分类
打造被動收入超過薪水

如何在交易平台中使用 MA指标

零轴

传统趋势MA(如何在交易平台中使用 MA指标 移动平均)指标的计算方法

常用的趋势型指标包括:移动均线(MA)、振动升降指标(ASI )、佳庆指标(CHAIKIN)、平均差(DMA)、趋向指标(DMI )如何在交易平台中使用 MA指标 、区间振荡指标(DPO)、简易波动指标(EMA)、平滑异同移动平均线(MACD)、三重指数平滑平均线(TRIX )、终极指标(UOS )、十字滤线(VHF)、量价曲线(VPT)、威廉变异离散量(WVAD)等。这里重点研究其中最常用的MA、MACD、DMA和TRIX这4个指标的择时情况。

传统趋势MA(移动平均)指标的计算方法

股价移动平均线是日前股票市场上使用最简单、应用最广泛的技术分析方法之 一,由于移动平均线客观精确,适应性强,因而成为绝大多数研究运行趋势的基础。按照计算时间区间的不同,移动平均线可分为短期、长期等类型,一般来说,计算期间在20天以内称为短期,20天以上称为长期 。不同计算长度的移动均线可以用来判断不同时段市场的趋势。

移动平均的计算方法有多种,最常用的是算术移动平均,又称为简单移动平均 (SMA),其计算公式为:

移动平均的计算方法

听出买卖点,一招擒龙头,关注公众号 “老韩实盘”:laohanshipan(点击可复制) 回复关键词 “指标” 既可以免费领取一套龙头股战法合集!

EMA(指数平均数指标)到底是什么?

胡慢慢 ​ 如何在交易平台中使用 MA指标

假如我们现在有365天的温度,要求最近N天的平均温度值,其中 N \in [0, 365] 。

加权平均数

V_ = (\theta_1 + \theta_2 + \theta_ + . + \theta_) \div 365

指数加权平均是一种近似求平均的方法。

指数加权平均

v_ = \beta v_ + (1-\beta) \theta_

  • v_ : 约等于最近的 \frac天的平均温度值;(为啥是 \frac后面再讲)。
  • \theta_ :代表的是第t天的温度值;
  • \beta : 可调节的超参.

例如: \beta=0.9 如何在交易平台中使用 MA指标 ,t=100, v_ \approx 90到100这十天的平均温度。

v_ = \beta v_ + (1 - \beta) \theta_

v_ = \beta v_ + (1 - \beta) \theta_

v_ = \beta v_ + (1 - \beta) \theta_

设置不同的 如何在交易平台中使用 MA指标 \beta 会是什么样子呢?

\beta = 0.9 ,代表的是最近10天的平均温度值,对应下图中的红线.

\beta = 0.98 ,代表的是最近50天的平均温度值,对应下图中的绿线.

\beta = 0.5 ,代表的是最近2天的平均温度值,对应下图中的黄线,可以看到这时候和每天的温度值基本就是吻合的.

我们把公式展开一下,看看这个算法是怎么作用于 \theta_ 的,以 v_ 为例。

v_= 0.1\theta_ + 0.9v_ \\ = 0.1\theta_ + 0.如何在交易平台中使用 MA指标 9( 0.1\theta_ + 0.9v_) \\ =. \\ = 0.1\theta_ + 0.1 * 0.9 \theta_ + 0.1 * 如何在交易平台中使用 MA指标 0.9 ^\theta_ + . + 0.1 * 0.9 ^\theta_

到这里我们就很清楚 v_ 实际上是对每天温度的加权平均,时间越近,权重越大,而且是指数式的,所以叫做指数加权平均。 假如我们以1/e为一个分界点,认为权重小于1/e对整个结果影响很小,权重指数衰减到这个值之后的项就可以忽略不计了,那当 \beta 取值的时候,多久才可以衰减到1/e呢?

如何在交易平台中使用 MA指标

MACD指标定义

通俗来说,MACD指标是基于均线的构造原理,对价格收盘价进行平滑处理(求出加权平均值)后的一种趋向类指标 [1] 。

而更为学术的解释,是指平滑异同移动平均线(Moving average convergence and divergence, 简称MACD),从名字可以看出,它是从移动平均线发展而来的,前面带有“异同”两字,说明它的产生至少得和两个引动平均线相关。由Gerald Appel于1970年代提出,用于研判股票价格变化的强度、方向、能量,以及趋势周期,以便把握股票买进和卖出的时机 [2] 。

MACD指标的形态组成

通过下图可以看到,MACD指标是由白色的DIF线(快线)和黄色的DEA线(慢线),零轴(多空分界线)以及MACD红柱绿柱状线组成的。

MACD指标

两条不同的平滑曲线,DIF快线与DEA慢线的交叉点类型分为金叉死叉 [3]

