---

介绍

KDJ是一种技术指标，用于衡量价格动量，帮助交易者识别趋势的强度和转折点。

先看看官方介绍：

KDJ(随机指标）
用法
1.D指标>80 时，回档机率大；D指标<20时，反弹机率大；
2.K在20左右向上交叉D时，视为买进信号；
3.K在80左右向下交叉D时，视为卖出信号；
4.J>100 时，股价易反转下跌；J<0 时，股价易反转上涨；
5.KDJ 波动于50左右的任何信号，其作用不大。

算法公式

RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100;
K:SMA(RSV,M1,1);
D:SMA(K,M2,1);
J:3*K-2*D;

优势：

优势	描述
简单易懂	KDJ指标的计算方法相对简单，易于理解和应用。
多功能性	KDJ指标不仅可以用于识别价格趋势的强度和转折点，还可以结合其他技术指标进行分析。
适用性广泛	KDJ指标适用于各种市场和时间周期，包括股票、外汇、期货等。
较少滞后	相比一些其他指标，KDJ指标对价格变化的反应较为敏感，可以及时反映市场的变化。

劣势：

劣势	描述
信号不稳定	在市场波动较大或交易量较小的情况下，KDJ指标可能会产生较多的虚假信号。
单一性	KDJ指标主要关注价格动量，忽略了其他因素如成交量等可能对市场影响的因素，因此在某些情况下可能不够全面。
需要配合其他指标	为了提高分析的准确性，通常需要将KDJ指标与其他技术指标结合使用，这可能增加了分析的复杂度。
不适用于所有市场	KDJ指标可能在某些市场环境下失效，如震荡市或极端趋势市场。

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

KDJ.py

import pandas as pd  # 导入pandas库用于数据处理
import stock_data  # 导入股票数据模块# 创建包含股票数据的字典
data = {'DATE': stock_data.DATE,'CLOSE': stock_data.CLOSE,'HIGH': stock_data.HIGH,'LOW': stock_data.LOW
}
# 将数据字典转换为DataFrame
df = pd.DataFrame(data)# 计算KDJ指标的函数
def calculate_kdj(v_df, n=9, m1=2, m2=2):"""计算KDJ指标参数:v_df: DataFrame, 包含股票数据的DataFramen: int, 计算KDJ指标所需的周期，默认为9m1: int, 平滑K值的参数，默认为2m2: int, 平滑D值的参数，默认为2返回:DataFrame, 包含计算后的KDJ指标的DataFrame"""# 计算N日内的最低价low_list = v_df['LOW'].rolling(window=n).min()low_list.fillna(value=v_df['LOW'].expanding().min(), inplace=True)# 计算N日内的最高价high_list = v_df['HIGH'].rolling(window=n).max()high_list.fillna(value=v_df['HIGH'].expanding().max(), inplace=True)# 计算未成熟随机指标RSVrsv = (v_df['CLOSE'] - low_list) / (high_list - low_list) * 100# 计算K值v_df['K'] = rsv.ewm(com=m1).mean()# 计算D值v_df['D'] = v_df['K'].ewm(com=m2).mean()# 计算J值v_df['J'] = 3 * v_df['K'] - 2 * v_df['D']return df# 生成交易信号的函数
def generate_signals(v_df, day_index=-1):"""根据KDJ指标生成交易信号参数:v_df: DataFrame, 包含KDJ指标的DataFrameday_index: int, 用于生成信号的日期索引，默认为最新日期返回:str, 交易信号 ('买入信号', '卖出信号', '无信号')"""row = v_df.iloc[day_index]if row['K'] > row['D']:return '买入信号'elif row['K'] < row['D']:return '卖出信号'else:return '无信号'# 调用函数计算KDJ指标
calculate_kdj(df)
# 生成交易信号并打印结果
result = generate_signals(df, day_index=-1)
print(result)

结果：