tqsdk.ta - 技术指标计算函数

Functions

AD(df)

累积/派发指标 Accumulation/Distribution

ADTM(df, n, m)

动态买卖气指标

ARBR(df, n)

人气意愿指标

ASI(df)

振动升降指标

ATR(df, n)

平均真实波幅

B3612(df)

三减六日乖离率

BBI(df, n1, n2, n3, n4)

多空指数

BBIBOLL(df, n, m)

多空布林线

BIAS(df, n)

乖离率

BOLL(df, n, p)

布林线

CCI(df, n)

顺势指标

CCL(df)

持仓异动

CDP(df, n)

逆势操作

CJL(df)

成交量

CR(df, n, m)

CR能量

DBCD(df, n, m, t)

异同离差乖离率

DDI(df, n, n1, m, m1)

方向标准离差指数

DKX(df, m)

多空线

DMA(df, short, long, m)

平均线差

DMI(df, n, m)

动向指标

DPO(df)

区间震荡线

EMA(df, n)

指数加权移动平均线

EMA2(df, n)

线性加权移动平均 WMA

ENV(df, n, k)

包略线 (Envelopes)

EXPMA(df, p1, p2)

指数加权移动平均线组合

HCL(df, n)

均线通道

KD(df, n, m1, m2)

随机指标

KDJ(df, n, m1, m2)

随机指标

LON(df)

长线指标

LWR(df, n, m)

威廉指标

MA(df, n)

简单移动平均线

MACD(df, short, long, m)

异同移动平均线

MASS(df, n1, n2)

梅斯线

MFI(df, n)

资金流量指标

MI(df, n)

动量指标

MICD(df, n, n1, n2)

异同离差动力指数

MIKE(df, n)

麦克指标

MTM(df, n, n1)

MTM动力指标

MV(df, n, m)

均量线

OBV(df)

能量潮

OPI(df)

持仓量

PRICEOSC(df, long, short)

价格震荡指数 Price Oscillator

PSY(df, n, m)

心理线

PUBU(df, m)

瀑布线

PVT(df)

价量趋势指数

QHLSR(df)

阻力指标

RC(df, n)

变化率指数

RCCD(df, n, n1, n2)

异同离差变化率指数

ROC(df, n, m)

变动速率

RSI(df, n)

相对强弱指标

SAR(df, n, step, max)

抛物线指标

SHORT(df)

短线指标

SLOWKD(df, n, m1, m2, m3)

慢速KD

SMA(df, n, m)

扩展指数加权移动平均

SRDM(df, n)

动向速度比率

SRMI(df, n)

MI修正指标

TRMA(df, n)

三角移动平均线

VOSC(df, short, long)

移动平均成交量指标 Volume Oscillator

VR(df, n)

VR 容量比率

VROC(df, n)

量变动速率

VRSI(df, n)

量相对强弱

WAD(df, n, m)

威廉多空力度线

WR(df, n)

威廉指标

WVAD(df)

威廉变异离散量

ZDZB(df, n1, n2, n3)

筑底指标

tqsdk.ta.ATR(df, n)

平均真实波幅

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 平均真实波幅的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 分别是"tr"和"atr", 分别代表真实波幅和平均真实波幅

Example:

# 获取 CFFEX.IF1903 合约的平均真实波幅
from tqsdk import TqApi, TqSim
from tqsdk.ta import ATR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
atr = ATR(klines, 14)
print(atr.tr)  # 真实波幅
print(atr.atr)  # 平均真实波幅

# 预计的输出是这样的:
[..., 143.0, 48.0, 80.0, ...]
[..., 95.20000000000005, 92.0571428571429, 95.21428571428575, ...]
tqsdk.ta.BIAS(df, n)

乖离率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 移动平均的计算周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"bias", 代表计算出来的乖离率值

Example:

# 获取 CFFEX.IF1903 合约的乖离率
from tqsdk import TqApi, TqSim
from tqsdk.ta import BIAS

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
bias = BIAS(klines, 6)
print(list(bias["bias"]))  # 乖离率

# 预计的输出是这样的:
[..., 2.286835533357118, 2.263301549041151, 0.7068445823271412, ...]
tqsdk.ta.BOLL(df, n, p)

布林线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

p (int): 计算参数p

Returns:

pandas.DataFrame: 返回的dataframe包含3列, 分别是"mid", "top"和"bottom", 分别代表布林线的中、上、下轨

Example:

# 获取 CFFEX.IF1903 合约的布林线
from tqsdk import TqApi, TqSim
from tqsdk.ta import BOLL

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
boll=BOLL(klines, 26, 2)
print(list(boll["mid"]))
print(list(boll["top"]))
print(list(boll["bottom"]))

# 预计的输出是这样的:
[..., 3401.338461538462, 3425.600000000001, 3452.3230769230777, ...]
[..., 3835.083909752222, 3880.677579320277, 3921.885406954584, ...]
[..., 2967.593013324702, 2970.5224206797247, 2982.760746891571, ...]
tqsdk.ta.DMI(df, n, m)

