编程有难度，城哥有态度！关注我，带领大家一起学习起来

互联网上有一个最简单而又强大的技术库，叫做pandas_ta。这个python库为你提供了一个简化的API，让你从时间序列中提取技术分析指标。今天云朵君将和大家一起学习这个库。记得点赞收藏～

虽然你可能会将这些函数应用于股票价格，但你可以对任何与股票价格配对的时间序列进行操作，例如，情绪甚至经济指标。

它利用具有 130 多个指标和实用程序函数以及 60 多个 TA Lib 烛台模式的 Pandas 包。包括许多常用的指标，例如：蜡烛图(cdl_pattern)、简单移动平均线(sma)、移动平均线收敛散度(macd)、赫尔指数移动平均线(hma)、布林带(bbands)、平衡交易量(obv )、aroon、Squeeze等等。

为什么使用pandas_ta？使用方便

通常有几种方法可以从股票价格中提取技术分析指标，其中一种是手动编辑完整的处理过程。如果只需要使用像移动平均线这样的简单指标，这种方法实现起来比较轻松，但当我们需要使用更复杂的数学模型时，此时就会想到想是否有这样的python库来轻松实现，其实这就是API的作用，它们调解低级代码的复杂性，提供一个简化的高级接口。

与 pandas DataFrame兼容

在存储股票信息时，我能想到的第一个方法是通过使用Pandas DataFrame。这种方法在Python用户中非常普遍，其实，使用 pandas_ta 将会更简单，还有其他常见的存储股票价格等多维数据的方法，比如说使用JSON文件。

import pandas as pdimport pandas_ta as tadf = pd.DataFrame() # 一个空的DataFrame            # 导入数据df = pd.read_csv("path/to/symbol.csv", sep=",")# 如果你安装了 yfinancedf = df.ta.ticker("aapl")# VWAP要求DataFrame索引是一个DatetimeIndex。# 用DataFrame中合适的列替换datetimedf.set_index(pd.DatetimeIndex(df["datetime"]),             inplace=True)# 计算结果返回并添加到DataFrame中去df.ta.log_return(cumulative=True,                 append=True)df.ta.percent_return(cumulative=True,                     append=True)# 查看下包含结果的列df.columns# 查看下具体数据df.tail()# 继续后期处理

与其他许多安装起来有些困难的库相比，这个库既容易安装，又能作为 pandas 的一个扩展功能。

$ pip install pandas_ta

具体使用方法，参见下文。

股票价格数据

股市数据获取，推荐你查看这篇文章。

请注意，pandas_ta 要求数据以特定的格式结构化。

日期需要采用pandas.datetime格式。列必须是OCHL格式

OCHL指的是金融业中一些常用的指标，用于存储价格随时间的变化。开盘价、收盘价、最高价和最低价。不同的技术分析指标可能只需要其中的一列或多列，所以拥有全部四列将使我们能够模拟库中的大多数可用指标。

