Python 學習筆記 : 技術指標套件 ta 用法 (一)

今天在重讀 "Python 金融市場大賺錢聖經" 這本書 (我的是第一版, 目前已出至第三版) 第三章時看到作者介紹 Ta-Lib 之外的另一個技術分析套件 ta, 它最棒的一個特色是提供了一些可一次計算出全部指標的快捷函式, 例如呼叫 add_all_ta_features() 即可一次計算出所有它支援的 80 種技術指標, 非常好用.

關於 ta 的發展與特性摘要說明如下 :

• 最早是由巴西開發者 David Cañadas Gonzalo 所創建, 於 2018 年以 MIT 授權開放原始碼. 
• 底層基於 Numpy 與 Pandas, 主要用來進行金融時間序列的高效運算. 
• 最新版本支援 80 種以上股票與外匯市場技術指標, 涵蓋趨勢, 動能, 與波動性. 

 教學文件參考 : 

# https://technical-analysis-library-in-python.readthedocs.io/en/latest/ 

# https://github.com/bukosabino/ta/blob/master/docs/index.rst 

關於 Ta-lib 套件參考 :

# Python 學習筆記 : 如何在 Thonny 安裝 TA-Lib 套件

# Mapleboard MP510-50 測試 (十五) : 編譯與安裝 TA-Lib 套件

# Python 學習筆記 : 技術指標套件 T ta.a-Lib 用法

一. 安裝 ta 套件 : 

與 Ta-Lib 安裝方式不同 (在 Windows 下需要用 whl 檔安裝; 在 Linux 下要自行從原始碼編譯), ta 套件可直接用 pip 指令安裝, 先用 pip show 檢查是否有安裝過此套件 :

D:\python\test>pip show ta   

Name: ta

Version: 0.5.25

Summary: Technical Analysis Library in Python

Home-page: https://github.com/bukosabino/ta

Author: Dario Lopez Padial (Bukosabino)

Author-email: Bukosabino@gmail.com

License: The MIT License (MIT)

Location: c:\users\tony1\appdata\local\programs\thonny\lib\site-packages

Requires: numpy, pandas

Required-by: FinMind   

原來之前安裝 FinMind 時就已經因為相依套件原因被安裝了, 版本是 0.5.25, 所以用 -U 更新到最新版本 (不知會不會影響 FinMind, 後面再測試看看) :

D:\python\test>pip install ta -U    

Requirement already satisfied: ta in c:\users\tony1\appdata\local\programs\thonny\lib\site-packages (0.5.25)

Collecting ta

  Downloading ta-0.11.0.tar.gz (25 kB)

  Preparing metadata (setup.py) ... done

Requirement already satisfied: numpy in c:\users\tony1\appdata\roaming\python\python310\site-packages (from ta) (1.24.3)

Requirement already satisfied: pandas in c:\users\tony1\appdata\roaming\python\python310\site-packages (from ta) (2.0.3)

Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\tony1\appdata\roaming\python\python310\site-packages (from pandas->ta) (2.8.2)

Requirement already satisfied: pytz>=2020.1 in c:\users\tony1\appdata\roaming\python\python310\site-packages (from pandas->ta) (2023.3)

Requirement already satisfied: tzdata>=2022.1 in c:\users\tony1\appdata\roaming\python\python310\site-packages (from pandas->ta) (2023.3)

Requirement already satisfied: six>=1.5 in c:\users\tony1\appdata\local\programs\thonny\lib\site-packages (from python-dateutil>=2.8.2->pandas->ta) (1.16.0)

Building wheels for collected packages: ta

  Building wheel for ta (setup.py) ... done

  Created wheel for ta: filename=ta-0.11.0-py3-none-any.whl size=29422 sha256=058b68e1473a19f6c12c845769f870b008f4c7d3970a7989ebfe7636970457cd

  Stored in directory: c:\users\tony1\appdata\local\pip\cache\wheels\5f\67\4f\8a9f252836e053e532c6587a3230bc72a4deb16b03a829610b

Successfully built ta

Installing collected packages: ta

  Attempting uninstall: ta

    Found existing installation: ta 0.5.25

    Uninstalling ta-0.5.25:

      Successfully uninstalled ta-0.5.25

ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.

finmind 1.6.9 requires ta~=0.5.25, but you have ta 0.11.0 which is incompatible.

Successfully installed ta-0.11.0

用 dir() 檢視套件內容 :

>>> import ta 

>>> dir(ta)  

['__all__', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', 'add_all_ta_features', 'add_momentum_ta', 'add_others_ta', 'add_trend_ta', 'add_volatility_ta', 'add_volume_ta', 'momentum', 'others', 'trend', 'utils', 'volatility', 'volume', 'wrapper']

用自訂模組 members.py 的 list_members() 函式檢視套件內容 :

>>> from members import list_members    

>>> list_members(ta)    

add_all_ta_features <class 'function'>

add_momentum_ta <class 'function'>

add_others_ta <class 'function'>

add_trend_ta <class 'function'>

add_volatility_ta <class 'function'>

add_volume_ta <class 'function'>

momentum <class 'module'>

others <class 'module'>

trend <class 'module'>

utils <class 'module'>

volatility <class 'module'>

volume <class 'module'>

wrapper <class 'module'>

ta 套件內的模組整理如下表 : 

ta 的模組	說明
momentum	包含所有動能類指標 (例如 RSI, MACD, KD 等) 的模組
others	包含其他類技術指標 (例如每日報酬率與波動率等) 的模組
trend	包含趨勢類技術指標 (例如 SMA, EMA, ADX, CCI 等) 的模組
utils	提供實用工具 (例如處理空值, 標準化數據等) 的模組
volatility	包含波動性類指標 (例如布林通道, ATR 等) 的模組
volume	包含成交量類指標 (例如 OBV, ADI, Chaikin 等) 的模組
wrapper	提供封裝的類別與函式, 用於更高層級的應用

ta 目前支援總共 80 種技術指標, 區分為如下五種類型 :

• 趨勢指標 (trend) 
• 波動指標 (volatility)
• 量能指標 (volume) 
• 動能指標 (momentum)
• 其他指標 (others)

ta 支援函數式 (functional) 與物件導向式 (object-oriented) 兩種 API 介面, 因此將這五種類型的指標分別實作為函式與類別, 分別收納於 trend, voatility, volume, momentum, 與 others 模組中. 可以用 dir() 或上面使用的自訂模組 members 來檢視這些模組內收容了哪些指標 (其中全小寫的是指標函式, 首字母大寫的是指標類別) : 

