news 2026/2/13 16:03:34

股票指数移动平均EMA和标准差变化Python代码

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
股票指数移动平均EMA和标准差变化Python代码

股票指数移动平均EMA和标准差变化计算

Python代码

importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt# 设置中文显示plt.rcParams["font.family"]=["SimHei","Microsoft YaHei","SimSun","KaiTi","FangSong"]plt.rcParams["axes.unicode_minus"]=Falseimportakshareasakfromdatetimeimportdatetime,timedeltadeffetch_stock_data(symbol,period='1y'):"""获取股票数据"""end_date=datetime.now().strftime('%Y%m%d')start_date=(datetime.now()-timedelta(days=365)).strftime('%Y%m%d')# 处理股票代码格式,确保符合akshare要求ifnotsymbol.startswith(('sh','sz')):ifsymbol.startswith(('6','9')):symbol=f"sh{symbol}"else:symbol=f"sz{symbol}"# 使用更稳定的stock_zh_a_hist函数获取股票日线数据data=ak.stock_zh_a_hist(symbol=symbol[2:],# 只传股票代码部分,不含sh/szperiod="daily",start_date=start_date,end_date=end_date,adjust="qfq")# 使用前复权价格# 检查数据是否获取成功ifdata.empty:print(f"获取股票{symbol}数据失败,请检查股票代码和网络连接")returnNone# 先转换日期格式if'日期'indata.columns:data[601288'日期']=pd.to_datetime(data['日期'])# 设置日期为索引data.set_index('日期',inplace=True)# 重命名收盘价列if'收盘'indata.columns:data=data.rename(columns={'收盘':'Close'})else:print("数据格式异常,无法处理")returnNonereturndatadefcalculate_ema(data,window=20):"""计算指数移动平均线 EMA"""ema=data['Close'].ewm(span=window,adjust=False).mean()returnemadefcalculate_std(data,window=20):"""计算标准差 STD"""std=data['Close'].rolling(window=window).std()returnstddefplot_analysis(data,ema,std,symbol):"""绘制图表分析结果"""plt.figure(figsize=(14,8))plt.subplot(2,1,1)plt.plot(data['Close'],label='收盘价',color='blue')plt.plot(ema,label='EMA(20)',color='orange')plt.title(f'{symbol}股票价格与EMA分析')plt.legend()plt.subplot(2,1,2)plt.plot(std,label='STD(20)',color='red')plt.title(f'{symbol}股票价格波动性(STD)分析')plt.legend()plt.tight_layout()plt.show()defmain():symbol=input("请输入股票代码(如 000001 或 600000):")data=fetch_stock_data(symbol)# 检查数据获取是否成功ifdataisnotNone:ema=calculate_ema(data)std=calculate_std(data)plot_analysis(data,ema,std,symbol)if__name__=='__main__':main()这里插入代码片

我来为您详细解释这个股票分析程序输出的图表和EMA指标的用法:

程序输出的图表说明

程序运行后会生成一个包含两个子图的图表:

1. 股票价格与EMA分析(上图)

  • 蓝色曲线:股票的每日收盘价走势
  • 橙色曲线:20日指数移动平均线(EMA(20))
  • 标题:显示当前分析的股票代码和分析类型
  • 图例:标识不同曲线的含义

2. 股票价格波动性(STD)分析(下图)

  • 红色曲线:20日收盘价的标准差(STD(20))
  • 标题:显示当前分析的股票代码和波动性分析类型
  • 图例:标识标准差曲线

EMA指标详解

什么是EMA?

