量化交易”有著兩層含義：

　　【一】是從狹義上來講，是指量化交易的內容，將交易條件轉變成為程序，自動下單；

　　【二】是從廣義上來講，是指系統(tǒng)交易方法，就是一個整合的交易系統(tǒng)。

　　即為根據(jù)一系列交易條件，智能化輔助決策體系，將豐富的從業(yè)經(jīng)驗與交易條件相結合，在交易過程管理好風險控制。

　　pandas.DataFrame(ts).ewm(span=12).mean()

　　1.移動平均

　　def MA(df,n):

　　MA=Series(rolling_mean(df['Close'],n),name='MA_'+str(n))

　　df=df.join(MA)

　　return df

　　2.指數(shù)移動平均

　　def EMA(df,n):開發(fā)邏輯I59源碼2OO7系統(tǒng)3O69

　　EMA=Series(ewma(df['Close'],span=n,min_periods=n-1),name='EMA_'+str(n))

　　df=df.join(EMA)

　　return df

　　3.動量

　　def MOM(df,n):關于區(qū)塊鏈項目技術開發(fā)唯:yy625019，代幣發(fā)行、dapp智能合約開發(fā)、鏈游開發(fā)、多鏈錢包開發(fā)

　　交易所開發(fā)、量化合約開發(fā)、互助游戲開發(fā)、Nft數(shù)字藏品開發(fā)、眾籌互助開發(fā)、元宇宙開發(fā)、swap開發(fā)、

　　鏈上合約開發(fā)、ido開發(fā)、商城開發(fā)等，開發(fā)過各種各樣的系統(tǒng)模式，更有多種模式、制度、案例、后臺等，成熟技術團隊，歡迎實體參考。

　　M=Series(df['Close'].diff(n),name='Momentum_'+str(n))

　　df=df.join(M)

　　return df

　　4.變化率

　　def ROC(df,n):

　　M=df['Close'].diff(n-1)

　　N=df['Close'].shift(n-1)

　　ROC=Series(M/N,name='ROC_'+str(n))

　　df=df.join(ROC)

　　return df

　　5.均幅指標

　　def ATR(df,n):

　　i=0

　　TR_l=[0]

　　while i<df.index[-1]:

　　TR=max(df.get_value(i+1,'High'),df.get_value(i,'Close'))-min(df.get_value(i+1,'Low'),df.get_value(i,'Close'))

　　TR_l.append(TR)

　　i=i+1

　　TR_s=Series(TR_l)

　　ATR=Series(ewma(TR_s,span=n,min_periods=n),name='ATR_'+str(n))

　　df=df.join(ATR)

　　return df

　　6.布林線

　　def BBANDS(df,n):

　　MA=Series(rolling_mean(df['Close'],n))

　　MSD=Series(rolling_std(df['Close'],n))

　　b1=4*MSD/MA

　　B1=Series(b1,name='BollingerB_'+str(n))

　　df=df.join(B1)

　　b2=(df['Close']-MA+2*MSD)/(4*MSD)

　　B2=Series(b2,name='Bollinger%b_'+str(n))

　　df=df.join(B2)

　　return df

　　7.轉折、支撐、阻力點

　　def PPSR(df):

　　PP=Series((df['High']+df['Low']+df['Close'])/3)

　　R1=Series(2*PP-df['Low'])

　　S1=Series(2*PP-df['High'])

　　R2=Series(PP+df['High']-df['Low'])

　　S2=Series(PP-df['High']+df['Low'])

　　R3=Series(df['High']+2*(PP-df['Low']))

　　S3=Series(df['Low']-2*(df['High']-PP))

　　psr={'PP':PP,'R1':R1,'S1':S1,'R2':R2,'S2':S2,'R3':R3,'S3':S3}

　　PSR=DataFrame(psr)

　　df=df.join(PSR)

　　return df

　　8.隨機振蕩器（%K線）

　　def STOK(df):

　　SOk=Series((df['Close']-df['Low'])/(df['High']-df['Low']),name='SO%k')

　　df=df.join(SOk)

　　return df

　　9.隨機振蕩器（%D線）

　　def STO(df,n):

　　SOk=Series((df['Close']-df['Low'])/(df['High']-df['Low']),name='SO%k')

　　SOd=Series(ewma(SOk,span=n,min_periods=n-1),name='SO%d_'+str(n))

　　df=df.join(SOd)

　　return df

　　10.三重指數(shù)平滑平均線

　　def TRIX(df,n):

　　EX1=ewma(df['Close'],span=n,min_periods=n-1)

　　EX2=ewma(EX1,span=n,min_periods=n-1)

　　EX3=ewma(EX2,span=n,min_periods=n-1)

　　i=0

　　ROC_l=[0]

　　while i+1<=df.index[-1]:

　　ROC=(EX3[i+1]-EX3<i>)/EX3<i>

　　ROC_l.append(ROC)

　　i=i+1

　　Trix=Series(ROC_l,name='Trix_'+str(n))

　　df=df.join(Trix)

　　return df

　　11.平均定向運動指數(shù)

　　def ADX(df,n,n_ADX):

　　i=0

　　UpI=[]

　　DoI=[]

　　while i+1<=df.index[-1]:

　　UpMove=df.get_value(i+1,'High')-df.get_value(i,'High')

　　DoMove=df.get_value(i,'Low')-df.get_value(i+1,'Low')

　　if UpMove>DoMove and UpMove>0:

　　UpD=UpMove

　　else:UpD=0

　　UpI.append(UpD)

　　if DoMove>UpMove and DoMove>0:

　　DoD=DoMove

　　else:DoD=0

　　DoI.append(DoD)

　　i=i+1

　　i=0

　　TR_l=[0]

　　while i<df.index[-1]:

　　TR=max(df.get_value(i+1,'High'),df.get_value(i,'Close'))-min(df.get_value(i+1,'Low'),df.get_value(i,'Close'))

　　TR_l.append(TR)

　　i=i+1

　　TR_s=Series(TR_l)

　　ATR=Series(ewma(TR_s,span=n,min_periods=n))

　　UpI=Series(UpI)

　　DoI=Series(DoI)

　　PosDI=Series(ewma(UpI,span=n,min_periods=n-1)/ATR)

　　NegDI=Series(ewma(DoI,span=n,min_periods=n-1)/ATR)

　　ADX=Series(ewma(abs(PosDI-NegDI)/(PosDI+NegDI),span=n_ADX,min_periods=n_ADX-1),name='ADX_'+str(n)+'_'+str(n_ADX))

　　df=df.join(ADX)

　　return df