趨勢指標模組 :

>>> dir(ta.trend)    

['ADXIndicator', 'AroonIndicator', 'CCIIndicator', 'DPOIndicator', 'EMAIndicator', 'IchimokuIndicator', 'IndicatorMixin', 'KSTIndicator', 'MACD', 'MassIndex', 'PSARIndicator', 'SMAIndicator', 'STCIndicator', 'TRIXIndicator', 'VortexIndicator', 'WMAIndicator', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '_ema', '_get_min_max', '_sma', 'adx', 'adx_neg', 'adx_pos', 'aroon_down', 'aroon_up', 'cci', 'dpo', 'ema_indicator', 'ichimoku_a', 'ichimoku_b', 'ichimoku_base_line', 'ichimoku_conversion_line', 'kst', 'kst_sig', 'macd', 'macd_diff', 'macd_signal', 'mass_index', 'np', 'pd', 'psar_down', 'psar_down_indicator', 'psar_up', 'psar_up_indicator', 'sma_indicator', 'stc', 'trix', 'vortex_indicator_neg', 'vortex_indicator_pos', 'wma_indicator']

動量指標模組 : 

>>> dir(ta.momentum)    

['AwesomeOscillatorIndicator', 'IndicatorMixin', 'KAMAIndicator', 'PercentagePriceOscillator', 'PercentageVolumeOscillator', 'ROCIndicator', 'RSIIndicator', 'StochRSIIndicator', 'StochasticOscillator', 'TSIIndicator', 'UltimateOscillator', 'WilliamsRIndicator', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '_ema', 'awesome_oscillator', 'kama', 'np', 'pd', 'ppo', 'ppo_hist', 'ppo_signal', 'pvo', 'pvo_hist', 'pvo_signal', 'roc', 'rsi', 'stoch', 'stoch_signal', 'stochrsi', 'stochrsi_d', 'stochrsi_k', 'tsi', 'ultimate_oscillator', 'williams_r']

量能指標模組 : 

>>> dir(ta.volume)   

['AccDistIndexIndicator', 'ChaikinMoneyFlowIndicator', 'EaseOfMovementIndicator', 'ForceIndexIndicator', 'IndicatorMixin', 'MFIIndicator', 'NegativeVolumeIndexIndicator', 'OnBalanceVolumeIndicator', 'VolumePriceTrendIndicator', 'VolumeWeightedAveragePrice', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '_ema', 'acc_dist_index', 'chaikin_money_flow', 'ease_of_movement', 'force_index', 'money_flow_index', 'negative_volume_index', 'np', 'on_balance_volume', 'pd', 'sma_ease_of_movement', 'tp', 'volume_price_trend', 'volume_weighted_average_price']

波動指標模組 : 

>>> dir(ta.volatility)    

['AverageTrueRange', 'BollingerBands', 'DonchianChannel', 'IndicatorMixin', 'KeltnerChannel', 'UlcerIndex', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', 'average_true_range', 'bollinger_hband', 'bollinger_hband_indicator', 'bollinger_lband', 'bollinger_lband_indicator', 'bollinger_mavg', 'bollinger_pband', 'bollinger_wband', 'donchian_channel_hband', 'donchian_channel_lband', 'donchian_channel_mband', 'donchian_channel_pband', 'donchian_channel_wband', 'keltner_channel_hband', 'keltner_channel_hband_indicator', 'keltner_channel_lband', 'keltner_channel_lband_indicator', 'keltner_channel_mband', 'keltner_channel_pband', 'keltner_channel_wband', 'np', 'pd', 'ulcer_index']

其他指標模組 : 

>>> dir(ta.others)   

['CumulativeReturnIndicator', 'DailyLogReturnIndicator', 'DailyReturnIndicator', 'IndicatorMixin', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', 'cumulative_return', 'daily_log_return', 'daily_return', 'np', 'pd']

others 模組的函式嚴格來說不算是技術指標, 比較像是功能函式, 其中 daily_return() 與 daily_log_return() 分別用來計算日報酬率與對數日報酬率; 而 cumulative_return() 則用來計算累積報酬率, 計算結果都會在 DataFrame 中添加一欄來儲存. 

另外, 工具模組 utils 提供了一個很常用 dropna() 函式可用來去除 DataFrame 中的 NaN : 

>>> dir(ta.utils)  

['IndicatorMixin', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', '_ema', '_get_min_max', '_sma', 'dropna', 'math', 'np', 'pd']

使用方法例如 : 

from ta.utils import dropna   

dropna(df)     

另外, ta 套件還提供可一次產生全部指標的快捷函式, 如下表所示 :

ta 的快捷函式	說明
add_all_ta_features()	計算所有支援的技術指標後添加到 DataFrame 中. 傳入參數 :   df (必要之位置參數): 不含 NaN 值的價量 DatFrame  open, high, low, close, volume (關鍵字參數) : OHLCV 價量欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加技術指標欄位值後的 DataFrame
add_momentum_ta()	添加動能類技術指標 (例如 RSI, MACD 等) 到 DataFrame. 傳入參數 :   df (必要之位置參數): 不含 NaN 值的價量 DatFrame  close, volume (關鍵字參數) : 收盤價, 成交量欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加動能類技術指標欄位值後的 DataFrame
add_others_ta()	添加其他類技術指標 (例如每日報酬率與波動率等) 到 DataFrame.   傳入參數 :   df (必要之位置參數): 不含 NaN 值的價量 DatFrame  close (關鍵字參數) : 開盤價欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加其他類技術指標欄位值後的 DataFrame
add_trend_ta()	添加趨勢類技術指標 (例如移動平均線, ADX) 到 DataFrame. 傳入參數 :  df (必要之位置參數): 不含 NaN 值的價量 DatFrame  high, low, close (關鍵字參數) : 最高價, 最低價, 收盤價之欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加趨勢類技術指標欄位值後的 DataFrame
add_volatility_ta()	添加波動類技術指標 (例如布林通道) 到 DataFrame. 傳入參數 :  df (必要之位置參數): 不含 NaN 值的價量 DatFrame  high, low, close (關鍵字參數) : 最高價, 最低價, 收盤價之欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加動能類技術指標欄位值後的 DataFrame
add_volume_ta()	添加量能類技術指標 (例如 OBV) 到 DataFrame. 傳入參數 :  high, low, close, volume (關鍵字參數) : OHLCV 價量欄位名稱  fillna (關鍵字參數) : 是否以預設值填充 NaN, True/False (預設)  傳回值 : 添加技術指標欄位值後的 DataFrame

這些函式都是快捷函式, 其中 add_all_ta_features() 可一次計算全部 80 種指標並將結果添加到 DataFrame 的欄位中; 其他函式則是僅一次計算出某一類之所有指標並添加到 DataFrame 欄位中. 

