根据缠论选择盘整股票或者期货合约

盘整是一个比较难易判断的技术形态，最近基于jqdatasdk研究了通过缠论来判断盘整的方法，感觉效果还可以。特此贡献再次，以便和大家一起探讨关于盘整的思路。

# 导入函数库
from  jqdatasdk import *# 第三方函数库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.mpl_finance.mpl_finance as mpf
import matplotlib.patches as patches
import talib
import datetime
import win32com
from win32com.client import Dispatch, DispatchEximport os
auth("账号","密码")
is_auth = is_auth()
print(is_auth)def get_k_series(security, start_date, end_date, n=30):## 获取k线序列，默认为30分钟级别# 输入：n是级别，单位是分钟# 输出：pandas, k线序列one_min_data = get_price(security,start_date=start_date,end_date=end_date,frequency='1m',fields=['open', 'close', 'high', 'low'])n_min_data = pd.DataFrame()for i in range(n, len(one_min_data) + 1, n):interval = one_min_data[i - n:i]interval_open = interval.open[0]interval_high = max(interval.high)interval_low = min(interval.low)interval_k = pd.DataFrame(interval[-1:])  # 新建DataFrame，否则会报SettingWithCopyWarninginterval_k.open = interval_openinterval_k.high = interval_highinterval_k.low = interval_lown_min_data = pd.concat([n_min_data, interval_k], axis=0)return n_min_datadef get_binary_positions(k_data):## 计算k线序列的二分位值# 输入：k线序列# 输出：list, k线序列对应的二分位值binary_positions = []for i in range(len(k_data)):temp_y = (k_data.high[i] + k_data.low[i]) / 2.0binary_positions.append(temp_y)return binary_positionsdef adjust_by_cintainment(k_data):## 判断k线的包含关系，便于寻找顶分型和底分型# 输入：k线序列# 输出：adjusted_k_data, 处理后的k线序列trend = [0]adjusted_k_data = pd.DataFrame()temp_data = k_data[:1]for i in range(len(k_data)):is_equal = temp_data.high[-1] == k_data.high[i] and temp_data.low[-1] == k_data.low[i]  # 第1根等于第2根# 向右包含if temp_data.high[-1] >= k_data.high[i] and temp_data.low[-1] <= k_data.low[i] and not is_equal:if trend[-1] == -1:temp_data.high[-1] = k_data.high[i]else:temp_data.low[-1] = k_data.low[i]# 向左包含elif temp_data.high[-1] <= k_data.high[i] and temp_data.low[-1] >= k_data.low[i] and not is_equal:if trend[-1] == -1:temp_data.low[-1] = k_data.low[i]else:temp_data.high[-1] = k_data.high[i]elif is_equal:trend.append(0)elif temp_data.high[-1] > k_data.high[i] and temp_data.low[-1] > k_data.low[i]:trend.append(-1)temp_data = k_data[i:i + 1]elif temp_data.high[-1] < k_data.high[i] and temp_data.low[-1] < k_data.low[i]:trend.append(1)temp_data = k_data[i:i + 1]# 调整收盘价和开盘价if temp_data.open[-1] > temp_data.close[-1]:if temp_data.open[-1] > temp_data.high[-1]:temp_data.open[-1] = temp_data.high[-1]if temp_data.close[-1] < temp_data.low[-1]:temp_data.close[-1] = temp_data.low[-1]else:if temp_data.open[-1] < temp_data.low[-1]:temp_data.open[-1] = temp_data.low[-1]if temp_data.close[-1] > temp_data.high[-1]:temp_data.close[-1] = temp_data.high[-1]adjusted_data = k_data[i:i + 1]adjusted_data.open[-1] = temp_data.open[-1]adjusted_data.close[-1] = temp_data.close[-1]adjusted_data.high[-1] = temp_data.high[-1]adjusted_data.low[-1] = temp_data.low[-1]adjusted_k_data = pd.concat([adjusted_k_data, adjusted_data], axis=0)return adjusted_k_datadef get_fx(adjusted_k_data):## 寻找顶分型和底分型# 1）连续分型选择最极端值# 2）分型之间保证3根k线# 输入：调整后的k线序列# 输出：顶分型和底分型的位置temp_num = 0  # 上一个顶或底的位置temp_high = 0  # 上一个顶的high值temp_low = 0  # 上一个底的low值temp_type = 0  # 上一个记录位置的类型fx_type = []  # 记录分型点的类型，1为顶分型，-1为底分型fx_time = []  # 记录分型点的时间fx_plot = []  # 记录点的数值，为顶分型取high值，为底分型取low值fx_data = pd.DataFrame()  # 记录分型fx_offset = []# 加上线段起点fx_type.append(0)fx_offset.append(0)fx_time.append(adjusted_k_data.index[0].