一个利用JQ做指标监控的例子

fwoods

接到一个朋友的需要,做一个简单的指标监控,就是当多个周期的均线和K线满足某种情况的时候发出信号。其实这种预警很多图表操盘软件也可以做,但是问题是多个品种监控的时候效率非常低,还容易死机,同时监控信息的发出手段不灵活,例如不方便发到QQ或者微信群里面。于是想到可以通过python来做这个事情。

主程序如下:

Mon = Monitor()Mon.addRule(RuleResonanceUp())withopen("flist.txt",'r')asf:    flist = f.readlines()forlineinflist:        print("Processing "+line)        bd = BarData(line.strip('\n'))        Mon.Run(bd)

初始化一个Monitor监控器,并给这个监控器里面放入所需要监控的规则类RuleResonanceUp

所有品种的代码放在一个flist.txt文件中,读出来以后由BarData这个类进行初始化,获得多周期的交易数据,作为监控器要处理的数据上下文。

然后运行监控器,监控器会逐一将规则套入上下文数据中进行判断,满足条件的就发出消息通知。

其他的代码:

fromjqdatasdkimport*importtalib#用来做指标计算,算是最流行的库了吧importmatplotlib.pyplotasplt#用来做图示,这个是调试用的,调好后基本就不用了frommatplotlib.pylabimportdate2num#用来做图示的,调试用,调好后就基本不用了importmpl_financeasmpf#用来图示的。importmatplotlib.tickerasticker#用来改图示的横坐标importpandasaspdimportpandas.io.excel#用来输出文件用的importdatetimeimportnumpyasnpclassBarData(object):#用来获取品种的实际数据def__init__(self, stockCode, enddate=None):self.stockCode = stockCode        self.endDate = enddate        self.get_560Bars()        self.apply_indicators()defget_560Bars(self):#这个系统用到周线日线小时和5分钟self.df1w = get_bars(self.stockCode,100, unit='1w', fields=['date','open','high','low','close'], include_now=True,                      end_dt = self.endDate)        self.df1d = get_bars(self.stockCode,100, unit='1d', fields=['date','open','high','low','close'], include_now=True,                      end_dt = self.endDate)        self.df60m = get_bars(self.stockCode,100, unit='60m', fields=['date','open','high','low','close'], include_now=True,                        end_dt=self.endDate)        self.df5m = get_bars(self.stockCode,100, unit='5m', fields=['date','open','high','low','close'], include_now=True,                        end_dt=self.endDate)defapply_indicators(self):#这个系统用到20  60  和经典参数的macddefapply_ma60(df):df["MA60"] = talib.MA(df["close"], timeperiod=60)defapply_ma20(df):df["MA20"] = talib.MA(df["close"], timeperiod=20)defapply_macd(df):#close = [float(x) for x in df['close']]df["DIFF"], df['DEA'], df['MACDhist'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)defapply_hist_signals(df):"""

            :type df: Dataframe

            """#在原来的dataframe里面加入所有历史的信号,每个信号加一列#需要支持的值是: c-ma60, ma60Slope, c-ma20, macdGold, macdDead, macdGoldsoon, macdDeadsoon, DEASlopedf['c_minus_ma60'] = df['close'] - df["MA60"]#用来判断是否在ma60之上df['ma60Slope'] =Noneforiinrange(1,len(df)):                df.loc[i,'ma60Slope'] = df["MA60"][i] - df["MA60"][i-1]#用来判断ma60的斜率df['c_minus_ma20'] =  df['close'] - df["MA20"]#用来判断是否在ma20之上df["macdGold"] =False# macd 金叉死叉df["macdDead"] =Falseforiinrange(len(df)):if(df["DIFF"][i] - df["DEA"][i]) >0:                    df.loc[i,"macdGold"] =Trueif(df["DIFF"][i] - df["DEA"][i]) <0:                    df.loc[i,"macdDead"] =Truedf["macdGoldsoon"] =None# macd 将要金叉死叉df["macdDeadsoon"] =Noneforiinrange(len(df)-2) :ifdf["DEA"][i+1] > df["DIFF"][i+1]:if(df["DEA"][i+1] - df["DIFF"][i+1])-((df["DEA"][i]-df["DIFF"][i]) - (df["DEA"][i+1]-df["DIFF"][i+1])) <0:                        df.loc[i+2,"macdGoldsoon"] =Trueifdf["DIFF"][i +1] > df["DEA"][i +1]:if(df["DIFF"][i +1] - df["DEA"][i +1]) - (                            (df["DIFF"][i] - df["DEA"][i]) - (df["DIFF"][i +1] - df["DEA"][i +1])) <0:                        df.loc[i+2,"macdDeadsoon"] =Truedf['DEASlope'] =Noneforiinrange(1, len(df)):                df.loc[i,'DEASlope'] = df["DEA"][i] - df["DEA"][i -1]            df["KDir"] =0foriinrange(1,len(df)):# K线方向判断,如果高点抬高 低点抬高就多,高点低点降低就空,内包外包就保持if(df["high"][i] > df["high"][i-1])and(df["low"][i] > df["low"][i-1]):                    df.loc[i,"KDir"] =1elifdf["high"][i] < df["high"][i-1]anddf["low"][i] < df["low"][i-1]:                    df.loc[i,"KDir"] =-1else:                    df.loc[i,"KDir"] = df["KDir"][i-1]fordftin[self.df5m, self.df60m, self.df1d, self.df1w]:            apply_ma60(dft)            apply_ma20(dft)            apply_macd(dft)            apply_hist_signals(dft)classRule(object):#预警规则的基类def__init__(self):self.name ="RuleBase"defApplyRule(self, bd):passdefMsg(self):#当规则发生的时候,要发出来的消息return"Non Rule Implemented."classRuleResonanceUp(Rule):#多头共振的规则,所有的周期都是多的时候提醒def__init__(self):self.name ="RuleResonaceUp"defApplyRule(self, bd):ifbd.df1w["KDir"].tolist()[-1] >0andbd.df1d.KDir.tolist()[-1] >0andbd.df1d.DEASlope.tolist()[-1] >0andbd.df60m.KDir.tolist()[-1] >0\andbd.df60m.DEASlope.tolist()[-1] >0andbd.df5m.ma60Slope.tolist()[-1] >0andbd.df5m.DEASlope.tolist()[-1] >0\andbd.df5m.KDir.tolist()[-1] >0:returnTrueelse:returnFalsedefMsg(self):return"周K,日K,日DEA,日K,小时DEA,小时K,5mDEA、5mMA60、5mK,多方共振。"classMonitor(object):def__init__(self):self.Rules = []defaddRule(self,r):self.Rules += [r]defRun(self,bd):#执行规则,满足规则的时候打印提醒信息,在这里,可以换成ichat或者pyqq啥的,就可以实现微信和qq的通知了。forrinself.Rules:ifr.ApplyRule(bd):                print(datetime.datetime.now()," "+get_security_info(bd.stockCode).display_name+': '+r.Msg())pass

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,056评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,842评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,938评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,296评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,292评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,413评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,824评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,493评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,686评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,502评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,553评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,281评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,820评论 3 305
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,873评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,109评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,699评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,257评论 2 341

推荐阅读更多精彩内容