设置时间戳：在数据时间中提取
data['time'] = date2num(data['trade_date'])
# 数据排序整理
data.sort_values(by = 'trade_date',ascending = True,inplace=True )
# 重置行索引
data.reset_index(inplace = True)
# 删除旧行索引
data.drop(columns = 'index',inplace = True)# # 设置蜡烛图数据
# 提取时间戳、开盘价、收盘价、最高价、最低价数据
k = data[['time','open','close','high','low']].values# # 设置移动平均线数据
# 设置5日移动平均线
data['ma5'] = data['close'].rolling(window = 5,min_periods = 5).mean()
# 设置10日移动平均线
data['ma10'] = data['close'].rolling(window = 10,min_periods = 10).mean()
# 设置20日移动平均线
data['ma20'] = data['close'].rolling(window =20,min_periods = 20).mean()
# 设置30日移动平均线
data['ma30'] = data['close'].rolling(window = 30,min_periods = 30).mean()# # 设置布林带压力线、布林带支撑线
# 设置20日收盘价标准差
data['std'] = data['close'].rolling(window = 20,min_periods = 1).std()
# 设置布林带压力线
data['up_B'] = data['ma20'] + 2 * data['std']
# 设置布林带支持线
data['down_B'] = data['ma20'] - 2 * data['std']# # 设置唐奇安通道阻力线、支撑线、中心线
# 设置唐奇安通道阻力线
data['up_T'] = data['high'].rolling(window = 15,min_periods = 15).max()
# 设置唐奇安通道中心线
data['median_T'] = (data['high'] + data['low'])/2
# 设置唐奇安通道支撑线线
data['down_T'] = data['low'].rolling(window = 15,min_periods = 15).min()"""======================== 策略买卖点 ========================"""
# # 金叉死叉(1)
# 设置买卖信号
# model = ma5['close'] > ma20['close']
# # 设置买点模块
# def get_buy_date(w):
#     return w[0] == True and w[1] == False
# # 设置卖点模块
# def get_sale_date(v):
#     return v[0] == False and v[1] == True
# # 标记买点
# se_buy = model.rolling(2).apply(get_buy_date).fillna(0)
# # 标记卖点
# se_sale = model.rolling(2).apply(get_sale_date).fillna(0)
# # 转变买点标记形式
# se_buy_bool = se_buy.astype(bool)
# # 转换卖点标记形式
# se_sale_bool = se_sale.astype(bool)
# # 筛选买点位置
# buy_price = df[se_buy_bool]
# # 筛选卖点位置
# sale_price = df[se_sale_bool]
# # # 利润计算
# # profit = sale_price.values - buy_price.values
# # print(profit)# # 金叉死叉(2)
# 设置金叉时间容器
golden_cross = []
# 设置死叉时间容器
death_cross =[]
# 筛选金叉死叉时间
for i in range(0,len(data)):# 设置金叉条件if (data['ma5'][i] >= data['ma30'][i]) and (data['ma5'][i-1] < data['ma30'][i-1]):golden_cross.append(data['trade_date'][i])# 设置死叉条件elif (data['ma5'][i] <= data['ma30'][i]) and (data['ma5'][i-1] > data['ma30'][i-1]):death_cross.append(data['trade_date'][i])else:continue
# 设置金叉信号
data['golden_cross'] = np.where((data['trade_date'].isin(golden_cross)),1,0)
# 设置死叉信号
data['death_cross'] = np.where((data['trade_date'].isin(death_cross)),-1,0)
# 合并金叉死叉信号
data['GD'] = data['golden_cross'] + data['death_cross']
# 设置金叉数据
golden_cross = data[data['golden_cross'] == 1]
# 设置死叉数据
death_cross = data[data['death_cross'] == -1]# # 布林带策略
# 设置布林带策略买入容器
B_buy_order = []
# 设置布林带策略卖出容器
B_sale_order =[]
# 遍历数据,筛选布林带策略买卖点
for i in range(0,len(data)):# 设置布林带策略买入时间if data['close'][i] < data['down_B'][i]:B_buy_order.append(data['trade_date'][i])# 设置布林带策略卖出时间elif data['close'][i] > data['up_B'][i]:B_sale_order.append(data['trade_date'][i])else:continue
# 标记布林带策略买入点位
data['B_buy_order'] = np.where((data['trade_date'].isin(B_buy_order)),1,0)
# 标记布林带策略卖出点位
data['B_sale_order'] = np.where((data['trade_date'].isin(B_sale_order)),-1,0)
