虽然你可能会将这些函数应用于股票价格，但你可以对任何与股票价格配对的时间序列进行操作，例如，情绪甚至经济指标。

　　它利用具有 130 多个指标和实用程序函数以及 60 多个 TA Lib 烛台模式的 Pandas 包。包括许多常用的指标，例如：蜡烛图(cdl_pattern)、简单移动平均线(sma)、移动平均线收敛散度(macd)、赫尔指数移动平均线(hma)、布林带(bbands)、平衡交易量(obv )、aroon、Squeeze等等。

　　为什么使用pandas_ta?

　　使用方便

　　通常有几种方法可以从股票价格中提取技术分析指标，其中一种是手动编辑完整的处理过程。如果只需要使用像移动平均线这样的简单指标，这种方法实现起来比较轻松，但当我们需要使用更复杂的数学模型时，此时就会想到想是否有这样的python库来轻松实现，其实这就是API的作用，它们调解低级代码的复杂性，提供一个简化的高级接口。

　　与 pandas DataFrame兼容

　　在存储股票信息时，我能想到的第一个方法是通过使用Pandas DataFrame。这种方法在Python用户中非常普遍，其实，使用 pandas_ta 将会更简单，还有其他常见的存储股票价格等多维数据的方法，比如说使用JSON文件。

　　import pandas as pd

　　import pandas_ta as ta

　　df = pd.DataFrame() # 一个空的DataFrame

　　# 导入数据

　　df = pd.read_csv("path/to/symbol.csv", sep=",")

　　# 如果你安装了 yfinance

　　df = df.ta.ticker("aapl")

　　# VWAP要求DataFrame索引是一个DatetimeIndex。

　　# 用DataFrame中合适的列替换datetime

　　df.set_index(pd.DatetimeIndex(df["datetime"]),

　　inplace=True)

　　# 计算结果返回并添加到DataFrame中去

　　df.ta.log_return(cumulative=True,

　　append=True)

　　df.ta.percent_return(cumulative=True,

　　append=True)

　　# 查看下包含结果的列

　　df.columns

　　# 查看下具体数据

　　df.tail()

　　# 继续后期处理

　　安装 pandas_ta

　　与其他许多安装起来有些困难的库相比，这个库既容易安装，又能作为 pandas 的一个扩展功能。

　　$ pip install pandas_ta

　　具体使用方法，参见下文。

　　股票价格数据

　　股市数据获取，推荐你查看这篇文章。

　　请注意，pandas_ta 要求数据以特定的格式结构化。

　　●日期需要采用pandas.datetime格式。

　　●列必须是OCHL格式

　　OCHL指的是金融业中一些常用的指标，用于存储价格随时间的变化。开盘价、收盘价、最高价和最低价。不同的技术分析指标可能只需要其中的一列或多列，所以拥有全部四列将使我们能够模拟库中的大多数可用指标。

　　为了演示目的，使用如下程序将生成一个程序性的OCHL股票。

　　from scipy.stats import skewnorm

　　import plotly.graph_objects as go

　　import plotly.express as px

　　import pandas_ta as ta

　　import pandas as pd

　　import numpy as np

　　import random

　　# 高低差的正态分布

　　def create_pdf(sd, mean, alfa):

　　# 反转阿尔法的信号

　　x = skewnorm.rvs(alfa, size=1000000)

　　print(x)

　　def calc(k, sd, mean):

　　return (k*sd)+mean

　　x = calc(x, sd, mean) # 分布标准化

　　return x

　　def graph_stock(df_original):

　　# Time_column是一个字符串

　　df = df_original.copy()

　　pd.options.plotting.backend = "plotly"

　　# 需要用索引创建一个列，否则plot就不会画出它

　　df['date'] = df.index

　　#fig = px.line(df, x='time', y=['price', 'price_2'])

　　fig = px.line(df, x='date', y=df.columns)

　　fig.show()

　　# 保存为png

　　#fig.write_image("csvfiles/btc.mark2mkt.png")

　　def graph_OCHL(df_OCHL, title):

　　#fig_1 = px.line(df, x=df.index, y=df.columns, title=title)

　　fig_2 = go.Figure(data=go.Ohlc(x=df_OCHL.index,

　　open=df_OCHL['open'],

　　high=df_OCHL['high'],

　　low=df_OCHL['low'],

　　close=df_OCHL['close']))

　　fig_2.update(layout_xaxis_rangeslider_visible=False)

　　fig_2.show()

　　def OCHL(group_values):

　　min_ = min(group_values)

　　max_ = max(group_values)

　　range = max_ - min_

　　open = min_+range*random.random()

　　close = min_+range*random.random()

　　return min_, max_, open, close

　　def simulate_stock(initial_price, drift, volatility, trend, days):

　　days=days*24

　　def create_pdf(sd, mean, alfa):

　　# 反转阿尔法的信号

　　x = skewnorm.rvs(alfa, size=1000000)

　　def calc(k, sd, mean):

　　return (k*sd)+mean

　　x = calc(x, sd, mean) # 标准的分布

　　return x

　　def create_empty_df(days):

　　# 创建一个带有日期的空数据帧

　　empty = pd.DatetimeIndex(

　　pd.date_range("2020-01-01", periods=days, freq="D")

　　)

　　empty = pd.DataFrame(empty)

　　# 时间，分钟，秒都在减少

　　empty.index = [str(x)[0:empty.shape[0]] for x in list(empty.pop(0))]

　　# 最终数据集

　　stock = pd.DataFrame([x for x in range(0, empty.shape[0])])

　　stock.index = empty.index

　　return stock

　　#ran = create_pdf(0.1, 0.2, 0) #del?

