为K线序列管理添加变动百分比属性，和一个简单分析-创新互联
一般K线数据，主要是记录HLOC（High，Low，Open，Close）四个值，再加上Volume交易量。在做基于K线分析时候，变动百分比也是一个经常考虑数值。这里说下增加变动百分比的属性。
其实还是很简单，如果不考虑跳空的话，就是（Close - Open）* 100.0 / Open; 考虑到跳空的话，就是当前K线结束值前取上个K线结束值，再处于上个K线结束值即可。
如果有个close的值队列的，示例代码如下
closelist = [100,99,101,103,105,109] def getPrecentlist(inputlist): precentlist = [] for i in range(1,len(inputlist)): precent = (inputlist[i] - inputlist[i-1])*100.0/inputlist[i-1] precentlist.append(precent) return precentlist getPrecentlist(closelist)
返回就是如下百分比队列。
[-1.0,2.0202020202020203,1.9801980198019802,1.941747572815534,3.8095238095238093]
同理， 在VNPY的K线序列管理工具ArrayManager，可以加入下面代码。按照属性返回百分比序列
@property def percent(self): """获取百分比序列""" arrayold = self.closeArray[0:self.size - 1] arraynew = self.closeArray[1:self.size] return map(lambda (closenew, closeold): (closenew - closeold)*100.0/closeold,zip(arraynew, arrayold))
这里稍微有点玄机，就是利用了lambda把原来function简化，同时用zip生成一个当前close和前一个close的元祖，来调来计算。
下面使用之前做的DataFrame anaylzer做的一些分析。对于豆粕m1905，从2018年09月1日到现在，10分钟K的变动百分比。
首先不出所料，precent以0为中轴的高斯分布。
比较出乎意料的是，对于大和最小的百分之一到百分之五的K线，之后的2，4，6个K线结束时候，过半数是反转掉头的。我原来以为如果有个大的K线向上，之后回顺着向上，但是看起来，反转更能多出现。
Precent 大于 0.4312038575295748, 99时候，k线数量为 54，第二根K线结束价格上涨概率为 31.48148148148148%;
Precent 小于于 -0.4345589035350628, 1时候，k线数量为 54, 第二根K线结束价格下跌概率为 38.888888888888886%
Precent 大于 0.4312038575295748, 99时候，第四根K线结束价格上涨概率为 33.333333333333336%
Precent 小于于 -0.4345589035350628, 1时候，第四根K线结束价格下跌概率为 48.148148148148145%
Precent 大于 0.4312038575295748, 99时候，第六根K线结束价格上涨概率为 35.18518518518518%
Precent 小于于 -0.4345589035350628, 1时候，第六根K线结束价格下跌概率为 46.2962962962963%
Precent 大于 0.31567899447202463, 98时候，k线数量为 107，第二根K线结束价格上涨概率为 38.3177570093458%;
Precent 小于于 -0.3369829012686155, 2时候，k线数量为 107, 第二根K线结束价格下跌概率为 36.44859813084112%
Precent 大于 0.31567899447202463, 98时候，第四根K线结束价格上涨概率为 37.38317757009346%
Precent 小于于 -0.3369829012686155, 2时候，第四根K线结束价格下跌概率为 41.12149532710281%
Precent 大于 0.31567899447202463, 98时候，第六根K线结束价格上涨概率为 33.64485981308411%
Precent 小于于 -0.3369829012686155, 2时候，第六根K线结束价格下跌概率为 40.18691588785047%
Precent 大于 0.27096928404930803, 97时候，k线数量为 160，第二根K线结束价格上涨概率为 39.375%;
Precent 小于于 -0.2776041810690485, 3时候，k线数量为 160, 第二根K线结束价格下跌概率为 36.25%
Precent 大于 0.27096928404930803, 97时候，第四根K线结束价格上涨概率为 40.625%
Precent 小于于 -0.2776041810690485, 3时候，第四根K线结束价格下跌概率为 41.875%
Precent 大于 0.27096928404930803, 97时候，第六根K线结束价格上涨概率为 40.0%
Precent 小于于 -0.2776041810690485, 3时候，第六根K线结束价格下跌概率为 42.5%
Precent 大于 0.23543815932988155, 96时候，k线数量为 213，第二根K线结束价格上涨概率为 37.55868544600939%;
Precent 小于于 -0.24673951357067325, 4时候，k线数量为 214, 第二根K线结束价格下跌概率为 38.78504672897196%
Precent 大于 0.23543815932988155, 96时候，第四根K线结束价格上涨概率为 40.375586854460096%
Precent 小于于 -0.24673951357067325, 4时候，第四根K线结束价格下跌概率为 43.925233644859816%
Precent 大于 0.23543815932988155, 96时候，第六根K线结束价格上涨概率为 39.436619718309856%
Precent 小于于 -0.24673951357067325, 4时候，第六根K线结束价格下跌概率为 43.925233644859816%
但是，我尝试用这个规律做继续分析收益的时候，发现虽然继续向上或者向下次数不多，但是往往是巨量的，这样如果下一个反转的单子意味着巨亏。这个就是虽然小于50%出现，但是来一次都是高风险呀。
DataFrame 分析代码如下：
# encoding: UTF-8
from pymongo import MongoClient, ASCENDING
import pandas as pd
import numpy as np
from datetime import datetime
import talib
import matplotlib.pyplot as plt
import scipy.stats as scs
class DataAnalyzer(object):
def __init__(self, exportpath="C:\Project\\", datformat=['datetime', 'high', 'low', 'open', 'close','volume']):
self.mongohost = None
self.mongoport = None
self.db = None
