این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

شاخه ها/برچسب ها را تغییر دهید برچسب های شاخه شاخه ها را بارگیری نکرد چیزی برای نشان دادن برچسب ها را بارگیری نکرد چیزی برای نشان دادن

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

لغو ایجاد رمز

• محلی
• مکاشه

https github cli با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید. با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

نوع نام آخرین پیام تعهد زمان متعهد شدن رمز

readme. md

نوسان ساز تصادفی دارای دو خط ، ٪ K و ٪ d است. خط ٪ D برای تولید سیگنال های تجاری بهتر از اهمیت بیشتری برخوردار است.

• پایتون 3. 6
• کتابخانه ها (پاندا ، نومپی ، ماتپلوتلیب)

نوسان ساز تصادفی چیست

نوسان ساز تصادفی یکی از شناخته شده ترین شاخص های حرکت در تجزیه و تحلیل فنی است. این شاخص بر اساس این فرضیه عمل می کند که قیمت ها باید در نزدیکی اوج بازرگانی در حین فراز و نشیب ها و به سمت انتهای پایین یک محدوده معاملاتی در حین پایین آمدن بسته شوند.

نوسان ساز تصادفی در طیف وسیعی از صفر و 100 ترسیم شده است. خوانش های بالاتر از 80 بیش از حد در نظر گرفته می شود در حالی که خوانش های زیر 20 مورد استفاده قرار می گیرد. نوسان ساز دو خط دارد ، ٪ K و ٪ D ، که در آن سابق اندازه گیری می کند و دومی میانگین متحرک اولی را اندازه گیری می کند. خط ٪ D از دو شاخص مهمتر است و تمایل به تولید سیگنال های تجاری بهتر دارد.

شاخص نوسان ساز تصادفی دارای دو سری است که هر دو با کمک شاخص های دیگر (EMA یا SMA) محاسبه می شوند. همچنین دارای 3 نوع است: نوسان ساز سریع ، نوسان ساز تصادفی آهسته و اسیلاتور تصادفی کامل.

نوسان ساز سریع:

پیش فرض ها یک نشانگر نوسان ساز سریع سریع ایجاد می کنند.

• سریع ٪ k = ٪ k محاسبه اساسی

جایی که PK اولین دوره ای است که از طریق روش تصادفی () تنظیم می شود ، که یک دوره برای مقدار ٪ k است.

• Fast ٪ D = 3 دوره SMA از سریع ٪ k

جایی که P3 دوره سوم است که از طریق روش تصادفی () تنظیم می شود ، که یک دوره برای مقدار ٪ D است.

نوسان ساز تصادفی آهسته:

در حالی که از نوسانگر سریع تصادفی برای سیگنال ها استفاده می شود ، قرار است نوسان ساز تصادفی آهسته این تأکید را منعکس کند.

• آهسته k = سریع ٪ k با 3 دوره SMA صاف شد

جایی که 3 یک دوره پیش فرض برای آهسته شدن K است.

• آهسته ٪ d = 3 دوره SMA از آهسته ٪ k

جایی که 3 یک دوره پیش فرض برای آهسته شدن D است D.

نوسان ساز تصادفی کامل:

نوسانگر کامل تصادفی یک نسخه کاملاً قابل تنظیم از نوسان ساز تصادفی آهسته است. کاربران می توانند دوره نگاه را تنظیم کنند ، تعداد دوره ها برای کندی ٪ k و تعداد دوره ها برای میانگین در حال حرکت ٪ d.

• کامل ٪ k = سریع ٪ k با SMA X-PerioD صاف شده است

جایی که P2 دوره دوم است که از طریق روش تصادفی () تنظیم می شود ، که یک دوره برای مقدار k صاف است.

• کامل ٪ D = X-Period SMA از ٪ k

جایی که P3 دوره سوم است که از طریق روش تصادفی () تنظیم می شود ، که یک دوره برای مقدار ٪ D است.