二. 取得股票資料 : 

ta 套件支援直接傳入 Pandas 的 DataFrame 來計算指標, 可利用 yfinance (不需 API key) 或 FinMind 與 FinLab (需先註冊取得 API key) 取得包含 OHLCV 欄位的股票資料, 參考 : 

# Python 學習筆記 : 用 yfinance 套件取得股票資料 (一)

# Python 學習筆記 : 用 yfinance 套件取得股票資料 (二)

# Python 學習筆記 : 用 FinMind 套件取得股票資料 (一) 盤後資訊

# Python 學習筆記 : 用 FinLab 套件取得股票資料 (一) 盤後資訊

以下測試使用較方便的 yfinance. 

以 0050 ETF 為例從 yfinance 取得其盤後資料 :

>>> import yfinance as yf      

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed  

檢視最後 5 筆資料 : 

>>> 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]

檢視欄位名稱 :

>>> df.columns    

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume'], dtype='object')

ta 套件不會像 Ta-Lib 那樣要求欄位名稱必須小寫, 而是在計算指標時要指定所需之價量欄位名稱, 因此毋須對欄名做任何處理. 

三. ta 的兩種用法 : 

ta 支援函數式 (functional) 與物件導向式 (object-oriented) API, 由於 ta 與 Pandas 深度結合, 其 API 以物件導向式 API 為主. 不過它的函數式 API 提供了可以一次計算所有指標的六個快捷函式, 這是有別於 Ta-Lib 的一大特色. 

1. ta 的函數式 API :      

ta 的指標函式有下列三種 : 

• 個別指標函式 : ta.xxx_yyy() (xxx 為類型名稱, yyy 為指標函式名稱)
• 類型指標函式 : ta.add_xxx_ta() (xxx 為類型名稱, 計算該類型的所有指標)
• 全部指標函式 : ta.add_all_ta_features() (計算全部 80 種指標)

後兩種為快捷函式 (無參數, 使用預設值計算指標), 可一次計算同類型所有指標或全部 80 個指標, 這些指標函式說明文件參考下列索引 :

# technical-analysis-library-in-python.readthedocs.io/en/latest/genindex.html

(1). 個別指標函式 :  

首先來測試個別指標, 函式名稱格式為 ta.xxx_yyy() 函式, 其中 xxx 表示五大指標類型 trend, volatility, volume, momentum, 與 others, 而 yyy 則是指標函式名稱, 例如 :

• ta.trend.sma_indicator() : 移動平均指標
• ta.momentum.stoch() : KD 指標
• ta.volume.on_balance_volume() : OBV 能量潮指標
• ta.volume.money_flow_index() : MFI 指標

 以移動平均指標 SMA 為例, 可從官網教學文件查得其 API 如下 :

可知 SMA 指標函式有三個參數 : close (必要), window, 與 fillna, 收盤價 close 資料型態為 Pandas 的 Series 物件, window 為移動窗口日數 (預設是 12 天均價), fillna 若社為 True 會自動刪除值為 NaN 之收盤價 : 

>>> sma12=ta.trend.sma_indicator(df['Close'])    

>>> sma12   

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    193.629167

2024-11-22    193.450001

2024-11-25    193.025002

2024-11-26    192.262502

2024-11-27    191.262502

2024-11-28    190.662502

2024-11-29    190.204169

2024-12-02    190.262502

2024-12-03    190.425002

2024-12-04    190.908335

2024-12-05    191.262502

2024-12-06    191.620836

2024-12-09    192.175002

2024-12-10    192.304169

2024-12-11    192.350001

2024-12-12    192.791667

2024-12-13    193.475000

2024-12-16    194.250000

2024-12-17    195.070834

2024-12-18    195.520835

2024-12-19    195.529167

2024-12-20    195.291668

2024-12-23    195.354168

2024-12-24    195.525002

2024-12-25    195.725001

2024-12-26    196.029167

2024-12-27    196.529167

2024-12-30    196.750001

2024-12-31    196.787501

2025-01-02    196.616667

2025-01-03    196.525000

2025-01-06    196.945833

2025-01-07    197.779166

2025-01-08    198.508333

Name: sma_12, dtype: float64

傳入 window 參數可指定移動窗口, 例如 5 日移動均線 : 

>>> sma5=ta.trend.sma_indicator(df['Close'], window=5)    

>>> sma5   

Date

2024-11-06           NaN

2024-11-07           NaN

2024-11-08           NaN

2024-11-11           NaN

2024-11-12    196.950000

2024-11-13    196.460001

2024-11-14    195.170001

2024-11-15    193.840002

2024-11-18    191.950000

2024-11-19    191.600000

2024-11-20    191.339999

2024-11-21    191.010001

2024-11-22    191.150000

2024-11-25    191.690002

2024-11-26    191.210004

2024-11-27    190.340005

2024-11-28    189.830005

2024-11-29    188.670004

2024-12-02    188.540002

2024-12-03    189.430002

2024-12-04    191.100000

2024-12-05    193.039999

2024-12-06    194.739999

2024-12-09    195.600000

2024-12-10    195.660001

2024-12-11    195.150000

2024-12-12    194.879999

2024-12-13    194.789999

2024-12-16    194.810001

2024-12-17    195.310001

2024-12-18    196.150003

2024-12-19    196.000003

2024-12-20    195.460004

2024-12-23    195.690002

2024-12-24    195.830002

2024-12-25    196.089999

2024-12-26    196.860001

2024-12-27    198.119998

2024-12-30    198.229999

2024-12-31    197.819998

2025-01-02    196.950000

2025-01-03    196.500000

2025-01-06    197.150000

2025-01-07    198.469998

2025-01-08    199.589999

Name: sma_5, dtype: float64

可見數值與用 Ta-Lib 的 talib.SMA() 計算出來的是一樣的, 但不同之處為 Ta-Lib 函式的傳回值為 ndarray 物件, 而 ta 函式傳回的是 Series 物件. 