# 合拼布林带策略买卖点位
data['B_order'] = data['B_buy_order'] + data['B_sale_order']
# 筛选布林代策略买卖信号数据
Bb = data[data['B_order'] != 0]
# 设置布林带策略买入数据
B_buy_order = Bb[Bb['B_buy_order'] == 1]
# 设置布林带策略卖出数据
B_sale_order = Bb[Bb['B_sale_order'] == -1]# # 唐奇德通道策略
# 设置唐奇德通道买入策略时间容器
T_buy_order = []
# 设置唐奇德通道卖出策略时间容器
T_sale_order = []
# 遍历数据,筛选奇德通道策略买卖点
for i in range(0,len(data)):# 设置奇德通道买入策略时间if data['close'][i] < data['down_T'][i]:T_buy_order.append(data['trade_date'][i])# 设置奇德通道卖出策略时间elif data['close'][i] > data['up_T'][i]:T_sale_order.append(data['trade_date'][i])else:continue
# 标记布林带策略买入点位
data['T_buy_order'] = np.where((data['trade_date'].isin(T_buy_order)),1,0)
# 标记布林带策略卖出点位
data['T_sale_order'] = np.where((data['trade_date'].isin(T_sale_order)),-1,0)
# 合拼布林带策略买卖点位
data['T_order'] = data['T_buy_order'] + data['T_sale_order']
# 筛选布林代策略买卖信号数据
Dc = data[data['T_order'] != 0]
# 设置布林带策略买入数据
T_buy_order = Dc[Dc['T_buy_order'] == 1]
# 设置布林带策略卖出数据
T_sale_order = Dc[Dc['B_sale_order'] == -1]"""======================== 策略画图 ========================"""data.set_index('time',inplace=True)# # 绘制k线图
# 设置汉语识别
plt.rcParams['font.sans-serif'] = ['SimHei']# 符号识别
plt.rcParams['axes.unicode_minus'] = False# 设置画布
fig = plt.figure()# 添加子图
ax = fig.add_subplot(111,facecolor='lightgrey')# 子图x轴设为时间轴
ax.xaxis_date()# 绘制蜡烛图
mpf.candlestick_ochl(ax,k,colorup = 'red', colordown = 'green')# 绘制5日移动平均线
plt.plot(data.index,data['ma5'],color = 'darkviolet',label='5日移动平均线')# 绘制10日移动平均线
plt.plot(data.index,data['ma10'],color = 'gold',label='10日移动平均线')# 绘制唐奇安通道阻力线
plt.plot(data.index,data['up_T'],color = 'mediumspringgreen',label = '唐奇安通道')# 绘制布林带压力线
plt.plot(data.index,data['up_B'],color = 'slategrey',label = '布林带通道【2倍】')# 绘制唐奇安通道中心线
plt.plot(data.index,data['median_T'],color = 'cadetblue',label = '唐奇安通道中位线')# 绘制20日移动平均线【布林带中线】
plt.plot(data.index,data['ma20'],color = 'orange',label='20日移动平均线【布林带中线】')# 绘制布林带支撑线
plt.plot(data.index,data['down_B'],color = 'slategrey',label = '布林带通道【2倍】' )# 绘制唐奇安通道支撑线
plt.plot(data.index,data['down_T'],color = 'mediumspringgreen',label = '唐奇安通道' )# 绘制30日移动平均线
plt.plot(data.index,data['ma30'],color = 'dodgerblue',label='30日移动平均线')# 绘制金叉点位
plt.scatter(golden_cross['time'],golden_cross['open'],color = 'yellow',label = '金叉点位')# 绘制死叉点位
plt.scatter(death_cross['time'],death_cross['open'],color = 'black',label = '死叉点位')# 绘制布林带策略买入点
plt.scatter(B_buy_order['time'],B_buy_order['open'],color = 'darkred',marker = '+',label = '布林带买入点')# 绘制布林带策略卖出点
plt.scatter(B_sale_order['time'],B_sale_order['open'],color = 'darkgreen',marker = 'x',label = '布林带卖出点')# 绘制唐奇德策略买入点
plt.scatter(T_buy_order['time'],T_buy_order['open'],color = 'orangered',marker = '+',label = '唐奇德买入点')# 绘制唐奇德策略卖出点
plt.scatter(T_sale_order['time'],T_sale_order['open'],color = 'lightgreen',marker = 'x',label = '唐奇德卖出点')# 设置抬头
plt.title('601398.SH(未复权)策略提醒行情图',fontsize = 25)
# 设置y轴标签
plt.ylabel('收盘价\n（元）\n\n\n\n\n\n\n\n\n\n\n',fontsize = 15,rotation = 0)
# plt.xticks(ma5.index)
plt.tight_layout()
plt.legend()
plt.show()