红色柱状图代表两条曲线的差值为正绿色柱状图代表两条曲线的差值为负。柱状图反映了目前趋势的势能。

正值区域和负值区域

零轴

MACD的计算公式

MACD的主要构成部分包括正负差(DIF)异同平均数(DEA)柱状线(BAR)。正负差是构成整个指标体系的核心。正负差是快速移动平均线与慢速移动平均线之间分离和聚合的一种差离值表现形式 [4] ,其计算公式为 [5]

DIF=EMA(12)如何在交易平台中使用 MA指标 -EMA(26)

今日EMA(12)=今日收盘价×2+(12+1)+昨日EMA(12)×(12-1)÷(12+1)

今日EMA(26)=今日收盘价×2+(26+1)+昨日EMA(26)×(26-1)÷(26+1)

计算出正负差之后,再用平滑移动平均数的方式来计算正负差的9日移动平均数,即为异同平均数(DEA)。平滑系数设定为0.2。也就是,

DEA=前日的9日DEA+0.2(当前DIF-前日9日DEA) [5]

MACD指标的应用

MACD指标属于趋势跟踪指标,不适用与横盘行情

零轴以下为空头强势。如果柱状图在零轴下持续增长幅度由大变小,则表示跌幅变小;当快线在零轴下超过慢线,出现金叉,是买入信号的参考 [3]

零轴以上为多头强势。如果柱状图在零轴上持续增长幅度由大变小,则表示涨幅变小;当慢线在零轴上超过快线,出现死叉,是卖出信号的参考

买入和卖出信号发出

注意:MACD柱状图及曲线反映了股价的趋势,具有一定的滞后性,比如金叉出现前,股价已经上升;死叉出现前,股价已经下跌。

此外,高位的两个死叉,并形成依次向下的峰,而此时股份还在一个劲地上涨,这叫顶背离,是卖出信号。

顶背离

低位的两个金叉,并形成依次向上的峰,而此时股份还在一个劲地下跌,这叫底背离,是买入信号 [6]

底背离

金叉(死叉)位置越低(高)越好,交叉次数越多越好。需要再次注意的是,MACD指标是基于据选的构造原理,所以继承了均线类指标对趋势追踪的滞后特性。

MACD指标局限性

MACD指标对于股票投资者来说更多的是当成一个中线买卖的指标参考,对于短线来说并不十分有效。其存在着和移动平均线一样的缺点,即在短期盘整也就是市场趋势忽高忽低变化并不明显时,MACD信号会反复登场,混淆投资者的决策,投资者进行交易不但获得不到收益,还会影响投资者心态,造成不必要的损失 [4] 。

其实从另一个方面来说,某个技术指标越是有效,那失效的也就越快。因为股市的规律不是物理规律,也不是数学计算公式的规律,它是人与人的买卖博弈。我们看到那些技术指标,只是以前的股票高手对历史K线的一种经验总结,并不能用数学进行逻辑证明的。当买卖双方的交易行为变了,所谓的技术指标也就失效了 [3] 。

Python量化分析之EMA指标

大黄先僧 于 2020-07-13 23:49:45 发布 4916 收藏 16

EMA指标介绍

EMA计算公式

EMA(Exponential Moving Average)是指数移动平均值。也叫 EXPMA 指标,它也是一种趋向类指标,指数移动平均值是以指数式递减加权的移动平均。来自百度百科
在股票市场中,EMA是常用的一项技术指标,简单的介绍MA的升级版,在求一段连续交易日的收盘价的均价趋势,可以很好的表示。通常使用EMA(N)来表示N日的指数移动平均值,其计算公式如下:

Xn为当日收盘价,对于它的介绍,不做过多的阐述,有很多文章都进行了很详细的介绍,感兴趣的小伙伴可以自行查阅。今天主要是应用Python在本地实现这一指标技术。

Pandas.DataFrame.ewm()

在使用程序实现EMA指标之前,先给小伙伴简单介绍pandas库的ewm方法,先来看看官方文档给的方法:
DataFrame.ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, axis=0)
其中span、halflife、alpha这三个参数只选一个,我选的是span(其它两个感兴趣的可以去看官方文档。之所以选择span,是因为经过一系列代入化简之后,它就相当于上面EMA公式中的N.其它参数也不介绍了,等有时间的话在专门写一篇来介绍这个方法(我现在也不是很懂哈哈哈

Python本地EMA指标计算

这样便完成了对EMA指标的计算,计算出来的值与一些量化平台的值有0.01左右的差距,对于N日的计算所需要的数据都是不确定的,感兴趣的可以研究。其实也没啥难度,不过我倒是整了几天才把它弄明白,在公式上卡了 好几天。
第一次在CSDN上记录自己的学习过程,需要各位大佬多多指教!
刚刚入门量化分析,对很多知识不太明白,如有错误,请指出,谢谢!