Ta-Lib 是一套基於 K 線理論所建構的開放原始碼技術指標 (Technical Indicatiors) 函式庫, 最早是由 Mario Fortier 於 1999 年創建, 包含 158 種價量技術指標與模式識別的函式與類別, 為金融分析, 量化投資, 與演算法交易等領域提供了高效的技術分析功能. 原始碼使用 C++ 開發, 但被包裝成跨平台工具, 支援 Python, Java, 與 .NET 等程式語言介面, 參考官網介紹 :
Ta-Lib 原始碼託管於 GitHub :
Ta-Lib 採用 BSD 授權, 開發者可免費將其整合到開源或商業專案中.
Ta-Lib 的 Python API 教學文件參考 :
參考書籍如下 :
# Python 量化交易 Ta-Lib 技術指標 139 個活用技巧 (博碩, 2022, 劉承彥/郭水樹)
# Python 網頁程式交易 App 實作 (博碩, 2018, 林萍珍) 第 15 章
一. 安裝 Ta-Lib 套件 :
Ta-Lib 無法直接用 pip install 從 PyPi 網站下載安裝, Windows 系統須根據 Python 版本至 GitHub 下載 whl 檔後用 pip install 安裝 :
而 Linux 系統須先下載舊版 (v0.4.0) 原始碼用 make 進行編譯后, 再用 pip install 安裝倒最新版的 Ta-Lib, 參考 :
參考官網安裝指引 :
安裝好 Ta-Lib 後即可匯入使用, 但其套件名稱為小寫的 talib :
>>> import talib
檢視版本 :
>>> talib.__version__
'0.4.28'
二. 取得股票盤後資料 :
有許多管道可取得股票價量資料, 例如 :
- 撰寫網頁爬蟲自證交所網站下載 (台股)
- 使用 twstock 套件 (台股)
- 使用 yfinance API (全球)
- 使用 FinMind API (全球)
- 使用 FinLab API (全球)
- 使用券商 API (全球)
由於證交所為了避免主機負荷過重, 會對頻繁的爬取動作採取鎖 IP 的反爬蟲限制, 所以最好是使用 API 較能穩定取得資料 (其實 twstock 也是爬蟲), 其中以 yfinance 最方便, 只要安裝好套件即可下載全球股票資料, 不需要 API token 驗證.
不過, 從 API 取得的 OHLCV 價量資料欄位名稱必須做些調整才能餵給 Ta-Lib 計算指標數值, 例如從 yfinance 取得的 OHLCV 盤後資料, 其欄位名稱為首字母大寫的 Open, High, Low, Close, Volume, 可用下面的串列生成式更改以符合 Ta-Lib 要求 :
df.columns=[column.lower() for column in df.columns]
參考 :
而從 FinMind 取得的資料則是 close, open 欄位符合要求, 但它的最高價使用 max, 最低價使用 min, 成交量使用 Trading_Volume, 可用 DataFrame 物件的 rename() 方法傳入一個字典來修改 :
df=df.rename(columns={'max': 'High', 'min': 'Low', 'Trading_Volume': 'volume'})
參考 :
至於 FinLab, 由於其 API 與眾不同, 其 OHLCV 價量資料是要個別取得後組合為一個包含全市場的 DataFrame, 在組合過程中即可設定 OHLCV 的欄位名稱以符合 Ta-Lib 要求, 作法參考 :
三. Ta-Lib 的兩種用法 :
Ta-Lib 提供函數式 (functional) 與物件導向式 (object-oriented) 兩種 API 介面, 以物件導向用法較好用, 因為它可直接傳入的 DataFrame 價量資料; 而函數式用法的傳入參數為 Numpy 的 ndarray 陣列 (一維), 因此若原始價量資料是 DataFrame, 還必須依指標不同將公式需要的 OHLCV 個別抓出來丟給指標函式去計算指標數值.
