트레이딩 전략과 구현 6장 | 삼중창 매매¶

시장조류, 시장파도(오실레이터 |과매수 신호), 진입기술(추세 추종형 지표)
시장 지표들이 서로다른 신호 를 보낼 때, 이들을 종합하여 정확한 매매시점 을 구성

구분	발생 시점	지표
추세	동행 또는 후행	이동평균 (Moving Averages)
		이동평균 수렴 및 확산 (MACD)
		MACD 히스토그램
		방향성 시스템 (the Direction System)
		거래량 균형 지표 (On Balance Volume, OBV)
		누적분산 지표 (Accumulation/ Distributuin, AD)
========	============	============================================
오실레이터	선행 또는 동행	스토캐스틱 (Stochastic)
		변화율 (Rate of Change)
		평활화된 변화율 (Smoothed RoC)
		모멘텀 (Momentum)
		상대강도지수 (Relative Strength Index, RSI)
		엘더레이 (Elder-Ray)
		강도지수 (The Force Index)
		윌리엄스 (Williams %R)
		상대가격 변동폭 (the Commodity Channel Index)
========	============	============================================
기타지표	선행 또는 동행	신고점-신저점 지수 (New High-New Low Index)
		풋-콜 비율 (the Put-Call Ratio)
		상승하락 지수 (the Advanced/ Decline Index, A/D)
		트레이더 지수 (the Trader's Index, TRIN)

1 첫번째 창 - Market Tide(시장조류|장기적 상승, 하락추세)¶

시장의 상승 및 하락 추세 여부를 판단한다
시장에서 매수, 매도, 관망 의 3가지 선택지 중, 한 개를 제거 하는 기법

01 데이터 불러오기¶

loading the Naver Stock Price Table

In [1]:

import os
import pandas as pd
file_save = "data/boillingerNC.csv"
if os.path.isfile(file_save):
    data_df = pd.read_csv(file_save)
    data_df['Date'] = pd.to_datetime(data_df['Date']) # datetime 포맷 변경
    data_df = data_df.set_index('Date')
else:
    from FinanceDataReader import DataReader as fdr
    data_df = fdr("036570", "2018-01-01")
    data_df.to_csv(file_save)

data_df.columns = [_.lower() for _ in data_df.columns]
data_raw = data_df.copy() # Backuped the Table
data_df.tail(3)

Out[1]:

	open	high	low	close	volume	change
Date
2021-07-30	838000	846000	823000	824000	79822	-0.020214
2021-08-02	833000	833000	810000	824000	68330	0.000000
2021-08-03	827000	828000	803000	810000	89905	-0.016990

02 지수 이동평균 (Exponential Moving Averages)¶

EWM (지수 이동평균의 계산) : Pandas EWM 이동평균 구현방식
MACD (Moving Average Convergence Divergence) : 12주(분기) 와 26주(반기) EWM 의 차이를 계산
시장의 신호는 MACD 의 기울기 를 활용하여 시장의 상승, 하락 추세를 파악

$$ EMA = P_{today} \times K + EMA_{yesterday} \times (1-K) $$$$ MACD히스토그램 = MACD선 - 신호선 $$

In [2]:

# .iterrows() : DataFrame 의 index 순서로 Series 출력
for idx, val in data_df.iloc[:2,:2].iterrows(): 
    print(f"{idx},\n {type(val)}, \n{val} \n")

2018-01-02 00:00:00,
 <class 'pandas.core.series.Series'>, 
open    448000
high    452500
Name: 2018-01-02 00:00:00, dtype: int64 

2018-01-03 00:00:00,
 <class 'pandas.core.series.Series'>, 
open    441500
high    446500
Name: 2018-01-03 00:00:00, dtype: int64

In [3]:

ema60    = data_df.close.ewm(span=60).mean()  # 종가의 지수 이동평균 : 12주
ema130   = data_df.close.ewm(span=130).mean() # 종가의 지수 이동평균 : 26주
macd     = ema60 - ema130                     # MACD 그리기 (12주, 26주 이동평균의 차이)
signal   = macd.ewm(span=45).mean()           # 신호선(MACD의 9주 지수 이동평균)
macdhist = macd - signal                      # MACD 히스토그램

data_df = data_df.assign(
    ema130=ema130, ema60=ema60, macd=macd, signal=signal, macdhist=macdhist).dropna()
data_df.head(3)