　　#np.random.choice(ran) #del?

　　#skeleton

　　stock = create_empty_df(days)

　　#初识值

　　stock[0][0] = initial_price

　　# 创建整个股票数据框

　　x = create_pdf(volatility, drift, trend)

　　for _ in range(1, stock.shape[0]):

　　stock.iloc[_] = stock.iloc[_-1]*(1+np.random.choice(x))

　　stock.index = pd.DatetimeIndex(stock.index)

　　return stock

　　def simulate_OCHL_stock(df, graph_timeseries=False, graph_OCHL=False):

　　df_ = list()

　　#df.groupby(np.arange(len(df))//24).apply(OCHL) non funziona

　　# 这是正确的方法，但需要从0开始创建一个新的df

　　for a, b in df.groupby(np.arange(len(df))//24):

　　group_values = np.array(b.values).flatten()

　　low, high, open, close = OCHL(group_values)

　　df_.append([low, high, open, close])

　　df_OCHL = pd.DataFrame(df_, index=pd.Series(pd.date_range("2020-01-01", periods=365, freq="D")), columns=['low', 'high', 'open', 'close'])

　　#graph

　　if graph_timeseries==True: graph_stock(df)

　　if graph_OCHL==True:

　　fig = go.Figure(

　　data=go.Ohlc(x=df_OCHL.index,

　　open=df_OCHL['open'],

　　high=df_OCHL['high'],

　　low=df_OCHL['low'],

　　close=df_OCHL['close'])

　　)

　　fig.update(layout_xaxis_rangeslider_visible=False)

　　fig.show()

　　return df_OCHL

　　生成股票数据

　　我们可以看到，每当我运行该算法时，就会产生一个新的时间序列，有4个维度，每个维度代表股票的一个OCHL数据。默认情况下，该股票只工作了365天(毕竟是出于测试目的)。让我们看一下生成的数据。

　　我们可以通过使用嵌入的布尔参数**graph_timeseries和graph_OCHL**轻松地绘制数据。

　　收盘股价产生的数据

　　OCHL产生的数据

　　如果我们看一下DataFrame，生成的数据会是这样的。请注意，这种格式正是pandas_ta所要求的数据模式。

　　有开盘、收盘、最高、最低栏目的股票

　　创建备份

　　如果你不熟悉pandas的工作方式，我们不能简单地将一个DataFrame分配给第二个变量来复制它。我们需要使用copy函数来克隆原始DataFrame。

　　df_backup = df_OCHL.copy()

　　我之所以要复制数据，是因为 pandas_ta 会直接编辑我们应用技术分析策略的数据集。它的工作方式不像普通函数那样，我们可以输入我们的DataFrame，然后收到一个副本作为输出。

　　如果我们对程序模式的外观感到满意，我们可能不想在每次运行该算法时都创建一个全新的股票价格。这样一来，我们就可以安全地开始实验备份副本了。

　　应用pandas_ta strategy: SMA

　　最流行的技术分析策略被称为简单移动平均线。该技术包括创建两条不同长度的移动平均线，并使用交叉点作为买入和卖出信号。

　　#导入备份

　　df = df_backup.copy()MyStrategy = ta.Strategy(

　　name="DCSMA10",

　　ta=[

　　{"kind": "ohlc4"},

　　{"kind": "sma", "length": 10},

　　{"kind": "sma", "length": 20},

　　]

　　)

　　# 运行策略

　　df.ta.strategy(MyStrategy)

　　df = df.drop(['low', 'high', 'open'], axis=1)

　　graph_stock(df)

　　应用该策略后，我们可以看到新的列是如何被添加到我们的原始数据集中的。

　　两个不同长度的简单移动平均线

　　布林带

　　当然，我们也可以采用更复杂的技术，如布林带：这种策略包括当价格达到下限带以下时买入股票，当价格达到上限带以上时卖出。

　　我们的假设是，当趋势的导数(也就是瞬时变化率)根据我们的参数达到最大容忍度时，是股票反转趋势的适当时机。

　　#导入备份

　　df = df_backup.copy()MyStrategy = ta.Strategy(

　　name="strategy_3",

　　ta=[{

　　"close": 'close',

　　"kind": "bbands",

　　"length": 15,

　　"std": 2

　　}]

　　)

　　# 运行策略

　　df.ta.strategy(MyStrategy)

　　df = df.drop(['low', 'high', 'open'], axis=1)

　　graph_stock(df)

　　布林带的标准偏差为2

　　写在最后

　　Pandas_ta，特别是在设置之后，使用起来非常简单和直观，有80多个可用的指标，你可以简单地调用字符串。

上一篇

详解Python当前时间表示方法

下一篇

持续集成是什么意思