[量化投资-学习笔记008]Python+TDengine从零开始搭建量化分析平台-CCI和ATR

news2024/11/24 19:16:18

1. 指标简介

将这两个指标放在一起，一方面是因为这两个指标都属于摆动指数，可以反应市场的活跃度。

另一方面是因为CCI和ATR与之前提到的EMA,MACD,布林带的三个指标的计算基础不同。之前的三个指标都是以收盘价作为计算基础，而CCI和ATR是以收盘价、最高价、最低价三个价格最为计算基础。

下面分别进行介绍。

CCI

CCI 指标（Commodity Channel Index / CCI）全称为商品通道指数,是一种用于衡量价格趋势强弱的震荡类指标。

CCI 旨在更全面地分析一定时间段内的综合价格走势，更好地反映价格的变化和波动。与其他震荡指标不同，CCI 不仅以收盘价为参考，还使用了最高价、最低价和收盘价的平均值作为计算基础。

计算公式：

计算典型价格（TP）：TP =（最高价 + 最低价 + 收盘价）/ 3
计算典型价格移动平均线（TPSMA）：TPSMA = （TP1 + TP2 + TP3 + … + TPn） / n
计算均值偏差（Mean Deviation）：MD = ( |TP1 - TPSMA1| +…+ |TPn - TPSMAn| ) / n
计算CCI指数：CCI = （ TPt - TPSMAt ）/ （ 0.015 X MDt ），其中t代表当前K线上的数据，0.015用于将70%到80%的CCI数据归纳在100和-100之间.

ATR

ATR指标（Average True Range / ATR）是一种用于衡量资产价格波动的指标。

ATR指标的计算方法：

计算波动幅度TR（True Range）：max(当天最高价和最低价之间的距离,前一天收盘价和当天最高价之间的距离,前一天收盘价和当天最低价之间的距离)。
取一定时间周期内（通常默认为14个交易日）TR的平均值，即可得到平均真实波动幅度ATR。

ATR的波动幅度概念可以显示出交易者的期望和市场交易的活跃程度。波动率越高，ATR值越高；反之，波动率越低，ATR值也越低。

2. 程序编写

由俭入奢，由易奢入俭难。自从用了 AI，就不想自己写代码了。

关门放 DevChat。
在这里插入图片描述

对程序进行修改，除了地址、用户名密码、数据库、SQL外，需要调整REstful查询方式。

response = requests.post(query_url, data=query, auth=(user, password))
data = json.loads(response.content.decode())

TDengine 查询方面需要做出几项修改：

Restful 需要使用 POST 方式；
Body 中的内容是 SQL 明文；
返回的结果是 json 格式。

为方便图形查看，添加收盘价图形，并在 CCI 图形上添加趋势线来区分超买超卖区域。

import requests
import pandas as pd
import numpy as np
import json
from matplotlib import pyplot as plt

# 设置TDengine数据库的连接信息
host = 'http://10.7.7.14'
port = '6041'
user = 'root'
password = 'taosdata'
database = 'trade_data_c'

# 从TDengine查询一段时间内的收盘价
query_url = f"{host}:{port}/rest/sql/{database}"
query = "select tdate,close,high,low from trade_data_c.tdata where fcode='000001' and tdate>= '2022-03-01' AND tdate <= '2023-02-28'"
response = requests.post(query_url, data=query, auth=(user, password))
data = json.loads(response.content.decode())
df = pd.DataFrame(data['data'], columns=['tdate', 'close','high','low'])
df['tdate'] = pd.to_datetime(df['tdate'])
df.set_index('tdate', inplace=True)

# 计算ATR
df['high - low'] = df['close'].diff().abs()
df['high - close_pre'] = (df['high'] - df['close'].shift()).abs()
df['low - close_pre'] = (df['low'] - df['close'].shift()).abs()
df['TR'] = df[['high - low', 'high - close_pre', 'low - close_pre']].max(axis=1)
df['ATR'] = df['TR'].rolling(window=14).mean()

# 计算CCI
tp = (df['high'] + df['low'] + df['close']) / 3
ma = tp.rolling(window=20).mean()
md = tp.rolling(window=20).std()
df['CCI'] = (tp - ma) / (0.015 * md)

# 绘制ATR和CCI图形
plt.figure(figsize=(12, 8))
plt.subplot(3, 1, 1)
plt.plot(df.index, df['close'])
plt.title('CLOSE')
plt.xlabel('Date')
plt.ylabel('Value')

plt.subplot(3, 1, 2)
plt.plot(df.index, df['ATR']*10)
plt.title('ATR')
plt.xlabel('Date')
plt.ylabel('Value(x10)')

plt.subplot(3, 1, 3)
plt.plot(df.index, df['CCI'])
plt.axhline(y=0,color='red',linestyle='--')
plt.axhline(y=100,color='red',linestyle='--')
plt.axhline(y=-100,color='red',linestyle='--')
plt.title('CCI')
plt.xlabel('Date')
plt.ylabel('Value')

plt.tight_layout()
plt.show()