Out[3]:

	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist
Date
2018-01-02	448000	452500	442000	446500	121955	-0.002235	446500.000000	446500.000000	0.000000	0.000000	0.000000
2018-01-03	441500	446500	432000	435000	234234	-0.025756	440705.769231	440654.166667	-51.602564	-26.374644	-25.227920
2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453

03 Visualization¶

OHLC Chart in Python Matplotlib

결과값 시각화 작업

In [4]:

%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 

import numpy as np
# ohlc = data_df[['open','high','low','close', 'volume', "ema130"]].copy()
ohlc = data_df.copy()
ohlc = ohlc.reset_index()
ohlc.head(3)

found : D2Coding

Out[4]:

	Date	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist
0	2018-01-02	448000	452500	442000	446500	121955	-0.002235	446500.000000	446500.000000	0.000000	0.000000	0.000000
1	2018-01-03	441500	446500	432000	435000	234234	-0.025756	440705.769231	440654.166667	-51.602564	-26.374644	-25.227920
2	2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453

In [5]:

plt.rcParams['figure.dpi'] = 300
plt.rcParams['figure.figsize'] = (15.0, 8.0) # plt.figure(figsize=(16, 7))

# Chart 1 : OHLC Chart
p1 = plt.subplot(2, 1, 1)
plt.title('Triple Screen Trading - First Screen (NCSOFT)')
plt.grid(True)

# ohlc Chart 그리기
x = np.arange(0, len(ohlc))
for _, val in ohlc.iterrows():
    if val['close'] > val['open']: color = "#db1102" # 종가 상승
    else: color = "#0e40c9"                          # 종가 하락
    p1.plot([ x[_], x[_]], [val['low'], val['high']], color=color)     # High, Low Marker
    p1.plot([ x[_], x[_]-.1], [val['open'], val['open']], color=color) # Open Marker
    p1.plot([ x[_], x[_]+.1], [val['close'], val['close']], color=color) # close Marker

# ema130 Chart 추가하기
p1.plot(ohlc['ema130'], color='c', label='EMA130')
plt.xticks(x[::80], ohlc.Date.dt.date[::80])
plt.legend(loc='best')

# Chart 2 : Signal Chart
p2 = plt.subplot(2, 1, 2)
plt.bar(ohlc.index, ohlc['macdhist'], color='m', label='MACD-Hist')
plt.plot(ohlc['macd'], color='b', label='MACD')
plt.plot(ohlc['signal'], 'g--', label='MACD-Signal')
plt.xticks(x[::80], ohlc.Date.dt.date[::80])
plt.legend(loc='best')
plt.grid(True)
plt.show()

2 두번째 창 - Market Wave(시장파도 | 박스권 시장의 성격 분석)¶

01 오실레이터 (oscillator) 데이터 활용하기¶

Stockastic 은 George Lane 이 개발할 대중화된 오실레이터 이다
대체로 박스권 매매 에서 효과적으로 작동한다
위 단점을 보완하기 위해, 장기 추세 신호를 함께 활용한다

$$ \%K (빠른선) = \dfrac{C_{today} + L_{n}}{H_{n} + L_{n}} \times 100 $$

$ C_{today} $ : 금일의 종가
$ H_{n} $ : 선정된 기간의 고점
$ L_{n} $ : 선정된 기간의 저점
$ n $ : 트레이더에 의해 선정된 기준 기간

$$ \%D (느린선) = \dfrac{C_{today} + L_{n} 의 3일간 합계 }{H_{n} + L_{n} 의 3일간 합계} \times 100 $$

In [6]:

data_df.head(3)

Out[6]:

	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist
Date
2018-01-02	448000	452500	442000	446500	121955	-0.002235	446500.000000	446500.000000	0.000000	0.000000	0.000000
2018-01-03	441500	446500	432000	435000	234234	-0.025756	440705.769231	440654.166667	-51.602564	-26.374644	-25.227920
2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453

