用Python的Pandas和Matplotlib绘制股票KDJ指标线

Love The Way You Lie 2023-10-05 09:27 42阅读 0赞

我最近出了一本书，《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：[https://item.jd.com/69241653952.html][https_item.jd.com_69241653952.html]，在其中给出了MACD，KDJ等指标图的绘制方法。这里将根据KDJ的算法，计算并绘制KDJ指标线。

**1 KDJ指标的计算过程**

KDJ指标也叫随机指标，是由乔治·蓝恩博士（George Lane）最早提出的。该指标集中包含了强弱指标、动量概念和移动平均线的优点，可以用来衡量股价脱离正常价格范围的偏离程度。

KDJ指标的计算过程是，首先获取指定周期（一般是9天）内出现过的股票最高价、最低价和最后一个交易日的收盘价，随后通过它们三者间的比例关系来算出未成熟[随机值][Link 1]RSV，并在此基础上再用平滑移动平均线的方式来计算K、D和J值。计算完成后，把KDJ的值绘成曲线图，以此来预判股票走势，具体的算法如下所示。

**第一步：**计算周期内（n日、n周等，n一般是9）的RSV值，RSV也叫未成熟随机指标值，是计算K值、D值和J值的基础。以n日周期计算单位为例，计算公式如下所示。

n日RSV =（Cn－Ln）/（Hn－Ln）× 100

其中，Cn是第n日（一般是最后一日）的收盘价，Ln是n日范围内的最低价，Hn是n日范围内的最高价，根据上述公式可知，RSV值的取值范围是1到100。如果要计算n周的 RSV值，则Cn还是最后一日的收盘价，但Ln和Hn则是n周内的最低价和最高价。

**第二步：**根据RSV计算K和D值，方法如下。

当日K值 = 2/3 × 前一日K值 ＋ 1/3 × 当日的RSV值

当日D值 = 2/3 × 前一日D值 ＋ 1/3 × 当日K值

在计算过程中，如果没有前一日K 值或D值，则可以用数字50来代替。

在实际使用过程中，一般是以9日为周期来计算KD线，根据上述公式，首先是计算出最近9日的RSV值，即未成熟随机值，计算公式是9日RSV = （C－L9）÷（H9－L9）× 100。其中各项参数含义在步骤一中已经提到，其次再按本步骤所示计算当日的K和D值。

需要说明的是，上式中的平滑因子2/3和1/3是可以更改的，不过在股市交易实践中，这两个值已经被默认设置为2/3和1/3。

**第三步：**计算J值。J指标的计算公式为：J = 3×K - 2×D。从使用角度来看，J的实质是反映K值和D值的乖离程度，它的范围上可超过100，下可低于0。

最早的KDJ指标只有K线和D线两条线，那个时候也被称为KD指标，随着分析技术的发展，KD指标逐渐演变成KDJ指标，引入J指标后，能提高KDJ指标预判行情的能力。

在按上述三个步骤计算出每天的K、D和J三个值之后，把它们连接起来，就可以看到KDJ指标线了。

**2 绘制静态的KDJ指标线**

根据上节给出的KDJ算法，在下面的drawKDJ.py范例程序中将绘制股票“金石资源”（股票代码为603505）从2018年9月到2019年5月这段时间内的KDJ走势图。

!/usr/bin/env python
    2    # coding=utf-8
    3    import matplotlib.pyplot as plt
    4    import pandas as pd
    5    # 计算KDJ
    6    def calKDJ(df):
    7        df['MinLow'] = df['Low'].rolling(9, min_periods=9).min()
    8        # 填充NaN数据
    9        df['MinLow'].fillna(value = df['Low'].expanding().min(), inplace = True)
    10        df['MaxHigh'] = df['High'].rolling(9, min_periods=9).max()
    11        df['MaxHigh'].fillna(value = df['High'].expanding().max(), inplace = True)
    12        df['RSV'] = (df['Close'] - df['MinLow']) / (df['MaxHigh'] - df['MinLow']) * 100
    13        # 通过for循环依次计算每个交易日的KDJ值
    14        for i in range(len(df)):
    15            if i==0:     # 第一天
    16                df.ix[i,'K']=50
    17                df.ix[i,'D']=50
    18            if i>0:
    19                df.ix[i,'K']=df.ix[i-1,'K']*2/3 + 1/3*df.ix[i,'RSV']
    20                df.ix[i,'D']=df.ix[i-1,'D']*2/3 + 1/3*df.ix[i,'K']
    21            df.ix[i,'J']=3*df.ix[i,'K']-2*df.ix[i,'D']
    22        return df