1. Ta-Lib 的函數式用法 :
採用函數式用法時可直接匯入整個 talib 套件 :
import talib
所有指標的函式都放在 talib 命名空間下 (指標函式名稱均為大寫), 呼叫這些指標函式並傳入價量資料的一維 Numpy 浮點數陣列就會傳回指標數值 (也是一維陣列), 例如 :
sma=talib.SMA(data)
rsi=talib.RSI(data)
注意, 傳入參數 data 是一維 Numpy 浮點數陣列. 也可以從 talib 匯入要用的指標函式, 例如 :
from talib import SMA, RSI
sma=SMA(data)
rsi=RSI(data)
參考官網說明 :
Ta-Lib 提供 158 種技術指標函式, 呼叫 talib.get_functions() 函式會傳回這些指標函式名稱組成的串列 :
>>> indicators=talib.get_functions()
>>> indicators
['HT_DCPERIOD', 'HT_DCPHASE', 'HT_PHASOR', 'HT_SINE', 'HT_TRENDMODE', 'ADD', 'DIV', 'MAX', 'MAXINDEX', 'MIN', 'MININDEX', 'MINMAX', 'MINMAXINDEX', 'MULT', 'SUB', 'SUM', 'ACOS', 'ASIN', 'ATAN', 'CEIL', 'COS', 'COSH', 'EXP', 'FLOOR', 'LN', 'LOG10', 'SIN', 'SINH', 'SQRT', 'TAN', 'TANH', 'ADX', 'ADXR', 'APO', 'AROON', 'AROONOSC', 'BOP', 'CCI', 'CMO', 'DX', 'MACD', 'MACDEXT', 'MACDFIX', 'MFI', 'MINUS_DI', 'MINUS_DM', 'MOM', 'PLUS_DI', 'PLUS_DM', 'PPO', 'ROC', 'ROCP', 'ROCR', 'ROCR100', 'RSI', 'STOCH', 'STOCHF', 'STOCHRSI', 'TRIX', 'ULTOSC', 'WILLR', 'BBANDS', 'DEMA', 'EMA', 'HT_TRENDLINE', 'KAMA', 'MA', 'MAMA', 'MAVP', 'MIDPOINT', 'MIDPRICE', 'SAR', 'SAREXT', 'SMA', 'T3', 'TEMA', 'TRIMA', 'WMA', 'CDL2CROWS', 'CDL3BLACKCROWS', 'CDL3INSIDE', 'CDL3LINESTRIKE', 'CDL3OUTSIDE', 'CDL3STARSINSOUTH', 'CDL3WHITESOLDIERS', 'CDLABANDONEDBABY', 'CDLADVANCEBLOCK', 'CDLBELTHOLD', 'CDLBREAKAWAY', 'CDLCLOSINGMARUBOZU', 'CDLCONCEALBABYSWALL', 'CDLCOUNTERATTACK', 'CDLDARKCLOUDCOVER', 'CDLDOJI', 'CDLDOJISTAR', 'CDLDRAGONFLYDOJI', 'CDLENGULFING', 'CDLEVENINGDOJISTAR', 'CDLEVENINGSTAR', 'CDLGAPSIDESIDEWHITE', 'CDLGRAVESTONEDOJI', 'CDLHAMMER', 'CDLHANGINGMAN', 'CDLHARAMI', 'CDLHARAMICROSS', 'CDLHIGHWAVE', 'CDLHIKKAKE', 'CDLHIKKAKEMOD', 'CDLHOMINGPIGEON', 'CDLIDENTICAL3CROWS', 'CDLINNECK', 'CDLINVERTEDHAMMER', 'CDLKICKING', 'CDLKICKINGBYLENGTH', 'CDLLADDERBOTTOM', 'CDLLONGLEGGEDDOJI', 'CDLLONGLINE', 'CDLMARUBOZU', 'CDLMATCHINGLOW', 'CDLMATHOLD', 'CDLMORNINGDOJISTAR', 'CDLMORNINGSTAR', 'CDLONNECK', 'CDLPIERCING', 'CDLRICKSHAWMAN', 'CDLRISEFALL3METHODS', 'CDLSEPARATINGLINES', 'CDLSHOOTINGSTAR', 'CDLSHORTLINE', 