双均线策略
假设你是个高级程序员和量化研究员,编写函数实现双均线策略。函数接受数据帧
df
,较短均线的列名称short_col
和较长均线的列名称long_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def dual_moving_average_strategy(df, short_col='sma_short', long_col='sma_long', inplace=False):"""实现双均线策略,生成买卖信号。参数:df : DataFrame包含价格数据的DataFrame。short_col : str短周期均线的列名。long_col : str长周期均线的列名。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:短周期均线由下向上穿越长周期均线df.loc[(df[short_col] > df[long_col]) & (df[short_col].shift(1) <= df[long_col].shift(1)), 'signal'] = 1# 产生卖出信号:短周期均线由上向下穿越长周期均线df.loc[(df[short_col] < df[long_col]) & (df[short_col].shift(1) >= df[long_col].shift(1)), 'signal'] = -1return df
布林带指标
假设你是个高级程序员和量化研究员,编写函数实现布林带指标。函数接受数据帧
df
,中布林带的列名称mid_col
,上布林带列名称upper_col
,下布林带列名称lower_col
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def bollinger_bands(df, mid_col='mid_band', upper_col='upper_band', lower_col='lower_band', window=20, num_std=2, inplace=False
):"""计算布林带指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。window : int, optional计算简单移动平均线SMA的窗口大小,默认为20。num_std : int, optional计算布林带通道时使用的标准差倍数,默认为2。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含布林带指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算中轨(简单移动平均线SMA)df['mid_band'] = df['close'].rolling(window=window).mean()# 计算价格的标准差std = df['close'].rolling(window=window).std()# 计算布林带上轨df['upper_band'] = df['mid_band'] + (std * num_std)# 计算布林带下轨df['lower_band'] = df['mid_band'] - (std * num_std)return df
布林带策略
假设你是个高级程序员和量化研究员,编写函数实现布林带策略。函数接受数据帧
df
,中轨的列名称mid_col
,上轨列名称upper_col
,下轨列名称lower_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def bollinger_bands_strategy(df, mid_col='mid_band', upper_col='upper_band', lower_col='lower_band', inplace=False):"""实现布林带策略,生成买卖信号。参数:df : DataFrame包含价格数据的DataFrame,必须包含'mid_col', 'upper_col', 'lower_col'列。mid_col : str中轨(通常是简单移动平均线SMA)的列名。upper_col : str上轨的列名。lower_col : str下轨的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:价格跌破下轨df.loc[df['close'] < df[lower_col], 'signal'] = 1# 产生卖出信号:价格突破上轨df.loc[df['close'] > df[upper_col], 'signal'] = -1return df
MACD 指标
假设你是个高级程序员和量化研究员,编写函数实现 MACD 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def macd(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', fast_window=12, slow_window=26, signal_window=9, inplace=False):"""计算MACD指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。fast_window : int, optional快速EMA的窗口大小,默认为12。slow_window : int, optional慢速EMA的窗口大小,默认为26。signal_window : int, optional信号线的窗口大小,默认为9。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含MACD指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算快速EMAfast_ema = df['close'].ewm(span=fast_window, adjust=False).mean()# 计算慢速EMAslow_ema = df['close'].ewm(span=slow_window, adjust=False).mean()# 计算MACD线df[dea_col] = fast_ema - slow_ema# 计算信号线df[dif_col] = df[dea_col].ewm(span=signal_window, adjust=False).mean()# 计算MACD柱df[hist_col] = df[dea_col] - df[dif_col]return df
MACD 策略
假设你是个高级程序员和量化研究员,编写函数实现MACD策略。函数接受数据帧
df
,DEA列名称dea_col
,DIF列名称dif_col
,柱状图列名称hist_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def macd_strategy(df, dea_col='dea', dif_col='dif', hist_col='macd_hist', inplace=False):"""实现MACD策略,生成买卖信号。参数:df : DataFrame包含MACD指标数据的DataFrame,必须包含'dea_col', 'dif_col', 'hist_col'列。dea_col : strDEA(信号线)的列名。dif_col : strDIF(MACD线)的列名。hist_col : strMACD柱状图的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:DIF上穿DEAdf.loc[(df[dif_col] > df[dea_col]) & (df[dif_col].shift(1) <= df[dea_col].shift(1)), 'signal'] = 1# 产生卖出信号:DIF下穿DEAdf.loc[(df[dif_col] < df[dea_col]) & (df[dif_col].shift(1) >= df[dea_col].shift(1)), 'signal'] = -1return df