OBV 指標函式 ta.volume.on_balance_volume() 的 API 如下所示 :

可見 OBV 指標的必要參數有兩個 : 收盤價 close 與成交量 volume, 資料型態均為 Pandas 的 Series 物件, 因為 OBV 是固定比較前後日之收盤價計算出來的, 所以沒有週期參數 : 

>>> obv=ta.volume.on_balance_volume(df['Close'], df['Volume'])      

>>> obv   

Date

2024-11-06    16706376

2024-11-07    30204928

2024-11-08    43155079

2024-11-11    55519092

2024-11-12    29247005

2024-11-13    20052415

2024-11-14     7905800

2024-11-15    15291381

2024-11-18     1896865

2024-11-19     9515186

2024-11-20     9437186

2024-11-21    -6439431

2024-11-22     1526156

2024-11-25    -6300507

2024-11-26   -17691329

2024-11-27   -31764015

2024-11-28   -44873129

2024-11-29   -36744909

2024-12-02   -26200831

2024-12-03   -16247725

2024-12-04    -9792476

2024-12-05    -2346273

2024-12-06    -9155779

2024-12-09    -4515915

2024-12-10    -8993222

2024-12-11   -15707911

2024-12-12   -10680670

2024-12-13    -6160243

2024-12-16     1183349

2024-12-17    10477578

2024-12-18    17031455

2024-12-19     3986408

2024-12-20    -7136986

2024-12-23     4039080

2024-12-24    12234982

2024-12-25    18141105

2024-12-26    13337544

2024-12-27    20324961

2024-12-30    11647695

2024-12-31     3811161

2025-01-02    -8986541

2025-01-03    -1873170

2025-01-06    22754623

2025-01-07    38698467

2025-01-08    26842750

Name: obv, dtype: int64

MFI 指標函式 ta.volume.money_flow_index() 的 API 如下 : 

可見 MFI 指標的必要參數有 4 個 : high, low, close, 與 volume, 資料型態均為 Pandas 的 Series 物件, 週期參數 window 預設為 14 日 (與 Ta-Lib 一樣) : 

>>> mfi=ta.volume.money_flow_index(df['High'], df['Low'], df['Close'], df['Volume'])   

>>> 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    39.301682

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

2025-01-06    52.673952

2025-01-07    55.040936

2025-01-08    52.999103

Name: mfi_14, dtype: float64

接下來可以利用 mplfinance 套件來繪製 K 線圖與上面的幾個指標, 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)

匯入上面自訂的 kbar 模組, 呼叫 kbar.KBar() 建構式並傳入價量資料建立一個 KBar 物件, 然後把 SMA 指標畫在 K 線圖上疊圖, 把 OBV 與 MFI 畫在副圖 : 

>>> import kbar     

>>> kb=kbar.KBar(df)    

>>> kb.addplot(sma5, panel=0)    # 疊圖

>>> kb.addplot(obv, panel=1, ylabel='OBV')    # 副圖 1

>>> kb.addplot(mfi, panel=2, ylabel='MFI')     # 副圖 2

>>> kb.plot(title='台灣五十')   

結果如下 : 

(2). 趨勢指標的快捷函式 ta.add_trend_ta() :  

快捷函式中的類型指標函式格式為 ta.add_xxx_ta_(), 其中 xxx 表示五大指標類型 trend, volatility, volume, momentum, 與 others, 呼叫此種函式會一次計算出該類型的所有指標, 結果會儲存在 DataFrame 的新增指標欄位中. 

呼叫 ta.add_trend_ta() 會產生趨勢類型之指標數據, 其參數格式如下 : 

ta.add_trend_ta(

    df: pd.DataFrame,   # 價量資料 (必要)

    high: str,    # 最高價欄名 (必要)

    low: str,     # 最低價欄名 (必要)

    close: str,   # 收盤價欄名 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

此函式會以預設 window 參數值去計算所有趨勢類型之指標, 將結果添加到 DataFrame 中 (一個指標一個欄位) 後傳回 (可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_trend_ta(df, high='High', low='Low', close='Close')    

檢視傳回的 DataFrame 欄位 : 

>>> df.columns   

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'trend_macd',

       'trend_macd_signal', 'trend_macd_diff', 'trend_sma_fast',

       'trend_sma_slow', 'trend_ema_fast', 'trend_ema_slow',

       'trend_vortex_ind_pos', 'trend_vortex_ind_neg', 'trend_vortex_ind_diff',

       'trend_trix', 'trend_mass_index', 'trend_dpo', 'trend_kst',

       'trend_kst_sig', 'trend_kst_diff', 'trend_ichimoku_conv',

       'trend_ichimoku_base', 'trend_ichimoku_a', 'trend_ichimoku_b',

       'trend_stc', 'trend_adx', 'trend_adx_pos', 'trend_adx_neg', 'trend_cci',

       'trend_visual_ichimoku_a', 'trend_visual_ichimoku_b', 'trend_aroon_up',

       'trend_aroon_down', 'trend_aroon_ind', 'trend_psar_up',

       'trend_psar_down', 'trend_psar_up_indicator',

       'trend_psar_down_indicator'],

      dtype='object')

可見 df 除了原來的價量欄位外, 後面新增了所有支援之趨勢指標欄位 :  

趨勢指標	df 指標欄位名稱
MACD (Moving Average Convergence Divergence)	trend_macd,  trend_macd_signal,  trend_macd_diff
SMA (Simple Moving Average)	trend_sma_fast,  trend_sma_slow
EMA (Exponential Moving Average)	trend_ema_fast,  trend_ema_slow
Vortex Indicator	trend_vortex_ind_pos,  trend_vortex_ind_neg,  trend_vortex_ind_diff
TRIX (Triple Exponential Average)	trend_trix
Mass Index	trend_mass_index
DPO (Detrended Price Oscillator)	trend_dpo
KST (Know Sure Thing)	trend_kst,  trend_kst_sig,  trend_kst_diff
Ichimoku Cloud	trend_ichimoku_conv,  trend_ichimoku_base,  trend_ichimoku_a,  trend_ichimoku_b
STC (Schaff Trend Cycle)	trend_stc
ADX (Average Directional Index)	trend_adx,  trend_adx_pos,  trend_adx_neg
CCI (Commodity Channel Index)	trend_cci
Visual Ichimoku	trend_visual_ichimoku_a,  trend_visual_ichimoku_b
Aroon Indicator	trend_aroon_up,  trend_aroon_down, trend_aroon_ind
Parabolic SAR	trend_psar_up,  trend_psar_down,  trend_psar_up_indicator,   trend_psar_down_indicator