动向指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含5列, 是"atr", "pdi", "mdi", "adx"和"adxr", 分别代表平均真实波幅, 上升方向线, 下降方向线, 趋向平均值以及评估数值

Example:

# 获取 CFFEX.IF1903 合约的动向指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import DMI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
dmi=DMI(klines, 14, 6)
print(list(dmi["atr"]))
print(list(dmi["pdi"]))
print(list(dmi["mdi"]))
print(list(dmi["adx"]))
print(list(dmi["adxr"]))

# 预计的输出是这样的:
[..., 95.20000000000005, 92.0571428571429, 95.21428571428575, ...]
[..., 51.24549819927972, 46.55493482309126, 47.14178544636161, ...]
[..., 6.497599039615802, 6.719428926132791, 6.4966241560389655, ...]
[..., 78.80507786697127, 76.8773544355082, 75.11662664555287, ...]
[..., 70.52493837227118, 73.28531799111778, 74.59341569051983, ...]
tqsdk.ta.KDJ(df, n, m1, m2)

随机指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m1 (int): 参数m1

m2 (int): 参数m2

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"k", "d"和"j", 分别代表计算出来的K值, D值和J值

Example:

# 获取 CFFEX.IF1903 合约的随机指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import KDJ

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
kdj = KDJ(klines, 9, 3, 3)
print(list(kdj["k"]))
print(list(kdj["d"]))
print(list(kdj["j"]))

# 预计的输出是这样的:
[..., 80.193148635668, 81.83149521546302, 84.60665654726242, ...]
[..., 82.33669997171852, 82.16829838630002, 82.98108443995415, ...]
[..., 77.8451747299365, 75.90604596356695, 81.15788887378903, ...]
tqsdk.ta.MACD(df, short, long, m)

异同移动平均线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

short (int): 短周期

long (int): 长周期

m (int): 移动平均线的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"diff", "dea"和"bar", 分别代表离差值, DIFF的指数加权移动平均线, MACD的柱状线

(注: 因 DataFrame 有diff()函数,因此获取到此指标后:"diff"字段使用 macd["diff"] 方式来取值,而非 macd.diff )

Example:

# 获取 CFFEX.IF1903 合约的异同移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import MACD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
macd = MACD(klines, 12, 26, 9)
print(list(macd["diff"]))
print(list(macd["dea"]))
print(list(macd["bar"]))

# 预计的输出是这样的:
[..., 149.58313904045826, 155.50790712365142, 160.27622505636737, ...]
[..., 121.46944573796466, 128.27713801510203, 134.6769554233551, ...]
[..., 56.2273866049872, 54.46153821709879, 51.19853926602451, ...]
tqsdk.ta.SAR(df, n, step, max)

抛物线指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): SAR的周期n

step (float): 步长

max (float): 极值

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"sar", 代表计算出来的SAR值

Example:

# 获取 CFFEX.IF1903 合约的抛物线指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import SAR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
sar=SAR(klines, 4, 0.02, 0.2)
print(list(sar["sar"]))


# 预计的输出是这样的:
[..., 3742.313604622293, 3764.5708836978342, 3864.4, ...]
tqsdk.ta.WR(df, n)

威廉指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"wr", 代表计算出来的威廉指标

Example:

# 获取 CFFEX.IF1903 合约的威廉指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import WR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
wr = WR(klines, 14)
print(list(wr["wr"]))

# 预计的输出是这样的:
[..., -12.843029637760672, -8.488840102451537, -16.381322957198407, ...]
tqsdk.ta.RSI(df, n)

相对强弱指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"rsi", 代表计算出来的相对强弱指标

Example:

# 获取 CFFEX.IF1903 合约的相对强弱指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import RSI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
rsi = RSI(klines, 7)
print(list(rsi["rsi"]))

# 预计的输出是这样的:
[..., 80.21169825630794, 81.57315806032297, 72.34968324924667, ...]
tqsdk.ta.ASI(df)

振动升降指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"asi", 代表计算出来的振动升降指标

Example:

# 获取 CFFEX.IF1903 合约的振动升降指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import ASI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
asi = ASI(klines)
print(list(asi["asi"]))


# 预计的输出是这样的:
[..., -4690.587005986468, -4209.182816350308, -4699.742010304962, ...]
tqsdk.ta.VR(df, n)

VR 容量比率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"vr", 代表计算出来的VR

Example:

# 获取 CFFEX.IF1903 合约的VR
from tqsdk import TqApi, TqSim
from tqsdk.ta import VR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
vr = VR(klines, 26)
print(list(vr["vr"]))


# 预计的输出是这样的:
[..., 150.1535316212112, 172.2897559521652, 147.04236342791924, ...]
tqsdk.ta.ARBR(df, n)

人气意愿指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"ar"和"br" , 分别代表人气指标和意愿指标

Example:

# 获取 CFFEX.IF1903 合约的人气意愿指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import ARBR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
arbr = ARBR(klines, 26)
print(list(arbr["ar"]))
print(list(arbr["br"]))


