트레이딩 전략과 구현 6장 | 볼린저 밴드 매매1 | 추세추종 기법¶

변동성 돌파, 추세추종, 반전 3가지 매매기법 존재
추세추종, 반전 매매기법 2가지를 확인해 본다
변동성 돌파 : 주가가 상단 밴드를 돌파할 때 매수하고, 하단 밴드를 하양 이탈할 때 공매도 하는 기법

범주	기술적 지표
추세	선형회귀, 이동평균선 (MACD)
모멘텀	변화율, 스토캐스틱 (%k, %d)
거래량	일중강도(II), 매집/분산(A/D), 현금흐름지표(MFI), 거래량가중(MACD)
과매수/과매도	CCI, RSI
심리	여론조사선, 풋/콜옵션 비율

1 추세추종 매매기법¶

볼린저 밴드 지표 (%b) 이외에, 현금흐름지표(MFI : Money Flow Index), 일중강도(II) 와 같은 거래량 지표를 함께 확인한다

01 데이터 불러오기 + 볼린저 밴드 추가¶

loading the Naver Stock Price Table

In [1]:

DATA_FILENAME = 'data/stock-naver.pkl'
import pandas as pd
import FinanceDataReader as fdr
try:
    data_raw = pd.read_pickle(DATA_FILENAME)
except FileNotFoundError:
    data_raw = fdr.DataReader("035420", "2019-01-01")
    data_raw.columns = [_.lower() for _ in data_raw.columns]
    data_raw.to_pickle(DATA_FILENAME)
data_df = data_raw.copy()
data_df.tail(3)

Out[1]:

	open	high	low	close	volume	change
Date
2021-08-11	445000	449000	442000	445000	446275	-0.003359
2021-08-12	448000	448500	438000	440500	671083	-0.010112
2021-08-13	445000	446000	433000	436500	479201	-0.009081

In [2]:

# 볼린저 밴드 데이터 추가
data_df['MA20'] = data_df['close'].rolling(window=20).mean() 
data_df['stddev'] = data_df['close'].rolling(window=20).std() 
data_df['upper'] = data_df['MA20'] + (data_df['stddev'] * 2)
data_df['lower'] = data_df['MA20'] - (data_df['stddev'] * 2)
data_df['PB'] = (data_df['close'] - data_df['lower']) / (data_df['upper'] - data_df['lower'])
data_df.tail(3)

Out[2]:

	open	high	low	close	volume	change	MA20	stddev	upper	lower	PB
Date
2021-08-11	445000	449000	442000	445000	446275	-0.003359	441875.0	7530.420761	456935.841523	426814.158477	0.603746
2021-08-12	448000	448500	438000	440500	671083	-0.010112	441450.0	7344.708084	456139.416168	426760.583832	0.467664
2021-08-13	445000	446000	433000	436500	479201	-0.009081	440925.0	7302.261726	455529.523452	426320.476548	0.348506

02 현금흐름지표 (MFI : Money Flow Index | $ 중심가격 \times 거래량 $ )¶

중심 가격 (Typical Price) 은 일정기간의 고가, 저가, 종가 의 3평균
트레이딩이 집중적 발생하는 주가지점 을 확인하는 지표로 활용

$$ MFI = 100 - (100 \div (1+{(긍정적 현금 흐름) \over (부정적 현금 흐름)})) $$

긍정적 현금 흐름 PMF (Positive Money Flow) : 중심 가격 (Typical Price) 이 전일보다 상승 한 기간의 현금흐름 합
부정적 현금 흐름 NMF (Nagative Money Flow) : 중심 가격 (Typical Price) 이 전일보다 하락 한 기간의 현금흐름 합

In [3]:

# 중심가격 (Typical Price) 의 계산 : (일정기간 고가/ 저가/ 종가) 의 3평균
data_df['TP'] = (data_df['high'] + data_df['low'] + data_df['close']) / 3

# PMF (Positive Money Flow)
data_df['PMF'], data_df['NMF'] = 0, 0

# 현금흐름값 : (i+1 일차 중심가격) X (i+1 일차 거래량)
for i in range(len(data_df.close)-1):
    # 익일 중심가격이 높아진 경우 (중심가격 X 거래량) : PMF 현금흐름값 저장, NMF 는 0 저장
    if data_df.TP.values[i] < data_df.TP.values[i+1]: 
        data_df.PMF.values[i+1] = data_df.TP.values[i+1] * data_df.volume.values[i+1]
        data_df.NMF.values[i+1] = 0
    # 익일 중심가격이 높아진 경우 : PMF 0 저장, NMF 는 현금흐름값 저장
    else:
        data_df.NMF.values[i+1] = data_df.TP.values[i+1] * data_df.volume.values[i+1]
        data_df.PMF.values[i+1] = 0        

In [4]:

# 현금흐름비율 (MFR : Money Flow raito)
# : 10일 간의 긍정적 현금흐름의 합을 10일간 부정적 현금흐름의 합으로 나는 결과
data_df['MFR'] = (data_df.PMF.rolling(window=10).sum() /
    data_df.NMF.rolling(window=10).sum())
# 10일 간의 현금흐름지표 계산결과 저장
data_df['MFI10'] = 100 - 100 / (1 + data_df['MFR'])
data_df = data_df[19:]
data_df.tail(3)

Out[4]:

	open	high	low	close	volume	change	MA20	stddev	upper	lower	PB	TP	PMF	NMF	MFR	MFI10
Date
2021-08-11	445000	449000	442000	445000	446275	-0.003359	441875.0	7530.420761	456935.841523	426814.158477	0.603746	445333.333333	0	198741133333	0.445550	30.822196
2021-08-12	448000	448500	438000	440500	671083	-0.010112	441450.0	7344.708084	456139.416168	426760.583832	0.467664	442333.333333	0	296842380333	0.432718	30.202577
2021-08-13	445000	446000	433000	436500	479201	-0.009081	440925.0	7302.261726	455529.523452	426320.476548	0.348506	438500.000000	0	210129638500	0.448763	30.975603