檢視其中的 trend_sma_fast 欄位可知它就是預設 window=12 的 SMA 指標 :

>>> df['trend_sma_fast']    

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    193.629167

2024-11-22    193.450001

2024-11-25    193.025002

2024-11-26    192.262502

2024-11-27    191.262502

2024-11-28    190.662502

2024-11-29    190.204169

2024-12-02    190.262502

2024-12-03    190.425002

2024-12-04    190.908335

2024-12-05    191.262502

2024-12-06    191.620836

2024-12-09    192.175002

2024-12-10    192.304169

2024-12-11    192.350001

2024-12-12    192.791667

2024-12-13    193.475000

2024-12-16    194.250000

2024-12-17    195.070834

2024-12-18    195.520835

2024-12-19    195.529167

2024-12-20    195.291668

2024-12-23    195.354168

2024-12-24    195.525002

2024-12-25    195.725001

2024-12-26    196.029167

2024-12-27    196.529167

2024-12-30    196.750001

2024-12-31    196.787501

2025-01-02    196.616667

2025-01-03    196.525000

2025-01-06    196.945833

2025-01-07    197.779166

2025-01-08    198.508333

Name: trend_sma_fast, dtype: float64

(3). 動能指標的快捷函式 ta.add_momentum_ta() :  

呼叫 ta.add_momentum_ta() 來產生動能類型之指標數據, 其參數格式如下 : 

ta.add_momentum_ta(

    df: pd.DataFrame,   # 價量資料 (必要)

    high: str,    # 最高價欄名 (必要)

    low: str,     # 最低價欄名 (必要)

    close: str,   # 收盤價欄名 (必要)

    volume: str,   # 成交量 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

可見量能類型指標多了一個必要參數 volume, 此函式會以預設 window 參數值去計算所有動能類型之指標. 

為了清楚看出此函式新增了那些欄位, 重新下載價量資料讓 df 回復為原始欄位 :

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed   : 

ta.add_momentum_ta() 會將指標計算結果添加到 DataFrame 後傳回 (也可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_momentum_ta(df, high='High', low='Low', close='Close', volume='Volume')    

檢視 DataFrame 欄位 : 

>>> df.columns      

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'momentum_rsi',

       'momentum_stoch_rsi', 'momentum_stoch_rsi_k', 'momentum_stoch_rsi_d',

       'momentum_tsi', 'momentum_uo', 'momentum_stoch',

       'momentum_stoch_signal', 'momentum_wr', 'momentum_ao', 'momentum_roc',

       'momentum_ppo', 'momentum_ppo_signal', 'momentum_ppo_hist',

       'momentum_pvo', 'momentum_pvo_signal', 'momentum_pvo_hist',

       'momentum_kama'],

      dtype='object')

可見 df 除了原來的價量欄位外, 後面新增了所有支援之動能指標欄位 : 

動能指標	df 指標欄位名稱
RSI (Relative Strength Index)	momentum_rsi
Stochastic RSI	momentum_stoch_rsi,  momentum_stoch_rsi_k,  momentum_stoch_rsi_d
TSI (True Strength Index)	momentum_tsi
UO (Ultimate Oscillator)	momentum_uo
Stochastic Oscillator	momentum_stoch,  momentum_stoch_signal
Williams %R	momentum_wr
AO (Awesome Oscillator)	momentum_ao
ROC (Rate of Change)	momentum_roc
PPO (Percentage Price Oscillator)	momentum_ppo,  momentum_ppo_signal,  momentum_ppo_hist
PVO (Percentage Volume Oscillator)	momentum_pvo,  momentum_pvo_signal,  momentum_pvo_hist
KAMA (Kaufman’s Adaptive Moving Average)	momentum_kama

檢視其中的 RSI 指標 :

>>> df['momentum_rsi']    

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    45.732159

2024-11-26    39.560536

2024-11-27    34.107863

2024-11-28    33.564358

2024-11-29    35.231532

2024-12-02    48.890462

2024-12-03    54.877909

2024-12-04    57.262711

2024-12-05    59.373997

2024-12-06    57.200326

2024-12-09    57.755502

2024-12-10    53.565209

2024-12-11    48.923488

2024-12-12    54.538551

2024-12-13    54.894578

2024-12-16    56.835996

2024-12-17    59.199976

2024-12-18    59.199976

2024-12-19    50.533601

2024-12-20    45.727610

2024-12-23    57.082949

2024-12-24    58.197052

2024-12-25    59.434195

2024-12-26    58.964392

2024-12-27    60.424311

2024-12-30    56.745051

2024-12-31    50.565547

2025-01-02    46.083754

2025-01-03    51.404401

2025-01-06    63.603546

2025-01-07    66.879390

2025-01-08    59.112553

Name: momentum_rsi, dtype: float64

可見這是用預設 window=14 計算出來的 RSI 指標, 可以用上面的 kbar.py 模組將 RSI 繪製到 K 線圖下方的副圖上 : 

>>> import kbar     

>>> kb=kbar.KBar(df)    

>>> kb.addplot(df['momentum_rsi'], panel=2, ylabel='RSI')     # 副圖 2

>>> kb.plot(volume=True, mav=5)   

此處因為用 volume=True 開啟繪製成交量, 它預設占用 panel=1 的副圖, 故 RSI 要畫在 panel=2 的副圖 (否則會疊在一起), 結果如下 :

(4). 波動指標的快捷函式 ta.add_volatility_ta() :  

呼叫 ta.add_volatility_ta() 來產生波動類型之指標數據, 其參數格式如下 (與趨勢類相同) : 

ta.add_volatility_ta(

    df: pd.DataFrame,   # 價量資料 (必要)

    high: str,    # 最高價欄名 (必要)

    low: str,     # 最低價欄名 (必要)

    close: str,   # 收盤價欄名 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

此函式會以預設 window 參數值去計算所有波動類型之指標. 