# 预计的输出是这样的:
[..., 183.5698517817721, 189.98732572877034, 175.08802816901382, ...]
[..., 267.78549382716034, 281.567546278062, 251.08041091037902, ...]
tqsdk.ta.DMA(df, short, long, m)

平均线差

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

short (int): 短周期

long (int): 长周期

m (int): 计算周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"ddd"和"ama", 分别代表长短周期均值的差和ddd的简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的平均线差
from tqsdk import TqApi, TqSim
from tqsdk.ta import DMA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
dma = DMA(klines, 10, 50, 10)
print(list(dma["ddd"]))
print(list(dma["ama"]))


# 预计的输出是这样的:
[..., 409.2520000000022, 435.68000000000166, 458.3360000000025, ...]
[..., 300.64360000000147, 325.0860000000015, 349.75200000000166, ...]
tqsdk.ta.EXPMA(df, p1, p2)

指数加权移动平均线组合

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

p1 (int): 周期1

p2 (int): 周期2

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"ma1"和"ma2", 分别代表指数加权移动平均线1和指数加权移动平均线2

Example:

# 获取 CFFEX.IF1903 合约的指数加权移动平均线组合
from tqsdk import TqApi, TqSim
from tqsdk.ta import EXPMA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
expma = EXPMA(klines, 5, 10)
print(list(expma["ma1"]))
print(list(expma["ma2"]))


# 预计的输出是这样的:
[..., 3753.679549224137, 3784.6530328160916, 3792.7020218773946, ...]
[..., 3672.4492964832566, 3704.113060759028, 3723.1470497119317, ...]
tqsdk.ta.CR(df, n, m)

CR能量

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"cr"和"crma", 分别代表CR值和CR值的简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的CR能量
from tqsdk import TqApi, TqSim
from tqsdk.ta import CR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
cr = CR(klines, 26, 5)
print(list(cr["cr"]))
print(list(cr["crma"]))


# 预计的输出是这样的:
[..., 291.5751884671343, 316.71058105671943, 299.50578748862046, ...]
[..., 316.01257308163747, 319.3545725665982, 311.8275184876805, ...]
tqsdk.ta.CCI(df, n)

顺势指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"cci", 代表计算出来的CCI值

Example:

# 获取 CFFEX.IF1903 合约的顺势指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import CCI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
cci = CCI(klines, 14)
print(list(cci["cci"]))


# 预计的输出是这样的:
[..., 98.13054698810375, 93.57661788413617, 77.8671380173813, ...]
tqsdk.ta.OBV(df)

能量潮

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"obv", 代表计算出来的OBV值

Example:

# 获取 CFFEX.IF1903 合约的能量潮
from tqsdk import TqApi, TqSim
from tqsdk.ta import OBV

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
obv = OBV(klines)
print(list(obv["obv"]))


# 预计的输出是这样的:
[..., 267209, 360351, 264476, ...]
tqsdk.ta.CDP(df, n)

逆势操作

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含4列, 是"ah", "al", "nh", "nl", 分别代表最高值, 最低值, 近高值, 近低值

Example:

# 获取 CFFEX.IF1903 合约的逆势操作指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import CDP

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
cdp = CDP(klines, 3)
print(list(cdp["ah"]))
print(list(cdp["al"]))
print(list(cdp["nh"]))
print(list(cdp["nl"]))


# 预计的输出是这样的:
[..., 3828.244444444447, 3871.733333333336, 3904.37777777778, ...]
[..., 3656.64444444444, 3698.3999999999955, 3734.9111111111065, ...]
[..., 3743.8888888888837, 3792.3999999999946, 3858.822222222217, ...]
[..., 3657.2222222222213, 3707.6666666666656, 3789.955555555554, ...]
tqsdk.ta.HCL(df, n)

均线通道

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"mah", "mal", "mac", 分别代表最高价的移动平均线, 最低价的移动平均线以及收盘价的移动平均线

Example:

# 获取 CFFEX.IF1903 合约的均线通道指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import HCL

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
hcl = HCL(klines, 10)
print(list(hcl["mah"]))
print(list(hcl["mal"]))
print(list(hcl["mac"]))


# 预计的输出是这样的:
[..., 3703.5400000000022, 3743.2800000000025, 3778.300000000002, ...]
[..., 3607.339999999999, 3643.079999999999, 3677.579999999999, ...]
[..., 3666.1600000000008, 3705.8600000000006, 3741.940000000001, ...]
tqsdk.ta.ENV(df, n, k)

包略线 (Envelopes)

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

k (float): 参数k

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"upper", "lower", 分别代表上线和下线

Example:

# 获取 CFFEX.IF1903 合约的包略线
from tqsdk import TqApi, TqSim
from tqsdk.ta import ENV

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
env = ENV(klines, 14, 6)
print(list(env["upper"]))
print(list(env["lower"]))


# 预计的输出是这样的:
[..., 3842.2122857142863, 3876.7531428571433, 3893.849428571429, ...]
[..., 3407.244857142857, 3437.875428571429, 3453.036285714286, ...]
tqsdk.ta.MIKE(df, n)

