如何使用Python判断牛熊，
如何使用Python判断牛熊，
本文转载自微信公众号「区块链研究实验室」，作者链三丰。转载本文请联系区块链研究实验室公众号。
有许多方法可以判断谁是公牛还是空头，而艾达透视指标的“牛熊力量指标”就是其中的一种，它使用简单的公式来近似估算这种隐含的技术实力。今天，我们将对指标进行编码和回测，然后从客观的角度对其进行判断。
创建牛市和熊市实力指数
上古雷指数MEAs数字购销压力量和两个柱状图，其中一个就是所谓的多头力量和其他的空头力量的。直方图是根据以下公式计算的：
EMA变量指的是指数移动平均线，它是一种移动平均线，将更多的权重放在最近的值上。
可以使用以下功能来计算指数移动平均值：
- def ma(Data, lookback, what, where):
- for i in range(len(Data)):
- try:
- Data[i, where] = (Data[i - lookback + 1:i + 1, what].mean())
- except IndexError:
- pass
- return Data
- def ema(Data, alpha, lookback, what, where):
- # alpha is the smoothing factor
- # window is the lookback period
- # what is the column that needs to have its average calculated
- # where is where to put the exponential moving average
- alpha = alpha / (lookback + 1.0)
- beta = 1 - alpha
- # First value is a simple SMA
- Data = ma(Data, lookback, what, where)
- # Calculating first EMA
- Data[lookback + 1, where] = (Data[lookback + 1, what] * alpha) + (Data[lookback, where] * beta)
- # Calculating the rest of EMA
- for i in range(lookback + 2, len(Data)):
- try:
- Data[i, where] = (Data[i, what] * alpha) + (Data[i - 1, where] * beta)
- except IndexError:
- pass
- return Data
第一个面板中的EURUSD和50周期的牛熊指标
上面显示了EURUSD每小时数据，第二个面板中有50个周期的牛熊指标。在继续执行指标代码之前，我们必须编写两个简单的函数：
- def deleter(Data, index, times):
- for i in range(1, times + 1):
- Data = np.delete(Data, index, axis = 1)return Data
- def jump(Data, jump):
- Data = Data[jump:, ]
- return Data
现在，我们准备好代码了。记住要准备好OHLC阵列。
- def bull_bear_power(Data, lookback, what, high, low, where):
- # Adding the required columns
- Data = adder(Data, 3)
- # Calculating the exponential moving average
- Data = ema(Data, 2, lookback, what, where)
- # Calculating the Bull Power
- Data[:, where + 1] = Data[:, high] - Data[:, where]
- # Calculating the Bear Power
- Data[:, where + 2] = Data[:, where] - Data[:, low]
- # Deleting initial empty rows
- Data = jump(Data, lookback)
- return Data
USDCHF位于第一个面板中，并且是50周期的牛熊指标。
要对上面的图表进行编码，我们可以使用以下函数：
- def indicator_plot_double_bull_bear(Data, name = '', name_ind = '', window = 250):
- fig, ax = plt.subplots(2, figsize = (10, 5))
- Chosen = Data[-window:, ]
- for i in range(len(Chosen)):
- ax[0].vlines(x = i, ymin = Chosen[i, 2], ymax = Chosen[i, 1], color = 'black', linewidth = 1)
- ax[0].grid()
- for i in range(len(Chosen)):
- ax[1].vlines(x = i, ymin = 0, ymax = Chosen[i, 6], color = 'green', linewidth = 1)
- ax[1].vlines(x = i, ymin = Chosen[i, 7], ymax = 0, color = 'red', linewidth = 1)
- ax[1].grid()
- ax[1].axhline(y = 0, color = 'black', linewidth = 0.5, linestyle = '--')
- # The above code considers columns 6 and 7 to inhibit Bull Power and Bear Power respectively.
回测简单策略
与任何适当的研究方法一样，其目的是对指标进行回测，并能够自己查看是否值得将其作为我们先前存在的交易框架的补充。请注意，以下内容仅对过去10年中仅对10个货币对的一个时间范围进行回测。这可能不是该策略的最佳时限，但我们只是试图找到一种“一刀切”的“几乎适合所有人”的策略。
条件已简化，我们将基于主观障碍使用逆势方法：
- 当牛市力量指标达到-0.001并且前两个值大于0.001时，做多(买入)。保持该位置，直到收到新信号(该位置已关闭)。
- 每当熊市力量指标达到0.001(前两个值均低于0.001)时，做空(卖出)。保持该位置，直到收到新信号(该位置已关闭)。
欧元兑美元的信号图。
- def signal(Data, bull_power, bear_power, buy, sell):
- for i in range(len(Data)):
- if Data[i, bull_power] < lower_barrier and Data[i - 1, bull_power] > lower_barrier :
- Data[i, buy] = 1
- if Data[i, bear_power] < lower_barrier and Data[i - 1, bear_power] > lower_barrier:
- Data[i, sell] = -1
USDCHF上的信号图
根据自2010年以来按小时数据散布的0.5个基点得出的结果，并且没有采用风险管理算法，得出的结果如下。
效果表
遵循该策略的股权曲线
显然，该指标并没有增加价值。尝试优化甚至更改与之相关的策略可能会更好。我们可能可以添加一些熊市条件来验证看涨信号，并添加一些牛市条件来验证看跌信号。
我们还可以相应地调整回溯和障碍。我们可以做的最后一件事是将策略从逆势转变为遵循趋势。
结论
记住要经常做背部测试。即使我提供了指标的功能(而不只是吹牛说它是圣杯，并且它的功能是秘密)，您也应该始终相信其他人是错误的。我的指标和交易风格对我有用，但可能并非对每个人都适用。我依靠以下规则：
市场价格在超过50%的时间内无法预测或很难预测。但是市场反应是可以预测的。
意思是，我们可以在一个区域周围形成一个小区域，并可以确信地说市场价格将对该区域周围的区域产生反应。但是我们不能真正说它会从那里下跌4%，然后再次测试，并在第三次尝试跌至103.85美元时突破。由于我们预测过度，因此误差项呈指数级增长。
评论关闭