Python实现DMI工具判断信号：股票技术分析的工具系列（3）

---

介绍

先看看官方介绍：

DMI (趋向指标）
用法
1.PDI线从下向上突破MDI线，显示有新多头进场，为买进信号；
2.PDI线从上向下跌破MDI线，显示有新空头进场，为卖出信号；
3.ADX值持续高于前一日时，市场行情将维持原趋势；
4.ADX值递减，降到20以下，且横向行进时，市场气氛为盘整；
5.ADX值从上升倾向转为下降时，表明行情即将反转。

算法解释

MTR:= SUM(MAX(MAX(HIGH-LOW,ABS(HIGH-REF(CLOSE,1))),ABS(LOW-REF(CLOSE,1))),N);
HD := HIGH-REF(HIGH,1);
LD := REF(LOW,1)-LOW;
DMP:= SUM(IF(HD>0 AND HD>LD,HD,0),N);
DMM:= SUM(IF(LD>0 AND LD>HD,LD,0),N);
PDI: DMP*100/MTR;
MDI: DMM*100/MTR;
ADX: MA(ABS(MDI-PDI)/(MDI+PDI)*100,M);
ADXR:(ADX+REF(ADX,M))/2;
1
2
3
4
5
6
7
8
9

优势：

劣势：

代码

rolling函数介绍

rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)
1

• window: 用于计算统计量的窗口大小。
• min_periods: 每个窗口最少需要的非空观测值数量。
• center: 确定窗口是否居中，默认为 False。
• win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
• on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。
• axis: 执行滚动操作的轴，默认为 0，表示按列执行操作。
• closed: 确定窗口的哪一端是闭合的，默认为 None。

完整代码

import pandas as pd
import stock_data

# 将股票数据存储到字典中
data = {
    'DATE': stock_data.DATE,
    'CLOSE': stock_data.CLOSE,
    'HIGH': stock_data.HIGH,
    'LOW': stock_data.LOW,
    'OPEN': stock_data.OPEN,
    'CHANGE': stock_data.CHANGE,
    'VOL': stock_data.VOL,
    'CAPITAL': stock_data.CAPITAL
}

df = pd.DataFrame(data)


def check_signal(v_df, day_index=-1):
    """
    检查信号

    参数：
    v_df: pandas.DataFrame，包含DMI指标的DataFrame
    day_index: int，要检查的日期索引，默认为最后一天

    返回：
    str，表示信号的字符串，可能为"买入信号"、"卖出信号"或"无信号"
    """
    # 生成信号
    signal = "无信号"
    latest_data_PDI = v_df['PDI'].iloc[day_index]
    latest_data_PDI2 = v_df['PDI'].iloc[-1 + day_index]
    latest_data_MDI = v_df['MDI'].iloc[day_index]
    latest_data_MDI2 = v_df['MDI'].iloc[-1 + day_index]
    if latest_data_PDI > latest_data_MDI and latest_data_PDI2 <= latest_data_MDI2:
        signal = "买入信号"
    elif latest_data_PDI < latest_data_MDI and latest_data_PDI2 >= latest_data_MDI2:
        signal = "卖出信号"
    return signal


def DMI(v_df, N, M):
    """
    计算DMI指标

    参数：
    v_df: pandas.DataFrame，包含股票数据的DataFrame
    N: int，计算MTR和移动平均的窗口大小
    M: int，计算ADX的平滑窗口大小

    返回：
    无，结果直接存储在输入的DataFrame中
    """
    # 计算 MTR
    v_df['HL'] = v_df['HIGH'] - v_df['LOW']
    v_df['HC'] = abs(v_df['HIGH'] - v_df['CLOSE'].shift(1))
    v_df['LC'] = abs(v_df['LOW'] - v_df['CLOSE'].shift(1))
    v_df['MAX1'] = v_df[['HL', 'HC']].max(axis=1)
    v_df['MAX2'] = v_df[['MAX1', 'LC']].max(axis=1)
    v_df['MTR'] = v_df['MAX2'].rolling(window=N).sum()
    # 计算 HD
    v_df['HD'] = v_df['HIGH'] - v_df['HIGH'].shift(1)
    # 计算 LD
    v_df['LD'] = v_df['LOW'].shift(1) - v_df['LOW']
    # 计算 DMP
    v_df['DMP'] = df.apply(lambda x: x['HD'] if (x['HD'] > 0 and x['HD'] > x['LD']) else 0, axis=1).rolling(
        window=N).sum()
    # 计算 DMM
    v_df['DMM'] = df.apply(lambda x: x['LD'] if (x['LD'] > 0 and x['LD'] > x['HD']) else 0, axis=1).rolling(
        window=N).sum()
    # 计算 PDI、MDI 和 ADX
    v_df['PDI'] = v_df['DMP'] * 100 / v_df['MTR']
    v_df['MDI'] = v_df['DMM'] * 100 / v_df['MTR']
    v_df['DX'] = (v_df['PDI'] - v_df['MDI']).abs() / (v_df['PDI'] + v_df['MDI']) * 100
    v_df['ADX'] = v_df['DX'].rolling(window=M).mean()
    # 计算 ADXR
    v_df['ADXR'] = (v_df['ADX'] + v_df['ADX'].shift(M)) / 2
    # 删除中间计算用的列
    df.drop(['LOW', 'HL', 'HC', 'LC', 'MAX1', 'MAX2', 'HD', 'LD', 'DX'], axis=1, inplace=True)


DMI(df, 14, 6)
print(check_signal(df, day_index=-1))


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86