麦克指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含6列, 是"wr", "mr", "sr", "ws", "ms", "ss", 分别代表初级压力价,中级压力,强力压力,初级支撑,中级支撑和强力支撑

Example:

# 获取 CFFEX.IF1903 合约的麦克指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import MIKE

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mike = MIKE(klines, 12)
print(list(mike["wr"]))
print(list(mike["mr"]))
print(list(mike["sr"]))
print(list(mike["ws"]))
print(list(mike["ms"]))
print(list(mike["ss"]))


# 预计的输出是这样的:
[..., 4242.4, 4203.333333333334, 3986.266666666666, ...]
[..., 4303.6, 4283.866666666667, 4175.333333333333, ...]
[..., 4364.8, 4364.4, 4364.4, ...]
[..., 3770.5999999999995, 3731.9333333333343, 3514.866666666666, ...]
[..., 3359.9999999999995, 3341.066666666667, 3232.533333333333, ...]
[..., 2949.3999999999996, 2950.2, 2950.2, ...]
tqsdk.ta.PUBU(df, m)

瀑布线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"pb", 代表计算出的瀑布线

Example:

# 获取 CFFEX.IF1903 合约的瀑布线
from tqsdk import TqApi, TqSim
from tqsdk.ta import PUBU

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
pubu = PUBU(klines, 4)
print(list(pubu["pb"]))


# 预计的输出是这样的:
[..., 3719.087702972829, 3728.9326217836974, 3715.7537397368856, ...]
tqsdk.ta.BBI(df, n1, n2, n3, n4)

多空指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n1 (int): 周期n1

n2 (int): 周期n2

n3 (int): 周期n3

n4 (int): 周期n4

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"bbi", 代表计算出的多空指标

Example:

# 获取 CFFEX.IF1903 合约的多空指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import BBI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
bbi = BBI(klines, 3, 6, 12, 24)
print(list(bbi["bbi"]))


# 预计的输出是这样的:
[..., 3679.841666666668, 3700.9645833333348, 3698.025000000002, ...]
tqsdk.ta.DKX(df, m)

多空线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"b", "d", 分别代表计算出来的DKX指标及DKX的m日简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的多空线
from tqsdk import TqApi, TqSim
from tqsdk.ta import DKX

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
dkx = DKX(klines, 10)
print(list(dkx["b"]))
print(list(dkx["d"]))


# 预计的输出是这样的:
[..., 3632.081746031746, 3659.4501587301593, 3672.744761904762, ...]
[..., 3484.1045714285706, 3516.1797301587294, 3547.44857142857, ...]
tqsdk.ta.BBIBOLL(df, n, m)

多空布林线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

m (int): 参数m

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"bbiboll", "upr", "dwn", 分别代表多空布林线, 压力线和支撑线

Example:

# 获取 CFFEX.IF1903 合约的多空布林线
from tqsdk import TqApi, TqSim
from tqsdk.ta import BBIBOLL

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
bbiboll=BBIBOLL(klines,10,3)
print(list(bbiboll["bbiboll"]))
print(list(bbiboll["upr"]))
print(list(bbiboll["dwn"]))


# 预计的输出是这样的:
[..., 3679.841666666668, 3700.9645833333348, 3698.025000000002, ...]
[..., 3991.722633271389, 3991.796233444868, 3944.7721466057383, ...]
[..., 3367.960700061947, 3410.1329332218015, 3451.2778533942655, ...]
tqsdk.ta.ADTM(df, n, m)

动态买卖气指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"adtm", "adtmma", 分别代表计算出来的ADTM指标及其M日的简单移动平均

Example:

# 获取 CFFEX.IF1903 合约的动态买卖气指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import ADTM

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
adtm = ADTM(klines, 23, 8)
print(list(adtm["adtm"]))
print(list(adtm["adtmma"]))


# 预计的输出是这样的:
[..., 0.8404011965511171, 0.837919942816297, 0.8102215868477481, ...]
[..., 0.83855483869397, 0.8354743499113684, 0.8257261282040207, ...]
tqsdk.ta.B3612(df)

三减六日乖离率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"b36", "b612", 分别代表收盘价的3日移动平均线与6日移动平均线的乖离值及收盘价的6日移动平均线与12日移动平均线的乖离值

Example:

# 获取 CFFEX.IF1903 合约的三减六日乖离率
from tqsdk import TqApi, TqSim
from tqsdk.ta import B3612

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
b3612=B3612(klines)
print(list(b3612["b36"]))
print(list(b3612["b612"]))


# 预计的输出是这样的:
[..., 57.26666666667188, 44.00000000000546, -5.166666666660603, ...]
[..., 99.28333333333285, 88.98333333333221, 69.64999999999918, ...]
tqsdk.ta.DBCD(df, n, m, t)

异同离差乖离率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 参数m

t (int): 参数t

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"dbcd", "mm", 分别代表离差值及其简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的异同离差乖离率
from tqsdk import TqApi, TqSim
from tqsdk.ta import DBCD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
dbcd=DBCD(klines, 5, 16, 76)
print(list(dbcd["dbcd"]))
print(list(dbcd["mm"]))


