TA-Lib学习研究笔记（二）—

TA-Lib学习研究笔记（二）——Overlap Studies

1. Overlap Studies 指标

['BBANDS', 'DEMA', 'EMA', 'HT_TRENDLINE', 'KAMA', 'MA', 'MAMA', 'MAVP', 'MIDPOINT', 'MIDPRICE', 'SAR', 'SAREXT', 'SMA', 'T3', 'TEMA', 'TRIMA', 'WMA']

2.数据准备

get_data函数参数（代码，起始时间，终止时间）
返回dataframe 变量df ，column如下：

ts_code,trade_date,open,high,low,close,pre_close,change,pct_chg,vol,amount

以000002代码测试，2021年的数据，程序示例：

import numpy as np
import talib as tlb
import matplotlib.pyplot as plt
import pandas as pd  
from sqlalchemy import create_engineif __name__ == '__main__':#matplotlib作图设置plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号#数据获取start_date = '2021-01-01'end_date   = '2022-01-01'df = get_data('000002', start_date, end_date)

3.指标学习测试

（1）BBANDS

函数名：BBANDS
名称：布林线指标
简介：其利用统计原理，求出股价的标准差及其信赖区间，从而确定股价的波动范围及未来走势，利用波带显示股价的安全高低价位，因而也被称为布林带。
语法：

upperband, middleband, lowerband = BBANDS(close, timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)
参数：
（1）close：收盘价。
（2）timeperiod：计算的周期。
（3） nbdevup：上限价格相对于周期内标准偏差的倍数，取值越大，则上限越大，通道越宽。
（4）nbdevdn：下限价格相对于周期内标准偏差的倍数，取值越大，则下限越大，通道越宽。
（5）matype：平均值计算类型，0代表简单一定平均，还可以有加权平均等方式。

    df['upper'], df['middle'], df['lower'] = tlb.BBANDS(df['close'], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0)# 做图df[['close','upper','middle','lower']].plot(title='布林线')plt.grid() #启用网格plt.legend(['close', 'upper', 'middle', 'lower']) # 设置图示plt.show()

执行效果：
在这里插入图片描述

（2）DEMA双指数平均线

函数名：DEMA
名称：双移动平均线
简介：两条移动平均线来产生趋势信号，较长期者用来识别趋势，较短期者用来选择时机。正是两条平均线及价格三者的相互作用，才共同产生了趋势信号。

output = talib.DEMA(close, timeperiod)

df['DEMA'] = tlb.DEMA(df['close'], timeperiod=20)# 做图
df[['close','DEMA']].plot(title='双移动平均线')
plt.grid() #启用网格
plt.legend(['close','DEMA']) # 设置图示
plt.show()

在这里插入图片描述

（3）EMA

函数名：EMA Exponential Moving Average
名称：指数平均数
简介：是一种趋向类指标，其构造原理是仍然对价格收盘价进行算术平均，并根据计算结果来进行分析，用于判断价格未来走势的变动趋势。

real = EMA(close, timeperiod=20)

df['EMA'] = tlb.EMA(df['close'], timeperiod=20)# 做图
df[['close','EMA']].plot(title='指数平均数')
plt.grid() #启用网格
plt.legend(['close','EMA']) # 设置图示
plt.show()

在这里插入图片描述

（4）HT_TRENDLINE

函数名：HT_TRENDLINE
名称：希尔伯特瞬时变换
简介：是一种趋向类指标，其构造原理是仍然对价格收盘价进行算术平均，并根据计算结果来进行分析，用于判断价格未来走势的变动趋势。

real = HT_TRENDLINE(close)

df['HT_TRENDLINE'] = tlb.HT_TRENDLINE(df['close'])# 做图
df[['close','HT_TRENDLINE']].plot(title='希尔伯特瞬时变换')
plt.grid() #启用网格
plt.legend(['close','HT_TRENDLINE']) # 设置图示
plt.show()

在这里插入图片描述

（5）KAMA

名称：KAMA Kaufman Adaptive Moving Average 考夫曼自适应移动平均线
简介：短期均线贴近价格走势，灵敏度高，但会有很多噪声，产生虚假信号；长期均线在判断趋势上一般比较准确，但是长期均线有着严重滞后的问题。我们想得到这样的均线，当价格沿一个方向快速移动时，短期的移动平均线是最合适的；当价格在横盘的过程中，长期移动平均线是合适的。
语法：

real = KAMA(close, timeperiod=30)

df['KAMA'] = tlb.KAMA(df['close'], timeperiod=30)# 做图
df[['close','KAMA']].plot(title='考夫曼自适应移动平均线')
plt.grid() #启用网格
plt.legend(['close','KAMA']) # 设置图示
plt.show()

在这里插入图片描述

（6）MA

函数名：MA - Moving average 移动平均线
名称：移动平均线
简介：移动平均线，Moving Average，简称MA，原本的意思是移动平均，由于将其制作成线形，所以一般称之为移动平均线，简称均线。它是将某一段时间的收盘价之和除以该周期。比如日线MA5指5天内的收盘价除以5 。

