ساخت جعبه ابزار نهایی تجزیه و تحلیل سهام در پایتون از ابتدا - قسمت 5

به روز بمانید! برای آخرین کد منبع ، از مخزن GitHub Stock_analysis استفاده کنید.

در قسمت 1 ما یک کلاس به نام StockData ساختیم که داده های سهام تاریخی را بازیابی می کند و ویژگی های کلیدی مانند قیمت های باز ، نزدیک ، بالا و پایین سهام و همچنین حجم معاملات را ذخیره می کند. ما همچنین یک عملکرد ساده برای چاپ اطلاعات در مورد شرکت نوشتیم. در قسمت 2 ما چارچوبی برای تولید توطئه های شمعدانی سفارشی برای تجسم این مقادیر و روندهای آنها ایجاد کردیم و در قسمت 3 ، میانگین متحرک فروتن ، اما مهم و ساده (SMA) را محاسبه کردیم و روشی را برای ترسیم آنها با توطئه های خط ایجاد کردیم. در قسمت 4 ، ما یاد گرفتیم که چگونه میانگین متحرک نمایی (EMA) و میانگین متحرک وزن نمایی (EWMA) و همچنین روشی را برای افزودن این منحنی ها به توطئه های خط خود محاسبه کنیم. ما در نهایت آن را به نشانگر روکش مورد علاقه و پرکاربرد من تبدیل کرده ایم: گروههای بولینگر. در نگاه اول ، ممکن است ابزار گروههای بولینگر به راحتی آشکار نباشد ، اما تا پایان این مقاله ، شما از قدرت پیش بینی کننده آنها اطمینان خواهید داشت.

ما ابتدا یک شیرجه مینی عمیق را به عنوان (به نظر فروتنانه من) بهترین شاخص فنی روکش انجام خواهیم داد ، و پوشش های بولینگر را پوشش می دهیم و چگونه استفاده از آنها می تواند بازده سرمایه گذاری شما را افزایش دهد. سپس نحوه محاسبه آنها را در پایتون در استفاده از ماژول های Numpy و Pandas پوشش خواهیم داد. مثل همیشه ، کل کد ، از طریق مقاله فعلی ، در پایان در ضمیمه گنجانده شده است - روشهای کلاس ما به سرعت در حال گسترش است ، بنابراین حتماً در آنجا بررسی کنید یا فقط منبع را از مخزن GitHub من Stock_analysis بکشید.

گروههای بولینگر چیست؟

گروههای مشهور بولینجر جان بولینگر ، که در اوایل دهه 1980 تصور شد ، یک شاخص فنی قدرتمند است. یک باند بولینگر در اصل یک پنجره یا پاکت است که میانگین متحرک را ردیابی می کند [به طور متعارف ، این میانگین متحرک SMA است ، اما شما می توانید باندهای بولینگر را از هر نوع میانگین متحرک بسازید]. به عنوان مثال ، نمودار شمعدان از یاهو را در نظر بگیرید! تأمین مالی داده های قیمت سهام تاریخی برای Tesla ، Inc. با گروههای بولینگر در زیر پوشش داده شده است:

از بازرسی سریع طرح ، بلافاصله می توانیم ببینیم که برای دوره های زمانی با نوسانات کم ، باند ها را محدود می کند ، که منجر به دوره نوسانات می شود. ما همچنین می توانیم ببینیم که قیمت سهام اساساً محدود به دامنه گروه است (بسیار نادر است که قیمت سهام از مرز گروهها فراتر رود). در حالی که این رفتار و این قوانین ممنوع ممکن است بی اهمیت به نظر برسد ، کاربرد آنها برای داده های سهام در دنیای واقعی لایه دیگری از اطلاعات را اضافه می کند و ما را قادر می سازد تا با هوشمندی سرمایه گذاری کنیم.

