兄弟 可不可以帮个忙啊 obv指标设置两根均线 一个30 一个5
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了兄弟 可不可以帮个忙啊 obv指标设置两根均线 一个30 一个5相关的知识，希望对你有一定的参考价值。
我想把obv指标设置两根均线 一个30 一个5 直接设置在公式里 不要可以调整的
行不行 能不能帮忙搞一下 谢谢啦
OBV:SUM(IF(CLOSE=REF(CLOSE，1)，0，VA)，0);
MAOBV:MA(OBV，M);
只要再加一个参数 M1 2 100 50 然后加入下式就可以了
MAOBV2:MA(OBV，M1);
以后只要在“调整指标参数”中调整到自己认为适合的数值。
由于 OBV 是通达信系统的指标，在下一次启动时会恢复原来的设置，因此自己要另外设置一个指标来使用上述公式。
1.obv指标的计算公式为当日obv=前一日obv＋今日成交量，我们一般使用它的方法是直接取120日或250日周期来计算分析OBV指标线的走向。在系统默认设置中往往会从上市首日开始累积计算，但是要注意OBV指标是根据当日收盘价高于前日收盘价取正值，反之取负值，平盘取零，并且对于妖股的适应性比较差，所以在其中可以做不少假象。
2.在obv的运算中，如果当日收盘价高于前日收盘价取正值，反之取负值，平盘取零。obv把股价上升时的成交量视为人气积聚，做相应的加法处理，而把股价下跌日的成交量视为人气离散，并做减法运算。这样计算之后，投资者对股价未来的分歧也就出来了，然后分歧越明显，成交量就越大。
3.市场价格的变动必须有成交量配合，股价上升时成交量必须增加，若是股价的涨跌而却出现成交量不变动，则市场价格的变动难以继续。因此obv的出发点是基于成交量为股价变动的先行指标，短期股价的波动主要是受人气影响。
4.obv能量潮指标通过统计成交量变动的趋势来推测股价趋势。是将成交量数量化，制成趋势线，配合股价趋势线，从价格的变动及成交量的增减关系，推测市场气氛。其主要理论基础是市场价格的变化必须有成交量的配合，股价的波动与成交量的扩大或萎缩有密切的关连。
5.obv指标就是从“量”这个要素作为突破口，来发现热门股票、分析股价运动趋势的一种技术指标。能量潮OBV指标是葛兰碧于20世纪60年代提出的，并被广泛使用。OBV指标的作用，主要是用来判断量价关系即OBV曲线是否与股价运行方向一致。
6. obv指数线是没有参数的，所以使用时无需进行参数设置，这一点是与大部分技术指标都不同的。不过obv指标同样可以选择不同的平均天数，通过不同的obv平均线来判断obv指数的未来变化。 参考技术A VA:=IF(CLOSE>REF(CLOSE,1),VOL,-VOL);
OBV:SUM(IF(CLOSE=REF(CLOSE,1),0,VA),0);
MAOBV:MA(OBV,5);MBOBV:MA(OBV,30);追问
非常感谢
不过能不能给obv 和maobv换个名字呢
30 改成中线
5改成趋势线
obv那根线不显示
30 改成中线5改成趋势线是啥意思说详细点，obv那根线不显示这个简单。改名也很简单。
追问就是一般指标栏的左上角
不是有指标名称 和指标的参数么
现在显示的是 obv maobv mbobv
可不可以变成中文
名称;能量线。VA:=IF(CLOSE>REF(CLOSE,1),VOL,-VOL);
OBV:=SUM(IF(CLOSE=REF(CLOSE,1),0,VA),0);
趋势:MA(OBV,5);中线:MA(OBV,30);
量化交易——双均线策略（金叉死叉）
一、双均线概念
均线：对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5日、10日、30日、60日、120日的指标。
5日和10日的是短线操作参照指标，称作日均线指标；
30日和60日的是中期均线指标，称作季均线指标；
120日和240日的是长期均线指标，称作年均线指标。
金叉：短期均线上穿长期均线，买入信号。
死叉：短期均线下穿长期均线，卖出信号。
交易策略：金叉买入，死叉卖出。
二、金叉死叉交易练习
1、使用tushare包获取某股票的历史行情
import numpy as np import pandas as pd import matplotlib.pyplot as plt # Python绘图和数据可视化的工具包 import tushare as ts ts.get_k_data("601318", start="2004-01-30").to_csv(‘601318.csv‘) df = pd.read_csv(‘601318.csv‘, index_col="date", parse_dates=[‘date‘])[[‘open‘, ‘close‘, ‘high‘, ‘low‘]] print(df) """ open close high low date 2007-03-01 21.254 19.890 21.666 19.469 2007-03-02 19.979 19.728 20.166 19.503 ... ... ... ... ... 2020-01-22 85.000 85.220 85.480 83.830 2020-01-23 84.010 83.490 84.560 82.480 [3076 rows x 4 columns] """