為了清楚看出此函式新增了那些欄位, 重新下載價量資料讓 df 回復為原始欄位 :

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed   : 

ta.add_volatility_ta() 會將指標計算結果添加到 DataFrame 後傳回 (也可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_volatility_ta(df, high='High', low='Low', close='Close')    

檢視 DataFrame 欄位 : 

>>> df.columns      

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'volatility_bbm',

       'volatility_bbh', 'volatility_bbl', 'volatility_bbw', 'volatility_bbp',

       'volatility_bbhi', 'volatility_bbli', 'volatility_kcc',

       'volatility_kch', 'volatility_kcl', 'volatility_kcw', 'volatility_kcp',

       'volatility_kchi', 'volatility_kcli', 'volatility_dcl',

       'volatility_dch', 'volatility_dcm', 'volatility_dcw', 'volatility_dcp',

       'volatility_atr', 'volatility_ui'],

      dtype='object')

可見 df 除了原來的價量欄位外, 後面新增了所有支援之波動指標欄位 :

波動指標 (Volatility)	df 指標欄位名稱
Bollinger Bands	volatility_bbm,  volatility_bbh,  volatility_bbl,  volatility_bbw,  volatility_bbp,  volatility_bbhi,  volatility_bbli
Keltner Channel	volatility_kcc,  volatility_kch,  volatility_kcl,  volatility_kcw,  volatility_kcp,  volatility_kchi,  volatility_kcli
Donchian Channel	volatility_dcl,  volatility_dch,  volatility_dcm,  volatility_dcw,  volatility_dcp
ATR (Average True Range)	volatility_atr
UI (Ulcer Index)	volatility_ui

以布林傑通道 (Bollinger Bands) 指標為例, 它是以上下限與中線來判斷價格的波動範圍和潛在的支撐或壓力區域, 指標欄位如下 :

• volatility_bbm (中線) : 收盤價的移動平均線 (SMA, 預設 20 日)
• volatility_bbh (上限) : 中線加上某個標準差 (預設 2 ) 
• volatility_bbl (下限) : 中線減掉某個標準差 (預設 2 ) 

布林傑通道指標上下限與中線 :

>>> df['volatility_bbm']    # 中線 (20 日 SMA)

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           NaN

2024-11-27           NaN

2024-11-28           NaN

2024-11-29           NaN

2024-12-02           NaN

2024-12-03    192.297501

2024-12-04    192.310001

2024-12-05    192.262502

2024-12-06    192.100002

2024-12-09    191.945001

2024-12-10    191.975002

2024-12-11    191.982501

2024-12-12    192.190001

2024-12-13    192.337501

2024-12-16    192.660001

2024-12-17    192.902502

2024-12-18    193.185002

2024-12-19    193.437502

2024-12-20    193.415002

2024-12-23    193.660001

2024-12-24    194.057501

2024-12-25    194.622501

2024-12-26    195.195000

2024-12-27    195.777500

2024-12-30    196.082500

2024-12-31    196.155000

2025-01-02    196.085001

2025-01-03    196.060001

2025-01-06    196.380000

2025-01-07    196.800000

2025-01-08    197.137500

Name: volatility_bbm, dtype: float64

>>> df['volatility_bbh']     # 上限 (2 個標準差)

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           NaN

2024-11-27           NaN

2024-11-28           NaN

2024-11-29           NaN

2024-12-02           NaN

2024-12-03    199.240373

2024-12-04    199.274597

2024-12-05    199.097987

2024-12-06    198.422342

2024-12-09    197.699815

2024-12-10    197.778404

2024-12-11    197.790277

2024-12-12    198.137401

2024-12-13    198.437816

2024-12-16    198.839368

2024-12-17    199.372313

2024-12-18    199.866401

2024-12-19    199.898141

2024-12-20    199.884012

2024-12-23    200.317523

2024-12-24    200.706958

2024-12-25    200.707604

2024-12-26    200.304884

2024-12-27    199.634244

2024-12-30    199.545919

2024-12-31    199.525593

2025-01-02    199.567542

2025-01-03    199.537442

2025-01-06    200.748224

2025-01-07    202.386677

2025-01-08    202.962262

Name: volatility_bbh, dtype: float64

>>> df['volatility_bbl']     # 下限 (2 個標準差)

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           NaN

2024-11-27           NaN

2024-11-28           NaN

2024-11-29           NaN

2024-12-02           NaN

2024-12-03    185.354630

2024-12-04    185.345406

2024-12-05    185.427016

2024-12-06    185.777661

2024-12-09    186.190188

2024-12-10    186.171599

2024-12-11    186.174726

2024-12-12    186.242600

2024-12-13    186.237185

2024-12-16    186.480634

2024-12-17    186.432690

2024-12-18    186.503604

2024-12-19    186.976862

2024-12-20    186.945992

2024-12-23    187.002480

2024-12-24    187.408045

2024-12-25    188.537398

2024-12-26    190.085117

2024-12-27    191.920756

2024-12-30    192.619081

2024-12-31    192.784407

2025-01-02    192.602459

2025-01-03    192.582560

2025-01-06    192.011776

2025-01-07    191.213323

2025-01-08    191.312738

Name: volatility_bbl, dtype: float64

可以用上面的 kbar.py 模組將布林傑通道的中線與上下限以疊圖方式繪製到 K 線圖上 : 

>>> import kbar     

>>> kb=kbar.KBar(df)    

>>> kb.addplot(df['volatility_bbh'], color='red', width=1)       # 上限疊圖

>>> kb.addplot(df['volatility_bbm'], color='blue', width=1)     # 中線疊圖

>>> kb.addplot(df['volatility_bbl'], color='green', width=1)     # 下限疊圖

>>> kb.plot(volume=True)   

 

此處因為要套疊布林傑通道線, 因此不宜傳入 mav 參數以免混淆, 結果如下 :

(5). 量能指標的快捷函式 ta.add_volume_ta() :  

呼叫 ta.add_volume_ta() 來產生量能類型之指標數據, 其參數格式如下 (與動能類相同) : 

ta.add_volume_ta(

    df: pd.DataFrame,   # 價量資料 (必要)

    high: str,    # 最高價欄名 (必要)

    low: str,     # 最低價欄名 (必要)

    close: str,   # 收盤價欄名 (必要)

    volume: str,   # 成交量 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

此函式會以預設 window 參數值去計算所有量能類型之指標數據. 