'CDLSPINNINGTOP', 'CDLSTALLEDPATTERN', 'CDLSTICKSANDWICH', 'CDLTAKURI', 'CDLTASUKIGAP', 'CDLTHRUSTING', 'CDLTRISTAR', 'CDLUNIQUE3RIVER', 'CDLUPSIDEGAP2CROWS', 'CDLXSIDEGAP3METHODS', 'AVGPRICE', 'MEDPRICE', 'TYPPRICE', 'WCLPRICE', 'BETA', 'CORREL', 'LINEARREG', 'LINEARREG_ANGLE', 'LINEARREG_INTERCEPT', 'LINEARREG_SLOPE', 'STDDEV', 'TSF', 'VAR', 'ATR', 'NATR', 'TRANGE', 'AD', 'ADOSC', 'OBV']
呼叫 len() 來計算指標數量 :
>>> len(talib.get_functions())
158
Ta-Lib 所提供的 158 種技術指標可區分為如下七大類 :
- 重疊研究 (overlap studies) : 例如 SMA, EMA, 布林通道等
- 動量指標 (momentum indicators) : 例如 RSI, KD, MACD, DMI, ADX, WILLR 等
- 量能指標 (volume indicators) : 例如 AD, OBV,
- 波動指標 (volatility indicators) : 例如 ATR, NATR 等
- 價格轉換 (price transform) : 例如 MEDPRICE, TYPPRICE 等
- 週期指標 (cycle indicators) : 例如 HT_DCPERIOD, HT_DCPHASE 等
- 型態識別 (pattern recognition) : 例如 CDLDOJISTAR, CDLHARAMI 等
這些指標函式的說明文件參考官網 :
下面利用 yfinance 取得台股 0050 盤後價量資料來展示 Ta-Lib 指標的函數式用法 :
>>> import yfinance as yf
>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-06')
[*********************100%%**********************] 1 of 1 completed
檢視首尾 5 筆資料 :
>>> df.head()
Open High ... Adj Close Volume
Date ...
2024-11-06 194.050003 198.050003 ... 195.199997 16706376
2024-11-07 194.899994 198.050003 ... 197.449997 13498552
2024-11-08 199.399994 200.000000 ... 199.000000 12950151
2024-11-11 198.850006 199.100006 ... 199.100006 12364013
2024-11-12 195.199997 195.850006 ... 194.000000 26272087
[5 rows x 6 columns]
>>> df.tail()
Open High ... Adj Close Volume
Date ...
2024-12-27 197.600006 199.050003 ... 198.899994 6987417
2024-12-30 198.149994 198.649994 ... 197.800003 8677266
2024-12-31 196.699997 196.899994 ... 195.750000 7836534
2025-01-02 195.649994 195.649994 ... 194.050003 12797702
2025-01-03 196.000000 196.949997 ... 196.000000 7113371
[5 rows x 6 columns]
然後依據指標函式的要求傳入所需的價量資料參數以計算指標數值. 每一種指標需要傳入的必要參數不一樣, 有的指標公式只用到收盤價, 有的需要成交量, 也有的開高低收量都要. 可以用 help() 檢視函式的介面, 例如移動均價指標 SMA :
>>> help(talib.SMA)
Help on function SMA in module talib._ta_lib:
SMA(real, timeperiod=-2147483648)
SMA(real[, timeperiod=?])