RSI 指标
假设你是个高级程序员和量化研究员,编写函数实现 RSI 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def rsi(df, rsi_col='rsi', window=14, inplace=False):"""计算RSI指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。window : int, optionalRSI指标的窗口大小,默认为14。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含RSI指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算价格变动chg = df['close'].diff()# 计算上涨和下跌的平均值up_avg = chg.where(chg > 0).rolling(window=window).mean()down_avg = -chg.where(chg < 0).rolling(window=window).mean()# 防止除以零up_avg.fillna(0, inplace=True)down_avg.fillna(0, inplace=True)# 计算RSIdf[rsi_col] = 100 - (100 / (1 + (up_avg / down_avg)))return df
RSI 策略
假设你是个高级程序员和量化研究员,编写函数实现RSI策略。函数接受数据帧
df
,RSI列名称rsi_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def rsi_strategy(df, rsi_col='rsi', inplace=False):"""实现RSI策略,生成买卖信号。参数:df : DataFrame包含RSI指标数据的DataFrame,必须包含'rsi_col'列。rsi_col : strRSI指标的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:RSI低于30df.loc[df[rsi_col] < 30, 'signal'] = 1# 产生卖出信号:RSI高于70df.loc[df[rsi_col] > 70, 'signal'] = -1return df
KDJ 指标
假设你是个高级程序员和量化研究员,编写函数实现 KDJ 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def kdj(df, k_col='K', d_col='D', j_col='J', n=9, m1=3, m2=3, inplace=False):"""计算KDJ指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。n : int, optional计算KDJ指标的时间窗口,默认为9。m1 : int, optional计算D线的时间窗口,默认为3。m2 : int, optional计算J线的参数,默认为3。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含KDJ指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算最小值和最大值low_min = df['low'].rolling(window=n).min()high_max = df['high'].rolling(window=n).max()# 计算K值df[k_col] = (df['close'] - low_min) / (high_max - low_min) * 100# 计算D值df[d_col] = df[k_col].rolling(window=m1).mean()# 计算J值df[j_col] = m2 * df[d_col] - df[k_col].rolling(window=m2).mean()return df
KDJ 策略
假设你是个高级程序员和量化研究员,编写函数实现KDJ策略。函数接受数据帧
df
,K/D/J列名称k_col
、d_col
、j_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def kdj_strategy(df, k_col='K', d_col='D', j_col='J', inplace=False):"""实现KDJ策略,生成买卖信号。参数:df : DataFrame包含KDJ指标数据的DataFrame,必须包含'k_col', 'd_col', 'j_col'列。k_col : strK值的列名。d_col : strD值的列名。j_col : strJ值的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:K值上穿D值df.loc[(df[k_col] > df[d_col]) & (df[k_col].shift(1) <= df[d_col].shift(1)), 'signal'] = 1# 产生卖出信号:K值下穿D值df.loc[(df[k_col] < df[d_col]) & (df[k_col].shift(1) >= df[d_col].shift(1)), 'signal'] = -1return df
CCI 指标
假设你是个高级程序员和量化研究员,编写函数实现 CCI 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def cci(df, cci_col='cci', n=20, inplace=False):"""计算CCI指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。n : int, optionalCCI指标的时间窗口,默认为20。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含CCI指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算移动平均值sma = df['close'].rolling(window=n).mean()# 计算标准差std = df['close'].rolling(window=n).std()# 计算CCIdf[cci_col] = (df['close'] - sma) / (0.015 * std)return df
CCI 策略
假设你是个高级程序员和量化研究员,编写函数实现CCI策略。函数接受数据帧
df
,CCI列名称cci_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def cci_strategy(df, cci_col='cci', inplace=False):"""实现CCI策略,生成买卖信号。参数:df : DataFrame包含CCI指标数据的DataFrame,必须包含'cci_col'列。cci_col : strCCI指标的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:CCI低于-100df.loc[df[cci_col] < -100, 'signal'] = 1# 产生卖出信号:CCI高于+100df.loc[df[cci_col] > 100, 'signal'] = -1return df