从第6行到第22行程序语句定义的calKDJ方法中，将根据输入参数df，计算指定时间范围内的KDJ值。

具体的计算步骤是，在第8行中通过df\['Low'\].rolling(9, min\_periods=9).min()，把每一行（即每个交易日）的 'MinLow' 属性值设置为9天内收盘价（Low）的最小值。

如果只执行这句，第1到第8个交易日的MinLow属性值将会是NaN，所以要通过第9行的程序代码，把这些交易日的MinLow属性值设置为9天内收盘价（Low）的最小值。同理，通过第10行的程序代码，把每个交易日的 'MaxHigh' 属性值设置为9天内的最高价，同样通过第11行的fillna方法，填充前8天的 'MaxHigh' 属性值。随后在第12行中根据算法计算每个交易日的RSV值。

在算完RSV值后，通过第14行的for循环，依次遍历每个交易日，在遍历时根据KDJ的算法分别计算出每个交易日对应的KDJ值。

请注意，如果是第1个交易日，则在第16行和第17行的程序代码中把 K值和D值设置为默认的50，如果不是第1交易日，则通过第19行和第20行的算法计算K值和D值。计算完K和D的值以后，再通过第21行的程序代码计算出每个交易日的J值。

从上述代码中，可以看到关于DataFrame对象的三个操作技巧：

第一，如第9行所示，如果要把修改后的数据写回到DataFrame中，必须加上inplace = True的参数；

第二，在第12行中，df\['Close'\]等变量值是以列为单位，也就是说，在DataFrame中，可以直接以列为单位进行操作；

第三，在第16行的代码df.ix\[i,'K'\]=50，这里用到的是ix通过索引值和标签值来访问对象，而实现类似功能的loc和iloc方法只能通过索引值来访问。

绘制KDJ线
    24    def drawKDJ():
    25        df = pd.read_csv('D:/stockData/ch8/6035052018-09-012019-05-31.csv',encoding='gbk')
    26        stockDataFrame = calKDJ(df)
    27        print(stockDataFrame)
    28        # 开始绘图
    29        plt.figure()
    30        stockDataFrame['K'].plot(color="blue",label='K')
    31        stockDataFrame['D'].plot(color="green",label='D')
    32        stockDataFrame['J'].plot(color="purple",label='J')
    33        plt.legend(loc='best')         # 绘制图例
    34        # 设置x轴坐标的标签和旋转角度    major_index=stockDataFrame.index[stockDataFrame.index%10==0]
    35    major_xtics=stockDataFrame['Date'][stockDataFrame.index%10==0]
    36        plt.xticks(major_index,major_xtics)
    37        plt.setp(plt.gca().get_xticklabels(), rotation=30)
    38        # 带网格线，且设置了网格样式
    39        plt.grid(linestyle='-.')
    40        plt.title("金石资源的KDJ图")
    41        plt.rcParams['font.sans-serif']=['SimHei']
    42        plt.show()
    43    # 调用方法
    44    drawKDJ()

在第24行的drawKDJ方法中实现了绘制KDJ的操作。其中的关键步骤是，通过第25行的程序代码从指定的csv文件中读取股票交易数据，随后在第30行到第32行的程序代码中，调用plot方法分别用三种不同的颜色绘制了KDJ线，因为在绘制时通过label参数设置了标签，所以可以执行第33行的程序代码来绘制图例。

在第34行到第37行的代码中设置了x轴的文字标签和旋转角度，这部分代码与之前绘制MACD指标线的代码很相似，为了不在x轴上过多地显示日期，于是用stockDataFrame.index%10 == 0的方式，只显示索引值是10的倍数的日期。

在第44行调用了drawKDJ方法将KDJ绘制出来。运行这个范例程序之后，即可看到如图所示的结果，其中KDJ三根曲线分别用蓝色、绿色和紫色绘制出来（因为本书采用黑白印刷而看不出彩色，请读者在自己的计算机上运行这个范例程序）。

