SKDJ (Stochastic KDJ) - 慢速随机指标

1 公式

LOWV:=LLV(LOW,N);
HIGHV:=HHV(HIGH,N);
RSV:=EMA((CLOSE-LOWV)/(HIGHV-LOWV)*100,M);
K:EMA(RSV,M);
D:MA(K,M);

2 数据准备

我们以科创50指数 000688 为例，指数开始日期为2019-12-31，数据格式如下：

3 计算过程

def calculate_skdj(df: pd.DataFrame, N=9, M=3) -> pd.DataFrame:
    '''
    计算 Stochastic K-D (SKDJ) 指标。

    参数:
    df (pd.DataFrame): 包含至少 'high', 'low', 'close' 列的 DataFrame，
                       分别代表每日最高价、最低价和收盘价。
    N (int): 用于计算 RSV 的时间窗口大小，默认为9。
    M (int): 用于计算 K 和 D 值的指数加权移动平均 (EWMA) 和简单移动平均 (SMA) 的平滑因子，默认为3。

    返回:
    pd.DataFrame: 包含 Stochastic K (k) 和 Stochastic D (d) 的 DataFrame。
    '''

    # 创建一个df的副本以避免修改原始数据
    data = df.copy()

    # 使用rolling方法计算N周期内的最低价
    ln = data['low'].rolling(N, min_periods=1).min()

    # 使用rolling方法计算N周期内的最高价
    hn = data['high'].rolling(N, min_periods=1).max()

    # 计算 RSV (Relative Strength Value)
    # 公式为：(Close - Lowest Low) / (Highest High - Lowest Low) * 100
    # 使用指数加权移动平均 (EWMA) 对 RSV 进行平滑处理
    rsv = ((data['close'] - ln) / (hn - ln) * 100).ewm(span=M, adjust=False).mean()

    # 计算 K 值，使用指数加权移动平均 (EWMA)
    k = rsv.ewm(span=M, adjust=False).mean()

    # 计算 D 值，使用简单移动平均 (SMA)
    d = k.rolling(M).mean()

    # 将计算出的 Stochastic K (k) 和 Stochastic D (d) 添加到 DataFrame
    data['k'] = k
    data['d'] = d

    # 返回包含所有计算出指标的 DataFrame
    return data

4 注意事项

参数N=9，M=3时，计算结果与东方财富软件中一致

雪球无此指标

与通信达一致