|
|
最强大的技术分析库-TA-Lib
Overlap Studies FUnctions 重叠研究指标详细介绍
https://www.24krmb.com/thread-3150-1-1.html
本章内容：TA-Lib库Statistic Functions 统计学指标
1:BETA - Beta；这个指标王总好像经常使用
名称：β系数也称为贝塔系数
简介：一种风险指数，在金融领域，贝塔系数是衡量个别资产或资产组合相对于整体市场波动性的指标。贝塔系数越大，显示其收益变化幅度相对于大盘的变化幅度越大；贝塔系数越小，显示其变化幅度相对于大盘越小。如果是负值，则显示其变化方向与大盘相反。 β 越高，意味着股票相对于业绩评价基准的波动性越大。 β 大于 1 ， 则波动性大于业绩评价基准的波动性。反之亦然。 用途：
1）计算资本成本，做出投资决策（只有回报率高于资本成本的项目才应投资）；
2）计算资本成本，制定业绩考核及激励标准；
3）计算资本成本，进行资产估值（Beta是现金流贴现模型的基础）；
4）确定单个资产或组合的系统风险，用于资产组合的投资管理，特别是股指期货或其他金融衍生品的避险（或投机）
- real = BETA(high, low, timeperiod=5)#金字塔+Python
2：CORREL - Pearson’s Correlation Coefficient (r)，这个指标王总好像经常使用在市场的关联性里面，我记得好像如此；
名称：皮尔逊相关系数
简介：是一种度量两个变量之间线性关系强度和方向的统计量。它通常用字母r表示，其值的范围在 -1 到 +1 之间。
当 r=1时，表示两个变量之间存在完全的正线性关系。
当 r=−1 时，表示两个变量之间存在完全的负线性关系。
当 r=0 时，表示两个变量之间没有线性关系。
在经济学中，还可以用来评估不同经济指标之间的关系，如收入和消费。
- real = CORREL(high, low, timeperiod=30)#金字塔+Python
3：LINEARREG - Linear Regression
名称：线性回归
简介：线性回归是一种统计学方法，用于分析两个变量之间的关系，特别是一个因变量（依赖变量）和一个或多个自变量（独立变量）之间的关系。线性回归的目的是建立一个线性方程，该方程可以预测因变量的值，基于自变量的值。线性回归广泛应用于经济学、金融、医学、工程学等领域，用于预测、评估和解释变量之间的关系。例如：在金融领域，预测股票价格。在医学领域，评估某种治疗方法的效果。在市场营销，评估广告投放的效果。
通过线性回归，研究人员可以建立预测模型，分析变量之间的关系，并为决策提供科学依据。
- real = LINEARREG(close, timeperiod=14)#金字塔+Python
4：LINEARREG_ANGLE - Linear Regression Angle
名称：线性回归的角度
简介：在统计学和数据分析中，线性回归通常不直接与角度相关联，因为线性回归模型关注的是变量之间的线性关系，而不是角度。然而，如果我们将线性回归方程视为在二维平面上的一条直线，那么我们可以讨论与这条直线相关的角度概念。总的来说，线性回归角度的概念是一个辅助工具，可以帮助我们可视化和解释线性模型的方向性，但它不是线性回归分析的核心部分。
- real = LINEARREG_ANGLE(close, timeperiod=14)#金字塔+Python
5：LINEARREG_INTERCEPT - Linear Regression Intercept
名称：线性回归截距
简介：在线性回归模型中，截距（Intercept）是一个重要的参数，它代表了当所有自变量（X）为零时，因变量（Y）的预期值。截距是线性回归模型的关键组成部分，它与斜率一起定义了模型的形状和位置。正确理解和解释截距对于全面理解模型及其预测能力至关重要。
- real = LINEARREG_INTERCEPT(close, timeperiod=14)
6：LINEARREG_SLOPE - Linear Regression Slope
名称：线性回归斜率指标
简介：在线性回归中，斜率（Slope）是衡量自变量（X）变化一个单位时，因变量（Y）预期变化量的指标。斜率是线性回归模型中的关键参数，它不仅影响模型的形状，还提供了自变量对因变量影响方向和强度的重要信息。正确理解和解释斜率对于分析和预测变量之间的关系至关重要。
- real = LINEARREG_SLOPE(close, timeperiod=14)#金字塔+Python
7：STDDEV - Standard Deviation；这个指标我看到王总也经常在使用；
名称：标准差
简介：是衡量一组数据分布离散程度的统计量。它表示数据集中的数值与平均值（均值）的偏差程度。标准差越大，数据的离散程度越高；标准差越小，数据的集中程度越高。通过计算和理解标准差，可以更好地了解数据的分布特性和离散程度，从而为数据分析和决策提供重要信息。
- real = STDDEV(close, timeperiod=5, nbdev=1)#金字塔+Python
8：TSF - Time Series Forecast
名称：时间序列预测
简介：是一种统计技术，用于预测未来的时间点或时间段内的数值。它广泛应用于经济、金融、气象、工业生产、库存管理等领域。时间序列预测基于历史数据和趋势，通过分析时间序列数据的模式和规律，来预测未来的值。
- real = TSF(close, timeperiod=14)#金字塔+Python
常用的时间序列预测方法
移动平均法（Moving Average）：简单移动平均和加权移动平均。
指数平滑法（Exponential Smoothing）：包括简单指数平滑、Holt线性趋势方法、Holt-Winters季节性方法。
自回归模型（AR）：
移动平均自回归模型（ARMA）：结合自回归和移动平均。
自回归积分滑动平均模型（ARIMA）：包括差分、自回归和移动平均。
季节性自回归积分滑动平均模型（SARIMA）：在ARIMA的基础上增加季节性因素。
向量自回归模型（VAR）：用于多变量时间序列的分析和预测。
机器学习方法：如随机森林、支持向量机、神经网络等。
深度学习方法：如长短期记忆网络（LSTM）、卷积神经网络（CNN）等。
9:VAR - VAR
函数名： VAR 名称：方差
简介：方差用来计算每一个变量（观察值）与总体均数之间的差异。为避免出现离均差总和为零，离均差平方和受样本含量的影响，统计学采用平均离均差平方和来描述变量的变异程度
- real = VAR(close, timeperiod=5, nbdev=1)#金字塔+Python
|
|