（5）效果呈现

1）蜡烛图

2）均线图

3）布林带策略图

4）唐奇德策略图

⚠️ 主要用于日行情

4）数据图汇总

金融量化分析 • 外篇 • 绘制行情数据数据图相关推荐

金融量化分析 • JoinQuant • 第一篇
第一篇一.聚宽模块安装.更新方法二.聚宽模块登录三.获取股票行情数据方法 (一).获取单个股票多天每分钟行情数据的获取函数:get_price(参数) (二).获取单个股票基本信息 ( 1 ...
金融量化分析 • JoinQuant • 第四篇
第四篇一.股票评估实践 (一)风险指标 (1)最大回测 (2)夏普比率 (3)波动比率二.使用步骤一.股票评估实践根据过往数据评估平安银行.比亚迪.宁德时代.隆基股份 ...
金融量化分析 • JoinQuant • 第五篇
文章目录前言一.策略可靠性检测方法 (一).评估指标 1)胜率 2)年化收益率 3)最大回测 4)夏普比率 (二).假设验证二.周期策略 ...
金融量化分析 • JoinQuant • 第六篇
文章目录一. 动量策略 (一).动量正向策略 (二).动量反向策略 (三). 实现步骤 (1)确定交易对象:股票池.考虑流动性(沪深300/创业板) (2)选定业绩评 ...
金融量化分析 • JoinQuant • 第二篇
第二篇一.自定义数据处理模块 (一).自定义获取所有A股列表模块 (二).自定义获取单个股票行情行情数据模块 (三).自定义导出股票相关数据模块 (四).自定义初始化股票行情数据库 (五).自定 ...
番外篇齐老湿面试计
番外篇老齐面试计这次,老齐冒充软件行业的新人,带着隐形录音笔去公司面试,希望大家能够学习其中的套路,"旁白君"是我当时的内心独白,以后我会经常更新类似的内容,打开微信扫描二维码 ...
给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV
转载自:https://zhuanlan.zhihu.com/p/24425116 本篇是前面两篇教程:给深度学习入门者的Python快速教程 - 基础篇给深度学习入门者的Python快速教程 - ...
番外篇2.3 图像处理与深度学习 - 模式识别
在谈R-CNN之前,应该要先总结一下模式识别. 模式识别主要是对已知数据样本的特征发现和提取,比如人脸识别.雷达信号识别等,强调从原始信息中提取有价值的特征,在机器学习里面,好的特征所带来的贡献有时候 ...
[zt]数学之美番外篇：平凡而又神奇的贝叶斯方法
数学之美番外篇:平凡而又神奇的贝叶斯方法 Tags: 数学, 机器学习与人工智能, 计算机科学 save it69 saved tags: 贝叶斯 math bayesian algorithm 数学 ...

金融量化分析 • 外篇 • 绘制行情数据数据图