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[:1]], axis=0)fx_plot.append((adjusted_k_data.low[0] + adjusted_k_data.high[0]) / 2)i = 1while (i < len(adjusted_k_data) - 1):top = adjusted_k_data.high[i - 1] <= adjusted_k_data.high[i] \and adjusted_k_data.high[i] > adjusted_k_data.high[i + 1]  # 顶分型bottom = adjusted_k_data.low[i - 1] >= adjusted_k_data.low[i] \and adjusted_k_data.low[i] < adjusted_k_data.low[i + 1]  # 底分型if top:if temp_type == 1:# 如果上一个分型为顶分型，则进行比较，选取高点更高的分型if adjusted_k_data.high[i] <= temp_high:i += 1else:temp_high = adjusted_k_data.high[i]temp_low = adjusted_k_data.low[i]temp_num = itemp_type = 1i += 2  # 两个分型之间至少有3根k线elif temp_type == -1:# 如果上一个分型为底分型，则记录上一个分型，用当前分型与后面的分型比较，选取同向更极端的分型if temp_low >= adjusted_k_data.high[i]:# 如果上一个底分型的底比当前顶分型的顶高，则跳过当前顶分型。i += 1else:fx_type.append(-1)fx_time.append(adjusted_k_data.index[temp_num].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[temp_num:temp_num + 1]], axis=0)fx_plot.append(temp_low)fx_offset.append(temp_num)temp_high = adjusted_k_data.high[i]temp_low = adjusted_k_data.low[i]temp_num = itemp_type = 1i += 2  # 两个分型之间至少有3根k线else:temp_high = adjusted_k_data.high[i]temp_low = adjusted_k_data.low[i]temp_num = itemp_type = 1i += 2elif bottom:if temp_type == -1:# 如果上一个分型为底分型，则进行比较，选取低点更低的分型if adjusted_k_data.low[i] >= temp_low:i += 1else:temp_low = adjusted_k_data.low[i]temp_high = adjusted_k_data.high[i]temp_num = itemp_type = -1i += 3elif temp_type == 1:# 如果上一个分型为顶分型，则记录上一个分型，用当前分型与后面的分型比较，选取同向更极端的分型if temp_high <= adjusted_k_data.low[i]:# 如果上一个顶分型的底比当前底分型的底低，则跳过当前底分型。i += 1else:fx_type.append(1)fx_time.append(adjusted_k_data.index[temp_num].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[temp_num:temp_num + 1]], axis=0)fx_plot.append(temp_high)fx_offset.append(temp_num)temp_low = adjusted_k_data.low[i]temp_high = adjusted_k_data.high[i]temp_num = itemp_type = -1i += 2else:temp_low = adjusted_k_data.low[i]temp_high = adjusted_k_data.high[i]temp_num = itemp_type = -1i += 2else:i += 1# 加上最后一个分型（上面的循环中最后的一个分型并未处理）if temp_type == -1:fx_type.append(-1)fx_time.append(adjusted_k_data.index[temp_num].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[temp_num:temp_num + 1]], axis=0)fx_plot.append(temp_low)fx_offset.append(temp_num)elif temp_type == 1:fx_type.append(1)fx_time.append(adjusted_k_data.index[temp_num].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[temp_num:temp_num + 1]], axis=0)fx_plot.append(temp_high)fx_offset.append(temp_num)# 加上线段终点fx_type.append(0)fx_offset.append(len(adjusted_k_data) - 1)fx_time.append(adjusted_k_data.index[-1].strftime("%Y-%m-%d %H:%M:%S"))fx_data = pd.concat([fx_data, adjusted_k_data[-1:]], axis=0)fx_plot.append((adjusted_k_data.low[-1] + adjusted_k_data.high[-1]) / 2)return fx_type, fx_time, fx_data, fx_plot, fx_offsetdef get_pivot(fx_plot, fx_offset, fx_observe):## 计算最近的中枢# 注意：一个中枢至少有三笔# fx_plot 笔的节点股价# fx_offset 