چرا از گروههای بولینگر استفاده می کنیم؟

ما همیشه می خواهیم به این سؤال پاسخ دهیم که چرا قبل از انجام هر کاری - بدون "چرا" ، هر چیزی زیر (به عنوان مثال ، "چه" ، "چگونه ،" و غیره) بی معنی است. پس چرا ما از گروههای بولینگر استفاده می کنیم؟

اول و مهمتر از همه ، می توان از آنها برای پیش بینی روند داده ها استفاده کرد. به عنوان مثال ، نمودار شمعدان را برای TSLA در بالا در نظر بگیرید. مناطقی از نوسانات کم توسط یک باند کوچک مشخص می شود. به عنوان مثال ، دوره زمانی را از ساعت 4 بعد از ظهر در نظر بگیرید. در تاریخ 2022/12/19 تا 4:00 بعد از ظهر در تاریخ 2022/12/20: از آنجا که تغییر کمی در قیمت امنیت وجود دارد ، در آنجا (بدیهی) نوسانات کمی وجود دارد ، و به همین ترتیب ، گروههای گردآوری شمع ها نسبتاً اندک هستند. با این حال ، هنگامی که جلسه قبل از بازار در ساعت 4 بامداد در تاریخ 2022/12/20 افتتاح شد ، قیمت سهام به سرعت در حال نوسان است ، که با گسترش باند بولینگر مشهود است. این پدیده در حال کوچک شدن به عنوان فشار شناخته می شود ، و اغلب اوقات می توان به عنوان یک بندری از نوسانات قریب الوقوع تعبیر کرد. در مثال بالا ، قیمت سهام در باز پیش از بازار ، رکود شدید را به خود می گیرد ، اما در بسیاری از شرایط شاهد وقوع شکستگی خواهید بود. به عنوان مثال ، نمودار شمعدان شرکت اینتل (INTC) از یاهو را ببینید! امور مالی در زیرما می توانیم ببینیم که شکستن انفجاری در اکتبر 2017 قبل از فشار از آوریل تا اواخر سپتامبر 2017 انجام شده است. این رفتار باعث می شود گروههای بولینگر ابزاری بسیار مفید برای کمک به تصمیم گیری برای ورود یا خروج از بازار باشد ، از این طریق این فرصت را به شما می دهد تا به حداکثر برسیدسود شما از تجارت.

دوم ، همانطور که در بخش نوسان سازنده شاخص های فنی بیشتر بحث خواهیم کرد (ما این موارد را با جزئیات از قسمت 6 پوشش خواهیم داد) ، گروههای فوقانی و پایین می توانند اندازه گیری "بیش از حد" و "oversold" را به ما ارائه دهند-nessبه عنوان مثال ، هنگامی که گفته می شود سهام بیش از حد مورد استفاده قرار می گیرد ، به این معنی است که در حال حاضر بیش از ارزش ذاتی خود در بازار است (به عنوان مثال ، از قانون عرضه و تقاضا ، قیمت به دلیل تقاضای زیاد به طور مصنوعی تورم می شود). مفهوم امنیت بیش از حد فقط Converse است: این بدان معنی است که سهام با قیمت پایین تر از آنچه ذاتاً ارزش آن را دارد تجارت می کند. قادر به مشاهده مناطقی که امنیت بیش از حد یا بیش از حد از آن استفاده می شود ، می تواند یک واژگونی از معکوس های روند باشد - در واقع ، در واقع ، بسیاری از شاخص های فنی نوسان ساز صرفاً به ردیابی این متریک اختصاص داده شده اند. بنابراین در دوره ای که شمع ها در نزدیکی باند فوقانی (پایین) قرار دارند ، یک روند نزولی (صعود) احتمالاً در گوشه و کنار است. این قدرت پیش بینی کننده ، هنگامی که با سایر شاخص های فنی همراه است ، می تواند به شما در زمان بندی ورودی های خود و خروج از بازار بپردازد.

سرانجام ، گروههای پایین و فوقانی به ترتیب به عنوان سطح پشتیبانی و مقاومت برای قیمت سهام عمل می کنند. سطح پشتیبانی مانند "کف" برای قیمت سهام است ، یعنی نقطه ای که سهام (معمولاً) در زیر آن فرو نمی رود. در مقابل ، سطح مقاومت نقطه ای است که در آن سهام به طور کلی از آن تجاوز نمی کند. هنگامی که قیمت سهام در زیر (بالاتر) سطح پشتیبانی (مقاومت) حرکت می کند ، می توانید مطمئن باشید که یک روند معکوس در افق است.

