logo
搜索
我的图书馆

发文章

发文工具

其他工具

留言交流
搜索
分享

用matplotlib高仿同花顺的K线，成交量，MACD，KDJ（一）

 昱雄藏书 2021-12-23

开发环境：python v3.8.2, matplotlib v3.2.1, VSCode

    开始学量化2,3周了,python也还是新手，这2天才开始看一下matplotlib的用法，网上搜了一些K线图的绘制，大多采用mpl_finance绘制的K线图，效果都一般般，昨天心血来潮，一边学习matplotlib，一边自己高仿了一个同花顺的效果，鼠标交互还没做（下次有时间再做），怕代码太长。本来用mpl_finance的新版本的，确实对K线图支持的好些了，但是代码限的比较死，不好在后面添加子图，所以直接从里面套用了部分代码，先把结果贴上来。代码标注的很详细，我就不解释了，直接看代码。

 

  1. # -*- coding:utf-8 -*-
  2. import tushare as ts # 获取股票数据用
  3. import numpy as np
  4. import pandas as pd
  5. import matplotlib.pyplot as plt
  6. import matplotlib.ticker as ticker # 用于日期刻度定制
  7. # import mpl_finance as mpf
  8. # 注释了上面一行的旧版，新版是mplfinance，少了一个下划线，运行没警告，新版绘制蜡烛图性能应该更高，但是限得比较死，
  9. # 不好加子图，后面我们把关键代码拿出来自己绘制
  10. from mplfinance import original_flavor as mpf # 用新版库里面的旧版实现(跟mpl_finance一模一样)
  11. from matplotlib import colors as mcolors  # 用于颜色转换成渲染时顶点需要的颜色格式
  12. from matplotlib.collections import LineCollection, PolyCollection # 用于绘制直线集合和多边形集合
  13. import tools # 计算MACD和KDJ(没有使用talib，有缺陷)
  15. # 获取数据
  16. df = ts.get_k_data('603986', '2019-01-01') # 获取日K线数据
  17. df.drop('code', axis=1, inplace=True) # 剔除多余的列
  18. tools.calc_macd(df) # 计算MACD值，数据存于DataFrame中
  19. tools.calc_kdj(df) # 计算KDJ值，数据存于DataFrame中
  20. df = df[-150:] # 取最近的N天测试，列顺序为 date,open,close,high,low,volume,dif,dea,bar,k,d,j
  22. # 日期转换成整数序列
  23. date_tickers=df.date.values
  24. df.date = range(0, len(df)) # 日期改变成序号
  25. matix = df.values # 转换成绘制蜡烛图需要的数据格式(date, open, close, high, low, volume)
  26. xdates = matix[:, 0] # X轴数据(这里用的天数索引)
  28. # 设置外观效果
  29. plt.rc('font', family='Microsoft YaHei') # 用中文字体，防止中文显示不出来
  30. plt.rc('figure', fc='k') # 绘图对象背景图
  31. plt.rc('text', c='#800000') # 文本颜色
  32. plt.rc('axes', axisbelow=True, xmargin=0, fc='k', ec='#800000', lw=1.5, labelcolor='#800000', unicode_minus=False) # 坐标轴属性(置底，左边无空隙，背景色，边框色，线宽，文本颜色，中文负号修正)
  33. plt.rc('xtick', c='#d43221') # x轴刻度文字颜色
  34. plt.rc('ytick', c='#d43221') # y轴刻度文字颜色
  35. plt.rc('grid', c='#800000', alpha=0.9, ls=':', lw=0.8) # 网格属性(颜色，透明值，线条样式，线宽)
  36. plt.rc('lines', lw=0.8) # 全局线宽
  38. # 创建绘图对象和4个坐标轴
  39. fig = plt.figure(figsize=(16, 8))
  40. left, width = 0.05, 0.9
  41. ax1 = fig.add_axes([left, 0.6, width, 0.35]) # left, bottom, width, height
  42. ax2 = fig.add_axes([left, 0.45, width, 0.15], sharex=ax1) # 共享ax1轴
  43. ax3 = fig.add_axes([left, 0.25, width, 0.2], sharex=ax1) # 共享ax1轴
  44. ax4 = fig.add_axes([left, 0.05, width, 0.2], sharex=ax1) # 共享ax1轴
  45. plt.setp(ax1.get_xticklabels(), visible=False) # 使x轴刻度文本不可见，因为共享，不需要显示
  46. plt.setp(ax2.get_xticklabels(), visible=False) # 使x轴刻度文本不可见，因为共享，不需要显示
  47. plt.setp(ax3.get_xticklabels(), visible=False) # 使x轴刻度文本不可见，因为共享，不需要显示
  49. # 绘制蜡烛图
  50. def format_date(x, pos=None): return '' if x<0 or x>len(date_tickers)-1 else date_tickers[int(x)] # 日期格式化函数，根据天数索引取出日期值
  51. ax1.xaxis.set_major_formatter(ticker.FuncFormatter(format_date)) # 设置自定义x轴格式化日期函数
  52. ax1.xaxis.set_major_locator(ticker.MultipleLocator(max(int(len(df)/15), 5))) # 横向最多排15个左右的日期，最少5个，防止日期太拥挤
  53. # mpf.candlestick_ochl(ax1, matix, width=0.5, colorup='#ff3232', colordown='#54fcfc')
  54. # # 下面这一段代码，替换了上面注释的这个函数，因为上面的这个函数达不到同花顺的效果
  55. opens, closes, highs, lows = matix[:, 1], matix[:, 2], matix[:, 3], matix[:, 4] # 取出ochl值
  56. avg_dist_between_points = (xdates[-1] - xdates[0]) / float(len(xdates)) # 计算每个日期之间的距离
  57. delta = avg_dist_between_points / 4.0 # 用于K线实体(矩形)的偏移坐标计算
  58. barVerts = [((date - delta, open), (date - delta, close), (date + delta, close), (date + delta, open)) for date, open, close in zip(xdates, opens, closes) ] # 生成K线实体(矩形)的4个顶点坐标
  59. rangeSegLow   = [ ((date, low), (date, min(open, close))) for date, low, open, close in zip(xdates, lows, opens, closes) ] # 生成下影线顶点列表
  60. rangeSegHigh  = [ ((date, high), (date, max(open, close))) for date, high, open, close in zip(xdates, highs, opens, closes) ] # 生成上影线顶点列表