![format_png][]

下图是从股票软件中得到的股票“金石资源”在同时间段内的KDJ走势图，两者的变化趋势基本一致。

![format_png 1][]

**本文可以转载，转载时请全文转载，别有删节，并用链接的形式给出原文链接。否则的话，可能会遇到出版社的维权。**

**![format_png 2][]**

文本相关链接:

[用Python的Pandas和Matplotlib绘制股票唐奇安通道，布林带通道和鳄鱼组线 ][Python_Pandas_Matplotlib_]

[用Python爬取股票数据，绘制K线和均线并用机器学习预测股价（来自我出的书） ][Python_K_]

[用Python语言绘制股市OBV指标效果 ][Python_OBV_]

[程序员如何高效学Python，如何高效用Python挣钱 ][Python_Python_]

[用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略 ][matplotlib_pandas_MACD_]

[向大家介绍我的新书：《基于股票大数据分析的Python入门实战》][Python]

[通过机器学习的线性回归算法预测股票走势（用Python实现） ][Python_]

[在我的新书里，尝试着用股票案例讲述Python爬虫大数据可视化等知识 ][Python_ 1]

[以股票RSI指标为例，学习Python发送邮件功能（含RSI指标确定卖点策略） ][RSI_Python_RSI_]

[以预测股票涨跌案例入门基于SVM的机器学习 ][SVM_]

[用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码） ][python_matplotlib_numpy_K_]

[用python的matplotlib和numpy库绘制股票K线均线的整合效果（含从网络接口爬取数据和验证交易策略代码） ][python_matplotlib_numpy_K_ 1]

来源:[https://blog.csdn.net/sxeric/article/details/108272172][https_blog.csdn.net_sxeric_article_details_108272172]

[https_item.jd.com_69241653952.html]: https://item.jd.com/69241653952.html
[Link 1]: http://wiki.mbalib.com/wiki/%E6%9C%AA%E6%88%90%E7%86%9F%E9%9A%8F%E6%9C%BA%E5%80%BC
[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcyMDIwLmNuYmxvZ3MuY29tL2Jsb2cvMTIyNjE3Mi8yMDIwMDgvMTIyNjE3Mi0yMDIwMDgyODA3MDg1NTA2My03ODcwNTk4ODcucG5n?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcyMDIwLmNuYmxvZ3MuY29tL2Jsb2cvMTIyNjE3Mi8yMDIwMDgvMTIyNjE3Mi0yMDIwMDgyODA3MDkyMzg0My0xMDc2NTg5MDUucG5n?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcyMDIwLmNuYmxvZ3MuY29tL2Jsb2cvMTIyNjE3Mi8yMDIwMDgvMTIyNjE3Mi0yMDIwMDgyODA3MTEzMzA1NS0xODMwMjM1NzQ0LnBuZw?x-oss-process=image/format,png
[Python_Pandas_Matplotlib_]: https://www.cnblogs.com/JavaArchitect/p/13534075.html
[Python_K_]: https://www.cnblogs.com/JavaArchitect/p/13489328.html
[Python_OBV_]: https://www.cnblogs.com/JavaArchitect/p/13180774.html
[Python_Python_]: https://www.cnblogs.com/JavaArchitect/p/13181181.html
[matplotlib_pandas_MACD_]: https://www.cnblogs.com/JavaArchitect/p/12921960.html
[Python]: https://www.cnblogs.com/JavaArchitect/p/12892692.html
[Python_]: https://www.cnblogs.com/JavaArchitect/p/11717998.html
[Python_ 1]: https://www.cnblogs.com/JavaArchitect/p/11660792.html
[RSI_Python_RSI_]: https://www.cnblogs.com/JavaArchitect/p/11463091.html
[SVM_]: https://www.cnblogs.com/JavaArchitect/p/11350683.html
[python_matplotlib_numpy_K_]: https://www.cnblogs.com/JavaArchitect/p/11162005.html
[python_matplotlib_numpy_K_ 1]: https://www.cnblogs.com/JavaArchitect/p/11014215.html
[https_blog.csdn.net_sxeric_article_details_108272172]: https://blog.csdn.net/sxeric/article/details/108272172