Simple Moving Average (Overlap Studies)
Inputs:
real: (any ndarray)
Parameters:
timeperiod: 30
Outputs:
real
可見 SMA() 有一個浮點數的必要參數 (real, 這裡是指收盤價), 與一個預設值為 30 的關鍵字參數 timeperiod, 從 DataFrame 中抽取 Close 欄位傳給 SMA() 即可計算 SMA 指標 :
>>> sma=talib.SMA(df['Close'].values)
>>> sma
array([ nan, nan, nan, nan,
nan, nan, nan, nan,
nan, nan, nan, nan,
nan, nan, nan, nan,
nan, nan, nan, nan,
nan, nan, nan, nan,
nan, nan, nan, nan,
nan, 193.36000112, 193.42333476, 193.32166799,
193.10833486, 193.04666799, 193.17333476, 193.36166789,
193.60333455, 193.82166748, 194.09333445, 194.21000112,
194.29666799, 194.51833445])
因預設為計算 30 天移動均價, 因此前面有 30 個 nan, 第 31 個才會有指標值. 也可以指定 timeperiod 參數, 例如 5 日移動均價 :
>>> sma5=talib.SMA(df['Close'].values, timeperiod=5)
>>> sma5
array([ nan, nan, nan, nan,
196.95 , 196.46000061, 195.17000122, 193.84000244,
191.95 , 191.6 , 191.33999939, 191.01000061,
191.15 , 191.69000244, 191.21000366, 190.34000549,
189.83000488, 188.67000427, 188.54000244, 189.43000183,
191.1 , 193.03999939, 194.73999939, 195.6 ,
195.66000061, 195.15 , 194.87999878, 194.78999939,
194.81000061, 195.31000061, 196.15000305, 196.00000305,
195.46000366, 195.69000244, 195.83000183, 196.08999939,
196.86000061, 198.11999817, 198.22999878, 197.81999817,
196.95 , 196.5 ])
檢視另一個指標 OBV (能量潮) :
>>> help(talib.OBV)
Help on function OBV in module talib._ta_lib:
OBV(real, volume)
OBV(real, volume)
On Balance Volume (Volume Indicators)
Inputs:
real: (any ndarray)
prices: ['volume']
Outputs:
real
此指標需要兩個必要參數 real (收盤價) 與 prices (成交量), 沒有關鍵字參數 (無 parameters 項目), 因為 OBV 公式是固定計算前後日的價量變化. 但注意從 yfinance 下載的 Volume 欄位值是 int 整數陣列, 必須轉成浮點數才可以傳入 OBV() 計算指標值, 否則會出現錯誤 :
>>> import numpy as np
>>> volume=df['Volume'].values.astype(np.float64)
>>> obv=talib.OBV(df['Close'].values, volume)
>>> obv
array([ 16706376., 30204928., 43155079., 55519092., 29247005.,
20052415., 7905800., 15291381., 1896865., 9515186.,
9437186., -6439431., 1526156., -6300507., -17691329.,
-31764015., -44873129., -36744909., -26200831., -16247725.,
-9792476., -2346273., -9155779., -4515915., -8993222.,
-15707911., -10680670., -6160243., 1183349., 10477578.,
10477578., -2567469., -13690863., -2514797., 5681105.,
11587228., 6783667., 13771084., 5093818., -2742716.,
-15540418., -8427047.])
注意, 計算指標不需要日期時間欄位, 因為它計算的對象是序列資料本身, 與時間單位無關 (可以自行設定 index).
接下來可以用 mplfinance 套件來繪製 K 線圖將指標視覺化, 用法參考 :
我寫了一個基於 mplfinance 的 kbar.py 模組來簡化 K 線圖的繪製 :
# kbar.py
import mplfinance as mpf
class KBar():
def __init__(self, df):
self.df=df
self.addplots=[]
def addplot(self, data, **kwargs):
plot=mpf.make_addplot(data, **kwargs)
self.addplots.append(plot)
def plot(self, embedding=False, **kwargs):
color=mpf.make_marketcolors(up='red', down='green', inherit=True)
font={'font.family': 'Microsoft JhengHei'}
style=mpf.make_mpf_style(base_mpf_style='default',
marketcolors=color,
rc=font)
kwargs['type']='candle'
kwargs['style']=style
kwargs['addplot']=self.addplots
if embedding:
fig, ax=mpf.plot(self.df, returnfig=True, **kwargs)
return fig
else:
mpf.plot(self.df, **kwargs)
mplfinace 套件根據傳入的 OHLCV 價量資料繪製 K 線圖與副圖, 與 Ta-Lib 的價量欄位名稱全小寫不同的是, 它要求是首字母須大寫, 而 yfinance 下載的盤後資料剛好符合要求, 因此可以直接使用, 毋須調整欄位名稱.