# 预计的输出是这样的:
[..., 0.0038539724453411045, 0.0034209659500908517, 0.0027130669520015094, ...]
[..., 0.003998499673401192, 0.003864353204606074, 0.0035925052896395872, ...]
tqsdk.ta.DDI(df, n, n1, m, m1)

方向标准离差指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

n1 (int): 参数n1

m (int): 参数m

m1 (int): 周期m1

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"ddi", "addi", "ad", 分别代表DIZ与DIF的差值, DDI的加权平均, ADDI的简单移动平均

Example:

# 获取 CFFEX.IF1903 合约的方向标准离差指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import DDI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ddi = DDI(klines, 13, 30, 10, 5)
print(list(ddi["ddi"]))
print(list(ddi["addi"]))
print(list(ddi["ad"]))


# 预计的输出是这样的:
[..., 0.6513560804899388, 0.6129178985672046, 0.40480202190395936, ...]
[..., 0.6559570156346113, 0.6416106432788091, 0.5626744361538593, ...]
[..., 0.6960565490556135, 0.6765004585407994, 0.6455063893920429, ...]
tqsdk.ta.KD(df, n, m1, m2)

随机指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m1 (int): 参数m1

m2 (int): 参数m2

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"k", "d", 分别代表计算出来的K值与D值

Example:

# 获取 CFFEX.IF1903 合约的随机指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import KD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
kd = KD(klines, 9, 3, 3)
print(list(kd["k"]))
print(list(kd["d"]))


# 预计的输出是这样的:
[..., 84.60665654726242, 80.96145249909222, 57.54863147922147, ...]
[..., 82.98108443995415, 82.30787379300017, 74.05479302174061, ...]
tqsdk.ta.LWR(df, n, m)

威廉指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 参数m

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"lwr", 代表计算出来的威廉指标

Example:

# 获取 CFFEX.IF1903 合约的威廉指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import LWR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
lwr = LWR(klines, 9, 3)
print(list(lwr["lwr"]))


# 预计的输出是这样的:
[..., -15.393343452737565, -19.03854750090778, -42.45136852077853, ...]
tqsdk.ta.MASS(df, n1, n2)

梅斯线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n1 (int): 周期n1

n2 (int): 周期n2

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"mass", 代表计算出来的梅斯线指标

Example:

# 获取 CFFEX.IF1903 合约的梅斯线
from tqsdk import TqApi, TqSim
from tqsdk.ta import MASS

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mass = MASS(klines, 9, 25)
print(list(mass["mass"]))


# 预计的输出是这样的:
[..., 27.478822053291733, 27.485710830466964, 27.561223922342652, ...]
tqsdk.ta.MFI(df, n)

资金流量指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"mfi", 代表计算出来的MFI指标

Example:

# 获取 CFFEX.IF1903 合约的资金流量指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import MFI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mfi = MFI(klines, 14)
print(list(mfi["mfi"]))


# 预计的输出是这样的:
[..., 73.47968487105688, 70.2250476611595, 62.950450871062266, ...]
tqsdk.ta.MI(df, n)

动量指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"a", "mi", 分别代表当日收盘价与N日前收盘价的差值以及MI值

Example:

# 获取 CFFEX.IF1903 合约的动量指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import MI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mi = MI(klines, 12)
print(list(mi["a"]))
print(list(mi["mi"]))


# 预计的输出是这样的:
[..., 399.1999999999998, 370.8000000000002, 223.5999999999999, ...]
[..., 293.2089214076506, 299.67484462367975, 293.3352742383731, ...]
tqsdk.ta.MICD(df, n, n1, n2)

异同离差动力指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

n1 (int): 周期n1

n2 (int): 周期n2

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"dif", "micd", 代表离差值和MICD指标

Example:

# 获取 CFFEX.IF1903 合约的异同离差动力指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import MICD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
micd = MICD(klines, 3, 10, 20)
print(list(micd["dif"]))
print(list(micd["micd"]))


# 预计的输出是这样的:
[..., 6.801483500680234, 6.700989000453493, 6.527326000302342, ...]
[..., 6.2736377238314684, 6.3163728514936714, 6.3374681663745385, ...]
tqsdk.ta.MTM(df, n, n1)

MTM动力指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

n1 (int): 周期n1

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"mtm", "mtmma", 分别代表MTM值和MTM的简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的动力指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import MTM

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mtm = MTM(klines, 6, 6)
print(list(mtm["mtm"]))
print(list(mtm["mtmma"]))


# 预计的输出是这样的:
[..., 144.79999999999973, 123.60000000000036, -4.200000000000273, ...]
[..., 198.5666666666667, 177.96666666666678, 139.30000000000004, ...]
tqsdk.ta.PRICEOSC(df, long, short)

价格震荡指数 Price Oscillator

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

long (int): 长周期

short (int): 短周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"priceosc", 代表计算出来的价格震荡指数

Example:

# 获取 CFFEX.IF1903 合约的价格震荡指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import PRICEOSC

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
priceosc = PRICEOSC(klines, 26, 12)
print(list(priceosc["priceosc"]))