محاسبه باندهای بولینگر

زیبایی گروههای بولینگر در فرمولاسیون ساده و ظریف آنها نهفته است:

جایی که μ_j میانگین حرکت ساده برای یک پنجره واحد با اندازه W است (به قسمت 3 مراجعه کنید اگر این ناآشنا باشد) ، M ضریب ضرب برای اندازه پنجره خاص است ، و σ_J انحراف استاندارد نقاط مورد استفاده برای محاسبه میانگین متحرک است.، μ_j ، و توسط

جایی که j = i + w ، و جایی که n تعداد مشاهدات در زیر مجموعه فعلی مجموعه داده های شما است. بنابراین n فقط تعداد فعلی نقاط در پنجره شماست ، یعنی n = (i + w) - i = w و p_i قیمت نزدیک در زمان من است. اندازه پنجره های متعارف و اندازه فاکتور مقیاس برای باندهای بولینگر به ترتیب W = 10 ، 20 و 50 روز و M = 1. 5 ، 2 و 2. 5 است. من می خواهم در اینجا مکث کنم تا ذکر کنم که این فقط یک راه برای تعریف گروههای بولینگر است. از نظر تئوری می توانید باندها را از نظر میانگین متحرک نمایی ، به عنوان مثال ، با هر مقدار اندازه M که دوست دارید تعریف کنید. برای ساده نگه داشتن امور ، ما در حال حاضر با کنوانسیون ارتدکس استفاده از SMA می خواهیم.

با نگاه عمیق تر به معادله 1 و می توانیم نبوغ را در تعریف باند بولینگر مشاهده کنیم: باندهای فوقانی و تحتانی با تعدادی از انحرافات استاندارد به دور از میانگین تعریف می شوند. ما می توانیم این عبارت را به روشی بصری و احتمالی نگاه کنیم: بسته به مقدار فاکتور چند برابر M ، و اگر فرض کنیم داده ها به طور معمول توزیع می شوند (که بسیار منطقی است) ، انتظار داریم همان مقدار سهام را ببینیمقیمت ها در آن دوره در آن محدوده ، به ما این امکان را می دهد تا به چیزی کمی کوتاه از شفافیت دست یابیم. به عنوان مثال ، اگر از اندازه پنجره W = 20 روز استفاده کنیم ، ضریب مقیاس برای انحراف استاندارد M = 2 است ، به این معنی که 95 ٪ از قیمت سهام در برخی از دوره های زمانی در باند بولینگر قرار خواهد گرفت. برای یک باند 10 روزه بولینجر ، 87 ٪ قیمت سهام در محدوده 1. 5σ پوند قرار دارد. ما این کار را با تجسم توزیع گاوسی با دامنه های مختلف n مشخص شده ، کمی انتزاعی می کنیم.

برای کدی که برای تولید این طرح استفاده می شود ، به GitHub Gist normal_dist. py مراجعه کنید.

اجرای و تجسم باندهای بولینگر در پایتون

به دنبال سنت تعیین شده در قسمت 3 و قسمت 4 ، ما در مورد دو روش مختلف (Numpy و Pandas) برای محاسبه باندهای بولینگر بحث خواهیم کرد.

روش 1: numpy

فرمول محاسبه باندهای بولینگر بسیار ساده است و ادغام محاسبه آنها در کلاس StockData به همان اندازه ساده است. ما در حال حاضر روشی برای محاسبه SMA (calc_sma_np ()) داریم - همه ما باید انجام دهیم این است که محاسبه در حال اجرا انحراف استاندارد را به روش اضافه کنیم:

def calc_sma_np (خود ، پنجره ، stddev = false):''' میانگین حرکت ساده را با استفاده از محاسبه می کندnumpyاستدلال ها:موقعیت:پنجره: (int) پنجره (در روزها)میانگین متحرککلمه کلیدی:stddev: (bool) استاندارد را محاسبه کنیدانحراف.''' sma_vals = np. ndarray ((self. close_p. shape [0] + 1 - پنجره ،)) # آرایه برای ذخیره مقادیر SMAsma_stddev = np. ndarray ((self. close_p. shape [0] + 1 - پنجره ،)) # آرایه برای ذخیره مقادیر انحراف استاندارد # حلقه بالای پنجرهبرای II در محدوده (sma_vals. shape [0]):sma_vals [ii] = np. sum (self. close_p [ii: ii + پنجره]) / پنجرهاگر stddev:sma_stddev [ii] = np. sqrt ((1 / پنجره) * np. sum (np. power (self. close_p [ii: ii + windows] - sma_vals [ii] ، 2)) sma_dates = self. dates [پنجره - 1:] اگر stdev:بازگشت sma_vals ، sma_stddev ، sma_datesدیگری:sma_vals ، sma_dates را برگردانید

