-
Notifications
You must be signed in to change notification settings - Fork 680
/
Copy pathtafunc.py
1553 lines (1074 loc) · 52.1 KB
/
tafunc.py
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
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/env python
# -*- coding: utf-8 -*-
__author__ = 'limin'
from pandas import Series
"""
tqsdk.tafunc 模块包含了一批用于技术指标计算的函数
(函数基本保持 参数为pandas.Series类型则返回值为pandas.Series类型)
"""
import datetime
import math
from typing import Union
import numpy as np
import pandas as pd
from scipy import stats
from tqsdk.datetime import _get_period_timestamp, _str_to_timestamp_nano, _datetime_to_timestamp_nano, \
_timestamp_nano_to_datetime, _timestamp_nano_to_str
def ref(series, n):
"""
简单移动: 求series序列位移n个周期的结果
注意: 当n为0, 函数返回原序列; 当n为有效值但当前的series序列元素个数不足 n + 1 个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 位移周期
Returns:
pandas.Series: 位移后的序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
pre_close = tafunc.ref(klines.close, 1) # 将收盘价序列右移一位, 得到昨收盘序列
change = klines.close - pre_close # 收盘价序列 - 昨收盘序列, 得到涨跌序列
print(list(change))
"""
m = series.shift(n)
return m
def std(series, n):
"""
标准差: 求series序列每n个周期的标准差
注意: n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 标准差的周期
Returns:
pandas.Series: 标准差序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
std = tafunc.std(klines.close, 5) # 收盘价序列每5项计算一个标准差
print(list(std))
"""
m = series.rolling(n).std()
return m
def ma(series, n):
"""
简单移动平均线: 求series序列n周期的简单移动平均
计算公式:
ma(x, 5) = (x(1) + x(2) + x(3) + x(4) + x(5)) / 5
注意:
1. 简单移动平均线将设定周期内的值取平均值, 其中各元素的权重都相等
2. n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 简单移动平均值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
ma = tafunc.ma(klines.close, 5)
print(list(ma))
"""
ma_data = series.rolling(n).mean()
return ma_data
def sma(series, n, m):
"""
扩展指数加权移动平均: 求series序列n周期的扩展指数加权移动平均
计算公式:
sma(x, n, m) = sma(x, n, m).shift(1) * (n - m) / n + x(n) * m / n
注意: n必须大于m
Args:
series (pandas.Series): 数据序列
n (int): 周期
m (int): 权重
Returns:
pandas.Series: 扩展指数加权移动平均序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
sma = tafunc.sma(klines.close, 5, 2) # 收盘价序列每5项计算一个扩展指数加权移动平均值
print(list(sma))
"""
sma_data = series.ewm(alpha=m / n, adjust=False).mean()
return sma_data
def ema(series, n):
"""
指数加权移动平均线: 求series序列n周期的指数加权移动平均
计算公式:
ema(x, n) = 2 * x / (n + 1) + (n - 1) * ema(x, n).shift(1) / (n + 1)
注意:
1. n 需大于等于1
2. 对距离当前较近的k线赋予了较大的权重
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 指数加权移动平均线序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
ema = tafunc.ema(klines.close, 5)
print(list(ema))
"""
ema_data = series.ewm(span=n, adjust=False).mean()
return ema_data
def ema2(series, n):
"""
线性加权移动平均: 求series值的n周期线性加权移动平均 (也称WMA)
计算公式:
ema2(x, n) = [n * x(0) + (n - 1) * x(1) + (x - 2) * x(2) + ... + 1 * x(n - 1)] / [n + (n - 1) + (n - 2) + ... + 1]
注意: 当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 线性加权移动平均线序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
ema2 = tafunc.ema2(klines.close, 5) # 求收盘价在5个周期的线性加权移动平均值
print(list(ema2))
"""
weights = list(i for i in range(1, n + 1)) # 对应的权值列表
def average(elements):
return np.average(elements, weights=weights)
ema2 = series.rolling(window=n).apply(average, raw=True)
return ema2
