· 对个股,我们利用了其到当前时候的累积成交额、除于其到当前时候的累积成交量,这样就得到了从开盘以来,到当前时候的均匀成交价。

· np.cumsum(money)/np.cumsum(volume)

· 这里money、volume都是np.array数组(通过get_bars得到),对它们进行np.cumsum之后,仍旧是一个np.array数组;此外两个同维度的np.array数组进行四则运算,得到的结果仍旧是与输入相同维度的np.array数组。
这是numpy运算的广播特性。
当我们利用这个特性来进行大规模的数学运算时,可以得到很好的性能。

· 对指数,由于指数体例方法不同,上述方法不能见效。
因此我们利用了从开盘以来,直到现在所有价格的均匀值。
这也是同花顺分时均价线的一个算法。
np.cumsum(close)/np.count_nonzero(close > 0)

实战AI量化交易3均线策略

· 这里close是每分钟收盘价,仍旧是一个numpy数组。
np.cumsum(close)是求从开盘以来,到每一个元素所在的位置的收盘价的累加。
np.count_nonzero(close > 0)实际上是要打算对应被累加的收盘价个数。

在K线图中,我们利用另一种办法来打算均线,即利用移动均匀(moving average,简称ma)。
与上述方法中,总是利用从开盘以来、到当前为止的所有收盘价代入打算不同,我们在打算ma值时,只利用滑动窗口以内的那些收盘价,由于过早的数据,可能对当下并没有太多意义。

我们仍旧利用numpy来打算ma的值。
把稳,在上一章我们通过get_bars来获取行情数据时,我们推举改写参数df=False,以返回numpy structured array数据构造的数据。
反之,返回的行情数据是pandas.DataFrame的。

这里我们要打仗一个科学函数,convolve,即卷积。

这里我们利用了长度为win,每个元素为1/win的卷积核。
当我们有其它旗子暗记平滑处理哀求时,我们可能利用别的卷积核,比如高斯核:

现在我们来考试测验求一个日线的ma5:

与行情软件对照,结果千篇一律。
利用np.convovle的上风在于其速率。
假设我们现在要对全市场所有的股票求日线的ma5,这须要多少韶光呢?有人曾经利用过talib,由于须要进行循环,以是末了须要好几分钟才能算出来。
我们来试一下:

上面的代码中由于我们只关心打算速率,以是我们通过repeat,把已拿到的上证指数的收盘价重复了4000遍,这相称于获取了全市场的收盘价。
然后我们直接对这个新的数组(一个有44000维的巨大数组)求移动均值,结果创造,只共只须要89us(利用的2015年的curo i7)。

当然,上面的代码只是为了演示如何进行性能优化,这样打算出来的结果,还必须进行后处理才能利用,由于它把前后相连的两支股票会放在一起打算均值。
这里我们利用性能上略慢一点的scipy中的函数:

将结果进行对照,打算完备精确。
对4000支股票打算5日均线值,只花了645us。

在代码中我们把稳了性能优化,这样就带来了一定的阅读难度,但为了贴近实战,后面大家会创造,实战中对性能哀求还是很高的

求直线的斜率

如果你用过通达信软件的公式,就知道它供应了一个名为slope的函数。
不过由于帮助文档不足清楚的关系,我一贯不知道这个函数该当怎么用。
比如,看上去是斜率公式,那它的单位是什么?倾角?还是一次性系数?

但是,干系的概率在短线中还是很有用的。
比如,如果一支大涨后的股票进入盘整阶段,当前已靠近某均线;此时是否可以买入呢?如果均线有较好的支撑浸染,很可能该股立时转入主升;如果均线支撑力度不强,则有可能还会连续下跌。

判断均线支撑力度强弱的标准是什么?这里我们给一个斜率因子。
如果均线的斜率越大,则支撑越强。

如果均线在K线图上显示为一条近似直线的话,那么就可以利用一次项拟合来求得其斜率。

得到的斜率是0.73%。
这里的斜率意味着每过1天,大盘MA5上涨0.73%,也便是20多个点。
这也解释大盘最近相称强势,在过去一年里,有多少天是这样的呢?留给大家作为习题吧,评论区给解答。
当然,如果斜率函数能给出均线与横轴的夹角,那就更直不雅观了。
然而,这里有一个误区。
均线与横轴的夹角,不只取决于均线走势本身,还取决于我们如何绘制均线。
在后面的深度学习章节里,我们会把这些数据图形化,再通过CNN网络来学习,那时候我们再详细谈论这种误区。

均线策略1 - 均线多头排列

假设我们要找出近期刚涌现均线多头的股。
为了便于演示,我们就找5,10,20均线多头的好了。

结果为真。
大家知道,A股在6月尾、7月初形成一股主升浪。
如果我们早就知道这个方法,并且始终在用程序监控的话,是否也能捉住今年这最大的一波行情呢?

均线策略 - 月线回踩

这是近期一只上涨的股票的月线图,很可能是一只大牛股、慢牛股。

我们看到月均线呈直线上升之势,而且在7月、8月、9月都回踩过均线。
如果在回踩均线时参与,真是进可攻、退可守的好棋。
现在,我们就利用均线多头加斜率参数来找出这种股。

上面图形中的这只个股,它的月线斜率是0.069,也便是月线的ma5每个月上涨6.9%,这是一个相称好的涨幅,由于这是均线的上涨,实际股价的上涨要比这个高一些,但也还没有到末了的主升浪的猖獗期。
不才面的函数中,我们将月线斜率设置为0.04,以便筛选出处在上涨早期的个股。

共产生了110个旁边的旗子暗记,我在这里选取了16个:

16朵娇艳的玫瑰。
我爱她们。
她们有的含羞待放,有的艳不可挡,有的丰韵犹存,在大盘的呵护下,或许还能摇荡生姿直到这个深秋。

这些股票最好的买入点,是等它回到5月均线的那一天。
大概你没有耐心每天对着100多支股票去检讨有没有到5月均线,没紧要,我们即将推出一个智能监控工具,现在供应首批25名免费名额,欢迎预约!

结束语

好了。
这一章的紧张内容就到这里。
你或许已经把稳到,我们没有提及任何经典的指标,比如macd,kdj,rsi,bolling band等等。
这些指标属于历史,也不属于这里的股市。
在媒介那一章里,我们已或多或少谈起过这个话题。
但是,如果你特殊好奇的话,你可以利用talib库。
这是一个c++的库,有python的接口,它供应了险些所有经典指标的打算,而且险些绝瞄准确(这一点是非常主要的!
)。
然而,在我们的教程中,我们险些都利用numpy,scipy,它们与python集成更好,而且能供应更好的性能。

纵然只以我们现在先容的内容,就足以创造打开财富大门的钥匙。
如果你对照本文反复练习,你就会相信这一点。
当然,这里还存在一些交易技巧和看盘技巧没有讲,须要你自己去琢磨。
请关注本号吧,随着我们进入到机器学习和深度学习的部分,你还会节制更加高等、丰富和稳健的策略!
为了方便大家系统跟学本教程,我们在底部菜单的 AI量化交易 菜单栏下供应了全文的目录。