2、使用pandas包计算该股票历史数据的5日和30均线
5日均线则前4天没有均线，30日均线则前29天没有均线。
(1)普通方法
df[‘ma5‘] = np.nan # 创建5日均值列 df[‘ma30‘] = np.nan # 创建30日均值列 print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN ... ... ... ... ... ... ... 2020-01-22 85.000 85.220 85.480 83.830 NaN NaN 2020-01-23 84.010 83.490 84.560 82.480 NaN NaN """ for i in range(4, len(df)): # 从第五个到最后一个 # 当天和前四天的收盘价的平均值为5日均线值 df.loc[df.index[i], ‘ma5‘] = df["close"][i-4:i+1].mean() # i=4是第五天，[0,5] print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-23 84.010 83.490 84.560 82.480 85.6320 NaN """ for i in range(29, len(df)): # 从第30个到最后一个 # 当天和前29天的收盘价的平均值为30日均线值 df.loc[df.index[i], ‘ma30‘] = df["close"][i-29:i+1].mean() print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-17 86.150 86.250 86.900 85.850 86.1780 85.292333 2020-01-20 88.300 87.600 88.700 87.350 86.4080 85.387667 2020-01-21 87.000 85.600 87.290 85.600 86.1620 85.452667 2020-01-22 85.000 85.220 85.480 83.830 86.0440 85.507000 2020-01-23 84.010 83.490 84.560 82.480 85.6320 85.488667 """
(2)简单方法
df[‘ma5‘] = df[‘close‘].rolling(5).mean() df[‘ma30‘] = df[‘close‘].rolling(30).mean() print(df) """ open close high low ma5 ma30 date 2007-03-01 21.254 19.890 21.666 19.469 NaN NaN 2007-03-02 19.979 19.728 20.166 19.503 NaN NaN 2007-03-05 19.545 18.865 19.626 18.504 NaN NaN 2007-03-06 18.704 19.235 19.554 18.597 NaN NaN 2007-03-07 19.252 19.758 19.936 19.090 19.4952 NaN ... ... ... ... ... ... ... 2020-01-17 86.150 86.250 86.900 85.850 86.1780 85.292333 2020-01-20 88.300 87.600 88.700 87.350 86.4080 85.387667 2020-01-21 87.000 85.600 87.290 85.600 86.1620 85.452667 2020-01-22 85.000 85.220 85.480 83.830 86.0440 85.507000 2020-01-23 84.010 83.490 84.560 82.480 85.6320 85.488667 """
3、使用matplotlib包可视化历史数据的收盘价和两条均线
df[[‘close‘, ‘ma5‘, ‘ma30‘]].plot() plt.show()
运行后显示效果：
4、分析输出所有金叉日期和死叉日期
如果前一交易日五日均线小于30日均线，后一交易日五日均线大于30日均线，则说明是金叉；
如果前一交易日五日均线大于30日均线，后一交易日五日均线小于30日均线，则说明是死叉。
(1)循环的解法