def crossup(a, b):
"""
向上穿越: 表当a从下方向上穿过b, 成立返回1, 否则返回0
Args:
a (pandas.Series): 数据序列1
b (pandas.Series): 数据序列2
Returns:
pandas.Series: 上穿标志序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
crossup = tafunc.crossup(tafunc.ma(klines.close, 5), tafunc.ma(klines.close, 10))
print(list(crossup))
"""
crossup_data = pd.Series(np.where((a > b) & (a.shift(1) <= b.shift(1)), 1, 0))
return crossup_data
def crossdown(a, b):
"""
向下穿越: 表示当a从上方向下穿b，成立返回1, 否则返回0
Args:
a (pandas.Series): 数据序列1
b (pandas.Series): 数据序列2
Returns:
pandas.Series: 下穿标志序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
crossdown = tafunc.crossdown(tafunc.ma(klines.close, 5), tafunc.ma(klines.close, 10))
print(list(crossdown))
"""
crossdown_data = pd.Series(np.where((a < b) & (a.shift(1) >= b.shift(1)), 1, 0))
return crossdown_data
def count(cond, n):
"""
统计n周期中满足cond条件的个数
注意: 如果n为0, 则从第一个有效值开始统计
Args:
cond (array_like): 条件
n (int): 周期
Returns:
pandas.Series: 统计值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
# 统计从申请到的行情数据以来到当前这段时间内, 5周期均线上穿10周期均线的次数:
count = tafunc.count(tafunc.crossup(tafunc.ma(klines.close, 5), tafunc.ma(klines.close, 10)), 0)
print(list(count))
"""
if n == 0: # 从第一个有效值开始统计
count_data = pd.Series(np.where(cond, 1, 0).cumsum())
else: # 统计每个n周期
count_data = pd.Series(pd.Series(np.where(cond, 1, 0)).rolling(n).sum())
return count_data
def trma(series, n):
"""
三角移动平均: 求series的n周期三角移动平均值
计算方法:
三角移动平均线公式, 是采用算数移动平均, 并且对第一个移动平均线再一次应用算数移动平均
注意: n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 三角移动平均值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
trma = tafunc.trma(klines.close, 10)
print(list(trma))
"""
if n % 2 == 0:
n1 = int(n / 2)
n2 = int(n / 2 + 1)
else:
n1 = n2 = int((n + 1) / 2)
ma_half = ma(series, n1)
trma_data = ma(ma_half, n2)
return trma_data
def harmean(series, n):
"""
调和平均值: 求series在n个周期内的调和平均值
计算方法:
harmean(x, 5) = 1 / [(1 / x(1) + 1 / x(2) + 1 / x(3) + 1 / x(4) + 1 / x(5)) / 5]
注意:
1. 调和平均值与倒数的简单平均值互为倒数
2. 当n为0, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 调和平均值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
harmean = tafunc.harmean(klines.close, 5) # 求5周期收盘价的调和平均值
print(list(harmean))
"""
harmean_data = n / ((1 / series).rolling(n).sum())
return harmean_data
def numpow(series, n, m):
"""
自然数幂方和
计算方法:
numpow(x, n, m) = n ^ m * x + (n - 1) ^ m * x.shift(1) + (n - 2) ^ m * x.shift(2) + ... + 2 ^ m * x.shift(n - 2) + 1 ^ m * x.shift(n - 1)
注意: 当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 自然数
m (int): 实数
Returns:
pandas.Series: 幂方和序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
numpow = tafunc.numpow(klines.close, 5, 2)
print(list(numpow))
"""
numpow_data = sum((n - i) ** m * series.shift(i) for i in range(n))
return numpow_data
def abs(series):
"""
获取series的绝对值
注意: 正数的绝对值是它本身, 负数的绝对值是它的相反数, 0的绝对值还是0
Args:
series (pandas.Series): 数据序列
Returns:
pandas.Series: 绝对值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
abs = tafunc.abs(klines.close)
print(list(abs))
"""
abs_data = pd.Series(np.absolute(series))
return abs_data
def min(series1, series2):
"""
获取series1和series2中的最小值
Args:
series1 (pandas.Series): 数据序列1
series2 (pandas.Series): 数据序列2
Returns:
pandas.Series: 最小值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