اجرای نوسان ساز تصادفی

وارد کردن داده ها

#گزارش کتابخانه های مهم وارد كردن پاندا as pd وارد كردن اعماق as np از جانب منگوله وارد كردن پیلت as PLT df = pd.read_csv(پرونده CSV خود را در اینجا قرار دهید.') # تبدیل از Timestamp UNIX به حالت عادی df['تاریخ'] = pd.to_datetime(df['تاریخ'],واحد='s').dt.تاریخ array_date = np.آرایه(df['تاریخ']) array_close = np.آرایه(df['بستن']) array_open = np.آرایه(df['باز کن']) array_high = np.آرایه(df["بالا"]) array_low = np.آرایه(df['کم']) array_volume = np.آرایه(df['جلد']) چاپ("اندازه آرایه بالا",array_high.اندازه) چاپ("اندازه آرایه پایین",array_low.اندازه) چاپ("اندازه آرایه باز",array_open.اندازه) چاپ("نزدیک اندازه آرایه",array_close.اندازه)

یافتن بالاترین مقادیر در دوره های K

y=0 z=0 # kperiods 14 آرایه از 0 فهرست است kperiods=13 array_hightest=[] برای x in دامنه(0,array_high.اندازه-kperiods): z=array_high[y] برای j in دامنه(0,kperiods): if(zarray_high[y+1]): z=array_high[y+1] y=y+1 # ایجاد لیست بالاترین دوره k array_hightest.ضمیمه کردن(z) # از شروع هر تکرار یکی را پرش کنید y=y-(kperiods-1) چاپ("بالاترین اندازه آرایه",لن(array_hightest)) چاپ(array_hightest)

یافتن کمترین مقادیر در دوره های K

y=0 z=0 array_lowest=[] برای x in دامنه(0,array_low.اندازه-kperiods): z=array_low[y] برای j in دامنه(0,kperiods): if(z>array_low[y+1]): z=array_low[y+1] y=y+1 # ایجاد لیست کمترین دوره k array_lowest.ضمیمه کردن(z) # از شروع هر تکرار یکی را پرش کنید y=y-(kperiods-1) چاپ("کمترین اندازه آرایه",لن(array_lowest)) چاپ(array_lowest)

یافتن ٪ k مقادیر خط

کلوچه=[] برای x in دامنه(kperiods,array_close.اندازه): k = ((array_close[x]-array_lowest[x-kperiods])*100/(array_hightest[x-kperiods]-array_lowest[x-kperiods])) کلوچه.ضمیمه کردن(k) چاپ(لن(کلوچه)) چاپ(کلوچه)

پیدا کردن ٪ D مقادیر خط

y=0 # dperiods برای محاسبه مقادیر D دبستان=3 دوای=[هیچ یک,هیچ یک] منظور داشتن=0 برای x in دامنه(0,لن(کلوچه)-دبستان+1): جمع=0 برای j in دامنه(0,دبستان): جمع=کلوچه[y]+جمع y=y+1 منظور داشتن=جمع/دبستان # مقادیر D برای اضافه کردن خط ٪ D در لیست dvalue دوای.ضمیمه کردن(منظور داشتن) # از شروع هر تکرار یکی را پرش کنید y=y-(دبستان-1) چاپ(لن(دوای)) چاپ(دوای)

خروجی

# تجسم نتیجه PLT.شکل(شکل دادن=(25,15), DPI=50, محفل='W', ادم مدفوع='k') ax = PLT.GCA() PLT.طرح(کلوچه,رنگ='قرمز',برچسب = '٪ k line') PLT.طرح(دوای,رنگ='آبی',برچسب = '٪ d خط') PLT.عنوان("نوسان ساز تصادفی", اندازه فونت=20) df['تاریخ'] = df['تاریخ'].RESET_INDEX() x=df['تاریخ'].فهرست مطالب برچسب ها = array_date[13:] PLT.xTicks(x, برچسب ها, چرخش = "عمودی") برای تیک زدن in ax.XAXIS.get_major_ticks(): تیک زدن.برچسب.set_fontsize(10) برای تیک زدن in ax.یدک.get_major_ticks(): تیک زدن.برچسب.set_fontsize(10) PLT.یلابل('kd_values', اندازه فونت=20) PLT.xlabel('تاریخ', اندازه فونت=15) PLT.افسانه() PLT.نشان دادن()

• تجزیه و تحلیل فنی: شاخص ها و نوسان سازها سرمایه گذاری
• شاخص های فنی توضیحات ریاضی Anychart
• سهامداران نوسان ساز تصادفی

در باره

نوسان ساز تصادفی دارای دو خط ، ٪ K و ٪ d است. خط ٪ D برای تولید سیگنال های تجاری بهتر از اهمیت بیشتری برخوردار است.