為了清楚看出此函式新增了那些欄位, 重新下載價量資料讓 df 回復為原始欄位 :

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed   : 

ta.add_volume_ta() 會將指標計算結果添加到 DataFrame 後傳回 (也可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_volume_ta(df, high='High', low='Low', close='Close', volume='Volume')    

檢視 DataFrame 欄位 : 

>>> df.columns      

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'volume_adi',

       'volume_obv', 'volume_cmf', 'volume_fi', 'volume_em', 'volume_sma_em',

       'volume_vpt', 'volume_vwap', 'volume_mfi', 'volume_nvi'],

      dtype='object')

可見 df 除了原來的價量欄位外, 後面新增了所有支援之量能指標欄位 :

量能指標 (Volume)	df 指標欄位名稱
Accumulation/Distribution Line (ADL)	volume_adi
On-Balance Volume (OBV)	volume_obv
Chaikin Money Flow (CMF)	volume_cmf
Force Index (FI)	volume_fi
Ease of Movement (EM)	volume_em
Smoothed Ease of Movement (SMA_EM)	volume_sma_em
Volume Price Trend (VPT)	volume_vpt
Volume Weighted Average Price (VWAP)	volume_vwap
Money Flow Index (MFI)	volume_mfi
Negative Volume Index (NVI)	volume_nvi

檢視其中的 OBV 指標 :

>>> df['volume_obv']     

Date

2024-11-06    16706376

2024-11-07    30204928

2024-11-08    43155079

2024-11-11    55519092

2024-11-12    29247005

2024-11-13    20052415

2024-11-14     7905800

2024-11-15    15291381

2024-11-18     1896865

2024-11-19     9515186

2024-11-20     9437186

2024-11-21    -6439431

2024-11-22     1526156

2024-11-25    -6300507

2024-11-26   -17691329

2024-11-27   -31764015

2024-11-28   -44873129

2024-11-29   -36744909

2024-12-02   -26200831

2024-12-03   -16247725

2024-12-04    -9792476

2024-12-05    -2346273

2024-12-06    -9155779

2024-12-09    -4515915

2024-12-10    -8993222

2024-12-11   -15707911

2024-12-12   -10680670

2024-12-13    -6160243

2024-12-16     1183349

2024-12-17    10477578

2024-12-18    17031455

2024-12-19     3986408

2024-12-20    -7136986

2024-12-23     4039080

2024-12-24    12234982

2024-12-25    18141105

2024-12-26    13337544

2024-12-27    20324961

2024-12-30    11647695

2024-12-31     3811161

2025-01-02    -8986541

2025-01-03    -1873170

2025-01-06    22754623

2025-01-07    38698467

2025-01-08    26842750

Name: volume_obv, dtype: int64

這與上面呼叫個別指標函式 ta.volume.on_balance_volume() 的結果是一樣的. 

檢視 MFI 指標 :

>>> df['volume_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    39.301682

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

2025-01-06    52.673952

2025-01-07    55.040936

2025-01-08    52.999103

Name: volume_mfi, dtype: float64

這與上面呼叫個別指標函式 ta.volume.money_flow_index() 的結果是一樣的. 

用上面的 kbar.py 模組將 OBV 與 MFI 分別繪製在 K 線圖下方的副圖 2 與副圖 3 : 

>>> import kbar     

>>> kb=kbar.KBar(df)    

>>> kb.addplot(df['volume_obv'] , panel=2, ylabel='OBV')    # 副圖 2

>>> kb.addplot(df['volume_mfi'] , panel=3, ylabel='MFI')     # 副圖 3

>>> kb.plot(volume=True, mav=5)   

結果如下 : 

(6). 其它指標的快捷函式 ta.add_others_ta() :  

呼叫 ta.others_ta() 來產生其它類型之指標數據 (報酬率), 其參數格式如下 : 

ta.add_volume_ta(

    df: pd.DataFrame,   # 價量資料 (必要)

    close: str,   # 收盤價欄名 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

可見此函式只需要指定收盤價欄位即可, 用來計算三種報酬率數據. 

為了清楚看出此函式新增了那些欄位, 重新下載價量資料讓 df 回復為原始欄位 :

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed   : 

ta.add_others_ta() 會將指標計算結果添加到 DataFrame 後傳回 (也可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_others_ta(df, close='Close')    

檢視 DataFrame 欄位 : 

>>> df.columns      

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'others_dr',

       'others_dlr', 'others_cr'],

      dtype='object')

可見 df 除了原來的價量欄位外, 後面新增了三個指標欄位 :

其它指標 (Others)	df 指標欄位名稱
Daily Return (dr) 每日報酬率	others_dr
Daily Log Return (dlr) 每日對數報酬率	others_dlr
Cumulative Return (cr) 累積報酬率	others_cr

檢視此三種報酬率欄位 :