笔的节点时间点（偏移）# fx_observe 所观测的分型点if fx_observe < 1:# 处理边界right_bound = 0left_bount = 0min_high = 0max_low = 0pivot_x_interval = [left_bount, right_bound]pivot_price_interval = [max_low, min_high]return pivot_x_interval, pivot_price_intervalright_bound = (fx_offset[fx_observe] + fx_offset[fx_observe - 1]) / 2# 右边界是所观察分型的上一笔中位left_bount = 0min_high = 0max_low = 0if fx_plot[fx_observe] >= fx_plot[fx_observe - 1]:# 所观察分型的上一笔是往上的一笔min_high = fx_plot[fx_observe]max_low = fx_plot[fx_observe - 1]else:  # 所观察分型的上一笔是往下的一笔max_low = fx_plot[fx_observe]min_high = fx_plot[fx_observe - 1]i = fx_observe - 1cover = 0  # 记录走势的重叠区，至少为3才能画中枢while (i >= 1):if fx_plot[i] >= fx_plot[i - 1]:# 往上的一笔if fx_plot[i] < max_low or fx_plot[i - 1] > min_high:# 已经没有重叠区域了left_bount = (fx_offset[i] + fx_offset[i + 1]) / 2breakelse:# 有重叠区域# 计算更窄的中枢价格区间cover += 1min_high = min(fx_plot[i], min_high)max_low = max(fx_plot[i - 1], max_low)elif fx_plot[i] < fx_plot[i - 1]:# 往下的一笔if fx_plot[i] > min_high or fx_plot[i - 1] < max_low:# 已经没有重叠区域了left_bount = (fx_offset[i] + fx_offset[i + 1]) / 2breakelse:# 有重叠区域# 计算更窄的中枢价格区间cover += 3min_high = min(fx_plot[i - 1], min_high)max_low = max(fx_plot[i], max_low)i -= 1if cover < 3:# 不满足中枢定义right_bound = 0left_bount = 0min_high = 0max_low = 0pivot_x_interval = [left_bount, right_bound]pivot_price_interval = [max_low, min_high]return pivot_x_interval, pivot_price_intervaldef plot_k_series(ax,k_data):# 画k线num_of_ticks = len(k_data)# fig, ax = plt.subplots(figsize=(num_of_ticks, 20))# fig.subplots_adjust(bottom=0.2)dates = k_data.index# print datesax.set_xticks(np.linspace(1, num_of_ticks, num_of_ticks))ax.set_xticklabels(list(dates))"""xticks = list(range(0, len(dates), 10))  # 这里设置的是x轴点的位置（40设置的就是间隔了）xlabels = [dates[x] for x in xticks ]  # 这里设置X轴上的点对应在数据集中的值（这里用的数据为totalSeed）xticks.append(len(dates))xlabels.append(dates[-1])ax.set_xticks(xticks)ax.set_xticklabels(xlabels, rotation=40)"""mpf.candlestick2_ochl(ax,list(k_data.open), list(k_data.close), list(k_data.high), list(k_data.low),width=0.6, colorup='r', colordown='b', alpha=0.75)plt.grid(True)plt.setp(plt.gca().get_xticklabels(), rotation=30)return datesdef plot_lines(ax, fx_plot, fx_offset):# 绘制笔和线段# ax 绘图区域# fx_plotplt.plot(fx_offset, fx_plot, 'k', lw=1)plt.plot(fx_offset, fx_plot, 'o')def plot_pivot(ax, pivot_date_interval, pivot_price_interval):## 绘制中枢start_point = (pivot_date_interval[0], pivot_price_interval[0])width = pivot_date_interval[1] - pivot_date_interval[0]height = pivot_price_interval[1] - pivot_price_interval[0]ax.add_patch(patches.Rectangle(start_point,  # (x,y)width,  # widthheight,  # heightlinewidth=8,edgecolor='g',facecolor='none'))returndef check_deviating(scode, fastperiod=11, slowperiod=26, signalperiod=9):## 日线级别，计算昨天收盘是否发生顶或底背离，利用快慢线金、死叉判断# scode，证券代码# fastperiod，fastperiod，signalperiod：MACD参数，默认为11,26,9# 返回 dev_type, 0：没有背离，1：发生顶背离，-1：发生底背离rows = (fastperiod + slowperiod + signalperiod) * 5close = get_bars(security=scode, count=rows, unit='1d', fields=['close']).dropna()dif, dea, macd = talib.MACD(close.values, fastperiod, slowperiod, signalperiod)if macd[-1] > 0 > macd[-2]:# 底背离# 昨天金叉# idx_gold: 各次金叉出现的位置idx_gold = np.where((macd[:-1] < 0) & (macd[1:] > 0))[0] + 1  # type: np.ndarrayif len(idx_gold) > 1:if close[idx_gold[-1]] < close[idx_gold[-2]] and dif[idx_gold[-1]] > dif[idx_gold[-2]]:dev_type = -1elif macd[-1] < 0 < macd[-2]:# 顶背离# 昨天死叉# idx_dead: 各次死叉出现的位置idx_dead = np.where((macd[:-1] > 0) & (macd[1:] < 0))[0] + 1  # type: np.ndarrayif len(idx_dead) > 1:if close[idx_dead[-1]] > close[idx_dead[-2]] and dif[idx_dead[-1]] < dif[idx_dead[-2]]:dev_type = 1else:# 不发生背离dev_type = 0return dev_typefrom docx import Document
document = Document()
'''
word = Dispatch('Word.Application')  # 打开word应用程序
# word = DispatchEx('Word.Application') #启动独立的进程
word.Visible = 0  # 后台运行,不显示
word.DisplayAlerts = 0  # 不警告
path = 'test.docx'  # word文件路径
word.visible = 1
doc = word.Documents.Add()'''
def write_report_2doc(code,document,select_deta=10):#select_deta 中枢最小间隔  price_percent幅度小于某个值start_date = datetime.datetime(2020, 4, 1,9, 0, 0)end_date = datetime.datetime(2020, 4, 23, 15, 30, 0)k_series = get_k_series(code, start_date, end_date, 30)kk=k_seriesif(len(kk)<10):returnfig = plt.figure()plt.rcParams.update({'figure.max_open_warning': 0})ax1 = fig.add_subplot(211)dates=plot_k_series(ax1,kk) # 原始k线图ax2= fig.add_subplot(212)adjusted_k_data = adjust_by_cintainment(k_series)plot_k_series(ax2,adjusted_k_data) # 调整后的k线图fx_type, fx_time, fx_data, fx_plot, fx_offset = get_fx(adjusted_k_data)print (fx_type, fx_time)plot_lines(ax2, fx_plot, fx_offset)pivot_x_interval, pivot_price_interval = get_pivot(fx_plot, fx_offset, len(fx_offset)-2)if pivot_x_interval[1] - pivot_x_interval[0] < 10:returnhhv = max(k_series.high[int(pivot_x_interval[0]):int(pivot_x_interval[1])])llv = min(k_series.low[int(pivot_x_interval[0]):int(pivot_x_interval[1])])hhv_deta = abs((hhv - pivot_price_interval[1]) / pivot_price_interval[1])llv_deta = abs((llv - pivot_price_interval[0]) / pivot_price_interval[0])if (hhv_deta > 1.0 / 100 or llv_deta > 1.0 / 100):returnplot_pivot(ax2, pivot_x_interval, pivot_price_interval)strcontent=codeax1.set_title(strcontent)print(code,pivot_x_interval,pivot_price_interval,len(dates))print(dates[int(pivot_x_interval[0])],dates[int(pivot_x_interval[1])])# 添加段落，文本可以包含制表符（\t）、换行符（\n）或回车符（\r）等plt.savefig("test2.png")document.add_picture('test2.png')p = document.add_paragraph(code + "location")# 在段落后面追加文本，并可设置样式p.add_run(dates[int(pivot_x_interval[0])] .strftime("%Y-%m-%d %H:%M:%S")+ "-" + dates[int(pivot_x_interval[1])].strftime("%Y-%m-%d %H:%M:%S"))p.add_run(str(pivot_price_interval[0]) + "-" + str(pivot_price_interval[1]))plt.cla()  # clear a axisplt.clf()  # clear the entire current figure with all its axes, but leaved the window opened, such that it may be reused for other plots;plt.close(fig)  # close the window,which will be the current window,plt.close('all')#stocks = get_index_stocks('000300.XSHG')
df = get_all_securities(types=['futures'])                       #获取期货合约
# dominant_and_idnex = df[df.end_date==datetime.date(2030,1,1)]  #商品指数和主力合约
stocks = [d for d in df.index if '9999' in d]           #所有品种的主力合约
document = Document()
for code in stocks:write_report_2doc(code, document)document.save("a.doc")