به یاد داشته باشید ، ما از شناسه خود به عنوان اولین آرگومان موقعیتی عملکرد استفاده می کنیم زیرا CALC_SMA_NP () روشی برای کلاس StockData است و ما خود را پیش می بریم. به ویژگی های کلاس StockData (به عنوان مثال ، self. close_p ، که داده های نزدیک قیمت بازیابی شده و به عنوان یک آرایه numpy در سازنده کلاس ذخیره می شود). برای بازتولید کامل کد منبع ، به پیوست در پایان مقاله یا مخزن GitHub من Stock_analysis مراجعه کنید.

اکنون ما این روش را برای محاسبه باند های بولینگر با اندازه پنجره های سفارشی (W) و فاکتور مقیاس انحراف استاندارد می نویسیم (M ، که توسط band_size در کد زیر مشخص شده است):

def calc_boll_np (خود ، پنجره ، band_size = هیچ):''' باندهای بولینگر را با استفاده از روش NUMPY محاسبه می کند.استدلال ها:موقعیت:پنجره: (int) اندازه پنجره SMAبرای محاسبه بولینگر استفاده می شودگروههاکلمه کلیدی:band_size: (int ؛ float) اندازهضرب انحراف استاندارد(م).''' ## استدلال ها را بررسی کنیداگر نوع (پنجره)! = int:افزایش ValueError ("فقط اعداد صحیح پشتیبانی می کنند (تعداد روزهای کل) برای گروههای بولینگر.")  اگر band_size هیچ کدام نیست:windows_to_stddev =band_size = windows_to_stddev [پنجره] sma_vals ، sma_stddev ، sma_dates = self. calc_sma_np (پنجره ، stddev = true)Upper_band = sma_vals + (band_size * sma_stddev)پایین_بند = sma_vals - (band_size * sma_stddev) بازگشت sma_vals ، بالا_بند ، پایین_بند ، sma_dates

بسیار ساده ، درست است؟بیایید این را به کلاس فعلی StockData خود اضافه کنیم و به سرعت برخی از باند های بولینگر را با استفاده از روش فوق ترسیم کنیم. ما ابتدا داده های سهام را با ساخت نمونه ای از StockData بازیابی خواهیم کرد ، محاسبات باند Bollinger را با فراخوانی روش CALC_BOLL_NP () انجام می دهیم ، و سپس به سرعت داده ها را به صورت بیرونی ترسیم می کنیم (یعنی استفاده از روش plot_line ()). برای این مثال ، ما از داده های سهام تاریخی برای Amylyx Pharmaceuticals ، Inc استفاده خواهیم کرد.

AMLX = StockData ('AMLX') # داده های سهام را بازیابی کنیدband_color = 'darkgreen'fill_color = 'forestgreen'پنجره = 20sma_vals ، بالا_بند ، پایین_بند ، sma_dates = amlx. calc_boll_np (پنجره)شکل ، ax = plt. subplots (figsize = (18 ، 10))ax. grid ()ax. set_title (amlx. ticker)ax. set_xlabel ('Date' ، loc = 'Right')ax. set_ylabel ('قیمت (USD)' ، loc = 'top')ax. plot (amlx. dates ، amlx. close_p ، color = 'k' ، label = 'close price')## منحنی ها را برای خطوط پایین ، بالا و SMA ترسیم کنیدax. plot (sma_dates ، پایین_بند ، رنگ = band_color ، linestyle = '-')ax. plot (sma_dates ، sma_vals ، color = band_color ، label = 'sma (٪ d-day)' ٪ پنجره)ax. plot (sma_dates ، بالا_بند ، رنگ = band_color ، linestyle = '-.'## منطقه بین باند پایین و فوقانی را سایه بزنیدax. fill_between (sma_dates ، پایین_بند ، بالا_بند ، رنگ = fill_color ،label = 'bollinger band ($  pm ٪ . 1f  sigma $) ٪ 2 ، alpha = 0. 2 ،Zorder = 2)ax. legend ()fig. tight_layout ()fig. savefig ('amlx_bollinger_bands. pdf')

