小编给大家分享一下怎么使用Python判断牛熊，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
成都创新互联公司长期为成百上千家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为阳新企业提供专业的成都做网站、成都网站设计，阳新网站改版等技术服务。拥有十多年丰富建站经验和众多成功案例,为您定制开发。
创建牛市和熊市实力指数
上古雷指数MEAs数字购销压力量和两个柱状图，其中一个就是所谓的多头力量和其他的空头力量的。直方图是根据以下公式计算的：
EMA变量指的是指数移动平均线，它是一种移动平均线，将更多的权重放在最近的值上。
可以使用以下功能来计算指数移动平均值：
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
第一个面板中的EURUSD和50周期的牛熊指标
上面显示了EURUSD每小时数据，第二个面板中有50个周期的牛熊指标。在继续执行指标代码之前，我们必须编写两个简单的函数：
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
现在，我们准备好代码了。记住要准备好OHLC阵列。
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位于第一个面板中，并且是50周期的牛熊指标。
要对上面的图表进行编码，我们可以使用以下函数：
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.
回测简单策略
与任何适当的研究方法一样，其目的是对指标进行回测，并能够自己查看是否值得将其作为我们先前存在的交易框架的补充。请注意，以下内容仅对过去10年中仅对10个货币对的一个时间范围进行回测。这可能不是该策略的最佳时限，但我们只是试图找到一种“一刀切”的“几乎适合所有人”的策略。
条件已简化，我们将基于主观障碍使用逆势方法：
当牛市力量指标达到-0.001并且前两个值大于0.001时，做多(买入)。保持该位置，直到收到新信号(该位置已关闭)。
每当熊市力量指标达到0.001(前两个值均低于0.001)时，做空(卖出)。保持该位置，直到收到新信号(该位置已关闭)。
欧元兑美元的信号图。
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上的信号图
根据自2010年以来按小时数据散布的0.5个基点得出的结果，并且没有采用风险管理算法，得出的结果如下。
效果表
遵循该策略的股权曲线
显然，该指标并没有增加价值。尝试优化甚至更改与之相关的策略可能会更好。我们可能可以添加一些熊市条件来验证看涨信号，并添加一些牛市条件来验证看跌信号。
我们还可以相应地调整回溯和障碍。我们可以做的最后一件事是将策略从逆势转变为遵循趋势。
结论
记住要经常做背部测试。即使我提供了指标的功能(而不只是吹牛说它是圣杯，并且它的功能是秘密)，您也应该始终相信其他人是错误的。我的指标和交易风格对我有用，但可能并非对每个人都适用。我依靠以下规则：
市场价格在超过50%的时间内无法预测或很难预测。但是市场反应是可以预测的。
意思是，我们可以在一个区域周围形成一个小区域，并可以确信地说市场价格将对该区域周围的区域产生反应。但是我们不能真正说它会从那里下跌4%，然后再次测试，并在第三次尝试跌至103.85美元时突破。由于我们预测过度，因此误差项呈指数级增长。
以上是“怎么使用Python判断牛熊”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联行业资讯频道！
