【 服务热线 】15368564009

您的当前位置： 网站首页 新闻动态 IT技术

为K线序列管理添加变动百分比属性，和一个简单分析

发布时间：2025-08-31 21:23:08 作者：益华网络 来源：undefined 浏览量（0） 点赞（0）
摘要：一般K线数据，主要是记录HLOC（High，Low，Open，Close）四个值，再加上Volume交易量。在做基于K线分析时候，变动百分比也是一个经常考虑数值。这里说下增加变动百分比的属性。 其实还是很

一般K线数据，主要是记录HLOC（High，Low，Open，Close）四个值，再加上Volume交易量。在做基于K线分析时候，变动百分比也是一个经常考虑数值。这里说下增加变动百分比的属性。

其实还是很简单，如果不考虑跳空的话，就是（Close - Open）* 100.0 / Open; 考虑到跳空的话，就是当前K线结束值前取上个K线结束值，再处于上个K线结束值即可。

如果有个close的值队列的，示例代码如下

1
2
3
4
5
6
7
8
closelist = [100,99,101,103,105,109]
def getPrecentlist(inputlist):
precentlist = []
for i in range(1,len(inputlist)):
precent = (inputlist[i] - inputlist[i-1])*100.0/inputlist[i-1]
precentlist.append(precent)
return precentlist
getPrecentlist(closelist)

返回就是如下百分比队列。

[-1.0,2.0202020202020203,1.9801980198019802,1.941747572815534,3.8095238095238093] 

同理， 在VNPY的K线序列管理工具ArrayManager，可以加入下面代码。按照属性返回百分比序列

1
2
3
4
5
6
@property
def percent(self):
"""获取百分比序列"""
arrayold = self.closeArray[0:self.size - 1]
arraynew = self.closeArray[1:self.size]
return map(lambda (closenew, closeold): (closenew - closeold)*100.0/closeold,zip(arraynew, arrayold))

这里稍微有点玄机，就是利用了lambda把原来function简化，同时用zip生成一个当前close和前一个close的元祖，来调来计算。

下面使用之前做的DataFrame anaylzer做的一些分析。对于豆粕m1905，从2018年09月1日到现在，10分钟K的变动百分比。

首先不出所料，precent以0为中轴的高斯分布。

比较出乎意料的是，对于最大和最小的百分之一到百分之五的K线，之后的2，4，6个K线结束时候，过半数是反转掉头的。我原来以为如果有个大的K线向上，之后回顺着向上，但是看起来，反转更能多出现。

Precent 大于 0.4312038575295748, 99时候，k线数量为 54，第二根K线结束价格上涨概率为 31.48148148148148%;

Precent 小于于 -0.4345589035350628, 1时候，k线数量为 54, 第二根K线结束价格下跌概率为 38.888888888888886%

Precent 大于 0.4312038575295748, 99时候，第四根K线结束价格上涨概率为 33.333333333333336%

Precent 小于于 -0.4345589035350628, 1时候，第四根K线结束价格下跌概率为 48.148148148148145%

Precent 大于 0.4312038575295748, 99时候，第六根K线结束价格上涨概率为 35.18518518518518%

Precent 小于于 -0.4345589035350628, 1时候，第六根K线结束价格下跌概率为 46.2962962962963%

Precent 大于 0.31567899447202463, 98时候，k线数量为 107，第二根K线结束价格上涨概率为 38.3177570093458%;

Precent 小于于 -0.3369829012686155, 2时候，k线数量为 107, 第二根K线结束价格下跌概率为 36.44859813084112%

Precent 大于 0.31567899447202463, 98时候，第四根K线结束价格上涨概率为 37.38317757009346%

Precent 小于于 -0.3369829012686155, 2时候，第四根K线结束价格下跌概率为 41.12149532710281%

Precent 大于 0.31567899447202463, 98时候，第六根K线结束价格上涨概率为 33.64485981308411%

Precent 小于于 -0.3369829012686155, 2时候，第六根K线结束价格下跌概率为 40.18691588785047%

Precent 大于 0.27096928404930803, 97时候，k线数量为 160，第二根K线结束价格上涨概率为 39.375%;