为了演示目的，使用如下程序将生成一个程序性的OCHL股票。

from scipy.stats import skewnormimport plotly.graph_objects as goimport plotly.express as pximport pandas_ta as taimport pandas as pdimport numpy as npimport random# 高低差的正态分布def create_pdf(sd, mean, alfa):    # 反转阿尔法的信号    x = skewnorm.rvs(alfa, size=1000000)     print(x)    def calc(k, sd, mean):        return (k*sd)+mean    x = calc(x, sd, mean) # 分布标准化    return xdef graph_stock(df_original):  # Time_column是一个字符串  df = df_original.copy()  pd.options.plotting.backend = "plotly"  # 需要用索引创建一个列，否则plot就不会画出它  df['date'] = df.index  #fig = px.line(df, x='time', y=['price', 'price_2'])  fig = px.line(df, x='date', y=df.columns)  fig.show()  # 保存为png  #fig.write_image("csvfiles/btc.mark2mkt.png")def graph_OCHL(df_OCHL, title):    #fig_1 = px.line(df, x=df.index, y=df.columns, title=title)    fig_2 = go.Figure(data=go.Ohlc(x=df_OCHL.index,                        open=df_OCHL['open'],                        high=df_OCHL['high'],                        low=df_OCHL['low'],                        close=df_OCHL['close']))    fig_2.update(layout_xaxis_rangeslider_visible=False)    fig_2.show()def OCHL(group_values):    min_ = min(group_values)    max_ = max(group_values)    range = max_ - min_    open = min_+range*random.random()    close = min_+range*random.random()    return min_, max_, open, closedef simulate_stock(initial_price, drift, volatility, trend, days):    days=days*24    def create_pdf(sd, mean, alfa):        # 反转阿尔法的信号        x = skewnorm.rvs(alfa, size=1000000)         def calc(k, sd, mean):            return (k*sd)+mean        x = calc(x, sd, mean) # 标准的分布        return x    def create_empty_df(days):        # 创建一个带有日期的空数据帧        empty = pd.DatetimeIndex(            pd.date_range("2020-01-01", periods=days, freq="D")        )        empty = pd.DataFrame(empty)        # 时间，分钟，秒都在减少        empty.index = [str(x)[0:empty.shape[0]] for x in list(empty.pop(0))]        # 最终数据集        stock = pd.DataFrame([x for x in range(0, empty.shape[0])])        stock.index = empty.index        return stock    #ran = create_pdf(0.1, 0.2, 0) #del?    #np.random.choice(ran) #del?    #skeleton    stock = create_empty_df(days)    #初识值    stock[0][0] = initial_price    # 创建整个股票数据框    x = create_pdf(volatility, drift, trend)    for _ in range(1, stock.shape[0]):        stock.iloc[_] = stock.iloc[_-1]*(1+np.random.choice(x))    stock.index = pd.DatetimeIndex(stock.index)    return stockdef simulate_OCHL_stock(df, graph_timeseries=False, graph_OCHL=False):    df_ = list()    #df.groupby(np.arange(len(df))//24).apply(OCHL) non funziona    # 这是正确的方法，但需要从0开始创建一个新的df    for a, b in df.groupby(np.arange(len(df))//24):        group_values = np.array(b.values).flatten()        low, high, open, close = OCHL(group_values)        df_.append([low, high, open, close])    df_OCHL = pd.DataFrame(df_, index=pd.Series(pd.date_range("2020-01-01", periods=365, freq="D")), columns=['low', 'high', 'open', 'close'])    #graph    if graph_timeseries==True: graph_stock(df)    if graph_OCHL==True:        fig = go.Figure(            data=go.Ohlc(x=df_OCHL.index,            open=df_OCHL['open'],            high=df_OCHL['high'],            low=df_OCHL['low'],            close=df_OCHL['close'])        )        fig.update(layout_xaxis_rangeslider_visible=False)        fig.show()    return df_OCHL

df_OCHL = simulate_OCHL_stock(simulate_stock(1000, 0, 0.01, 0, 365),                               graph_timeseries=True,                               graph_OCHL=True)

我们可以看到，每当我运行该算法时，就会产生一个新的时间序列，有4个维度，每个维度代表股票的一个OCHL数据。默认情况下，该股票只工作了365天（毕竟是出于测试目的）。让我们看一下生成的数据。

我们可以通过使用嵌入的布尔参数**graph_timeseries和graph_OCHL**轻松地绘制数据。

收盘股价产生的数据

OCHL产生的数据

如果我们看一下DataFrame，生成的数据会是这样的。请注意，这种格式正是pandas_ta所要求的数据模式。

有开盘、收盘、最高、最低栏目的股票

创建备份

如果你不熟悉pandas的工作方式，我们不能简单地将一个DataFrame分配给第二个变量来复制它。我们需要使用copy函数来克隆原始DataFrame。

df_backup = df_OCHL.copy()

我之所以要复制数据，是因为 pandas_ta 会直接编辑我们应用技术分析策略的数据集。它的工作方式不像普通函数那样，我们可以输入我们的DataFrame，然后收到一个副本作为输出。

如果我们对程序模式的外观感到满意，我们可能不想在每次运行该算法时都创建一个全新的股票价格。这样一来，我们就可以安全地开始实验备份副本了。

应用pandas_ta strategy: SMA

最流行的技术分析策略被称为简单移动平均线。该技术包括创建两条不同长度的移动平均线，并使用交叉点作为买入和卖出信号。

#导入备份df = df_backup.copy()MyStrategy = ta.Strategy(    name="DCSMA10",    ta=[        {"kind": "ohlc4"},        {"kind": "sma", "length": 10},        {"kind": "sma", "length": 20},    ])# 运行策略df.ta.strategy(MyStrategy)df = df.drop(['low', 'high', 'open'], axis=1)graph_stock(df)

应用该策略后，我们可以看到新的列是如何被添加到我们的原始数据集中的。

两个不同长度的简单移动平均线

布林带

当然，我们也可以采用更复杂的技术，如布林带：这种策略包括当价格达到下限带以下时买入股票，当价格达到上限带以上时卖出。

我们的假设是，当趋势的导数（也就是瞬时变化率）根据我们的参数达到最大容忍度时，是股票反转趋势的适当时机。

#导入备份df = df_backup.copy()MyStrategy = ta.Strategy(    name="strategy_3",    ta=[{        "close": 'close',         "kind": "bbands",         "length": 15,        "std": 2    }])# 运行策略df.ta.strategy(MyStrategy)df = df.drop(['low', 'high', 'open'], axis=1)graph_stock(df)

Pandas_ta，特别是在设置之后，使用起来非常简单和直观，有80多个可用的指标，你可以简单地调用字符串。