min = tafunc.min(klines.close, klines.open)
print(list(min))
"""
min_data = np.minimum(series1, series2)
return min_data
def max(series1, series2):
"""
获取series1和series2中的最大值
Args:
series1 (pandas.Series): 数据序列1
series2 (pandas.Series): 数据序列2
Returns:
pandas.Series: 最大值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
max = tafunc.max(klines.close, klines.open)
print(list(max))
"""
max_data = np.maximum(series1, series2)
return max_data
def median(series, n):
"""
中位数: 求series在n个周期内居于中间的数值
注意:
1. 当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
2. 对n个周期内所有series排序后, 若n为奇数, 则选择第(n + 1) / 2个为中位数, 若n为偶数, 则中位数是(n / 2)以及(n / 2 + 1)的平均数
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 中位数序列
Example::
例1:
# 假设最近3日的收盘价为2727, 2754, 2748, 那么当前 median(df["close"], 3) 的返回值是2748
median3 = tafunc.median(df["close"], 3)
例2:
# 假设最近4日的开盘价为2752, 2743, 2730, 2728, 那么当前 median(df["open"], 4) 的返回值是2736.5
median4 = tafunc.median(df["open"], 4)
"""
median_data = series.rolling(n).median()
return median_data
def exist(cond, n):
"""
判断n个周期内, 是否有满足cond的条件, 若满足则值为1, 不满足为0
Args:
cond (array_like): 条件
n (int): 周期
Returns:
pandas.Series: 判断结果序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
# 判断4个周期中是否存在收盘价大于前一个周期的最高价, 存在返回1, 不存在则返回0
exist = tafunc.exist(klines.close > klines.high.shift(1), 4)
print(list(exist))
"""
exist_data = pd.Series(np.where(pd.Series(np.where(cond, 1, 0)).rolling(n).sum() > 0, 1, 0))
return exist_data
def every(cond, n):
"""
判断n个周期内, 是否一直满足cond条件, 若满足则值为1, 不满足为0
Args:
cond (array_like): 条件
n (int): 周期
Returns:
pandas.Series: 判断结果序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
# 判断在4周期内, 3周期的简单移动平均是否一直大于5周期的简单移动平均
every = tafunc.every(tafunc.ma(klines.close, 3) > tafunc.ma(klines.close, 5), 4)
print(list(every))
"""
every_data = pd.Series(np.where(pd.Series(np.where(cond, 1, 0)).rolling(n).sum() == n, 1, 0))
return every_data
def hhv(series, n):
"""
求series在n个周期内的最高值
注意: n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 最高值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
hhv = tafunc.hhv(klines.high, 4) # 求4个周期最高价的最大值, 即4周期高点(包含当前k线)
print(list(hhv))
"""
hhv_data = series.rolling(n).max()
return hhv_data
def llv(series, n):
"""
求在n个周期内的最小值
注意: n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 最小值序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
llv = tafunc.llv(klines.low, 5) # 求5根k线最低点(包含当前k线)
print(list(llv))
"""
llv_data = series.rolling(n).min()
return llv_data
def avedev(series, n):
"""
平均绝对偏差: 求series在n周期内的平均绝对偏差
算法:
计算avedev(df["close"],3)在最近一根K线上的值:
(abs(df["close"] - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3) + abs(
df["close"].shift(1) - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3) + abs(
df["close"].shift(2) - (df["close"] + df["close"].shift(1) + df["close"].shift(2)) / 3)) / 3
注意: n为0的情况下, 或当n为有效值但当前的series序列元素个数不足n个, 函数返回 NaN 序列
Args:
series (pandas.Series): 数据序列
n (int): 周期
Returns:
pandas.Series: 平均绝对偏差序列
Example::
from tqsdk import TqApi, TqAuth, TqSim, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("CFFEX.IF1908", 24 * 60 * 60)
# 计算收盘价在5周期内的平均绝对偏差, 表示5个周期内每个周期的收盘价与5周期收盘价的平均值的差的绝对值的平均值, 判断收盘价与其均值的偏离程度:
avedev = tafunc.avedev(klines.close, 5)
print(list(avedev))
"""
def mad(x):
