怎么使用Python判斷牛熊

小編給大家分享一下怎么使用Python判斷牛熊，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

創建牛市和熊市實力指數

上古雷指數MEAs數字購銷壓力量和兩個柱狀圖，其中一個就是所謂的多頭力量和其他的空頭力量的。直方圖是根據以下公式計算的：

EMA變量指的是指數移動平均線，它是一種移動平均線，將更多的權重放在最近的值上。

可以使用以下功能來計算指數移動平均值：

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

第一個面板中的EURUSD和50周期的牛熊指標

上面顯示了EURUSD每小時數據，第二個面板中有50個周期的牛熊指標。在繼續執行指標代碼之前，我們必須編寫兩個簡單的函數：

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

現在，我們準備好代碼了。記住要準備好OHLC陣列。

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位于第一個面板中，并且是50周期的牛熊指標。

要對上面的圖表進行編碼，我們可以使用以下函數：

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.

回測簡單策略

與任何適當的研究方法一樣，其目的是對指標進行回測，并能夠自己查看是否值得將其作為我們先前存在的交易框架的補充。請注意，以下內容僅對過去10年中僅對10個貨幣對的一個時間范圍進行回測。這可能不是該策略的最佳時限，但我們只是試圖找到一種“一刀切”的“幾乎適合所有人”的策略。

條件已簡化，我們將基于主觀障礙使用逆勢方法：

• 當牛市力量指標達到-0.001并且前兩個值大于0.001時，做多(買入)。保持該位置，直到收到新信號(該位置已關閉)。

• 每當熊市力量指標達到0.001(前兩個值均低于0.001)時，做空(賣出)。保持該位置，直到收到新信號(該位置已關閉)。

歐元兌美元的信號圖。

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上的信號圖

根據自2010年以來按小時數據散布的0.5個基點得出的結果，并且沒有采用風險管理算法，得出的結果如下。

效果表

遵循該策略的股權曲線

顯然，該指標并沒有增加價值。嘗試優化甚至更改與之相關的策略可能會更好。我們可能可以添加一些熊市條件來驗證看漲信號，并添加一些牛市條件來驗證看跌信號。

我們還可以相應地調整回溯和障礙。我們可以做的最后一件事是將策略從逆勢轉變為遵循趨勢。

結論

記住要經常做背部測試。即使我提供了指標的功能(而不只是吹牛說它是圣杯，并且它的功能是秘密)，您也應該始終相信其他人是錯誤的。我的指標和交易風格對我有用，但可能并非對每個人都適用。我依靠以下規則：

市場價格在超過50%的時間內無法預測或很難預測。但是市場反應是可以預測的。

意思是，我們可以在一個區域周圍形成一個小區域，并可以確信地說市場價格將對該區域周圍的區域產生反應。但是我們不能真正說它會從那里下跌4%，然后再次測試，并在第三次嘗試跌至103.85美元時突破。由于我們預測過度，因此誤差項呈指數級增長。

以上是“怎么使用Python判斷牛熊”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！