首先匯入上面自訂的 kbar 模組 :
>>> import kbar
然後呼叫 kbar.KBar() 建構式並傳入價量資料建立一個 KBar 物件, 呼叫其 plot() 方法即可繪製 K 線圖 :
>>> kb=kbar.KBar(df)
>>> kb.plot()
這樣就會畫出單純的 K 線圖了 :
| plot() 方法參數 | 說明 |
| volume | 是否顯示成交量 (布林值), 預設 False |
| title | 設定圖形標題 |
| tight_layout | 是否以緊緻方式排版 (布林值), 預設 False |
| mav | 設定均線日期, 可以是整數 (單天期均線) 或整數串列 (多天期均線) |
| figratio | 圖形寬高尺寸比例, 可用 tuple (寬, 高) 或 list [寬, 高], 預設 (8, 5.75), 單位為吋 |
| figscale | 圖形縮放比率 (在 figration 尺寸基礎上進行縮放) |
| returnfig | 是否傳回 Figure 物件 (布林值), 預設 False |
| show_nontrading | 是否顯示非交易日, True/False (預設) |
| xrotation | X 軸標籤旋轉角度 (預設 45) |
| block | 是否直接繪圖 (布林值), 預設 True. 若設為 False 須用 plt.show() 繪圖 |
| savefig | 設定欲儲存之圖檔檔名 (支援 jpg, png, pdf, 與 svg) |
我們可以在 K 線圖底下繪製指標疊圖, 只要呼叫 KBar 物件的 addplot() 方法並傳入要繪製的指標序列 (ndarray 或 Series 物件皆可) 與副圖的 panel 編號即可 (副圖從 1 開始起算, 0 是保留給疊圖用的), 例如將 sma5 疊在 K 線圖上 (pannel=0); 把 OBV 指標畫在副圖 (pannel=1) :
>>> kb.addplot(sma5, panel=0)
>>> kb.addplot(obv, panel=1, ylabel='OBV')
>>> kb.plot()
結果如下 :
KBar 物件的 addplot() 方法其實是呼叫 mplfinance 的 make_addplot() 函式來添加副圖的, 它的所有參數都可以傳入 addplot() 方法中, 摘要如下表 :
| addplot() 方法參數 | 說明 |
| panel | 繪圖框編號 (0~9, 0 為疊圖, 1~9 為副圖, 但 1 為內建成交量副圖) |
| color | 線條顏色 |
| marker | 資料點標記符號, 例如 'o' 為圓點, 's' 為方點 |
| ylabel | Y 軸標籤 (字串) |
| ylim | Y 軸座標範圍 (串列) |
| width | 線條寬度 (px) |
如果有多個指標要畫在 K 線圖下方, 只要呼叫 addplot() 並指定 pannel 編號即可, 例如添加 MFI 指標, 呼叫 talib.MFI () 需要傳入 high, low, close, 與 volume 四個必要參數 :
>>> high=df['High'].values
>>> low=df['Low'].values
>>> close=df['Close'].values
>>> volume=df['Volume'].values.astype(np.float64)
>>> mfi=talib.MFI(high, low, close, volume)
>>> mfi
array([ nan, nan, nan, nan, nan,
nan, nan, nan, nan, nan,
nan, nan, nan, nan, 36.52278116,
27.84390884, 19.48269033, 25.2474845 , 35.8421018 , 42.9185449 ,
49.65502982, 49.74023035, 52.22997413, 51.11938324, 49.33400714,
53.01754778, 51.85624257, 46.39775973, 54.85881271, 66.14822568,
70.16098537, 59.0320236 , 48.67628014, 49.3305763 , 50.22018197,
43.80847539, 49.3688432 , 50.54106715, 48.55150349, 48.01651452,
40.67040565, 45.67233937])
呼叫 addplot() 將 MFI 指標畫在 pannel=2 :
>>> kb.addplot(mfi, panel=2, ylabel='MFI')
>>> kb.plot()
結果如下 :
呼叫 plot() 方法時也可以傳入 volume=True 參數開啟成交量疊圖顯示, 但它預設會占用 pannel=1, 這時指標疊圖就要從 2 起算, 否則會跟成交量疊在一起.