Precent 小于于 -0.2776041810690485, 3时候，k线数量为 160, 第二根K线结束价格下跌概率为 36.25%

Precent 大于 0.27096928404930803, 97时候，第四根K线结束价格上涨概率为 40.625%

Precent 小于于 -0.2776041810690485, 3时候，第四根K线结束价格下跌概率为 41.875%

Precent 大于 0.27096928404930803, 97时候，第六根K线结束价格上涨概率为 40.0%

Precent 小于于 -0.2776041810690485, 3时候，第六根K线结束价格下跌概率为 42.5%

Precent 大于 0.23543815932988155, 96时候，k线数量为 213，第二根K线结束价格上涨概率为 37.55868544600939%;

Precent 小于于 -0.24673951357067325, 4时候，k线数量为 214, 第二根K线结束价格下跌概率为 38.78504672897196%

Precent 大于 0.23543815932988155, 96时候，第四根K线结束价格上涨概率为 40.375586854460096%

Precent 小于于 -0.24673951357067325, 4时候，第四根K线结束价格下跌概率为 43.925233644859816%

Precent 大于 0.23543815932988155, 96时候，第六根K线结束价格上涨概率为 39.436619718309856%

Precent 小于于 -0.24673951357067325, 4时候，第六根K线结束价格下跌概率为 43.925233644859816%

但是，我尝试用这个规律做继续分析收益的时候，发现虽然继续向上或者向下次数不多，但是往往是巨量的，这样如果下一个反转的单子意味着巨亏。这个就是虽然小于50%出现，但是来一次都是高风险呀。

