|
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
复制代码
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
复制代码
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
复制代码
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
复制代码
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)
复制代码
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
复制代码
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
复制代码
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
复制代码
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
复制代码 |
|