其次, sma 指標其實不需要特別用 Ta-lib 來計算後去疊圖, mplfinance 的 plot() 函式本身就提供一個 mav 參數來設定指定天期的移動平均數, mav 可以是單一整數或整數串列, 例如 mav=3 表示在 K 線圖上疊一個 3 日 SMA 指標線, mav=[3, 5] 表示疊兩條移動平均線.
總結來說, 從上面測試可知, 函數式 API 用起來較為麻煩, 除了必須先去查詢指標函式需要傳入那些價量數據外 (一維 Numpy 陣列), 還必須確認它們的資料型態是浮點數.
2. Ta-Lib 的物件導向用法 :
Ta-Lib 的物件導向 API 支援直接傳入 DataFrame 價量資料, 只要 OHLCV 欄位名稱是全小寫的 open, high, low, close, volume 即可.
例如從 yfinance 取得盤後資料 :
>>> import yfinance as yf
>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-06')
[*********************100%%**********************] 1 of 1 completed
檢視欄位名稱 :
>>> df.columns
Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume'], dtype='object')
這不符 Ta-Lib 對 OHLCV 欄位名稱全小寫的要求, 可用下面的串列生成式修改 :
>>> df.columns=[column.lower() for column in df.columns]
>>> df.columns
Index(['open', 'high', 'low', 'close', 'adj close', 'volume'], dtype='object')
這樣就可以計算技術指標了.
Ta-Lib 的物件導向 API 將所有指標做成類別放在 abstract 模組下 (但如果用 dir(talib) 檢視 Ta-Lib 套件的成員會找不到 abstract, 因為開發者將其隱藏起來避免它被公開存取), 可透過 abstract 直接匯入指標類別, 例如 :
from talib.abstract import SMA, RSI, OBV, MFI
然後呼叫指標類別的建構式並傳入 OHLCV 價量資料的 DataFrame 來計算指標, 結果會傳回一個 Pandas Series 物件 :
sma=SMA(df)
rsi=RSI(df)
obv=OBV(df)
mfi=MFI(df)
也可以匯入整個 abstract 模組 :
import talib.abstract as abstract
然後透過它來取得個別指標類別 :
sma=abstract.SMA(df)
rsi=abstract.RSI(df)
obv=abstract.OBV(df)
mfi=abstract.MFI(df)
呼叫 print() 印出這些類別會顯示計算該指標所需要的輸入參數以及其預設值 :
>>> print(abstract.SMA)
SMA([input_arrays], [timeperiod=30])
Simple Moving Average (Overlap Studies)
Inputs:
price: (any ndarray)
Parameters:
timeperiod: 30
Outputs:
real
>>> print(abstract.RSI)
RSI([input_arrays], [timeperiod=14])
Relative Strength Index (Momentum Indicators)
Inputs:
price: (any ndarray)
Parameters:
timeperiod: 14
Outputs:
real
>>> print(abstract.OBV)
OBV([input_arrays])
On Balance Volume (Volume Indicators)
Inputs:
price: (any ndarray)
prices: ['volume']
Outputs:
real
>>> print(abstract.MFI)
MFI([input_arrays], [timeperiod=14])
Money Flow Index (Momentum Indicators)
Inputs:
prices: ['high', 'low', 'close', 'volume']
Parameters:
timeperiod: 14
Outputs:
real
可見有些指標有 timeperiod 參數 (有移動平均的都有, 呼叫建構式時可以傳入 timeperiod 參數指定之), 有些則沒有 (例如 OBV).