# 预计的输出是这样的:
[..., 5.730468338384374, 5.826866231225718, 5.776959240989803, ...]
tqsdk.ta.PSY(df, n, m)

心理线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"psy", "psyma", 分别代表心理线和心理线的简单移动平均

Example:

# 获取 CFFEX.IF1903 合约的心理线
from tqsdk import TqApi, TqSim
from tqsdk.ta import PSY

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
psy = PSY(klines, 12, 6)
print(list(psy["psy"]))
print(list(psy["psyma"]))


# 预计的输出是这样的:
[..., 58.333333333333336, 58.333333333333336, 50.0, ...]
[..., 54.16666666666671, 54.16666666666671, 54.16666666666671, ...]
tqsdk.ta.QHLSR(df)

阻力指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"qhl5", "qhl10", 分别代表计算出来的QHL5值和QHL10值

Example:

# 获取 CFFEX.IF1903 合约的阻力指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import QHLSR

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ndf = QHLSR(klines)
print(list(ndf["qhl5"]))
print(list(ndf["qhl10"]))


# 预计的输出是这样的:
[..., 0.9512796890171819, 1.0, 0.8061319699743583, 0.36506038490240567, ...]
[..., 0.8192641975527878, 0.7851545532504415, 0.5895613967067044, ...]
tqsdk.ta.RC(df, n)

变化率指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"arc", 代表计算出来的变化率指数

Example:

# 获取 CFFEX.IF1903 合约的变化率指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import RC

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
rc = RC(klines, 50)
print(list(rc["arc"]))


# 预计的输出是这样的:
[..., 1.011782057069131, 1.0157160672001329, 1.019680175228899, ...]
tqsdk.ta.RCCD(df, n, n1, n2)

异同离差变化率指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

n1 (int): 周期n1

n2 (int): 周期n2

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"dif", "rccd", 分别代表离差值和异同离差变化率指数

Example:

# 获取 CFFEX.IF1903 合约的异同离差变化率指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import RCCD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
rccd = RCCD(klines, 10, 21, 28)
print(list(rccd["dif"]))
print(list(rccd["rccd"]))


# 预计的输出是这样的:
[..., 0.007700543190044096, 0.007914865667604465, 0.008297381119103608, ...]
[..., 0.007454465277084111, 0.007500505316136147, 0.0075801928964328935, ...]
tqsdk.ta.ROC(df, n, m)

变动速率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

m (int): 周期m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"roc", "rocma", 分别代表ROC值和ROC的简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的变动速率
from tqsdk import TqApi, TqSim
from tqsdk.ta import ROC

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
roc = ROC(klines, 24, 20)
print(list(roc["roc"]))
print(list(roc["rocma"]))


# 预计的输出是这样的:
[..., 21.389800555415288, 19.285937989351712, 15.183443085606768, ...]
[..., 14.597071588550435, 15.223202630466648, 15.537530180238516, ...]
tqsdk.ta.SLOWKD(df, n, m1, m2, m3)

慢速KD

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 周期n

m1 (int): 参数m1

m2 (int): 参数m2

m3 (int): 参数m3

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"k", "d", 分别代表K值和D值

Example:

# 获取 CFFEX.IF1903 合约的慢速KD
from tqsdk import TqApi, TqSim
from tqsdk.ta import SLOWKD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
slowkd = SLOWKD(klines, 9, 3, 3, 3)
print(list(slowkd["k"]))
print(list(slowkd["d"]))


# 预计的输出是这样的:
[..., 82.98108443995415, 82.30787379300017, 74.05479302174061, ...]
[..., 83.416060393041, 83.04666485969405, 80.0493742470429, ...]
tqsdk.ta.SRDM(df, n)

动向速度比率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"srdm", "asrdm", 分别代表计算出来的SRDM值和SRDM值的加权移动平均值

Example:

# 获取 CFFEX.IF1903 合约的动向速度比率
from tqsdk import TqApi, TqSim
from tqsdk.ta import SRDM

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
srdm = SRDM(klines, 30)
print(list(srdm["srdm"]))
print(list(srdm["asrdm"]))


# 预计的输出是这样的:
[..., 0.7865067466266866, 0.7570567713288928, 0.5528619528619526, ...]
[..., 0.45441550541510667, 0.4645035476122329, 0.4674488277872236, ...]
tqsdk.ta.SRMI(df, n)

MI修正指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"a", "mi", 分别代表A值和MI值

Example:

# 获取 CFFEX.IF1903 合约的MI修正指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import SRMI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
srmi = SRMI(klines, 9)
print(list(srmi["a"]))
print(list(srmi["mi"]))


# 预计的输出是这样的:
[..., 0.10362397961836425, 0.07062591892459567, -0.03341929372138309, ...]
[..., 0.07583104758041452, 0.0752526999519902, 0.06317803398828206, ...]
tqsdk.ta.ZDZB(df, n1, n2, n3)

筑底指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n1 (int): 周期n1

n2 (int): 周期n2

n3 (int): 周期n3

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"b", "d", 分别代表A值的n2周期简单移动平均和A值的n3周期简单移动平均

