TA_Lib 成交量篇

成交量 OBV A/D 量价策略

---

成交量有三种可能，分别是量增、量减、量平。
价格也有三种可能，分别是上涨、下跌、横盘。
量价理论表明价涨量增是上涨趋势的确认，反之价跌量增是下跌趋势的确认，我们可以就这样的理论来建立量化交易策略。接下来我们从成交量、OBV指标、A/D指标与量价策略来理解量价的关系。

---

import talib as ta
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

---

Volume

计算成交量的斜率，再对斜率进行均线平滑来表示成交量的变化。
成交量上升：

$$MA(slope(volume,20),10)>MA(slope(volume,20),30)$$

data = ts.get_k_data('000001', start='2016-01-01', end='2016-12-31', ktype='D', autype='qfq')
data.index = pd.to_datetime(data['date'], format='%Y-%m-%d')
volume = np.array(data['volume'])
slope = ta.LINEARREG_SLOPE(volume, 20)
data['Volume_Slope_MA10'] = ta.MA(slope, 10)
data['Volume_Slope_MA20'] = ta.MA(slope, 30)

plt.subplot(3, 1, 1)
plt.plot(data.close)
plt.subplot(3, 1, 2)
plt.bar(data.index, data.volume,color='g')
plt.subplot(3, 1, 3)
plt.plot(data['Volume_Slope_MA10'])
plt.plot(data['Volume_Slope_MA20'])
plt.show()

---

OBV

OBV属于市场的领先指标，计算方法是如果当天价格高于前一天的价格，当天成交量就用加的，反之就用减的来计算出OBV指标，这样有助于分析成交量与价格的关系。

---

A/D

A/D 指标在OBV的基础上对价格的波幅进行了计算，真实波幅越大，指标中的成交量占比越大。

$$\frac{A}{D}=\frac{Close-Open}{High-Low}*Volume$$

---

data['OBV'] = ta.abstract.OBV(data)
data['AD'] = ta.abstract.AD(data)
plt.subplot(3, 1, 1)
plt.plot(data.close)
plt.subplot(3, 1, 2)
plt.plot(data.OBV,'g')
plt.ylabel('OBV')
plt.subplot(3, 1, 3)
plt.plot(data.AD, 'y')
plt.ylabel('AD')
plt.show()

---

OBV与A/D指标用法：
突破（Breakout）
当OBV达到新的高点时，它确认牛市的力量，表明价格可能继续上升，并给出买入信号。当OBV低于之前的低点时，它确认熊市的力量，并给出卖空信号。
背离（Divergence）
价格创新高，而OBV或A/D的值没有创新高，顶背离，看跌。
价格创新低，而OBV或A/D的值没有创新低，底背离，看涨。
长期分歧比短期分歧更重要。在几个星期内发展的分歧产生比几天内产生的信号更强的信号。

领先指标 （Leading Indicator）
当价格处于交易区间并且OBV或A/D突破到新的高点时，它给出买入信号。当价格处于交易区间并且OBV或A/D下降并下降到新的低点时，它给出了卖空信号。

---

OBV突破策略

买入：

$$OBV_t>High(OBV,20) 'and' Close_t>MA(Close,20)$$

卖出：

$$OBV_t<Low(OBV,20) 'or' Close_t< MA(Close,20)$$

import talib as ta
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
data = ts.get_k_data('000001', start='2016-01-01', end='2016-12-31', ktype='D', autype='qfq')
data.index = pd.to_datetime(data['date'], format='%Y-%m-%d')
data['OBV'] = ta.abstract.OBV(data)
data['OBV_MAX20'] = ta.abstract.MAX(data, 20, price='OBV')
data['OBV_MIN20'] = ta.abstract.MIN(data, 20, price='OBV')
data['OBV_MID20'] = (data['OBV_MAX20'] + data['OBV_MIN20'])/2
data['C_MA'] = ta.abstract.MA(data, 20)
x_b = []
y_b = []
x_s = []
y_s = []
data = data.dropna()
it = data.iterrows()
t0, d0 = next(it)
pos = 0
for t1, d1 in it:
    if pos==0 and d1.OBV > d0.OBV_MAX20 and d1.close > d1.C_MA:
        x_b.append(t1)
        y_b.append(d1.close)
        pos=1
    elif pos==1 and (d1.OBV < d0.OBV_MIN20 or d1.close < d1.C_MA):
        x_s.append(t1)
        y_s.append(d1.close)
        pos=0
    t0, d0 = t1, d1
plt.subplot(2,1,1)
plt.plot(data['close'])
plt.plot(data['C_MA'])
plt.scatter(x_b, y_b, c='r', marker='^', linewidths=3)
plt.scatter(x_s, y_s, c='g', marker='v', linewidths=3)
plt.subplot(2,1,2)
plt.plot(data.OBV)
plt.plot(data.OBV_MAX20, 'g', alpha=0.3)
plt.plot(data.OBV_MID20, 'r', alpha=0.3)
plt.plot(data.OBV_MIN20, 'g', alpha=0.3)
plt.show()