self.collection = None
self.df = pd.DataFrame()
self.exportpath = exportpath
self.datformat = datformat
def db2df(self, db, collection, start, end, mongohost="localhost", mongoport=27017, export2csv=False):
"""读取MongoDB数据库行情记录，输出到Dataframe中"""
self.mongohost = mongohost
self.mongoport = mongoport
self.db = db
self.collection = collection
dbClient = MongoClient(self.mongohost, self.mongoport, connectTimeoutMS=500)
db = dbClient[self.db]
cursor = db[self.collection].find({'datetime':{'$gte':start, '$lt':end}}).sort("datetime",ASCENDING)
self.df = pd.DataFrame(list(cursor))
self.df = self.df[self.datformat]
self.df = self.df.reset_index(drop=True)
path = self.exportpath + self.collection + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def csv2df(self, csvpath, dataname="csv_data", export2csv=False):
"""读取csv行情数据，输入到Dataframe中"""
csv_df = pd.read_csv(csvpath)
self.df = csv_df[self.datformat]
self.df["datetime"] = pd.to_datetime(self.df['datetime'])
self.df = self.df.reset_index(drop=True)
path = self.exportpath + dataname + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def df2Barmin(self, inputdf, barmins, crossmin=1, export2csv=False):
"""输入分钟k线dataframe数据，合并多多种数据，例如三分钟/5分钟等，如果开始时间是9点1分，crossmin = 0；如果是9点0分，crossmin为1"""
dfbarmin = pd.DataFrame()
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
datetime = 0
for i in range(0, len(inputdf) - 1):
bar = inputdf.iloc[i, :].to_dict()
if openBarMin == 0:
openBarmin = bar["open"]
if highBarMin == 0:
highBarMin = bar["high"]
else:
highBarMin = max(bar["high"], highBarMin)
if lowBarMin == 0:
lowBarMin = bar["low"]
else:
lowBarMin = min(bar["low"], lowBarMin)
closeBarMin = bar["close"]
datetime = bar["datetime"]
volumeBarmin += int(bar["volume"])
# X分钟已经走完
if not (bar["datetime"].minute + crossmin) % barmins: # 可以用X整除
# 生成上一X分钟K线的时间戳
barMin = {'datetime': datetime, 'high': highBarMin, 'low': lowBarMin, 'open': openBarmin,
'close': closeBarMin, 'volume' : volumeBarmin}
dfbarmin = dfbarmin.append(barMin, ignore_index=True)
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
if export2csv == True:
dfbarmin.to_csv(self.exportpath + "bar" + str(barmins)+ str(self.collection) + ".csv", index=True, header=True)
return dfbarmin
#--------------------------------------------------------------
def Percentage(self, inputdf, export2csv=True):
""" 计算 Percentage """
dfPercentage = inputdf
for i in range(1, len(inputdf)):
if dfPercentage.loc[ i - 1, "close"] == 0.0:
percentage = 0
else:
percentage = ((dfPercentage.loc[i, "close"] - dfPercentage.loc[i - 1, "close"]) / dfPercentage.loc[ i - 1, "close"]) * 100.0
dfPercentage.loc[i, "Perentage"] = percentage
dfPercentage = dfPercentage.fillna(0)
dfPercentage = dfPercentage.replace(np.inf, 0)
if export2csv == True:
dfPercentage.to_csv(self.exportpath + "Percentage_" + str(self.collection) + ".csv", index=True, header=True)
return dfPercentage
def resultValuate(self,inputdf, nextBar, export2csv=True):
summayKey = ["Percentage","TestValues"]
dft = pd.DataFrame(columns=summayKey)
def addResultBar(self, inputdf, export2csv = False):
dfaddResultBar = inputdf
######cci在（100 - 200),(200 -300）后的第2根，第4根，第6根的价格走势######################
dfaddResultBar["next2BarClose"] = None
dfaddResultBar["next4BarClose"] = None
dfaddResultBar["next6BarClose"] = None
dfaddResultBar["next5BarCloseMakrup"] = None
for i in range(1, len(dfaddResultBar) - 6):