# dropna()删除含有空数据的全部行,axis参数可删除含义空数据的全部列 df = df.dropna() gloden_cross = [] # 金叉 death_cross = [] # 死叉 for i in range(0, len(df)-1): if df[‘ma5‘][i] >= df[‘ma30‘][i] and df[‘ma5‘][i-1] <= df[‘ma30‘][i-1]: gloden_cross.append(df.index[i]) if df[‘ma5‘][i] <= df[‘ma30‘][i] and df[‘ma5‘][i-1] >= df[‘ma30‘][i-1]: death_cross.append(df.index[i]) print(‘金叉日期‘, gloden_cross) """ 金叉日期 [Timestamp(‘2007-06-14 00:00:00‘), Timestamp(‘2007-12-10 00:00:00‘),..., Timestamp(‘2020-01-02 00:00:00‘)] """ print(‘死叉日期‘, death_cross) """ 死叉日期 [Timestamp(‘2007-06-04 00:00:00‘), Timestamp(‘2007-11-06 00:00:00‘),..., Timestamp(‘2019-12-23 00:00:00‘)] """
(2)简便算法
# dropna()删除含有空数据的全部行,axis参数可删除含义空数据的全部列 df = df.dropna() sr1 = df[‘ma5‘] < df[‘ma30‘] sr2 = df[‘ma5‘] >= df[‘ma30‘] death_cross = df[sr1 & sr2.shift(1)].index golden_cross = df[-(sr1 | sr2.shift(1))].index print(‘金叉日期‘, golden_cross) """ 金叉日期 DatetimeIndex([‘2007-04-12‘, ‘2007-06-14‘, ‘2007-12-10‘, ‘2008-04-23‘,..., ‘2020-01-02‘] """ print(‘死叉日期‘, death_cross) """ 死叉日期 DatetimeIndex([‘2007-06-04‘, ‘2007-11-06‘, ‘2007-12-13‘, ‘2008-05-20‘,..., ‘2019-11-12‘, ‘2019-12-23‘] """
5、使用该策略的炒股收益率
如果我从2010年1月1日起，初始资金为100000元，金叉尽量买入，死叉全部卖出，则到今天为止，我的炒股收益率？
# 炒股收益率 first_money = 100000 money = first_money # 持有的资金 hold = 0 # 持有的股票 sr1 = pd.Series(1, index=golden_cross) sr2 = pd.Series(0, index=death_cross) sr = sr1.append(sr2).sort_index() # 将两个表合并，并按时间排序 sr = sr[‘2010-01-01‘:] # 从2010年1月1日开始 for i in range(0, len(sr)): p = df[‘open‘][sr.index[i]] # 当天的开盘价 if sr.iloc[i] == 1: # 金叉 buy = money // (100 * p) # 买多少手 hold += buy * 100 money -= buy * 100 * p else: # 死叉 money += hold * p hold = 0 # 持有股票重置为0 # 计算最后一天股票市值加上持有的资金 p = df[‘open‘][-1] now_money = hold * p + money print(‘当前持有资产总额:‘, now_money) print(‘盈亏情况:‘, now_money - first_money) """ 当前持有资产总额: 551977.7999999997 盈亏情况: 451977.7999999997 """
需要注意的是：这里金叉死叉都是按照当天的收盘价计算的。但是如果得到当天的收盘价就已经无法进行交易了。因此要让策略可行，需要按照当天的开盘价计算。
以上是关于兄弟 可不可以帮个忙啊 obv指标设置两根均线 一个30 一个5的主要内容，如果未能解决你的问题，请参考以下文章
请大家帮个忙啊！两台CENTOS 4.8的服务器想做热备份，需要怎么操作才能实现，或者通过其他软件实现？
各位老师帮个忙啊：step7发现自动许可证管理器存在问题。正在关闭应用程序。请重新安装自动许可证管理器
mysql 的 Unknown column '6' in 'order clause' 这是啥错误啊！！ 高手们帮个忙啊！！！