R语言,实现MACD指标计算:股票技术分析的利器系列(1)

2024-03-08 06:36

本文主要是介绍R语言,实现MACD指标计算:股票技术分析的利器系列(1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

R语言,实现MACD指标计算:股票技术分析的利器系列(1)

    • MACD指标
    • 代码
    • 完整代码
      • 介绍代码
        • EMA函数
        • calculate_DEA 函数
        • calculate_MACD 函数
    • 运行结果


MACD指标

先看看官方介绍:

MACD (平滑异同平均线)
指标说明
DIF线:收盘价短期、长期指数平滑移动平均线间的差;
DEA线:DIF线的M日指数平滑移动平均线;
MACD线:DIF线与DEA线的差,彩色柱状线;
参数:SHORT(短期)、LONG(长期)、M 天数,一般为12、26、9。
用法
1.DIF、DEA均为正,DIF向上突破DEA,买入信号;
2.DIF、DEA均为负,DIF向下跌破DEA,卖出信号;
3.DEA线与K线发生背离,行情反转信号;
4.分析MACD柱状线,由红变绿(正变负),卖出信号;由绿变红,买入信号。

算法解释:

DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA:EMA(DIF,MID);
MACD:(DIF-DEA)*2,COLORSTICK;

优势:

优势描述
趋势跟踪能力强MACD能够帮助识别市场的趋势方向,尤其是短期和长期趋势的转折点。通过观察DIF和DEA线的交叉,可以提供买入和卖出的时机。
清晰的信号MACD的交叉点和柱状线的变化提供了清晰的交易信号,使得投资者能够更容易地进行决策。
背离信号当DEA线与价格走势产生背离时,往往暗示着市场趋势即将发生变化,这为投资者提供了及时的行动信号。
柱状线变化反映市场动能MACD柱状线的颜色变化反映了市场的动能变化,红色代表正能量增强,绿色代表负能量增强,这有助于投资者了解市场情绪和力量的变化。

劣势:

劣势描述
滞后性MACD是一种滞后指标,它基于移动平均线的计算,因此在市场趋势发生变化之后才会发出信号,有时可能会错过市场的最佳买入或卖出时机。
假信号由于MACD的计算方式,有时会出现假信号,即在市场波动较大或横盘震荡时,可能会产生交叉但并未发生实际的趋势转折。
单一性MACD虽然能够提供趋势判断和交易信号,但它并不能完全覆盖市场的全部信息,投资者在使用时仍需要结合其他指标和技术分析方法进行综合判断。

代码

完整代码

请将下面代码的 C:/Users/daoli/Desktop/stock_demo/MACD 替换你们自己的工作路径

# 设置工作目录为MACD文件夹
setwd("C:/Users/daoli/Desktop/stock_demo/MACD")
# 打印当前工作目录
print(getwd())# 导入stock_data.R中的函数和数据
source('stock_data.R')# 定义函数计算指数移动平均线(Exponential Moving Average,EMA)
# 参数:
#   x: 输入数据
#   n: 平滑因子
# 返回值:
#   指数移动平均线
EMA <- function(x, n) {ema <- numeric(length(x))ema[1] <- x[1]alpha <- 2 / (n + 1)for (i in 2:length(x)) {ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]}return(ema)
}# 计算DIF指标
# 参数:
#   close: 收盘价数据
#   short: 短期平滑因子
#   long: 长期平滑因子
# 返回值:
#   DIF指标
calculate_DIF <- function(close, short, long) {dif <- EMA(close, short) - EMA(close, long)return(dif)
}# 计算DEA指标
# 参数:
#   dif: DIF指标数据
#   mid: 中期平滑因子
# 返回值:
#   DEA指标
calculate_DEA <- function(dif, mid) {dea <- EMA(dif, mid)return(dea)
}# 计算MACD指标
# 参数:
#   dif: DIF指标数据
#   dea: DEA指标数据
# 返回值:
#   MACD指标
calculate_MACD <- function(dif, dea) {macd <- (dif - dea) * 2return(macd)
}# 参数设置
SHORT <- 12
LONG <- 26
MID <- 9# 计算指标
dif <- calculate_DIF(stock_data$CLOSE, SHORT, LONG)
dea <- calculate_DEA(dif, MID)
macd <- calculate_MACD(dif, dea)# 将计算得到的指标合并到原始数据中
stock_data <- cbind(stock_data,DIF = round(dif, 2),DEA = round(dea, 2),MACD = round(macd, 2)
)# 根据日期字段倒序排列并展示数据
stock_data <-stock_data[order(stock_data$DATE, decreasing = TRUE), ]
View(stock_data)