  61. rangeSegments = rangeSegLow + rangeSegHigh # 上下影线顶点列表
  62. cmap = {True: mcolors.to_rgba('#000000', 1.0), False: mcolors.to_rgba('#54fcfc', 1.0)} # K线实体(矩形)中间的背景色(True是上涨颜色，False是下跌颜色)
  63. inner_colors = [ cmap[opn < cls] for opn, cls in zip(opens, closes) ]  # K线实体(矩形)中间的背景色列表
  64. cmap = {True: mcolors.to_rgba('#ff3232', 1.0), False: mcolors.to_rgba('#54fcfc', 1.0)} # K线实体(矩形)边框线颜色(上下影线和后面的成交量颜色也共用)
  65. updown_colors = [ cmap[opn < cls] for opn, cls in zip(opens, closes) ] # K线实体(矩形)边框线颜色(上下影线和后面的成交量颜色也共用)列表
  66. ax1.add_collection(LineCollection(rangeSegments, colors=updown_colors, linewidths=0.5, antialiaseds=False)) # 生成上下影线的顶点数据(颜色，线宽，反锯齿，反锯齿关闭好像没效果)
  67. ax1.add_collection(PolyCollection(barVerts, facecolors=inner_colors, edgecolors=updown_colors, antialiaseds=False, linewidths=0.5)) # 生成多边形(矩形)顶点数据(背景填充色，边框色，反锯齿，线宽)
  69. # 绘制均线
  70. mav_colors = ['#ffffff', '#d4ff07', '#ff80ff', '#00e600', '#02e2f4', '#ffffb9', '#2a6848'] # 均线循环颜色
  71. mav_period = [5, 10, 20, 30, 60, 120, 180] # 定义要绘制的均线周期，可增减
  72. n = len(df)
  73. for i in range(len(mav_period)):
  74.     if n >= mav_period[i]:
  75.         mav_vals = df['close'].rolling(mav_period[i]).mean().values
  76.         ax1.plot(xdates, mav_vals, c=mav_colors[i%len(mav_colors)], label='MA'+str(mav_period[i]))
  77. ax1.set_title('K线图') # 标题
  78. ax1.grid(True) # 画网格
  79. ax1.legend(loc='upper right') # 图例放置于右上角
  80. ax1.xaxis_date() # 好像要不要效果一样？
  82. # 绘制成交量和成交量均线（5日，10日）
  83. # ax2.bar(xdates, matix[:, 5], width= 0.5, color=updown_colors) # 绘制成交量柱状图
  84. barVerts = [((date - delta, 0), (date - delta, vol), (date + delta, vol), (date + delta, 0)) for date, vol in zip(xdates, matix[:,5]) ] # 生成K线实体(矩形)的4个顶点坐标
  85. ax2.add_collection(PolyCollection(barVerts, facecolors=inner_colors, edgecolors=updown_colors, antialiaseds=False, linewidths=0.5)) # 生成多边形(矩形)顶点数据(背景填充色，边框色，反锯齿，线宽)
  86. if n>=5: # 5日均线，作法类似前面的均线
  87.     vol5 = df['volume'].rolling(5).mean().values
  88.     ax2.plot(xdates, vol5, c='y', label='VOL5')
  89. if n>=10: # 10日均线，作法类似前面的均线
  90.     vol10 = df['volume'].rolling(10).mean().values
  91.     ax2.plot(xdates, vol10, c='w', label='VOL10')
  92. ax2.yaxis.set_ticks_position('right') # y轴显示在右边
  93. ax2.legend(loc='upper right') # 图例放置于右上角
  94. ax2.grid(True) # 画网格
  95. # ax2.set_ylabel('成交量') # y轴名称
  97. # 绘制MACD
  98. difs, deas, bars = matix[:, 6], matix[:, 7], matix[:, 8] # 取出MACD值
  99. ax3.axhline(0, ls='-', c='g', lw=0.5) # 水平线
  100. ax3.plot(xdates, difs, c='w', label='DIFF') # 绘制DIFF线
  101. ax3.plot(xdates, deas, c='y', label='DEA') # 绘制DEA线
  102. # ax3.bar(xdates, df['bar'], width= 0.05, color=bar_colors) # 绘制成交量柱状图(发现用bar绘制，线的粗细不一致，故使用下面的直线列表)
  103. cmap = {True: mcolors.to_rgba('r', 1.0), False: mcolors.to_rgba('g', 1.0)} # MACD线颜色，大于0为红色，小于0为绿色
  104. bar_colors = [ cmap[bar > 0] for bar in bars ]  # MACD线颜色列表
  105. vlines = [ ((date, 0), (date, bars[date])) for date in range(len(bars)) ] # 生成MACD线顶点列表
  106. ax3.add_collection(LineCollection(vlines, colors=bar_colors, linewidths=0.5, antialiaseds=False)) # 生成MACD线的顶点数据(颜色，线宽，反锯齿)
  107. ax3.legend(loc='upper right') # 图例放置于右上角
  108. ax3.grid(True) # 画网格
  110. # 绘制KDJ
  111. K, D, J = matix[:, 9], matix[:, 10], matix[:, 11] # 取出KDJ值
  112. ax4.axhline(0, ls='-', c='g', lw=0.5) # 水平线
  113. ax4.yaxis.set_ticks_position('right') # y轴显示在右边
  114. ax4.plot(xdates, K, c='y', label='K') # 绘制K线
  115. ax4.plot(xdates, D, c='c', label='D') # 绘制D线
  116. ax4.plot(xdates, J, c='m', label='J') # 绘制J线
  117. ax4.legend(loc='upper right') # 图例放置于右上角
  118. ax4.grid(True) # 画网格
  120. # set useblit = True on gtkagg for enhanced performance
  121. from matplotlib.widgets import Cursor # 处理鼠标
  122. cursor = Cursor(ax1, useblit=True, color='w', linewidth=0.5, linestyle='--')
  124. plt.show()