语法：
real = MA(close, timeperiod=30, matype=0)

df['MA5'] = tlb.MA(df['close'], timeperiod=5, matype=0)
df['MA10'] = tlb.MA(df['close'], timeperiod=10, matype=0)
df['MA30'] = tlb.MA(df['close'], timeperiod=30, matype=0)# 做图
df[['close','MA5','MA10','MA30']].plot(title='移动平均线')
plt.grid() #启用网格
plt.legend(['close','MA5','MA10','MA30']) # 设置图示
plt.show()

在这里插入图片描述

（7）MAMA

MAMA是MESA自适应移动平均线，全称为MESA Adaptive Moving Average。它是根据价格的移动平均线和自适应移动平均线来计算的，它的设计初衷是能够更好地适应不同市场的变化。

指标作用
MAMA指标使用了一种称为Hilbert变换的数学方法来计算价格的移动平均线。这种方法可以将价格的周期性变化进行平滑处理，减少了滞后性，使得MAMA指标能够更快地响应市场的变化。
MAMA指标由两条线组成：MAMA线和FAMA线。MAMA线是根据价格的移动平均线计算得出的，它可以显示价格的趋势方向。FAMA线是根据MAMA线计算得出的，它可以显示价格的趋势变化的速度。
MAMA指标的应用主要有两个方面：

确定趋势：当MAMA线向上穿过FAMA线时，可以视为买入信号，表示价格可能会上涨；当MAMA线向下穿过FAMA线时，可以视为卖出信号，表示价格可能会下跌。
确定超买超卖：当MAMA线超过了价格的最高点时，可以视为超买信号，表示价格可能会回调；当MAMA线低于价格的最低点时，可以视为超卖信号，表示价格可能会反弹。
语法：

mama, fama = MAMA(close）

df['mama'], df['fama'] = tlb.MAMA(df['close'])
# 做图
df[['close','mama','fama']].plot(title='自适应移动平均线')
plt.grid() #启用网格
plt.legend(['close','mama','fama']) # 设置图示
plt.show()

在这里插入图片描述

（8）MAVP

Moving average with variable period，计算带有可变周期的移动平均线。
语法：
下面是 MAVP 函数的参数说明：

close: 必需参数，表示收盘价序列的数组或 pandas Series。
periods: 必需参数，表示要进行移动平均的周期值。它是一个包含多个周期值的数组。
minperiod: 可选参数，表示移动平均线计算的最小周期。默认值为 2。
maxperiod: 可选参数，表示移动平均线计算的最大周期。默认值为 30。
matype: 可选参数，表示移动平均线的类型。可以选择以下类型：
0: 简单移动平均线（SMA）
1: 加权移动平均线（WMA）
2: 指数移动平均线（EMA）
3: 光滑移动平均线（SMA with offset）默认值为 0。

real = MAVP(close, periods, minperiod=2, maxperiod=30, matype=0)

注意：periods参数必须是numpy.array ,类型必须是float ，长度与close的一致。
测试了多次，才搞明白了periods参数。开始总是报不是浮点数，periods用浮点数，报错：Exception: input array lengths are different 。
原因就是close和periods长度必须一致。

#periods 必须是numpy.array ,类型必须是float ，长度与close的一致。测试用赋值都是5，一周的交易日
length = len(df['close'])  
value = 5  
periods = np.full(length, value, dtype=float)  df['MAVP'] = tlb.MAVP(df['close'], periods, minperiod=5, maxperiod=10, matype=0)# 做图
df[['close','MAVP']].plot(title='变周期移动平均线')
plt.grid() #启用网格
plt.legend(['close','MAVP']) # 设置图示
plt.show()

在这里插入图片描述

（9）MIDPOINT - MidPoint over period

MIDPOINT函数用于计算指定期间内的中点值
语法：

real = MIDPOINT(close, timeperiod=14)

示例：

df['MIDPOINT'] = tlb.MIDPOINT(df['close'], timeperiod=14)
# 做图
df[['close','MIDPOINT']].plot(title='MidPoint over period')
plt.grid() #启用网格
plt.legend(['close','MIDPOINT']) # 设置图示
plt.show()

在这里插入图片描述

（10）MIDPRICE

MIDPRICE - Midpoint Price over period
在TA-Lib中，MIDPRICE函数用于计算指定期间内的中间价格。它基于最高价、最低价来计算一个期间内的中间价格。
参数：

high：一个包含最高价序列的数组或指标。
low：一个包含最低价序列的数组或指标。
timePeriod：期间长度，表示要计算中间价格的期间数。

语法：

real = MIDPRICE(high, low, timeperiod=14)

示例：


df['MIDPRICE'] = tlb.MIDPRICE(df['high'], df['low'],timeperiod=14)
# 做图
df[['high','low','MIDPRICE']].plot(title='Midpoint Price over period')
plt.grid() #启用网格
plt.legend(['high','low','MIDPRICE']) # 设置图示
plt.show()

在这里插入图片描述