介绍代码

EMA函数
# 定义函数计算指数移动平均线(Exponential Moving Average,EMA)
# 参数:
#   x: 输入数据
#   n: 平滑因子
# 返回值:
#   指数移动平均线
EMA <- function(x, n) {ema <- numeric(length(x))ema[1] <- x[1]alpha <- 2 / (n + 1)for (i in 2:length(x)) {ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]}return(ema)
}
  1. EMA <- function(x, n) {: 这一行定义了一个函数 EMA,接受两个参数 xn,其中 x 是一个数值型向量,包含要计算EMA的数据,n 是一个整数,代表指数平滑的窗口大小。

  2. ema <- numeric(length(x)): 这一行创建了一个名为 ema 的空数值型向量,其长度与输入向量 x 的长度相同,用来存储计算得到的 EMA。

  3. ema[1] <- x[1]: 这一行将 ema 向量的第一个元素设置为输入向量 x 的第一个元素,作为初始值。

  4. alpha <- 2 / (n + 1): 这一行计算了一个常数 alpha,用于指数平滑计算中的权重。alpha 的计算公式为 2 / (n + 1),其中 n 是平滑窗口大小。

  5. for (i in 2:length(x)) {: 这一行开启了一个循环,从输入向量 x 的第二个元素开始,直到最后一个元素。

  6. ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]: 这一行计算了当前时刻 i 的 EMA,根据指数平滑的公式:新EMA值等于当前值乘以权重 alpha 再加上上一个EMA值乘以权重 (1 - alpha)

  7. return(ema): 这一行返回计算得到的 EMA 向量。

calculate_DEA 函数
calculate_DEA <- function(dif, mid) {dea <- EMA(dif, mid)return(dea)
}
  1. calculate_DIF <- function(close, short, long) {: 这一行定义了一个函数 calculate_DIF,接受三个参数:close 是一个数值型向量,包含股价收盘价的数据;shortlong 是两个整数,分别代表短期和长期的指数平滑窗口大小。

  2. dif <- EMA(close, short) - EMA(close, long): 这一行计算了两个不同长度的指数移动平均线之间的差异值(DIF)。首先调用了之前定义的 EMA 函数来计算 close 向量的短期和长期EMA值,然后将短期EMA值减去长期EMA值得到差异值 dif

  3. return(dif): 这一行返回计算得到的差异值 dif

calculate_MACD 函数
calculate_MACD <- function(dif, dea) {macd <- (dif - dea) * 2return(macd)
}

这段代码定义了一个函数 calculate_MACD,用于计算移动平均收敛-发散指标(Moving Average Convergence Divergence,MACD)。下面是对每一行代码的解释:

  1. calculate_MACD <- function(dif, dea) {: 这一行定义了一个函数 calculate_MACD,接受两个参数:dif 是一个数值型向量,代表差异值;dea 也是一个数值型向量,代表差异值的指数移动平均线(DEA)。

  2. macd <- (dif - dea) * 2: 这一行计算了MACD值,首先从差异值 dif 中减去差异值的指数移动平均线 dea,然后将结果乘以2。

  3. return(macd): 这一行返回计算得到的MACD值。

运行结果

在这里插入图片描述

这篇关于R语言,实现MACD指标计算:股票技术分析的利器系列(1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/786317

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义