[Commerce système] J'ai essayé de jouer avec décomposer l'oscillateur stochastique avec python ♬

En décomposant l'oscillateur stochastique dans le but de supprimer le bruit, nous essayons de lire l'achat à partir des fluctuations d'un cycle plus long. Sans backtesting, les hauts et les bas de l'action sont clairs à acheter et à vendre. 【référence】 ① [Introduction to system trading] J'ai dessiné stc avec python et joué avec ♬ ② [Introduction à la décomposition des éléments] Organiser des méthodes d'analyse de séries chronologiques avec R et python ♬

Ce que j'ai fait

・ Incorporer Décomposer · Quel est le résultat?

・ Incorporer Décomposer

L'intégré est le suivant La bibliothèque à utiliser est celle indiquée dans la référence ②, et le code dupliqué dans la référence ① est omis.

...
import matplotlib.pyplot as plt
...
import statsmodels.api as sm
from statsmodels.tsa.seasonal import STL

def...

L'acquisition des données est la suivante, mais définissez series = ... pour préparer Decompose.

stock = '6758.JP' #sony6758 Jal 9201 Sumitomo Mitsui Financial 8316 docomo 9437
start = dt.date(2020,1,1)
end = dt.date(2020,6,5)
df = pd.DataFrame(get_stock(stock, start, end))
series = df['Close']
print(series)

Et enfin décomposer. Tracez la situation sur le graphique.

cycle, trend = sm.tsa.filters.hpfilter(series, 144)
fig, ax = plt.subplots(3,1)
ax[0].plot(series)
ax[0].set_title('close')
ax[1].plot(trend)
ax[1].set_title('Trend')
ax[2].plot(cycle)
ax[2].set_title('Cycle')
plt.savefig("./stock/close_%K%D_{}_now.png ".format(stock))
plt.pause(1)
plt.close()

Le résultat est montré ci-dessous, avec les données de tendance brillamment débruitées. Comme caractéristique, l'écart par rapport à la tendance observée est également important lorsque le prix de l'action baisse fortement. On peut dire que la bora est grande.

• Bien qu'il ait été appelé Cycle à partir de l'article original, il a été changé en Écart. Ensuite, replacez la tendance de suppression du bruit sur df ['Close'].

df['Close']=trend

Si vous faites cela pour Haut et Bas, vous obtiendrez le graphique suivant. High, Low et Close peuvent être vus séparément. Puis, avec le même code que la dernière fois, calculez% K et% D avec les données ainsi obtenues et dessinez.

df['%K'] = STOK(df['Close'], df['Low'], df['High'], 14)
df['%D'] = STOD(df['Close'], df['Low'], df['High'], 14)

J'ai obtenu le graphique très simple comme ci-dessous. Avec cela, il semble qu'il n'y ait pas d'erreur d'achat ou de vente. ** 6758 Sony; zone à risque de surachat, zone à risque, alors abstenez-vous d'acheter **

· Quel est le résultat?

Tout est devenu simple! Évidemment, il semble que vous puissiez acheter et vendre sans vous tromper. ** 8316 Sumitomo Mitsui Financial; Zone surélevée, scène de vente bientôt? ** ** ** 9201 Japan Airlines; zone de risque sur-sur-augmentée, bientôt en vente? ** ** ** 9437 NTT Docomo; zone de risque de sur-abaissement, scène d'achat bientôt? ** **

Résumé

・ J'ai essayé de supprimer le bruit de l'oscillateur stochastique avec la fonction de décomposition. ・ Le graphique a changé de manière monotone, ce qui facilite l'achat et la vente.

・ En fait, appliquons ・ Appliquons-le au trading à court terme comme les barres minutes ・ Appliquons-le automatiquement à toutes les actions et indexons l'indice au moment de l'achat et de la vente

prime

・ Trading à court terme

Au contraire, le trading à court terme utilisant des hauts et des bas quotidiens semble être possible en utilisant la déviation, alors je l'ai essayé. Quand je l'ai essayé, c'est devenu comme suit. C'est bien, et il est douteux que les valeurs de High, Low et Close soient vraiment dans cette relation hiérarchique (il semble que ce n'est pas garanti car% K et% D dépassent la plage de 0 à 100). Cela vaut toujours la peine d'essayer, mais ce n'est pas une garantie de savoir quoi faire avec les graphiques que vous obtenez. Résultats sur 6758 Résultats sur 9437