بیایید بیش از یک باند اکنون برای اندازه پنجره 10 و 20 روز ترسیم کنیم. برای این مثال ما از داده های سهام تاریخی برای Belite Bio ، Inc. (BLTE) استفاده خواهیم کرد:

blte = StockData ('blte') # داده های سهام را بازیابی کنیدwindows0 = 10band_color0 = 'darkgreen'fill_color0 = 'forestgreen'Window1 = 20band_color1 = 'salmon'fill_color1 = 'darkorange'شکل ، ax = plt. subplots (figsize = (18 ، 10))ax. grid ()ax. set_title (blte. ticker)ax. set_xlabel ('Date' ، loc = 'Right')ax. set_ylabel ('قیمت (USD)' ، loc = 'top')ax. plot (blte. dates ، blte. close_p ، color = 'k' ، label = 'close price')sma_vals ، بالا_بند ، پایین_بند ، sma_dates = blte. calc_boll_np (windows0 ، band_size = 1)## منحنی ها را برای خطوط پایین ، بالا و SMA ترسیم کنیدax. plot (sma_dates ، پایین_بند ، رنگ = band_color0 ، linestyle = '-')ax. plot (sma_dates ، sma_vals ، color = band_color0 ، label = 'sma (٪ d-day)' ٪ windows0)ax. plot (sma_dates ، under_band ، color = band_color0 ، linestyle = '-.'## منطقه بین باند پایین و فوقانی را سایه بزنیدax. fill_between (sma_dates ، پایین_بند ، بالا_بند ، رنگ = fill_color0 ،label = 'bollinger band ($  pm ٪ . 1f  sigma $) ٪ 1 ، alpha = 0. 2 ،Zorder = 2)sma_vals ، بالا_بند ، پایین_بند ، sma_dates = blte. calc_boll_np (پنجره 1)ax. plot (sma_dates ، پایین_بند ، رنگ = band_color1 ، linestyle = '-')ax. plot (sma_dates ، sma_vals ، color = band_color1 ، label = 'sma (٪ d-day)' ٪ windows1)ax. plot (sma_dates ، under_band ، color = band_color1 ، linestyle = '-.'ax. fill_between (sma_dates ، پایین_بند ، بالا_بند ، رنگ = fill_color1 ،label = 'bollinger band ($  pm ٪ . 1f  sigma $) ٪ 2 ، alpha = 0. 2 ،Zorder = 2)ax. legend ()fig. tight_layout ()fig. savefig ('blte_bollinger_10_20. pdf')

ارائه طرح زیر:

این زمان مناسبی برای مکث و توجه به کاربرد استفاده از چندین باند بولینگر در همان طرح است. ما می توانیم از یک استراتژی تجارت مشترک استفاده کنیم (در مقاله "استفاده از باند بولینگر برای سنجش روندهای" توسط کوری میچل در سرمایه گذاری) بیان شده است. ابتدا عرض باند اول (دوم) را به یک (دو) انحراف استاندارد تنظیم می کنیم. سپس ، ما سیگنال های معاملاتی زیر را تعیین می کنیم: (1) سیگنال خرید هنگامی ایجاد می شود که قیمت امنیت بین σ = 1 و σ = 2 باشد ، و (2) سیگنال فروش هنگامی که قیمت امنیت بین σ = -1 باشد ایجاد می شود. و σ = -2.

در طرح بالا می توانیم ببینیم که قیمت نزدیک "در امتداد خط 2σ (نارنجی) نقطه تخلیه شده از ژوئن 2022 تا اواسط ماه ژوئیه 2022 است. زیرا قیمت در این منطقه است می توانیم نتیجه بگیریم که یک شبکه وجود داردحرکت رو به بالا و بنابراین ما باید سهام بیشتری بخریم. هنگامی که قیمت سهام به منطقه باند 1 σ (سبز) (که به طور محاوره ای به عنوان "سرزمین هیچ کس" گفته می شود) فرو می رود ، می توانیم نتیجه بگیریم که حرکت خالص زیادی وجود ندارد ، بنابراین ما موقعیت خود را حفظ می کنیم. سرانجام ، هنگامی که قیمت سهام زیر خط 1σ فرو می رود ، می توان نتیجه گرفت که یک روند نزولی وجود دارد ، بنابراین باید از موقعیت فعلی خود خارج شویم. ما می توانیم نمونه ای از این را در اواخر ژوئیه 2022 مشاهده کنیم: قیمت به منطقه - 1 ≤ σ ≤ -2 می رسد ، بنابراین به ما سیگنال داده می شود تا سهام خود را بفروشیم. توجه داشته باشید که اگرچه قیمت نزدیک به سرعت به باند 1 پوند باز می گردد ، روند نزولی از سر گرفته می شود و تا اواخر اوت ادامه می یابد. به طور کلی این یک استراتژی کارآمد است که ، هنگامی که با سایر شاخص های فنی جفت می شود ، می تواند هنگام تجارت الگوریتمی نتایج بسیار خوبی داشته باشد.