Example:

# 获取 CFFEX.IF1903 合约的筑底指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import ZDZB

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
zdzb = ZDZB(klines, 50, 5, 20)
print(list(zdzb["b"]))
print(list(zdzb["d"]))


# 预计的输出是这样的:
[..., 1.119565217391305, 1.1376811594202905, 1.155797101449276, ...]
[..., 1.0722350515828771, 1.091644989471076, 1.1077480490523965, ...]
tqsdk.ta.DPO(df)

区间震荡线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"dpo", 代表计算出来的DPO指标

Example:

# 获取 CFFEX.IF1903 合约的区间震荡线
from tqsdk import TqApi, TqSim
from tqsdk.ta import DPO

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
dpo = DPO(klines)
print(list(dpo["dpo"]))


# 预计的输出是这样的:
[..., 595.4100000000021, 541.8300000000017, 389.7200000000016, ...]
tqsdk.ta.LON(df)

长线指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"lon", "ma1", 分别代表长线指标和长线指标的10周期简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的长线指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import LON

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
lon = LON(klines)
print(list(lon["lon"]))
print(list(lon["ma1"]))


# 预计的输出是这样的:
[..., 6.419941948913239, 6.725451135494827, 6.483546043406369, ...]
[..., 4.366625464410439, 4.791685949556344, 5.149808865745246, ...]
tqsdk.ta.SHORT(df)

短线指标

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"short", "ma1", 分别代表短线指标和短线指标的10周期简单移动平均值

Example:

# 获取 CFFEX.IF1903 合约的短线指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import SHORT

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
short = SHORT(klines)
print(list(short["short"]))
print(list(short["ma1"]))


# 预计的输出是这样的:
[..., 0.6650139934614072, 0.3055091865815881, -0.24190509208845834, ...]
[..., 0.41123378999608917, 0.42506048514590444, 0.35812291618890224, ...]
tqsdk.ta.MV(df, n, m)

均量线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

m (int): 参数m

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"mv1", "mv2", 分别代表均量线1和均量线2

Example:

# 获取 CFFEX.IF1903 合约的均量线
from tqsdk import TqApi, TqSim
from tqsdk.ta import MV

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
mv = MV(klines, 10, 20)
print(list(mv["mv1"]))
print(list(mv["mv2"]))


# 预计的输出是这样的:
[..., 69851.39419881169, 72453.75477893051, 75423.57930103746, ...]
[..., 49044.75870654942, 51386.27077122195, 53924.557232660845, ...]
tqsdk.ta.WAD(df, n, m)

威廉多空力度线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

m (int): 参数m

Returns:

pandas.DataFrame: 返回的DataFrame包含3列, 是"a", "b", "e", 分别代表A/D值,A/D值n周期的以1为权重的移动平均, A/D值m周期的以1为权重的移动平均

Example:

# 获取 CFFEX.IF1903 合约的威廉多空力度线
from tqsdk import TqApi, TqSim
from tqsdk.ta import WAD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
wad = WAD(klines, 10, 30)
print(list(wad["a"]))
print(list(wad["b"]))
print(list(wad["e"]))


# 预计的输出是这样的:
[..., 90.0, 134.79999999999973, 270.4000000000001, ...]
[..., 344.4265821851701, 323.46392396665306, 318.1575315699878, ...]
[..., 498.75825781872277, 486.626315891432, 479.41877202838424, ...]
tqsdk.ta.AD(df)

累积/派发指标 Accumulation/Distribution

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"ad", 代表计算出来的累积/派发指标

Example:

# 获取 CFFEX.IF1903 合约的累积/派发指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import AD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ad = AD(klines)
print(list(ad["ad"]))


# 预计的输出是这样的:
[..., 146240.57181105542, 132822.950945916, 49768.15024044845, ...]
tqsdk.ta.CCL(df)

持仓异动

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"ccl", 代表计算出来的持仓异动指标

Example:

# 获取 CFFEX.IF1903 合约的持仓异动指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import CCL

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ccl = CCL(klines)
print(list(ccl["ccl"]))


# 预计的输出是这样的:
[..., '多头增仓', '多头减仓', '空头增仓', ...]
tqsdk.ta.CJL(df)

成交量

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含2列, 是"vol", "opid", 分别代表成交量和持仓量

Example:

# 获取 CFFEX.IF1903 合约的成交量
from tqsdk import TqApi, TqSim
from tqsdk.ta import CJL

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ndf = CJL(klines)
print(list(ndf["vol"]))
print(list(ndf["opid"]))


# 预计的输出是这样的:
[..., 93142, 95875, 102152, ...]
[..., 69213, 66414, 68379, ...]
tqsdk.ta.OPI(df)

持仓量

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"opi", 代表持仓量

Example:

# 获取 CFFEX.IF1903 合约的持仓量
from tqsdk import TqApi, TqSim
from tqsdk.ta import OPI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
opi = OPI(klines)
print(list(opi["opi"]))