return np.fabs(x - x.mean()).mean()
avedev_data = series.rolling(window=n).apply(mad, raw=True)
return avedev_data
def _to_ns_timestamp(input_time):
"""
辅助函数: 将传入的时间转换为int类型的纳秒级时间戳
Args:
input_time (str/ int/ float/ datetime.datetime): 需要转换的时间:
* str: str 类型的时间，如Quote行情时间的datetime字段 (eg. 2019-10-14 14:26:01.000000)
* int: int 类型纳秒级或秒级时间戳
* float: float 类型纳秒级或秒级时间戳，如K线或tick的datetime字段 (eg. 1.57103449e+18)
* datetime.datetime: datetime 模块中 datetime 类型
Returns:
int : int 类型纳秒级时间戳
"""
if type(input_time) in {int, float, np.float64, np.float32, np.int64, np.int32}: # 时间戳
if input_time > 2 ** 32: # 纳秒( 将 > 2*32数值归为纳秒级)
return int(input_time)
else: # 秒
return int(input_time * 1e9)
elif isinstance(input_time, str): # str 类型时间
return _str_to_timestamp_nano(input_time)
elif isinstance(input_time, datetime.datetime): # datetime 类型时间
return _datetime_to_timestamp_nano(input_time)
else:
raise TypeError("暂不支持此类型的转换")
def time_to_ns_timestamp(input_time):
"""
将传入的时间转换为int类型的纳秒级时间戳
Args:
input_time (str/ int/ float/ datetime.datetime): 需要转换的时间:
* str: str 类型的时间，如Quote行情时间的datetime字段 (eg. 2019-10-14 14:26:01.000000)
* int: int 类型的纳秒级或秒级时间戳
* float: float 类型的纳秒级或秒级时间戳，如K线或tick的datetime字段 (eg. 1.57103449e+18)
* datetime.datetime: datetime 模块中的 datetime 类型时间
Returns:
int : int 类型的纳秒级时间戳
Example::
from tqsdk.tafunc import time_to_ns_timestamp
print(time_to_ns_timestamp("2019-10-14 14:26:01.000000")) # 将%Y-%m-%d %H:%M:%S.%f 格式的str类型转为纳秒时间戳
print(time_to_ns_timestamp(1571103122)) # 将秒级转为纳秒时间戳
print(time_to_ns_timestamp(datetime.datetime(2019, 10, 14, 14, 26, 1))) # 将datetime.datetime时间转为纳秒时间戳
"""
return _to_ns_timestamp(input_time)
def time_to_s_timestamp(input_time):
"""
将传入的时间转换为int类型的秒级时间戳
Args:
input_time (str/ int/ float/ datetime.datetime): 需要转换的时间:
* str: str 类型的时间，如Quote行情时间的datetime字段 (eg. 2019-10-14 14:26:01.000000)
* int: int 类型的纳秒级或秒级时间戳
* float: float 类型的纳秒级或秒级时间戳，如K线或tick的datetime字段 (eg. 1.57103449e+18)
* datetime.datetime: datetime 模块中的 datetime 类型时间
Returns:
int : int类型的秒级时间戳
Example::
from tqsdk.tafunc import time_to_s_timestamp
print(time_to_s_timestamp(1.57103449e+18)) # 将纳秒级时间戳转为秒级时间戳
print(time_to_s_timestamp("2019-10-14 14:26:01.000000")) # 将%Y-%m-%d %H:%M:%S.%f 格式的str类型时间转为秒级时间戳
print(time_to_s_timestamp(datetime.datetime(2019, 10, 14, 14, 26, 1))) # 将datetime.datetime时间转为秒时间戳
"""
return int(_to_ns_timestamp(input_time) / 1e9)
def time_to_str(input_time):
"""
将传入的时间转换为 %Y-%m-%d %H:%M:%S.%f 格式的 str 类型
Args:
input_time (int/ float/ datetime.datetime): 需要转换的时间:
* int: int 类型的纳秒级或秒级时间戳
* float: float 类型的纳秒级或秒级时间戳，如K线或tick的datetime字段 (eg. 1.57103449e+18)
* datetime.datetime: datetime 模块中的 datetime 类型时间
Returns:
str : %Y-%m-%d %H:%M:%S.%f 格式的 str 类型时间
Example::
from tqsdk.tafunc import time_to_str
print(time_to_str(1.57103449e+18)) # 将纳秒级时间戳转为%Y-%m-%d %H:%M:%S.%f 格式的str类型时间
print(time_to_str(1571103122)) # 将秒级时间戳转为%Y-%m-%d %H:%M:%S.%f 格式的str类型时间
print(time_to_str(datetime.datetime(2019, 10, 14, 14, 26, 1))) # 将datetime.datetime时间转为%Y-%m-%d %H:%M:%S.%f 格式的str类型时间
"""
# 转为秒级时间戳
ts = _to_ns_timestamp(input_time)
return _timestamp_nano_to_str(ts)
def time_to_datetime(input_time):
"""
将传入的时间转换为 datetime.datetime 类型
Args:
input_time (int/ float/ str): 需要转换的时间:
* int: int 类型的纳秒级或秒级时间戳
