python技术分析指标_技术分析（Technical Analysis）指标库

TA-Lib是一个Python库，封装了用C语言实现的金融交易技术分析的诸多常用指标。为了方便用户在DolphinDB中计算这些技术指标，我们使用DolphinDB脚本实现了TA-Lib中包含的指标函数，并封装在DolphinDB ta module (ta.dos)中。 使用ta模块需要DolphinDB Database Server 1.10.3 或以上版本。

1. 函数及参数的命名与用法规范与TA-Lib中所有函数名大写以及所有参数名小写的规范不同，ta模块中，函数名及参数名均采用驼峰式命名法。

例如，TA-Lib中DEMA函数的语法为DEMA(close, timeperiod=30)。在ta模块中相应的函数为dema(close, timePeriod)。TA-Lib中某些函数有可选参数。ta模块中，所有参数皆为必选。

为得到有意义的结果，ta模块中函数的参数timePeriod要求至少是2。

2. 使用范例

2.1 脚本中直接使用指标函数

对一个向量直接使用ta模块中的wma函数进行计算：

use ta

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63

x = wma(close, 5);

2.2 在SQL语句中分组使用

用户经常需要在数据表中对多组数据在每组内进行计算。在以下例子中，我们构造了一个包含2个股票的数据表：

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72

date = (2020.03.02 + 0..4 join 7..11).take(20)

symbol = take(`F,10) join take(`GPRO,10)

t = table(symbol, date, close)

对其中每只股票使用ta模块中的wma函数进行计算：

update t set wma = wma(close, 5) context by symbol

2.3 返回多个列的结果

某些函数会返回多个列的结果，例如函数bBands。

直接使用的例子：

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63

low, mid, high = bBands(close, 5, 2, 2, 2);

在SQL语句中使用的例子：

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72

date = (2020.03.02 + 0..4 join 7..11).take(20)

symbol = take(`F,10) join take(`GPRO,10)

t = table(symbol, date, close)

select *, bBands(close, 5, 2, 2, 2) as `high`mid`low from t context by symbol

symbol date close high mid low

------ ---------- ----- -------- -------- --------

F 2020.03.02 7.2

F 2020.03.03 6.97

F 2020.03.04 7.08

F 2020.03.05 6.74

F 2020.03.06 6.49 7.292691 6.786 6.279309

F 2020.03.09 5.9 7.294248 6.454 5.613752

F 2020.03.10 6.26 7.134406 6.328667 5.522927

F 2020.03.11 5.9 6.789441 6.130667 5.471892

F 2020.03.12 5.35 6.601667 5.828 5.054333

F 2020.03.13 5.63 6.319728 5.711333 5.102939

GPRO 2020.03.02 3.81

GPRO 2020.03.03 3.935

GPRO 2020.03.04 4.04

GPRO 2020.03.05 3.74

GPRO 2020.03.06 3.7 4.069365 3.817333 3.565302

GPRO 2020.03.09 3.33 4.133371 3.645667 3.157962

GPRO 2020.03.10 3.64 4.062941 3.609333 3.155726

GPRO 2020.03.11 3.31 3.854172 3.482667 3.111162

GPRO 2020.03.12 2.69 3.915172 3.198 2.480828

GPRO 2020.03.13 2.72 3.738386 2.993333 2.24828

3. 性能说明

ta模块中的函数与TA-Lib中对应函数相比，直接使用时的平均速度相似，但在分组计算时，ta模块中的函数性能远超TA-Lib中对应函数。本节的性能对比，我们以wma函数为例。

3.1 直接使用性能对比

在DolphinDB中：

use ta

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63

close = take(close, 1000000)

timer x = wma(close, 5);

对一个长度为1,000,000的向量直接使用ta模块中的wma函数，耗时为3毫秒。

与之对应的Python语句如下：

close = np.array([7.2,6.97,7.08,6.74,6.49,5.9,6.26,5.9,5.35,5.63,5.01,5.01,4.5,4.47,4.33])

close = np.tile(close,100000)

import time

start_time = time.time()

x = talib.WMA(close, 5)

print("--- %s seconds ---" % (time.time() - start_time))