dfaddResultBar.loc[i, "next2BarPercentage"] = dfaddResultBar.loc[i + 2, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next4BarPercentage"] = dfaddResultBar.loc[i + 4, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next6BarPercentage"] = dfaddResultBar.loc[i + 6, "close"] - dfaddResultBar.loc[i, "close"]
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = 1
dfaddResultBar = dfaddResultBar.fillna(0)
if export2csv == True:
dfaddResultBar.to_csv(self.exportpath + "addResultBar" + str(self.collection) + ".csv", index=True, header=True)
return dfaddResultBar
def PrecentAnalysis(inputdf):
dfPercentage = inputdf
#######################################分析分布########################################
plt.figure(figsize=(10,3))
plt.hist(dfPercentage['Perentage'],bins=300,histtype='bar',align='mid',orientation='vertical',color='r')
plt.show()
for Perentagekey in range(1,5):
lpHigh = np.percentile(dfPercentage['Perentage'], 100-Perentagekey)
lpLow = np.percentile(dfPercentage['Perentage'], Perentagekey)
de_anaylsisH = dfPercentage.loc[(dfPercentage["Perentage"]>= lpHigh)]
HCount = de_anaylsisH['Perentage'].count()
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"] <= lpLow)]
LCount = de_anaylsisL['Perentage'].count()
percebtage = de_anaylsisH[de_anaylsisH["next2BarClose"]>0]["next2BarClose"].count()*100.000/HCount
de_anaylsisHsum = de_anaylsisH["next2BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next2BarPercentage"].sum()
print('Precent 大于 %s, %s时候，k线数量为 %s，第二根K线结束价格上涨概率为 %s%%;' %(lpHigh,100-Perentagekey,HCount , percebtage))
print('和值 %s' %(de_anaylsisHsum))
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"]<= lpLow)]
percebtage = de_anaylsisL[de_anaylsisL["next2BarClose"]<0]["next2BarClose"].count()*100.000/LCount
print('Precent 小于于 %s, %s时候，k线数量为 %s, 第二根K线结束价格下跌概率为 %s%%' %(lpLow,Perentagekey,LCount, percebtage))
print('和值 %s' %(de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next4BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next4BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next4BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print('Precent 大于 %s, %s时候，第四根K线结束价格上涨概率为 %s%%' % (lpHigh, 100 - Perentagekey, percebtage))
# print('和值 %s' % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next4BarClose"] < 0]["next2BarClose"].count() * 100.000 / LCount
print('Precent 小于于 %s, %s时候，第四根K线结束价格下跌概率为 %s%%' % (lpLow, Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next6BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next6BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next6BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print('Precent 大于 %s, %s时候，第六根K线结束价格上涨概率为 %s%%' % (lpHigh, 100 - Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next6BarClose"] < 0]["next2BarClose"].count() * 100.000 /LCount
print('Precent 小于于 %s, %s时候，第六根K线结束价格下跌概率为 %s%%' % (lpLow, Perentagekey, percebtage))
print('和值 %s' % (de_anaylsisLsum))
if __name__ == '__main__':
DA = DataAnalyzer()
#数据库导入
start = datetime.strptime("20180901", '%Y%m%d')
end = datetime.today()
df = DA.db2df(db="VnTrader_1Min_Db", collection="m1905", start = start, end = end)
#csv导入
# df = DA.csv2df("rb1905.csv")
df10min = DA.df2Barmin(df,10)
dfPercentage = DA.Percentage(df10min)
dfPercentage = DA.addResultBar(dfPercentage)
PrecentAnalysis(dfPercentage)
当前文章：为K线序列管理添加变动百分比属性，和一个简单分析-创新互联
网站路径：http://shouzuofang.com/article/pjooi.html