* float: float 类型的纳秒级或秒级时间戳，如K线或tick的datetime字段 (eg. 1.57103449e+18)
* str: str 类型的时间，如Quote行情时间的 datetime 字段 (eg. 2019-10-14 14:26:01.000000)
Returns:
datetime.datetime : datetime 模块中的 datetime 类型时间
Example::
from tqsdk.tafunc import time_to_datetime
print(time_to_datetime(1.57103449e+18)) # 将纳秒级时间戳转为datetime.datetime时间
print(time_to_datetime(1571103122)) # 将秒级时间戳转为datetime.datetime时间
print(time_to_datetime("2019-10-14 14:26:01.000000")) # 将%Y-%m-%d %H:%M:%S.%f 格式的str类型时间转为datetime.datetime时间
"""
# 转为秒级时间戳
ts = _to_ns_timestamp(input_time)
return _timestamp_nano_to_datetime(ts)
def barlast(cond):
"""
返回一个序列，其中每个值表示从上一次条件成立到当前的周期数
(注： 如果从cond序列第一个值到某个位置之间没有True，则此位置的返回值为 -1； 条件成立的位置上的返回值为0)
Args:
cond (pandas.Series): 条件序列(序列中的值需为 True 或 False)
Returns:
pandas.Series : 周期数序列（其长度和 cond 相同；最后一个值即为最后一次条件成立到最新一个数据的周期数）
Example::
from tqsdk import TqApi, TqAuth
from tqsdk.tafunc import barlast
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
klines = api.get_kline_serial("SHFE.cu1912", 60)
# print(list(klines.close))
# print(list(klines.open))
# print(list(klines.close > klines.open))
n = barlast(klines.close > klines.open) # 获取周期数序列
print(list(n))
print(n.iloc[-1]) # 获取最后一根k线到上一次满足 "收盘价大于开盘价" 条件的k线的周期数
api.close()
"""
cond = cond.to_numpy()
v = np.array(~cond, dtype=int)
c = np.cumsum(v)
x = c[cond]
d = np.diff(np.concatenate(([0], x)))
if len(d) == 0: # 如果cond长度为0或无True
return pd.Series([-1] * len(cond))
v[cond] = -d
r = np.cumsum(v)
r[:x[0]] = -1
return pd.Series(r)
def _duration_ensure_unit_to_s(dur: Union[int, pd.Series]) -> int:
"""
判断输入duration这一时间的单位。如果单位是纳秒，则转换为秒。
Args:
dur: Union[int, pd.Series]: 数据周期
可能是一个可以直接判断的int，也可能是Dataframe中的某一列
Returns:
int: 以秒为单位的数据周期
"""
if isinstance(dur, pd.Series):
# 进行类型转换，确保运算过程不报错
dur = dur[0]
if dur % (10 ** 9) == 0:
dur //= (10 ** 9)
return dur
def _get_t_series(series: pd.Series, dur: Union[int, pd.Series], expire_datetime: int):
dur = _duration_ensure_unit_to_s(dur)
t = pd.Series(pd.to_timedelta(expire_datetime - (series / 1e9 + dur), unit='s'))
return (t.dt.days * 86400 + t.dt.seconds) / (360 * 86400)
def _get_d1(series: pd.Series, k: float, r: float, v: Union[float, pd.Series], t: Union[float, pd.Series]):
return pd.Series(
np.where((v <= 0) | (t <= 0), np.nan, (np.log(series / k) + (r + 0.5 * np.power(v, 2)) * t) / (v * np.sqrt(t))))
def _get_cdf(series: pd.Series):
s = series.loc[series.notna()]
return pd.concat([series.loc[series.isna()], pd.Series(stats.norm.cdf(s), index=s.index)], verify_integrity=True)
def _get_pdf(series: pd.Series):
s = series.loc[series.notna()]
return pd.concat([series.loc[series.isna()], pd.Series(stats.norm.pdf(s), index=s.index)], verify_integrity=True)
def _get_options_class(series: pd.Series, option_class: Union[str, pd.Series]):
"""
根据价格序列 series，和指定的 option_class
Args:
option_class (str / Series[str]): CALL / PUT / Series(['CALL', 'CALL', 'CALL', 'PUT'])
Returns:
Series[int] : 长度和 series 一致，Series([1, 1, 1, 1]) / Series([-1, -1, -1, -1]) / Series([1, 1, 1, -1]), 对于无效的参数值为 Series([nan, nan, nan, nan])
"""
if type(option_class) is str and option_class in ["CALL", "PUT"]:
return Series([(1 if option_class == "CALL" else -1) for _ in range(series.size)])
elif type(option_class) is Series and series.size == option_class.size:
return option_class.map({'CALL': 1, 'PUT': -1})
else:
return Series([float('nan') for _ in range(series.size)])
def get_t(df, expire_datetime):
"""
计算 K 线序列对应的年化到期时间，主要用于计算期权相关希腊指标时，需要得到计算出序列对应的年化到期时间
Args:
df (pandas.DataFrame): Dataframe 格式的 K 线序列
expire_datetime (int): 到期日, 秒级时间戳
Returns:
pandas.Series : 返回的 df 对应的年化时间序列
Example::
from tqsdk import TqApi, TqAuth, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
quote = api.get_quote('SHFE.cu2006C45000')
klines = api.get_kline_serial(['SHFE.cu2006C45000', 'SHFE.cu2006'], 24 * 60 * 60, 50)
t = tafunc.get_t(klines, quote.expire_datetime)
print(t)
api.close()
"""
return pd.Series(_get_t_series(df["datetime"], df["duration"], expire_datetime))
def get_his_volatility(df, quote):
"""
计算某个合约的历史波动率
Args:
df (pandas.DataFrame): Dataframe 格式的 K 线序列
quote (tqsdk.objs.Quote): df 序列对应合约对象
Returns:
float : 返回的 df 对应的历史波动率
Example::
from tqsdk import TqApi, TqAuth, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
quote = api.get_quote('SHFE.cu2006')
klines = api.get_kline_serial('SHFE.cu2006', 24 * 60 * 60, 50)
v = tafunc.get_his_volatility(klines, quote)
print(v)
api.close()
"""
if quote and quote.instrument_id == df["symbol"][0]:
trading_time = quote.trading_time
else:
trading_time = None
return _get_volatility(df["close"], df["duration"], trading_time)
def _get_volatility(series: pd.Series, dur: Union[pd.Series, int] = 86400, trading_time: list = None) -> float:
series_u = np.log(series.shift(1)[1:] / series[1:])
series_u = series_u[~np.isnan(series_u)]
if series_u.size < 2: # 自由度小于2无法计算，返回一个默认值
return float("nan")
seconds_per_day = 24 * 60 * 60
dur = _duration_ensure_unit_to_s(dur)
if dur < 24 * 60 * 60 and trading_time:
periods = _get_period_timestamp(0, trading_time.get("day", []) + trading_time.get("night", []))
seconds_per_day = sum([p[1] - p[0] for p in periods]) / 1e9
return math.sqrt((250 * seconds_per_day / dur) * np.cov(series_u))
def get_bs_price(series, k, r, v, t, option_class):
"""
计算期权 BS 模型理论价格
Args:
series (pandas.Series): 标的价格序列
k (float): 期权行权价
r (float): 无风险利率
v (float / pandas.Series): 波动率
* float: 对于 series 中每个元素都使用相同的 v 计算理论价
* pandas.Series: 其元素个数应该和 series 元素个数相同，对于 series 中每个元素都使用 v 中对应的值计算理论价
t (float / pandas.Series): 年化到期时间，例如：还有 100 天到期，则年化到期时间为 100/360
* float: 对于 series 中每个元素都使用相同的 t 计算理论价
* pandas.Series: 其元素个数应该和 series 元素个数相同，对于 series 中每个元素都使用 t 中对应的值计算理论价
option_class (str / pandas.Series): 期权方向，必须是两者其一，否则返回的序列值全部为 nan
* str: "CALL" 或者 "PUT"
* pandas.Series: 其元素个数应该和 series 元素个数相同，每个元素的值为 "CALL" 或者 "PUT"
Returns:
pandas.Series: 返回该序列理论价
Example::
import pandas as pd
from tqsdk import TqApi, TqAuth, tafunc
api = TqApi(auth=TqAuth("快期账户", "账户密码"))
quote = api.get_quote("SHFE.cu2006")
ks = api.get_kline_serial("SHFE.cu2006", 24 * 60 * 60, 10)
v = tafunc.get_his_volatility(ks, quote) # 历史波动率
option = api.get_quote("SHFE.cu2006C45000")
klines = api.get_kline_serial(["SHFE.cu2006C45000", "SHFE.cu2006"], 24 * 60 * 60, 10)
t = tafunc.get_t(klines, option.expire_datetime)
bs_price = tafunc.get_bs_price(klines["close1"], 45000, 0.025, v, t, option.option_class) # 理论价
print(list(bs_price.round(2)))
api.close()
"""
o = _get_options_class(series, option_class=option_class)