以下使用第一種方式以預設天期參數計算 SMA, RSI, OBV, 與 MFI 指標 :
>>> from talib.abstract import SMA, RSI, OBV, MFI
>>> sma=SMA(df)
>>> rsi=RSI(df)
>>> obv=OBV(df)
>>> mfi=MFI(df)
可見使用物件導向 API 非常方便, 直接將欄位名稱符合要求之 DataFrame 傳給建構式即可. 尤其是計算 MFI 指標時不用像上面函數式 API 那樣要先將成交量轉成浮點數, MFI 類別會自動處理.
檢視傳回值的資料型態都是 Pandas 的 Series 物件 :
>>> type(sma)
<class 'pandas.core.series.Series'>
>>> type(rsi)
<class 'pandas.core.series.Series'>
>>> type(obv)
<class 'pandas.core.series.Series'>
>>> type(mfi)
<class 'pandas.core.series.Series'>
檢視其中的 MFI 指標 :
>>> mfi
Date
2024-11-06 NaN
2024-11-07 NaN
2024-11-08 NaN
2024-11-11 NaN
2024-11-12 NaN
2024-11-13 NaN
2024-11-14 NaN
2024-11-15 NaN
2024-11-18 NaN
2024-11-19 NaN
2024-11-20 NaN
2024-11-21 NaN
2024-11-22 NaN
2024-11-25 NaN
2024-11-26 36.522781
2024-11-27 27.843909
2024-11-28 19.482690
2024-11-29 25.247484
2024-12-02 35.842102
2024-12-03 42.918545
2024-12-04 49.655030
2024-12-05 49.740230
2024-12-06 52.229974
2024-12-09 51.119383
2024-12-10 49.334007
2024-12-11 53.017548
2024-12-12 51.856243
2024-12-13 46.397760
2024-12-16 54.858813
2024-12-17 66.148226
2024-12-18 70.160985
2024-12-19 59.032024
2024-12-20 48.676280
2024-12-23 49.330576
2024-12-24 50.220182
2024-12-25 43.808475
2024-12-26 49.368843
2024-12-27 50.541067
2024-12-30 48.551503
2024-12-31 48.016515
2025-01-02 40.670406
2025-01-03 45.672339
dtype: float64
接著繪製 K 線圖 :
>>> import kbar
>>> kb=kbar.KBar(df)
>>> kb.addplot(rsi, panel=2, ylabel='RSI')
>>> kb.addplot(obv, panel=3, ylabel='OBV')
>>> kb.addplot(mfi, panel=4, ylabel='MFI')
>>> kb.plot(volume=True, mav=5)
此處因為傳入 volume=True, 成交量副圖預設會占用 pannel=1 副圖, 所以 RSI, OBV, 與 MFI 指標非別指派 pannel 為 2, 3, 4; 而 mav=5 表示要在 K 線圖上繪製 5 日移動平均線疊圖, 它會使用 pannel=0, 結果如下 :
可見物件導向 API 比較簡單好用. 不過要注意的是在使用 mplfinance 繪製指標副圖時必須先確定指標數據要有值, 如果全為 NaN (這在天期參數 timeperiod 比資料長度還長時就會傳回全部 NaN 的 Series 物件) 則在繪製副圖時會出現 ValueError, 故呼叫 addplot() 前要先檢查是否指標值為全部 NaN :
if not rsi.isna().all(): # 確保 RSI 有值
kb.addplot(rsi, panel=2, ylabel='RSI')
if not obv.isna().all(): # 確保 OBV 有值
kb.addplot(obv, panel=3, ylabel='OBV')
if not mfi.isna().all(): # 確保 MFI 有值
kb.addplot(mfi, panel=4, ylabel='MFI')
這樣就可避免出現錯誤.
沒有留言 :
張貼留言