运行结果如下：供参考。

根据缠论选择盘整股票或者期货合约相关推荐

单一课和综合课的划分依据_缠论108课第105课：股票的操作中远离小聪明，保持机械性的操作...
缠论105课股票的操作中远离小聪明保持机械性的操作哈喽,各位缠友们下午好,欢迎大家进入到缠中说禅论的108课的学习.我是禅师很高兴能和大家一起学习研讨有关缠论.今天我们来学习的是缠中说禅论的第1 ...
缠论108课_缠论108课第54课：股票具体的走势—图解分析示范
缠论54课股票具体的走势- 图解分析示范哈喽,各位缠友们下午好,欢迎大家进入到缠中说禅论的108课的学习.我是禅师很高兴能和大家一起学习研讨有关缠论.今天我们来学习的是缠中说禅论的第54课:股票具 ...
python 相似形态股票_如何用Python量化“相似K线”实现形态选股？
导读:"历史会重演"是技术分析的三大假设之一,市场行为与投资者心理有着千丝万缕的联系.比如价格形态,它们通过一些特定的价格图表形状表现出来,而这些图形表示了人们对某市场看好或看淡的 ...
《缠中说禅108课》16：中小资金的高效买卖法
上章说过,市场任何品种任何周期下的走势图,都可以分解成上涨.下跌.盘整三种基本情况的组合.上涨.下跌构成趋势,如何判断趋势与盘整,是判断走势的核心问题.一个最基本的问题就是,走势是分级别的,在 30 ...
股票实时行情数据大全
股票软件都提供自定义公式的功能,但因为常规股票软件都是点播数据,自定义公式对分时行情完全无效,要想更细腻的分析,只能找股票实时行情接口一般来说,有如下3种版本屌丝版去门户财经频道采集数据,百度, ...
c语言股票最大收益_金斧子股票配资：股票配资的时候有哪些事项需要注意呢...
金斧子股票配资www.jfz588.com 正规专业,资金安全,1到10倍杠杆,实盘交易,收费透明,低利息,详情可关注公众号:股市涨停跌停,击下方的官网注册或点击免费体验.股票配资是一种很好的投资理财 ...
CMMI之需求管理和股票池管理
CMMI之需求管理和股票池管理 CMMI之需求管理和股票池管理 CMMI中需求管理过程域用于管理项目产品和产品组件的需求以识别需求与项目计划和工作产品之间不一致的地方.需求管理过程域只有一个特定目标: ...
股票市值高好还是低好呢？
股票市值高低都有各自的优缺点,市值高的股票稳定性较好,业绩也比较稳定,踩雷风险较小,但股票价格弹性较小,可以作为中长期配置标的. 市值低的股票稳定性较差,业绩不稳定,容易踩雷,并且比较受到庄家的青睐, ...
互联网金融爬虫怎么写－第二课雪球网股票爬虫（正则表达式入门）
系列教程: 互联网金融爬虫怎么写-第一课 p2p网贷爬虫(XPath入门) 上一节课我们一起通过一个p2p网贷爬虫,深入了解了一下XPath以及其在最终实际使用中的写法.可以毫不夸张的说,对于写简单爬 ...

根据缠论选择盘整股票或者期货合约

根据缠论选择盘整股票或者期货合约相关推荐

最新文章

热门文章