In [7]:

ohlc = data_df.reset_index().copy()

ndays_high = ohlc.high.rolling(window=14, min_periods=1).max()      # 14일 간격 최댓값 정리
ndays_low = ohlc.low.rolling(window=14, min_periods=1).min()        # 14일 간격 최솟값 
fast_k = (ohlc.close - ndays_low) / (ndays_high - ndays_low) * 100  # %K : 빠른 신호선 추가
slow_d= fast_k.rolling(window=3).mean()                             # %D : 느린 신호선 (3일 %K 평균)

# "fast_k, slow_d" 컬럼 추가
ohlc = ohlc.assign(fast_k=fast_k, slow_d=slow_d).dropna() 
ohlc = ohlc.reset_index(drop=True)
ohlc.head(3)

Out[7]:

	Date	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist	fast_k	slow_d
0	2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453	1.639344	19.710211
1	2018-01-05	426500	430000	417000	422000	204527	-0.001183	431334.949229	431143.279645	-191.669585	-100.425299	-91.244286	14.084507	10.119333
2	2018-01-08	422000	425000	415000	420000	143648	-0.004739	428997.673468	428763.612858	-234.060611	-129.579675	-104.480936	13.333333	9.685728

02 Visualization¶

loading the Naver Stock Price Table

In [8]:

plt.rcParams['figure.dpi'] = 300
plt.rcParams['figure.figsize'] = (15.0, 8.0) # plt.figure(figsize=(16, 7))

# Chart 1 : OHLC Chart
p1 = plt.subplot(2, 1, 1)
plt.title('Triple Screen Trading - Second Screen (NCSOFT)')
plt.grid(True)

# ohlc Chart 그리기
x = np.arange(0, len(ohlc))
for _, val in ohlc.iterrows():
    if val['close'] > val['open']: color = "#db1102" # 종가 상승
    else: color = "#0e40c9"                          # 종가 하락
    p1.plot([ x[_], x[_]], [val['low'], val['high']], color=color)     # High, Low Marker
    p1.plot([ x[_], x[_]-.1], [val['open'], val['open']], color=color) # Open Marker
    p1.plot([ x[_], x[_]+.1], [val['close'], val['close']], color=color) # close Marker

# ema130 Chart 추가하기
p1.plot(ohlc['ema130'], color='c', label='EMA130')
plt.xticks(x[::80], ohlc.Date.dt.date[::80])
plt.legend(loc='best')

# Chart 2 : Signal Chart
p2 = plt.subplot(2, 1, 2)
plt.grid(True)
plt.plot(ohlc['fast_k'], color='c', label='%K')
plt.plot(ohlc['slow_d'], color='k', label='%D')
plt.yticks([0, 20, 80, 100]) # 신호선 Y측 기준값을 정의한다
plt.xticks(x[::80], ohlc.Date.dt.date[::80])
plt.legend(loc='best')
plt.grid(True)
plt.show()

3 세 번째 창 - 진입기술 (Entry Technique)¶

01 시장조류 & 시장파도 2개의 신호를 활용하여 매매시점 찾기¶

스톡캐스틱 오실레이터를 활용하여 %D 를 활용한다
매매기준 포인트를 70, 30 대신에 80, 20을 활용하여 확실한 신호를 구분한다
매수시점 : 130일 이동지수평균 상승하고, $\%D$ 가 20 아래로 떨어질 때
매도시점 : 이동지수평균 하락하고, $\%D$ 가 80 위로 올라깔 때

주간추세	일간 오실레이터	행동	주문
상승	상승	관망
상승	하락	매수	추적매수 스톱
하락	하락	관망
하락	상승	매도	추적매도 스톱

In [9]:

ohlc = data_df.reset_index().copy()
ohlc.head(3)

Out[9]:

	Date	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist
0	2018-01-02	448000	452500	442000	446500	121955	-0.002235	446500.000000	446500.000000	0.000000	0.000000	0.000000
1	2018-01-03	441500	446500	432000	435000	234234	-0.025756	440705.769231	440654.166667	-51.602564	-26.374644	-25.227920
2	2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453

In [10]:

# 진입시점 오실레이터 추가
ema60    = ohlc.close.ewm(span=60).mean()
ema130   = ohlc.close.ewm(span=130).mean()
macd     = ema60 - ema130
signal   = macd.ewm(span=45).mean()
macdhist = macd - signal
ohlc     = ohlc.assign(
    ema130=ema130, ema60=ema60, macd=macd, signal=signal, macdhist=macdhist
).dropna()

ndays_high = ohlc.high.rolling(window=14, min_periods=1).max()
ndays_low  = ohlc.low.rolling(window=14, min_periods=1).min()

fast_k = (ohlc.close - ndays_low) / (ndays_high - ndays_low) * 100
slow_d = fast_k.rolling(window=3).mean()
ohlc = ohlc.assign(fast_k=fast_k, slow_d=slow_d).dropna()
ohlc = ohlc.reset_index(drop=True)
ohlc.head(3)

Out[10]:

	Date	open	high	low	close	volume	change	ema130	ema60	macd	signal	macdhist	fast_k	slow_d
0	2018-01-04	438500	438500	422000	422500	284220	-0.028736	434543.579022	434399.962966	-143.616056	-67.204602	-76.411453	1.639344	19.710211
1	2018-01-05	426500	430000	417000	422000	204527	-0.001183	431334.949229	431143.279645	-191.669585	-100.425299	-91.244286	14.084507	10.119333
2	2018-01-08	422000	425000	415000	420000	143648	-0.004739	428997.673468	428763.612858	-234.060611	-129.579675	-104.480936	13.333333	9.685728

In [11]:

tick_steps = 80
# Chart 1 : OHLC Chart
plt.rcParams['figure.dpi'] = 300
plt.rcParams['figure.figsize'] = (15.0, 8.0) # plt.figure(figsize=(16, 9))
p1 = plt.subplot(3, 1, 1)
plt.title('Triple Screen Trading (NCSOFT)')
plt.grid(True)

# ohlc Chart 그리기
x = np.arange(0, len(ohlc))
for _, val in ohlc.iterrows():
    if val['close'] > val['open']: color = "#db1102" # 종가 상승
    else: color = "#0e40c9"                          # 종가 하락
    p1.plot([ x[_], x[_]], [val['low'], val['high']], color=color)     # High, Low Marker
    p1.plot([ x[_], x[_]-.1], [val['open'], val['open']], color=color) # Open Marker
    p1.plot([ x[_], x[_]+.1], [val['close'], val['close']], color=color) # close Marker

# ema130 Chart 추가하기
p1.plot(ohlc['ema130'], color='c', label='EMA130')
plt.xticks(x[::tick_steps], ohlc.Date.dt.date[::tick_steps])
plt.plot(ohlc['ema130'], color='c', label='EMA130')

for i in range(1, len(ohlc.close)):
    if ohlc.ema130.values[i-1] < ohlc.ema130.values[i] and \
        ohlc.slow_d.values[i-1] >= 20 and ohlc.slow_d.values[i] < 20:
        plt.plot(ohlc.index[i], 250000, 'r^') 
    elif ohlc.ema130.values[i-1] > ohlc.ema130.values[i] and \
        ohlc.slow_d.values[i-1] <= 80 and ohlc.slow_d.values[i] > 80:
        plt.plot(ohlc.index[i], 250000, 'bv')

plt.xticks(x[::tick_steps], ohlc.Date.dt.date[::tick_steps])
plt.legend(loc='best')

p2 = plt.subplot(3, 1, 2)
plt.grid(True)
plt.bar(ohlc.index, ohlc['macdhist'], color='m', label='MACD-Hist')
plt.plot(ohlc['macd'], color='b', label='MACD')
plt.plot(ohlc['signal'], 'g--', label='MACD-Signal')
plt.xticks(x[::tick_steps], ohlc.Date.dt.date[::tick_steps])
plt.legend(loc='best')

p3 = plt.subplot(3, 1, 3)
plt.grid(True)
plt.plot(ohlc['fast_k'], color='c', label='%K')
plt.plot(ohlc['slow_d'], color='k', label='%D')
plt.xticks(x[::tick_steps], ohlc.Date.dt.date[::tick_steps])
plt.yticks([0, 20, 80, 100])
plt.legend(loc='best')
plt.show()