tqsdk.tafunc - 序列计算函数

tqsdk.tafunc.ref(series, n)

简单移动: 求series序列位移n个周期的结果

Args:

series (pandas.Series): 数据序列

n (int): 位移周期

Returns:

pandas.Series: 位移后的序列

Example:

pre_close = ref(klines.close, 1)     # 将收盘价序列右移一位, 得到昨收盘序列
change = klines.close - pre_close    # 收盘价序列 - 昨收盘序列, 得到涨跌序列

tqsdk.tafunc.std(series, n)

标准差: 求series序列每n个项的标准差

Args:

series (pandas.Series): 数据序列

n (int): 周期

Returns:

pandas.Series: 标准差序列

Example:

s = std(klines.close, 5)      # 收盘价序列每5项计算一个标准差

tqsdk.tafunc.ma(series, n)

简单移动平均线: 求series序列每n个项的简单移动平均

1. n包含当前k线
2. 简单移动平均线将设定周期内的值取平均值, 其中各元素的权重都相等
3. n为0的情况下, 或当n为有效值但当前的k线数不足n根, 函数返回空值

计算公式:

ma(x, 5) = (x(1) + x(2) + x(3) + x(4) + x(5)) / 5

Args:

series (pandas.Series): 数据序列

n (int): 周期

Returns:

pandas.Series: 标准差序列

Example:

ma5 = tafunc.ma(klines["close"], 5)  # 求5周期收盘价的简单移动平均

tqsdk.tafunc.sma(series, n, m)

扩展指数加权移动平均: 求series的n个周期内的扩展指数加权移动平均, m为权重

计算公式:

sma(x, n, m) = sma(x, n, m).shift(1) * (n - m) / n + x(n) * m / n

例:

sma = tafunc.sma(df["close"], 5, 2)

注:

n为0或空值的情况下, 或当n为有效值但当前的k线数不足n根, 函数返回空值

tqsdk.tafunc.ema(series, n)

指数加权移动平均线: 求series序列n周期的指数加权移动平均(平滑移动平均)

计算公式:

ema(x, n) = 2 * x / (n + 1) + (n - 1) * ema(x, n).shift(1) / (n + 1)

例:

ema = tafunc.ema(df["close"], 5) # 求收盘价5周期指数加权移动平均值

注:

1. n包含当前k线
2. 对距离当前较近的k线赋予了较大的权重
3. n为0或空值的情况下, 或当n为有效值但当前的k线数不足n根, 函数返回空值

tqsdk.tafunc.ema2(series, n)

线性加权移动平均: 求n周期series值的线性加权移动平均 (也称WMA)

计算公式:

ema2(x, n) = [n * x(0) + (n - 1) * x(1) + (x - 2) * x(2) + ... + 1 * x(n - 1)] / [n + (n - 1) + (n - 2) + ... + 1]

例:

ema2 = tafunc.ema2(df["close"], 5) # 求收盘价在5个周期的线性加权移动平均值

注:

1. n包含当前k线
2. n为0或空值的情况下, 或当n为有效值但当前的k线数不足n根, 函数返回空值

tqsdk.tafunc.crossup(a, b)

向上穿越: 表当a从下方向上穿过b, 成立返回1, 否则返回0

例:

crossup = tafunc.crossup(tafunc.ma(df["close"], 5), tafunc.ma(df["close"], 10))

tqsdk.tafunc.crossdown(a, b)

向下穿越: 表示当a从上方向下穿b，成立返回1, 否则返回0

例:

crossdown = tafunc.crossdown(tafunc.ma(df["close"], 5), tafunc.ma(df["close"], 10))

tqsdk.tafunc.count(cond, n)

统计n周期中满足cond条件的周期数

例:

统计从申请到的行情数据以来到当前这段时间内, 5周期均线上穿10周期均线的次数: count = tafunc.count(tafunc.crossup(tafunc.ma(df["close"], 5), tafunc.ma(df["close"], 10)), 0)

注:

1. n包含当前k线
2. 如果n为0, 则从第一个有效值开始统计
3. n为空值时返回值为空值

tqsdk.tafunc.trma(series, n)

三角移动平均: 求series在n个周期的三角移动平均值

计算方法:

三角移动平均线公式, 是采用算数移动平均, 并且对第一个移动平均线再一次应用算数移动平均

例:

trma = tafunc.trma(df["close"], 10)

注:

1. n包含当前k线
2. n为0或空值的情况下, 或当n为有效值但当前的k线数不足n根, 函数返回空值

tqsdk.tafunc.harmean(series, n)

调和平均值: 求series在n个周期内的调和平均值

计算方法:

harmean(x, 5) = 1 / [(1 / x(1) + 1 / x(2) + 1 / x(3) + 1 / x(4) + 1 / x(5)) / 5]

例:

harmean = tafunc.harmean(df["close"], 5) # 求5周期收盘价的调和平均值

注:

1. n包含当前k线
2. 调和平均值与倒数的简单平均值互为倒数
3. 当n为有效值, 但当前的k线数不足n根, 函数返回空值
4. series或n为0或空值的情况下, 函数返回空值

tqsdk.tafunc.numpow(series, n, m)

自然数幂方和

计算方法:

numpow(x, n, m) = n ^ m * x + (n - 1) ^ m * x.shift(1) + (n - 2) ^ m * x.shift(2) + ... + 2 ^ m * x.shift(n - 2) + 1 ^ m * x.shift(n - 1)

例:

numpow = tafunc.numpow(df["close"], 5, 2)

tqsdk.tafunc.abs(series)

获取series的绝对值

例:

abs = tafunc.abs(series)

注:

正数的绝对值是它本身, 负数的绝对值是它的相反数, 0的绝对值还是0

tqsdk.tafunc.min(series1, series2)

获取series1和series2中的最小值

例:

min = tafunc.min(series1, series2)

tqsdk.tafunc.max(series1, series2)

获取series1和series2中的最大值

例:

max = tafunc.max(series1, series2)

tqsdk.tafunc.median(series, n)

中位数: 求series在n个周期内居于中间的数值

例1:

median3 = tafunc.median(df["close"], 3) 假设最近3日的收盘价为2727, 2754, 2748, 那么当前median(df["close"], 3)的返回值是2748

例2:

median4 = tafunc.median(df["open"], 4) 假设最近4日的开盘价为2752, 2743, 2730, 2728, 那么当前median(df["open"], 4)的返回值是2736.5

注:

n个周期内所有series排序后, 若n为奇数, 则选择第(n + 1) / 2个为中位数, 若n为偶数, 则中位数是(n / 2)以及(n / 2 + 1)的平均数

tqsdk.tafunc.exist(cond, n)

判断n个周期内, 是否有满足cond的条件, 若满足则值为1, 不满足为0

例:

exist = tafunc.exist(df["close"] > df["high"].shift(1), 4) # 表示4个周期中是否存在收盘价大于前一个周期的最高价, 存在返回1, 不存在则返回0

tqsdk.tafunc.every(cond, n)

判断n个周期内, 是否一直满足cond条件, 若满足则值为1, 不满足为0

例:

every = tafunc.every(tafunc.ma(df["close"], 3) > tafunc.ma(df["close"], 5), 4) # 表示在4周期内, 3周期的简单移动平均是否一直大于5周期的简单移动平均

注:

n包含当前k线

tqsdk.tafunc.hhv(series, n)

求series在n个周期内的最高值

例:

hhv = tafunc.hhv(df["high"], 4) # 求4个周期最高价的最大值, 即4周期高点(包含当前k线)

注:

n包含当前k线

tqsdk.tafunc.llv(series, n)

求在n个周期内的最小值

例:

llv = tafunc.llv(df["low"], 5) # 求5根k线最低点(包含当前k线)

注:

n包含当前k线

tqsdk.tafunc.avedev(series, n)

平均绝对偏差: 求series在n周期内的平均绝对偏差

算法:

计算avedev(df["close"],3)在最近一根K线上的值: (abs(df["close"] - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3) + abs( df["close"].shift(1) - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3) + abs( df["close"].shift(2) - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3)) / 3

例:

计算收盘价在5周期内的平均绝对偏差, 表示5个周期内每个周期的收盘价与5周期收盘价的平均值的差的绝对值的平均值, 判断收盘价与其均值的偏离程度: avedev = tafunc.avedev(df["close"], 5)

注:

1. 包含当前k线
2. n为0时, 该函数返回空值