# 预计的输出是这样的:
[..., 69213, 66414, 68379, ...]
tqsdk.ta.PVT(df)

价量趋势指数

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"pvt", 代表计算出来的价量趋势指数

Example:

# 获取 CFFEX.IF1903 合约的价量趋势指数
from tqsdk import TqApi, TqSim
from tqsdk.ta import PVT

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
pvt = PVT(klines)
print(list(pvt["pvt"]))


# 预计的输出是这样的:
[..., 13834.536889431965, 12892.3866788564, 9255.595248484618, ...]
tqsdk.ta.VOSC(df, short, long)

移动平均成交量指标 Volume Oscillator

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

short (int): 短周期

long (int): 长周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"vosc", 代表计算出来的移动平均成交量指标

Example:

# 获取 CFFEX.IF1903 合约的移动平均成交量指标
from tqsdk import TqApi, TqSim
from tqsdk.ta import VOSC

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
vosc = VOSC(klines, 12, 26)
print(list(vosc["vosc"]))


# 预计的输出是这样的:
[..., 38.72537848731668, 36.61748077024136, 35.4059127302802, ...]
tqsdk.ta.VROC(df, n)

量变动速率

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"vroc", 代表计算出来的量变动速率

Example:

# 获取 CFFEX.IF1903 合约的量变动速率
from tqsdk import TqApi, TqSim
from tqsdk.ta import VROC

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
vroc = VROC(klines, 12)
print(list(vroc["vroc"]))


# 预计的输出是这样的:
[..., 41.69905854184833, 74.03274443327598, 3.549394666873177, ...]
tqsdk.ta.VRSI(df, n)

量相对强弱

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 参数n

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"vrsi", 代表计算出来的量相对强弱指标

Example:

# 获取 CFFEX.IF1903 合约的量相对强弱
from tqsdk import TqApi, TqSim
from tqsdk.ta import VRSI

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
vrsi = VRSI(klines, 6)
print(list(vrsi["vrsi"]))


# 预计的输出是这样的:
[..., 59.46573277427041, 63.3447660581749, 45.21081537920358, ...]
tqsdk.ta.WVAD(df)

威廉变异离散量

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"wvad", 代表计算出来的威廉变异离散量

Example:

# 获取 CFFEX.IF1903 合约的威廉变异离散量
from tqsdk import TqApi, TqSim
from tqsdk.ta import WVAD

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
wvad = WVAD(klines)
print(list(wvad["wvad"]))


# 预计的输出是这样的:
[..., -32690.203562340674, -42157.968253968385, 32048.182305630264, ...]
tqsdk.ta.MA(df, n)

简单移动平均线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 简单移动平均线的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"ma", 代表计算出来的简单移动平均线

Example:

# 获取 CFFEX.IF1903 合约的简单移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import MA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ma = MA(klines, 30)
print(list(ma["ma"]))


# 预计的输出是这样的:
[..., 3436.300000000001, 3452.8733333333344, 3470.5066666666676, ...]
tqsdk.ta.SMA(df, n, m)

扩展指数加权移动平均

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 扩展指数加权移动平均的周期

m (int): 扩展指数加权移动平均的权重

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"sma", 代表计算出来的扩展指数加权移动平均线

Example:

# 获取 CFFEX.IF1903 合约的扩展指数加权移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import SMA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
sma = SMA(klines, 5, 2)
print(list(sma["sma"]))


# 预计的输出是这样的:
[..., 3803.9478653510914, 3751.648719210655, 3739.389231526393, ...]
tqsdk.ta.EMA(df, n)

指数加权移动平均线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 指数加权移动平均线的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"ema", 代表计算出来的指数加权移动平均线

Example:

# 获取 CFFEX.IF1903 合约的指数加权移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import EMA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ema = EMA(klines, 10)
print(list(ema["ema"]))


# 预计的输出是这样的:
[..., 3723.1470497119317, 3714.065767946126, 3715.3265374104667, ...]
tqsdk.ta.EMA2(df, n)

线性加权移动平均 WMA

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 线性加权移动平均的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"ema2", 代表计算出来的线性加权移动平均线

Example:

# 获取 CFFEX.IF1903 合约的线性加权移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import EMA2

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
ema2 = EMA2(klines, 10)
print(list(ema2["ema2"]))


# 预计的输出是这样的:
[..., 3775.832727272727, 3763.334545454546, 3757.101818181818, ...]
tqsdk.ta.TRMA(df, n)

三角移动平均线

Args:

df (pandas.DataFrame): Dataframe格式的K线序列

n (int): 三角移动平均线的周期

Returns:

pandas.DataFrame: 返回的DataFrame包含1列, 是"trma", 代表计算出来的三角移动平均线

Example:

# 获取 CFFEX.IF1903 合约的三角移动平均线
from tqsdk import TqApi, TqSim
from tqsdk.ta import TRMA

api = TqApi(TqSim())
klines = api.get_kline_serial("CFFEX.IF1903", 24 * 60 * 60)
trma = TRMA(klines, 10)
print(list(trma["trma"]))

# 预计的输出是这样的:
[..., 341.366666666669, 3759.160000000002, 3767.7533333333354, ...]