با استفاده از نشانگر فنی Bollinger Band ، که در نهایت در کلاس ما اجرا شد ، اجازه می دهیم به سرعت نحوه اجرای این محاسبات را با استفاده از پاندا پوشش دهیم.

روش 2: پاندا

شما احتمالاً تاکنون متوجه شده اید که روند (به قسمت 3 و قسمت 4 مراجعه نکنید!) ... استفاده از پاندا این نوع محاسبات را بسیار ساده می کند-مانند خطوط A ساده. در زیر عملکردی است که از پاندا برای محاسبه باند بولینگر استفاده می کند:

def calc_boll_pd (خود ، پنجره ، band_size = هیچ):''' باندهای بولینگر را با استفاده از روش پاندا محاسبه می کند.استدلال ها:موقعیت:پنجره: (int) اندازه پنجره SMAبرای محاسبه بولینگر استفاده می شودگروهها''' ## استدلال ها را بررسی کنیداگر نوع (پنجره)! = int:افزایش ValueError ("فقط اعداد صحیح پشتیبانی می کنند (تعداد روزهای کل) برای گروههای بولینگر.")  اگر band_size هیچ کدام نیست:windows_to_stddev =band_size = windows_to_stddev [پنجره] sma_vals = self. history ["بستن"]. نورد (پنجره) . mean (). to_numpy ()sma_stddev = self. history ["بستن"]. نورد (پنجره) . std (). to_numpy () Upper_band = sma_vals + (band_size * sma_stddev)پایین_بند = sma_vals - (band_size * sma_stddev) بازگشت sma_vals ، بالا_بند ، پایین_بند 

ساده و موجز: برای محاسبه SMA هیچ عملکرد جداگانه ای لازم نیست و در کل ، خود محاسبه در چهار خط انجام می شود.

اصلاح روش plot_close ()

از آنجا که در اینجا کمی کد برای تولید مثل وجود دارد ، من به همه Minutia نمی روم ، اما مهمترین تغییرات را در روش plot_close () کلاس StockData بررسی می کنم.(اگر با این روش ناآشنا نیستید ، لطفاً GitHub repo Stock_analysis ، قطعات 3 و 4 این سری یا پیوست را ببینید.)

ابتدا دو آرگومان کلیدی را به plot_close () اضافه می کنیم ، یکی برای اندازه پنجره (w) باند بولینگر (win_boll) ، دیگری برای فاکتور مقیاس (m ، boll_band_size). سپس ، ما یک کد مشروط و یک کد را اضافه می کنیم تا با CALC_BOLL_NP () تماس بگیریم تا ابتدا محاسبه (های) باند بولینگر را انجام دهیم و سپس باند (های) را به طرح اضافه کنیم. ما همچنین بلوک کد را برای ذخیره نقشه اصلاح خواهیم کرد تا در صورت ترسیم باند بولینگر ، یک شناسه به نام پرونده اضافه شود.

و این نتیجه گیری ما از شاخص های فنی از تنوع پوشش را نتیجه می گیرد. مثل همیشه ، من شما را تشویق می کنم که این کد دیگ بخار را تغییر دهید تا همه چیز دقیقاً مطابق با مشخصات شما (یا اگر می خواهید ویژگی ها را اضافه کنید).

بعد چیست؟

سرانجام زمان آن رسیده است که ما به کلاس دوم شاخص های فنی برویم: نوسان سازها. ما در حال بررسی چندین مورد خواهیم بود: در قسمت 6 (در حال حاضر در حال آماده سازی) خواهیم بود که نوسان سازها چیست ، واگرایی همگرایی میانگین متحرک (MACD) و نحوه اجرای MACD در پایتون ، و در قسمت 7 ما یک انجام می دهیمعمیق به شاخص قدرت نسبی (RSI) ، همه جنبه های نظری و عملی شاخص و همچنین نحوه اجرای آن در پایتون را پوشش می دهد.

پیوندها به مقالات دیگر