 

代码中用到了tools库，自己的，我把那2个计算函数贴出来，你们直接替换即可

 

  1. # 在k线基础上计算MACD，并将结果存储在df上面(dif,dea,bar)
  2. def calc_macd(df, fastperiod=12, slowperiod=26, signalperiod=9):
  3.     ewma12 = df['close'].ewm(span=fastperiod,adjust=False).mean()
  4.     ewma26 = df['close'].ewm(span=slowperiod,adjust=False).mean()
  5.     df['dif'] = ewma12-ewma26
  6.     df['dea'] = df['dif'].ewm(span=signalperiod,adjust=False).mean()
  7.     df['bar'] = (df['dif']-df['dea'])*2
  8.     # df['macd'] = 0
  9.     # series = df['dif']>0
  10.     # df.loc[series[series == True].index, 'macd'] = 1
  11.     return df
  13. # 在k线基础上计算KDF，并将结果存储在df上面(k,d,j)
  14. def calc_kdj(df):
  15.     low_list = df['low'].rolling(9, min_periods=9).min()
  16.     low_list.fillna(value=df['low'].expanding().min(), inplace=True)
  17.     high_list = df['high'].rolling(9, min_periods=9).max()
  18.     high_list.fillna(value=df['high'].expanding().max(), inplace=True)
  19.     rsv = (df['close'] - low_list) / (high_list - low_list) * 100
  20.     df['k'] = pd.DataFrame(rsv).ewm(com=2).mean()
  21.     df['d'] = df['k'].ewm(com=2).mean()
  22.     df['j'] = 3 * df['k'] - 2 * df['d']
  24.     # df['kdj'] = 0
  25.     # series = df['k']>df['d']
  26.     # df.loc[series[series == True].index, 'kdj'] = 1
  27.     # # df.loc[series[(series == True) & (series.shift() == False)].index, 'kdjcross'] = 1
  28.     # # df.loc[series[(series == False) & (series.shift() == True)].index, 'kdjcross'] = -1
  29.     return df

转载请注明出处：https://blog.csdn.net/PeakGao/article/details/105634317

    本站是提供个人知识管理的网络存储空间，所有内容均由用户发布，不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息，谨防诈骗。如发现有害或侵权内容，请点击一键举报。
    转藏 分享 献花（0）

    来自： 昱雄藏书 > 《量化》

    举报/认领

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多