>>> df['others_dr']     # 日報酬率

Date

2024-11-06         NaN

2024-11-07    1.152664

2024-11-08    0.785010

2024-11-11    0.050254

2024-11-12   -2.561530

2024-11-13   -0.644330

2024-11-14   -0.907912

2024-11-15    0.706809

2024-11-18   -1.403697

2024-11-19    1.370950

2024-11-20   -0.416126

2024-11-21   -1.096887

2024-11-22    1.954052

2024-11-25   -0.362599

2024-11-26   -1.299714

2024-11-27   -1.448512

2024-11-28   -0.160344

2024-11-29    0.240898

2024-12-02    2.376500

2024-12-03    1.356289

2024-12-04    0.591865

2024-12-05    0.537223

2024-12-06   -0.381679

2024-12-09    0.127714

2024-12-10   -0.714283

2024-12-11   -0.873593

2024-12-12    1.166408

2024-12-13    0.076869

2024-12-16    0.409628

2024-12-17    0.509944

2024-12-18    0.000000

2024-12-19   -1.369869

2024-12-20   -0.925920

2024-12-23    2.414327

2024-12-24    0.278836

2024-12-25    0.303332

2024-12-26   -0.075602

2024-12-27    0.327866

2024-12-30   -0.553037

2024-12-31   -1.036402

2025-01-02   -0.868453

2025-01-03    1.004894

2025-01-06    3.137752

2025-01-07    1.113035

2025-01-08   -1.492166

Name: others_dr, dtype: float64

>>> df['others_dlr']      # 對數報酬率

Date

2024-11-06         NaN

2024-11-07    1.146071

2024-11-08    0.781945

2024-11-11    0.050242

2024-11-12   -2.594908

2024-11-13   -0.646415

2024-11-14   -0.912058

2024-11-15    0.704323

2024-11-18   -1.413642

2024-11-19    1.361637

2024-11-20   -0.416995

2024-11-21   -1.102948

2024-11-22    1.935205

2024-11-25   -0.363258

2024-11-26   -1.308234

2024-11-27   -1.459105

2024-11-28   -0.160472

2024-11-29    0.240608

2024-12-02    2.348701

2024-12-03    1.347174

2024-12-04    0.590120

2024-12-05    0.535785

2024-12-06   -0.382410

2024-12-09    0.127632

2024-12-10   -0.716846

2024-12-11   -0.877431

2024-12-12    1.159657

2024-12-13    0.076839

2024-12-16    0.408791

2024-12-17    0.508648

2024-12-18    0.000000

2024-12-19   -1.379338

2024-12-20   -0.930233

2024-12-23    2.385643

2024-12-24    0.278447

2024-12-25    0.302873

2024-12-26   -0.075630

2024-12-27    0.327329

2024-12-30   -0.554572

2024-12-31   -1.041810

2025-01-02   -0.872246

2025-01-03    0.999879

2025-01-06    3.089531

2025-01-07    1.106886

2025-01-08   -1.503411

Name: others_dlr, dtype: float64

>>> df['others_cr']      # 累積報酬率

Date

2024-11-06    0.000000

2024-11-07    1.152664

2024-11-08    1.946723

2024-11-11    1.997956

2024-11-12   -0.614753

2024-11-13   -1.255121

2024-11-14   -2.151638

2024-11-15   -1.460036

2024-11-18   -2.843239

2024-11-19   -1.511269

2024-11-20   -1.921107

2024-11-21   -2.996922

2024-11-22   -1.101431

2024-11-25   -1.460036

2024-11-26   -2.740774

2024-11-27   -4.149586

2024-11-28   -4.303276

2024-11-29   -4.072744

2024-12-02   -1.793033

2024-12-03   -0.461062

2024-12-04    0.128074

2024-12-05    0.665985

2024-12-06    0.281764

2024-12-09    0.409838

2024-12-10   -0.307372

2024-12-11   -1.178280

2024-12-12   -0.025616

2024-12-13    0.051233

2024-12-16    0.461070

2024-12-17    0.973365

2024-12-18    0.973365

2024-12-19   -0.409838

2024-12-20   -1.331963

2024-12-23    1.050206

2024-12-24    1.331970

2024-12-25    1.639343

2024-12-26    1.562502

2024-12-27    1.895490

2024-12-30    1.331970

2024-12-31    0.281764

2025-01-02   -0.589136

2025-01-03    0.409838

2025-01-06    3.560449

2025-01-07    4.713113

2025-01-08    3.150619

Name: others_cr, dtype: float64

在使用 pyfolio 等策略風險評估工具時就需要用到 others_dr 欄位的日報酬率數據 (較長期的風險評估則需要使用調整後的收盤價 Adj Close 較精確), 參考 :

# Python 學習筆記 : 策略績效與風險分析套件 pyfolio

(7). 呼叫 add_all_ta_features() 計算全部 80 個指標 :  

這個函式可說是 ta 的超級函式, 可一次計算出全部 80 個指標, 

其參數格式如下 (與動能類相同) : 

ta.add_all_ta_features(

    df: pd.DataFrame,   # 價量資料 (必要)

    open: str,    # 開盤價欄名 (必要)

    high: str,    # 最高價欄名 (必要)

    low: str,     # 最低價欄名 (必要)

    close: str,   # 收盤價欄名 (必要)

    volume: str,   # 成交量 (必要)

    fillna: bool = False,  # 是否在技術指標計算後自動填充缺失值

    colprefix: str = ""     # 在新增的技術指標攔名前添加前綴以避免欄名衝突

    ) 

可見呼叫此函式時, OHLCV 五個欄位名稱都必須傳入, 它會以預設 window 參數值去計算所有類型之全部 80 個指標數據. 

為了清楚看出此函式新增了那些欄位, 重新下載價量資料讓 df 回復為原始欄位 :

>>> df=yf.download('0050.TW', start='2024-11-06', end='2025-01-09')        

[*********************100%%**********************]  1 of 1 completed   : 

ta.add_volume_ta() 會將指標計算結果添加到 DataFrame 後傳回 (也可以用一個變數來接收傳回值, 但沒必要) : 

>>> ta.add_all_ta_features(df, open='Open', high='High', low='Low', close='Close', volume='Volume')    

檢視 DataFrame 欄位 : 

>>> df.columns      

Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume', 'volume_adi',

       'volume_obv', 'volume_cmf', 'volume_fi', 'volume_em', 'volume_sma_em',

       'volume_vpt', 'volume_vwap', 'volume_mfi', 'volume_nvi',

       'volatility_bbm', 'volatility_bbh', 'volatility_bbl', 'volatility_bbw',

       'volatility_bbp', 'volatility_bbhi', 'volatility_bbli',

       'volatility_kcc', 'volatility_kch', 'volatility_kcl', 'volatility_kcw',

       'volatility_kcp', 'volatility_kchi', 'volatility_kcli',

       'volatility_dcl', 'volatility_dch', 'volatility_dcm', 'volatility_dcw',

       'volatility_dcp', 'volatility_atr', 'volatility_ui', 'trend_macd',

       'trend_macd_signal', 'trend_macd_diff', 'trend_sma_fast',

       'trend_sma_slow', 'trend_ema_fast', 'trend_ema_slow',

       'trend_vortex_ind_pos', 'trend_vortex_ind_neg', 'trend_vortex_ind_diff',

       'trend_trix', 'trend_mass_index', 'trend_dpo', 'trend_kst',

       'trend_kst_sig', 'trend_kst_diff', 'trend_ichimoku_conv',

       'trend_ichimoku_base', 'trend_ichimoku_a', 'trend_ichimoku_b',

       'trend_stc', 'trend_adx', 'trend_adx_pos', 'trend_adx_neg', 'trend_cci',

       'trend_visual_ichimoku_a', 'trend_visual_ichimoku_b', 'trend_aroon_up',

       'trend_aroon_down', 'trend_aroon_ind', 'trend_psar_up',

       'trend_psar_down', 'trend_psar_up_indicator',

       'trend_psar_down_indicator', 'momentum_rsi', 'momentum_stoch_rsi',

       'momentum_stoch_rsi_k', 'momentum_stoch_rsi_d', 'momentum_tsi',

       'momentum_uo', 'momentum_stoch', 'momentum_stoch_signal', 'momentum_wr',

       'momentum_ao', 'momentum_roc', 'momentum_ppo', 'momentum_ppo_signal',

       'momentum_ppo_hist', 'momentum_pvo', 'momentum_pvo_signal',

       'momentum_pvo_hist', 'momentum_kama', 'others_dr', 'others_dlr',

       'others_cr'],

      dtype='object')

可見新增的欄位就是上面五種類型的全部指標.