DataFrame 分析代码如下：

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
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
# encoding: UTF-8
from pymongo import MongoClient, ASCENDING
import pandas as pd
import numpy as np
from datetime import datetime
import talib
import matplotlib.pyplot as plt
import scipy.stats as scs
class DataAnalyzer(object):
def __init__(self, exportpath="C:\Project\\", datformat=[datetime, high, low, open, close,volume]):
self.mongohost = None
self.mongoport = None
self.db = None
self.collection = None
self.df = pd.DataFrame()
self.exportpath = exportpath
self.datformat = datformat
def db2df(self, db, collection, start, end, mongohost="localhost", mongoport=27017, export2csv=False):
"""读取MongoDB数据库行情记录，输出到Dataframe中"""
self.mongohost = mongohost
self.mongoport = mongoport
self.db = db
self.collection = collection
dbClient = MongoClient(self.mongohost, self.mongoport, connectTimeoutMS=500)
db = dbClient[self.db]
cursor = db[self.collection].find({datetime:{$gte:start, $lt:end}}).sort("datetime",ASCENDING)
self.df = pd.DataFrame(list(cursor))
self.df = self.df[self.datformat]
self.df = self.df.reset_index(drop=True)
path = self.exportpath + self.collection + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def csv2df(self, csvpath, dataname="csv_data", export2csv=False):
"""读取csv行情数据，输入到Dataframe中"""
csv_df = pd.read_csv(csvpath)
self.df = csv_df[self.datformat]
self.df["datetime"] = pd.to_datetime(self.df[datetime])
self.df = self.df.reset_index(drop=True)
path = self.exportpath + dataname + ".csv"
if export2csv == True:
self.df.to_csv(path, index=True, header=True)
return self.df
def df2Barmin(self, inputdf, barmins, crossmin=1, export2csv=False):
"""输入分钟k线dataframe数据，合并多多种数据，例如三分钟/5分钟等，如果开始时间是9点1分，crossmin = 0；如果是9点0分，crossmin为1"""
dfbarmin = pd.DataFrame()
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
datetime = 0
for i in range(0, len(inputdf) - 1):
bar = inputdf.iloc[i, :].to_dict()
if openBarMin == 0:
openBarmin = bar["open"]
if highBarMin == 0:
highBarMin = bar["high"]
else:
highBarMin = max(bar["high"], highBarMin)
if lowBarMin == 0:
lowBarMin = bar["low"]
else:
lowBarMin = min(bar["low"], lowBarMin)
closeBarMin = bar["close"]
datetime = bar["datetime"]
volumeBarmin += int(bar["volume"])
# X分钟已经走完
if not (bar["datetime"].minute + crossmin) % barmins:  # 可以用X整除
# 生成上一X分钟K线的时间戳
barMin = {datetime: datetime, high: highBarMin, low: lowBarMin, open: openBarmin,
close: closeBarMin, volume : volumeBarmin}
dfbarmin = dfbarmin.append(barMin, ignore_index=True)
highBarMin = 0
lowBarMin = 0
openBarMin = 0
volumeBarmin = 0
if export2csv == True:
dfbarmin.to_csv(self.exportpath + "bar" + str(barmins)+ str(self.collection) + ".csv", index=True, header=True)
return dfbarmin
#--------------------------------------------------------------
def Percentage(self, inputdf, export2csv=True):
""" 计算 Percentage """
dfPercentage = inputdf
for i in range(1, len(inputdf)):
if dfPercentage.loc[ i - 1, "close"] == 0.0:
percentage = 0
else:
percentage = ((dfPercentage.loc[i, "close"] - dfPercentage.loc[i - 1, "close"]) / dfPercentage.loc[ i - 1, "close"]) * 100.0
dfPercentage.loc[i, "Perentage"] = percentage
dfPercentage = dfPercentage.fillna(0)
dfPercentage = dfPercentage.replace(np.inf, 0)
if export2csv == True:
dfPercentage.to_csv(self.exportpath + "Percentage_" + str(self.collection) + ".csv", index=True, header=True)
return dfPercentage
def resultValuate(self,inputdf, nextBar, export2csv=True):
summayKey = ["Percentage","TestValues"]
dft = pd.DataFrame(columns=summayKey)
def addResultBar(self, inputdf, export2csv = False):
dfaddResultBar = inputdf
######cci在（100 - 200),(200 -300）后的第2根，第4根，第6根的价格走势######################
dfaddResultBar["next2BarClose"] = None
dfaddResultBar["next4BarClose"] = None
dfaddResultBar["next6BarClose"] = None
dfaddResultBar["next5BarCloseMakrup"] = None
for i in range(1, len(dfaddResultBar) - 6):