EMA(Exponential Moving Average)即指数移动平均线,是一种加权移动平均线,对最近的价格给予更多权重,反应更灵敏。

EMA的计算方法

程序中使用的计算公式:

ema=data['Close'].ewm(span=window,adjust=False).mean()
  • span=window:设置计算窗口大小(这里是20天)
  • adjust=False:使用标准的指数移动平均计算公式,不进行调整

数学公式:

EMA(t) = Price(t) × k + EMA(t-1) × (1 - k) 其中:k = 2 / (n + 1),n是窗口大小

EMA与SMA的区别

  • SMA(简单移动平均):对所有周期价格给予相同权重,反应较迟缓
  • EMA(指数移动平均):对近期价格给予更高权重,能更快反映价格变化

20日EMA的具体应用

1. 判断趋势方向
  • 当价格在EMA上方:通常表示处于上升趋势
  • 当价格在EMA下方:通常表示处于下降趋势
  • EMA斜率向上:趋势可能继续上升
  • EMA斜率向下:趋势可能继续下降
2. 支撑位与阻力位
  • 支撑位:价格下跌到EMA附近时可能获得支撑反弹
  • 阻力位:价格上涨到EMA附近时可能遇到阻力回调
3. 交易信号
  • 金叉:短期EMA(如5日)上穿长期EMA(如20日),可能发出买入信号
  • 死叉:短期EMA下穿长期EMA,可能发出卖出信号
4. 价格与EMA的偏离程度
  • 价格与EMA偏离过大时,通常会回归,这是一种超买超卖的判断依据

结合标准差(STD)的分析

  • 标准差:衡量价格的波动性或风险程度
  • 高标准差:价格波动大,风险高,可能处于趋势反转或剧烈波动期
  • 低标准差:价格波动小,风险低,可能处于横盘整理期

实际应用示例

  1. 趋势确认:如果价格持续在20日EMA上方运行,且EMA斜率向上,说明上升趋势强劲
  2. 入场时机:当价格回调到20日EMA附近获得支撑,并伴随成交量放大时,可能是较好的买入时机
  3. 止损设置:可以将止损位设置在20日EMA下方一定比例处,保护利润
  4. 风险评估:结合标准差曲线,如果价格上升但标准差下降,说明趋势稳定;如果标准差同时上升,说明波动加大,风险增加

这个程序提供了基础的技术分析工具,您可以根据自己的交易策略进一步优化参数(如调整EMA的窗口大小)或结合其他技术指标(如MACD、RSI等)进行更全面的分析。

6001288农行近期 指数移动平均和标准差图形

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/13 0:51:06

工业元宇宙中的实时渲染难题:如何实现百万级Agent同步可视化?

第一章:工业元宇宙中Agent渲染的挑战与演进在工业元宇宙的构建过程中,智能体(Agent)的高效渲染成为连接物理世界与数字孪生系统的核心环节。随着仿真复杂度的提升,传统渲染架构面临实时性、可扩展性与多源数据融合的多…

作者头像 李华
网站建设 2026/2/6 12:18:12

Unity WebGL RTSP播放技术深度解析与实战部署

Unity WebGL RTSP播放技术深度解析与实战部署 【免费下载链接】RTSP-Player-For-Unity-WebGL 测试网页居中弹窗播放 RTSP 视频,可用于接 rtsp 监控,同时演示怎么接入到 webgl 上 项目地址: https://gitcode.com/gh_mirrors/rt/RTSP-Player-For-Unity-W…

作者头像 李华
网站建设 2026/2/4 22:49:31

5大必学Illustrator脚本:设计效率翻倍的实用技巧

还在为Adobe Illustrator中重复繁琐的操作而烦恼吗?现在,80多款专业脚本让设计工作全面智能化,让创意回归核心。Illustrator脚本是专为提升设计效率而生的自动化工具,通过智能化的批量处理功能,彻底改变传统设计流程。…

作者头像 李华
网站建设 2026/2/9 21:03:52

Towards More Unified In-context Visual Understanding

作者提出了一个框架可以将自回归模型的优势与上下文学习的视觉语言任务的具体要求无缝集成。作者尝试了多模态输入输出的上下文学习,旨在通过特定模态的量化和共享嵌入来统一视觉语言数据,然后对预先组织好的交错上下文样本序列执行自回归预测以实现上下…

作者头像 李华