TA-Lib中WMA函数耗时为11毫秒，为DolphinDB ta module中wma函数的3.7倍。

3.2 分组使用性能对比

在DolphinDB中，构造一个包含1000只股票，总长度为1,000,000的数据表：

n=1000000

close = rand(1.0, n)

date = take(2017.01.01 + 1..1000, n)

symbol = take(1..1000, n).sort!()

t = table(symbol, date, close)

timer update t set wma = wma(close, 5) context by symbol;

使用ta模块中的wma函数对每只股票进行计算，耗时为17毫秒。

与之对应的Python语句如下：

close = np.random.uniform(size=1000000)

symbol = np.sort(np.tile(np.arange(1,1001),1000))

date = np.tile(pd.date_range('2017-01-02', '2019-09-28'),1000)

df = pd.DataFrame(data={'symbol': symbol, 'date': date, 'close': close})

import time

start_time = time.time()

df["wma"] = df.groupby("symbol").apply(lambda df: talib.WMA(df.close, 5)).to_numpy()

print("--- %s seconds ---" % (time.time() - start_time))

使用TA-Lib中WMA函数对每只股票进行计算耗时为535毫秒，为ta模块中wma函数的31.5倍。

4. 向量化实现

ta模块中的所有函数与TA-Lib一样，都是向量函数：输入为向量，输出的结果也是等长的向量。TA-Lib底层是用C语言实现的，效率非常高。ta模块虽然是用DolphinDB的脚本语言实现，但充分的利用了内置的向量化函数和高阶函数, 避免了循环，极为高效。已经实现的57个函数中，28个函数比TA-Lib运行的更快，最快的函数是TA-Lib性能的3倍左右；29个函数比TA-LIB慢，最慢的性能不低于TA-Lib的1/3。

ta模块中的函数实现亦极为简洁。ta.dos总共765行，平均每个函数约14行。扣除注释、空行、函数定义的起始结束行，以及为去除输入参数开始的空值的流水线代码，每个函数的核心代码约4行。用户可以通过浏览ta模块的函数代码，学习如何使用DolphinDB脚本进行高效的向量化编程。

4.1. 空值的处理

若TA-Lib的输入向量开始包含空值，则从第一个非空位置开始计算。ta模块采用了相同的策略。滚动/累积窗口函数的计算过程中，每组最初的尚未达到窗口长度的值，对应位置的结果为空。这一点TA-Lib与ta模块的结果一致。但之后，若再有空值，此位置以及所有以后位置在TA-Lib函数中的结果有可能均为空值。除非窗口中非空值数据的数量不足以计算指标(例如计算方差时只有一个非空值)，否则空值的数量不影响ta模块函数结果的产生。

//use ta in dolphindb

close = [99.9, NULL, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67]

ta::var(close, 5, 1)

[,,,,670.417819,467.420569,539.753584,644.748976]

//use talib in python

close = np.array([99.9, np.nan, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67])

talib.VAR(close, 5, 1)

array([nan, nan, nan, nan, nan, nan, nan, nan])

上面的总体方差计算中，因为close的第二个值为空值，ta模块和TA-Lib的输出不同，TA-Lib输出全部为空值。如果替换空值为81.11，ta模块和TA-Lib得到相同的结果。在第一个元素99.9之前加一个空值，两者的结果仍然相同。简而言之，当输入参数只有开始的k个元素为空时，ta模块和TA-Lib的输出结果完全一致。

4.2 迭代处理

技术分析的很多指标计算会用到迭代，即当前的指标值取决于前一个指标值和当前输入： r[n] = coeff * r[n-1] + input[n]。对于这一类型的计算，DolphinDB引入了函数iterate进行向量化处理，避免使用循环。

def ema(close, timePeriod) {

1 n = close.size()

2b = ifirstNot(close

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！