OBV 指标
假设你是个高级程序员和量化研究员,编写函数实现 OBV 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def obv(df, obv_col='obv', inplace=False):"""计算OBV指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含OBV指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算收盘价差异的符号chg = df['close'].diff()sgn = np.sign(chg)sgn.iloc[0] = 0# 计算OBVdf[obv_col] = (df['volume'] * sgn).cumsum()return df
OBV 策略
假设你是个高级程序员和量化研究员,编写函数实现OBV策略。函数接受数据帧
df
,OBV列名称obv_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def obv_strategy(df, obv_col, inplace=False):"""实现OBV策略,生成买卖信号。参数:df : DataFrame包含OBV指标数据的DataFrame,必须包含'obv_col'列。obv_col : strOBV指标的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:OBV连续上升df.loc[df[obv_col].rolling(window=3).sum() > 0, 'signal'] = 1# 产生卖出信号:OBV连续下降df.loc[df[obv_col].rolling(window=3).sum() < 0, 'signal'] = -1return df
ADX 指标
假设你是个高级程序员和量化研究员,编写函数实现 ADX 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def adx(df, window=14, inplace=False):"""计算ADX指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close'列。window : int, optionalADX指标的时间窗口,默认为14。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含ADX指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算最高价和最低价之间的差异df['range'] = df['high'] - df['low']# 计算动量(Momentum)plus_dm = np.where(df['close'] - df['open'] > 0, df['range'], 0)minus_dm = np.where(df['open'] - df['close'] > 0, -df['range'], 0)# 计算ADM和ADNplus_dm_mean = plus_dm.rolling(window=window).mean()minus_dm_mean = minus_dm.rolling(window=window).mean()# 计算DXdx = (plus_dm_mean - minus_dm_mean) / (plus_dm_mean + minus_dm_mean)dx_mean = dx.rolling(window=window).mean()# 计算ADXdf['adx'] = (100 - 100 / (1 + np.sqrt(dx_mean)))return df
ADX 策略
假设你是个高级程序员和量化研究员,编写函数实现ADX策略。函数接受数据帧
df
,ADX列名称adx_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def adx_strategy(df, adx_col='adx', inplace=False):"""实现ADX策略,生成买卖信号。参数:df : DataFrame包含ADX指标数据的DataFrame,必须包含'adx_col'列。adx_col : strADX指标的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:ADX超过25df.loc[df[adx_col] > 25, 'signal'] = 1# 产生卖出信号:ADX低于25df.loc[df[adx_col] < 25, 'signal'] = -1return df
VWAP 指标
假设你是个高级程序员和量化研究员,编写函数实现 VWAP 指标。函数接受数据帧
df
,inplace
参数控制是否原地更新df
。df
包含四个列:open
开盘价、high
最高价、low
最低价和close
收盘价。所有指标都应当保存到df
中,最后返回df
。
def vwap(df, vwap_col='vwap', inplace=False):"""计算VWAP指标,并更新DataFrame。参数:df : DataFrame包含价格数据的DataFrame,必须包含'open', 'high', 'low', 'close', 'volume'列。window : int, optional滚动窗口的大小,默认为1。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame包含VWAP指标的新DataFrame(如果inplace为False)。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 计算VWAPdf['vwap'] = (df['open'] + df['high'] + df['low'] + df['close']) / 4 * df['volume']return df
VWAP 策略
假设你是个高级程序员和量化研究员,编写函数实现VWAP策略。函数接受数据帧
df
,VWAP列名称vwap_col
,inplace
参数控制是否原地更新df
。买卖信号应保存在signal
列中。最后返回df
。
def vwap_strategy(df, vwap_col='vwap', inplace=False):"""实现VWAP策略,生成买卖信号。参数:df : DataFrame包含VWAP指标数据的DataFrame,必须包含'vwap_col'列。vwap_col : strVWAP指标的列名。inplace : bool, optional是否在原地更新DataFrame,默认为False。返回:df : DataFrame原始DataFrame,增加了一个名为'signal'的列,包含买卖信号。"""# 复制DataFrame以避免修改原始数据if not inplace:df = df.copy()# 初始化信号列,默认为无操作df['signal'] = 0# 产生买入信号:价格突破VWAPdf.loc[df['close'] > df[vwap_col], 'signal'] = 1# 产生卖出信号:价格跌破VWAPdf.loc[df['close'] < df[vwap_col], 'signal'] = -1return df