---

介绍

在股票技术分析中，CCI (商品路径指标）是一种常用的技术指标，用于衡量股价是否处于超买或超卖状态，并指导投资者进行交易决策。篇文章将分享如何写一个CCI工具，希望对大家有帮助。

先看看官方介绍：

CCI(商品路径指标）
用法
1.CCI 为正值时，视为多头市场；为负值时，视为空头市场；
2.常态行情时，CCI 波动于±100 的间；强势行情，CCI 会超出±100 ；
3.CCI>100 时，买进，直到CCI<100 时，卖出；
4.CCI<-100 时，放空，直到CCI>-100 时，回补。

算法解释

TYP:=(HIGH+LOW+CLOSE)/3;
CCI:(TYP-MA(TYP,N))/(0.015*AVEDEV(TYP,N));

优势：

优势	描述
方向性明确	当CCI为正值时，被视为多头市场，为负值时，则被视为空头市场，因此能够提供明确的市场方向信号，有助于投资者决定买入或卖出。
测量波动性	CCI的常态波动范围在±100之间，能够帮助投资者判断市场的波动程度，加深对市场走势的理解。
捕捉趋势	在强势行情中，CCI会超出±100，这表明市场具有较强的趋势性，投资者可以利用这一特性捕捉趋势，并获得更高的收益。
简单易懂的交易规则	CCI指标提供了简单易懂的交易规则，如当CCI>100时买入，CCI<-100时卖出，这使得投资者可以快速进行交易决策。

劣势：

劣势	描述
滞后性	CCI指标是一种滞后性指标，它是基于价格波动率的计算，因此在市场价格快速变动时，可能会出现滞后现象，导致信号不够及时。
过度交易	CCI的交易信号相对简单，但过于频繁的交易可能会增加交易成本，并增加不必要的风险，尤其是在市场波动较大时。
单一性	CCI指标主要是从价格角度进行分析，缺乏对其他市场因素的综合考虑，可能无法全面反映市场的复杂情况。
虚假信号	在市场行情不明朗或横盘震荡时，CCI指标可能会产生虚假信号，导致交易损失。

代码

rolling函数介绍

rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

• window: 用于计算统计量的窗口大小。
• min_periods: 每个窗口最少需要的非空观测值数量。
• center: 确定窗口是否居中，默认为 False。
• win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
• on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。
• axis: 执行滚动操作的轴，默认为 0，表示按列执行操作。
• closed: 确定窗口的哪一端是闭合的，默认为 None。

完整代码

data代码

这里完整代码中的data部分，阔以通过下面资源文件下载，或者留下邮箱等发送。：

https://download.csdn.net/download/qq_36051316/88896567

CCI.py

import pandas as pd
import stock_data

data = {
    'DATE': stock_data.DATE,
    'CLOSE': stock_data.CLOSE,
    'HIGH': stock_data.HIGH,
    'LOW': stock_data.LOW,
    'OPEN': stock_data.OPEN,
    'CHANGE': stock_data.CHANGE,
    'VOL': stock_data.VOL,
    'CAPITAL': stock_data.CAPITAL
}

df = pd.DataFrame(data)


def calculate_CCI(v_df, n):
    """
    计算CCI指标

    参数：
    data: pandas.DataFrame，包含股票数据的DataFrame
    n: int，窗口大小

    返回：
    无，结果直接存储在输入的DataFrame中
    """
    typ = (v_df['HIGH'] + v_df['LOW'] + v_df['CLOSE']) / 3
    typ_ma = typ.rolling(window=n).mean()
    mean_deviation = typ.rolling(window=n).apply(lambda x: (x - x.mean()).abs().mean())
    cci = (typ - typ_ma) / (0.015 * mean_deviation)
    v_df['CCI'] = cci


def generate_signals(v_df, day_index=-1):
    """
    生成CCI信号

    参数：
    v_df: pandas.DataFrame，包含CCI指标的DataFrame
    day_index: int，要检查的日期索引，默认为最后一天

    返回：
    str，表示信号的字符串，可能为"买入信号"、"卖出信号"或"无信号"
    """
    row = v_df.iloc[day_index]
    if row['CCI'] > 100:
        return '买入信号'
    elif row['CCI'] < -100:
        return '卖出信号'
    else:
        return '无信号'


n = 14

calculate_CCI(df, n)
result = generate_signals(df)
print(result)