03 Visualization¶

In [5]:

%matplotlib inline
%config InlineBackend.figure_format = 'retina'

# Loading ... Visualization Modules
import matplotlib.pyplot as plt
import warnings
plt.style.use('seaborn')
warnings.simplefilter(action='ignore', category=FutureWarning)

from matplotlib.font_manager import fontManager as fm # 한글폰트 확인 및 추가
font_list_check  = ['D2Coding', 'NanumGothicCoding', 'NanumGothic']
for _ in font_list_check:
    font_counts = [f  for f in font_list_check if _ in [_.name for _ in fm.ttflist]]
    if len(font_counts) > 1: print(f"found : {_}"); plt.rc('font', family=_); break 

found : D2Coding

In [6]:

plt.rcParams['figure.dpi'] = 300
plt.rcParams['figure.figsize'] = (20.0, 8.0) # plt.figure(figsize=(15, 8))

plt.subplot(2,1,1, ylabel='BBand(20 day, 2 std)')
plt.plot(data_df.index, data_df['close'], label='Close', color='purple')
plt.plot(data_df.index, data_df['upper'], '--', label ='Upper band', color='orange')
plt.plot(data_df.index, data_df['MA20'], 'k--', label='Moving average 20')
plt.plot(data_df.index, data_df['lower'], 'c--', label ='Lower band')
plt.fill_between(data_df.index, data_df['upper'], data_df['lower'], color='0.9')

plt.subplot(2,1,2)
plt.plot(data_df.index, data_df['PB'] * 100, label='%B x 100', color='orange') 
plt.plot(data_df.index, data_df['MFI10'], 'g--', label='MFI(10 day)')
plt.axhline(y=(1*100), color ='black', linewidth=.5, linestyle="--")  # 볼린저 밴드 상단
plt.axhline(y=(.5*100), color ='red', linewidth=1.5, linestyle="--")  # 볼린저 밴드 중심
plt.axhline(y=(0*100), color ='black', linewidth=.5, linestyle="--")  # 볼린저 밴드 하단
plt.yticks([-20, 0, 20, 40, 60, 80, 100, 120])
plt.grid(True); plt.legend(loc='best'); plt.show();   

03 볼린저 밴드 추세추종을 활용한 매매시점¶

매수 : %b > 0.8, MFI > 80 (상단밴드 접근, 지표 강세일 떄)
매도 : %b < 0.2, MFI < 20 (하단밴드 접근, 지표 약세 확증시)

In [7]:

%matplotlib inline
%config InlineBackend.figure_format = 'retina'

# Loading ... Visualization Modules
import matplotlib.pyplot as plt
import warnings
plt.style.use('seaborn')
warnings.simplefilter(action='ignore', category=FutureWarning)

from matplotlib.font_manager import fontManager as fm # 한글폰트 확인 및 추가
font_list_check  = ['D2Coding', 'NanumGothicCoding', 'NanumGothic']
for _ in font_list_check:
    font_counts = [f  for f in font_list_check if _ in [_.name for _ in fm.ttflist]]
    if len(font_counts) > 1: print(f"found : {_}"); plt.rc('font', family=_); break 

found : D2Coding

In [8]:

plt.rcParams['figure.dpi'] = 300
plt.rcParams['figure.figsize'] = (20.0, 6.0) # plt.figure(figsize=(15, 8))

plt.subplot(2, 1, 1, title='NAVER Bollinger Band(20 day, 2 std) - Trend Following')
plt.plot(data_df.index, data_df['close'], label='Close', color='purple')
plt.plot(data_df.index, data_df['upper'], '--', label ='Upper band', color='orange')
plt.plot(data_df.index, data_df['MA20'], 'k--', label='Moving average 20')
plt.plot(data_df.index, data_df['lower'], 'c--', label ='Lower band')
plt.fill_between(data_df.index, data_df['upper'], data_df['lower'], color='0.9')

for i in range(len(data_df.close)):
    if data_df.PB.values[i] > 0.8 and data_df.MFI10.values[i] > 80:
        plt.plot(data_df.index.values[i], data_df.close.values[i], 'r^')
    elif data_df.PB.values[i] < 0.2 and data_df.MFI10.values[i] < 20:
        plt.plot(data_df.index.values[i], data_df.close.values[i], 'bv')
plt.legend(loc='best')

plt.subplot(2, 1, 2)
plt.plot(data_df.index, data_df['PB'] * 100, label='%B x 100', color='orange') 
plt.plot(data_df.index, data_df['MFI10'], 'g--', label='MFI(10 day)')
plt.axhline(y=(1*100), color ='black', linewidth=.5, linestyle="--")  # 볼린저 밴드 상단
plt.axhline(y=(.5*100), color ='red', linewidth=1.5, linestyle="--")  # 볼린저 밴드 중심
plt.axhline(y=(0*100), color ='black', linewidth=.5, linestyle="--")  # 볼린저 밴드 하단
plt.yticks([-20, 0, 20, 40, 60, 80, 100, 120])

for i in range(len(data_df.close)):
    if data_df.PB.values[i] > 0.8 and data_df.MFI10.values[i] > 80:    # 매수시점
        plt.plot(data_df.index.values[i], 0, 'r^')
    elif data_df.PB.values[i] < 0.2 and data_df.MFI10.values[i] < 20:  # 매도시점
        plt.plot(data_df.index.values[i], 0, 'bv')
plt.grid(True); plt.legend(loc='best'); plt.show()