dfaddResultBar.loc[i, "next2BarPercentage"] = dfaddResultBar.loc[i + 2, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next4BarPercentage"] = dfaddResultBar.loc[i + 4, "close"] - dfaddResultBar.loc[i, "close"]
dfaddResultBar.loc[i, "next6BarPercentage"] = dfaddResultBar.loc[i + 6, "close"] - dfaddResultBar.loc[i, "close"]
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 2, "close"]:
dfaddResultBar.loc[i, "next2BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 4, "close"]:
dfaddResultBar.loc[i, "next4BarClose"] = 1
if dfaddResultBar.loc[i, "close"] > dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = -1
elif dfaddResultBar.loc[i, "close"] < dfaddResultBar.loc[i + 6, "close"]:
dfaddResultBar.loc[i, "next6BarClose"] = 1
dfaddResultBar = dfaddResultBar.fillna(0)
if export2csv == True:
dfaddResultBar.to_csv(self.exportpath + "addResultBar" + str(self.collection) + ".csv", index=True, header=True)
return dfaddResultBar
def PrecentAnalysis(inputdf):
dfPercentage = inputdf
#######################################分析分布########################################
plt.figure(figsize=(10,3))
plt.hist(dfPercentage[Perentage],bins=300,histtype=bar,align=mid,orientation=vertical,color=r)
plt.show()
for Perentagekey in range(1,5):
lpHigh = np.percentile(dfPercentage[Perentage], 100-Perentagekey)
lpLow = np.percentile(dfPercentage[Perentage], Perentagekey)
de_anaylsisH = dfPercentage.loc[(dfPercentage["Perentage"]>= lpHigh)]
HCount = de_anaylsisH[Perentage].count()
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"] <= lpLow)]
LCount = de_anaylsisL[Perentage].count()
percebtage = de_anaylsisH[de_anaylsisH["next2BarClose"]>0]["next2BarClose"].count()*100.000/HCount
de_anaylsisHsum = de_anaylsisH["next2BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next2BarPercentage"].sum()
print(Precent 大于 %s, %s时候，k线数量为 %s，第二根K线结束价格上涨概率为 %s%%; %(lpHigh,100-Perentagekey,HCount , percebtage))
print(和值 %s %(de_anaylsisHsum))
de_anaylsisL = dfPercentage.loc[(dfPercentage["Perentage"]<= lpLow)]
percebtage = de_anaylsisL[de_anaylsisL["next2BarClose"]<0]["next2BarClose"].count()*100.000/LCount
print(Precent 小于于 %s, %s时候，k线数量为 %s, 第二根K线结束价格下跌概率为 %s%% %(lpLow,Perentagekey,LCount, percebtage))
print(和值 %s %(de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next4BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next4BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next4BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print(Precent 大于 %s, %s时候，第四根K线结束价格上涨概率为 %s%% % (lpHigh, 100 - Perentagekey, percebtage))
# print(和值 %s % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next4BarClose"] < 0]["next2BarClose"].count() * 100.000 / LCount
print(Precent 小于于 %s, %s时候，第四根K线结束价格下跌概率为 %s%% % (lpLow, Perentagekey, percebtage))
print(和值 %s % (de_anaylsisLsum))
de_anaylsisHsum = de_anaylsisH["next6BarPercentage"].sum()
de_anaylsisLsum = de_anaylsisL["next6BarPercentage"].sum()
percebtage = de_anaylsisH[de_anaylsisH["next6BarClose"] > 0]["next2BarClose"].count() * 100.000 / HCount
print(Precent 大于 %s, %s时候，第六根K线结束价格上涨概率为 %s%% % (lpHigh, 100 - Perentagekey, percebtage))
print(和值 %s % (de_anaylsisHsum))
percebtage = de_anaylsisL[de_anaylsisL["next6BarClose"] < 0]["next2BarClose"].count() * 100.000 /LCount
print(Precent 小于于 %s, %s时候，第六根K线结束价格下跌概率为 %s%% % (lpLow, Perentagekey, percebtage))
print(和值 %s % (de_anaylsisLsum))
if __name__ == __main__:
DA = DataAnalyzer()
#数据库导入
start = datetime.strptime("20180901", %Y%m%d)
end = datetime.today()
df = DA.db2df(db="VnTrader_1Min_Db", collection="m1905", start = start, end = end)
#csv导入
# df = DA.csv2df("rb1905.csv")
df10min = DA.df2Barmin(df,10)
dfPercentage = DA.Percentage(df10min)
dfPercentage = DA.addResultBar(dfPercentage)
PrecentAnalysis(dfPercentage)

二维码

扫一扫，关注我们

声明：本文由【益华网络】编辑上传发布，转载此文章须经作者同意，并请附上出处【益华网络】及本页链接。如内容、图片有任何版权问题，请联系我们进行处理。
上一篇：数组是否存在重复
下一篇：码龄超过20年，依然对生活和编程充满激情，这是三位70后“老”程序员的故事

相关新闻

感兴趣吗？

欢迎联系我们，我们愿意为您解答任何有关网站疑难问题！

立即咨询  

您身边的【网站建设专家】

搜索千万次不如咨询1次

主营项目:网站建设,手机网站,响应式网站,SEO优化,小程序开发,公众号系统,软件开发等

立即咨询 15368564009
在线客服
嘿，我来帮您！