小编给大家分享一下怎么使用Python判断牛熊，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
创建牛市和熊市实力指数
上古雷指数MEAs数字购销压力量和两个柱状图，其中一个就是所谓的多头力量和其他的空头力量的。直方图是根据以下公式计算的：
EMA变量指的是指数移动平均线，它是一种移动平均线，将更多的权重放在最近的值上。
可以使用以下功能来计算指数移动平均值：
defma(Data,lookback,what,where):foriinrange(len(Data)):try:Data[i,where]=(Data[i-lookback+1:i+1,what].mean())exceptIndexError:passreturnDatadefema(Data,alpha,lookback,what,where):#alphaisthesmoothingfactor#windowisthelookbackperiod#whatisthecolumnthatneedstohaveitsaveragecalculated#whereiswheretoputtheexponentialmovingaveragealpha=alpha/(lookback+1.0)beta=1-alpha#FirstvalueisasimpleSMAData=ma(Data,lookback,what,where)#CalculatingfirstEMAData[lookback+1,where]=(Data[lookback+1,what]*alpha)+(Data[lookback,where]*beta)#CalculatingtherestofEMAforiinrange(lookback+2,len(Data)):try:Data[i,where]=(Data[i,what]*alpha)+(Data[i-1,where]*beta)exceptIndexError:passreturnData
第一个面板中的EURUSD和50周期的牛熊指标
上面显示了EURUSD每小时数据，第二个面板中有50个周期的牛熊指标。在继续执行指标代码之前，我们必须编写两个简单的函数：
defdeleter(Data,index,times):foriinrange(1,times+1):Data=np.delete(Data,index,axis=1)returnDatadefjump(Data,jump):Data=Data[jump:,]returnData
现在，我们准备好代码了。记住要准备好OHLC阵列。
defbull_bear_power(Data,lookback,what,high,low,where):#AddingtherequiredcolumnsData=adder(Data,3)#CalculatingtheexponentialmovingaverageData=ema(Data,2,lookback,what,where)#CalculatingtheBullPowerData[:,where+1]=Data[:,high]-Data[:,where]#CalculatingtheBearPowerData[:,where+2]=Data[:,where]-Data[:,low]#DeletinginitialemptyrowsData=jump(Data,lookback)returnData
USDCHF位于第一个面板中，并且是50周期的牛熊指标。
要对上面的图表进行编码，我们可以使用以下函数：
defindicator_plot_double_bull_bear(Data,name='',name_ind='',window=250):fig,ax=plt.subplots(2,figsize=(10,5))Chosen=Data[-window:,]foriinrange(len(Chosen)):ax[0].vlines(x=i,ymin=Chosen[i,2],ymax=Chosen[i,1],color='black',linewidth=1)ax[0].grid()foriinrange(len(Chosen)):ax[1].vlines(x=i,ymin=0,ymax=Chosen[i,6],color='green',linewidth=1)ax[1].vlines(x=i,ymin=Chosen[i,7],ymax=0,color='red',linewidth=1)ax[1].grid()ax[1].axhline(y=0,color='black',linewidth=0.5,linestyle='--')#Theabovecodeconsiderscolumns6and7toinhibitBullPowerandBearPowerrespectively.
回测简单策略
与任何适当的研究方法一样，其目的是对指标进行回测，并能够自己查看是否值得将其作为我们先前存在的交易框架的补充。请注意，以下内容仅对过去10年中仅对10个货币对的一个时间范围进行回测。这可能不是该策略的最佳时限，但我们只是试图找到一种“一刀切”的“几乎适合所有人”的策略。
条件已简化，我们将基于主观障碍使用逆势方法：
欧元兑美元的信号图。
defsignal(Data,bull_power,bear_power,buy,sell):foriinrange(len(Data)):ifData[i,bull_power]lower_barrier:Data[i,buy]=1ifData[i,bear_power]lower_barrier:Data[i,sell]=-1
USDCHF上的信号图
根据自2010年以来按小时数据散布的0.5个基点得出的结果，并且没有采用风险管理算法，得出的结果如下。
效果表
遵循该策略的股权曲线
显然，该指标并没有增加价值。尝试优化甚至更改与之相关的策略可能会更好。我们可能可以添加一些熊市条件来验证看涨信号，并添加一些牛市条件来验证看跌信号。
我们还可以相应地调整回溯和障碍。我们可以做的最后一件事是将策略从逆势转变为遵循趋势。
结论
记住要经常做背部测试。即使我提供了指标的功能(而不只是吹牛说它是圣杯，并且它的功能是秘密)，您也应该始终相信其他人是错误的。我的指标和交易风格对我有用，但可能并非对每个人都适用。我依靠以下规则：
市场价格在超过50%的时间内无法预测或很难预测。但是市场反应是可以预测的。
意思是，我们可以在一个区域周围形成一个小区域，并可以确信地说市场价格将对该区域周围的区域产生反应。但是我们不能真正说它会从那里下跌4%，然后再次测试，并在第三次尝试跌至103.85美元时突破。由于我们预测过度，因此误差项呈指数级增长。
以上是“怎么使用Python判断牛熊”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注恰卡编程网行业资讯频道！
