---

介绍

ADTM（动态买卖气指标）是一种用于衡量市场买卖力量对比的指标。它通过计算动态买盘指标（DTM）和动态卖盘指标（DBM）之间的差值来反映买卖双方的力量对比情况。

简单点说，就是看买家和卖家谁更强的一个东西。就是算一算买盘（DTM）和卖盘（DBM）的活跃程度谁大，谁小。如果ADTM是正的，那就意味着买家比较牛，行情可能朝上走；反之，如果ADTM是负的，那就表示卖家势头强，股市可能往下走。所以，瞅瞅ADTM的数字，投资者就能稍微明白点市场的味道，更容易决定接下来是涨是跌。当然，有些人还会把ADTM搞个移动平均（MAADTM），就是为了数据更平滑些，看长期的买卖势头走向。

本篇文章将分享如何写一个ADTM工具，希望对大家有帮助。

先看看官方介绍：

ADTM(动态买卖气指标）
用法
1.该指标在+1到-1之间波动；
2.低于-0.5时为很好的买入点,高于+0.5时需注意风险。

算法解释

DTM:=IF(OPEN<=REF(OPEN,1),0,MAX((HIGH-OPEN),(OPEN-REF(OPEN,1))));
DBM:=IF(OPEN>=REF(OPEN,1),0,MAX((OPEN-LOW),(OPEN-REF(OPEN,1))));
STM:=SUM(DTM,N);
SBM:=SUM(DBM,N);
ADTM:IF(STM>SBM,(STM-SBM)/STM,IF(STM=SBM,0,(STM-SBM)/SBM));
MAADTM:MA(ADTM,M);

优势：

优势	描述
简单易懂	ADTM指标在+1到-1之间波动，其数值的变化直观易懂，使得投资者可以快速理解市场的买卖气势。
清晰的买卖信号	当ADTM指标低于-0.5时，表示市场处于较好的买入点，有利于投资者抓住低点进场；而当ADTM指标高于+0.5时，表示市场风险增加，投资者需要注意可能的调整或风险。

劣势：

劣势	描述
单一性	ADTM指标只是从买卖气势的角度进行分析，缺乏对其他市场因素的考虑，可能无法全面反映市场的复杂情况。
缺乏进一步的分析	ADTM指标提供了买卖气势的信号，但缺乏对市场趋势、交易量等因素的深入分析，投资者可能需要结合其他指标和分析方法进行综合判断。
市场风险	虽然ADTM指标提供了关于市场风险的提示，但并不意味着买入或卖出的时机是绝对准确的，投资者仍需谨慎考虑其他因素，并注意市场风险的变化。

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

ADTM.py

import pandas as pd
import numpy as np
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)

N = 23
M = 8


def calculate_ADTM(v_df, N, M):
    """
    计算ADTM指标

    参数：
    v_df: pandas.DataFrame，包含股票数据的DataFrame
    N: int，DTM和DBM的窗口大小
    M: int，MAADTM的窗口大小

    返回：
    无，结果直接存储在输入的DataFrame中
    """
    DTM = np.where(v_df['OPEN'] <= v_df['OPEN'].shift(1), 0,
                   np.maximum(v_df['HIGH'] - v_df['OPEN'], v_df['OPEN'] - v_df['OPEN'].shift(1)))
    DBM = np.where(v_df['OPEN'] >= v_df['OPEN'].shift(1), 0,
                   np.maximum(v_df['OPEN'] - v_df['LOW'], v_df['OPEN'] - v_df['OPEN'].shift(1)))
    STM = pd.Series(DTM).rolling(window=N, min_periods=1).sum()
    SBM = pd.Series(DBM).rolling(window=N, min_periods=1).sum()
    ADTM = np.where(STM > SBM, (STM - SBM) / STM, np.where(STM == SBM, 0, (STM - SBM) / SBM))
    MAADTM = pd.Series(ADTM).rolling(window=M, min_periods=1).mean()
    v_df['ADTM'] = ADTM
    v_df['MAADTM'] = MAADTM


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

    参数：
    v_df: pandas.DataFrame，包含ADTM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"、"注意风险"或"无信号"
    """
    row = v_df.iloc[day_index]
    if row['ADTM'] < -0.5:
        return '买入信号'
    elif row['ADTM'] > 0.5:
        return '注意风险'
    else:
        return '无信号'


calculate_ADTM(df, N, M)
result = generate_signals(df)
print(result)