5分快3app开户_以股票RSI指标为例,学习Python发送邮件功能(含RSI指标确定卖点策略)

  • 时间:
  • 浏览:0

    此人 很久写过若干“给应用线程员加财商”的系列文,目的是通过股票案例讲述Python知识点,让或多或少人儿在学习Python的同時 还能掌握相关的股票知识,所谓一举两得。

    在很久的系列文里,或多或少人儿能看到K线,均线,成交量的案例,在本文里,或多或少人儿能看到通过RSI案例讲述Python邮件编程的知识点,在后继系列文里,或多或少人儿还能看到MACD,BIAS,KDJ等指标相关案例。

1  RSI指标的原理和算法描述

    相对强弱指标(RSI)是通过比较某个六时内单股价格的涨跌幅度来判断多空双方的强弱程度,以此来预测未来走势。从数值上看,它体现出某股的买卖力量,所以投资者能据此预测未来价格的走势,在实践中,通常与移动平均线配合使用,以提高分析的准确性。

    RSI指标的计算公式如下所示。

    第一步,RS(相对波特率)=N日内收盘价涨数和的均值÷N日内收盘价跌数和的均值

    第二步,RSI(相对强弱指标)=3000-3000÷(1+RS)

    请注意,这里“均值“的计算法子 还时可是简单移动平均(SMA),也还时可是加权移动平均(WMA)指数移动平均(EMA)。本书采用的是比较简单的简单移动平均算法,或多或少软件采用的是后两种平均算法。采用不同的平均算法会意味RSI的值不同,但趋势无需改变,对交易的指导意义也无需变。

    以6日RSI指标为例,从当日算起向前推算6个交易日,获取到包括本日在内的7个收盘价,用每一日的收盘价减去上一交易日的收盘价,以此法子 得到6个数值,有有哪些数值中有 正有负。很久再按如下还还有一个步骤计算RSI指标。

    第一步,up=6个数字中正数之和的平均值。

    第二步,down=先取6个数字中负数之和的绝对值,再对绝对值取平均值。

    第三步,RS=up除以down,RS表示相对波特率

    第四步,RSI(相对强弱指标)=3000-3000÷(1+RS)

    可是再对第四步得出的结果进行数学变换,能进一步约去RS因素,得到如下的结论:RSI=3000x(up) ÷(up+down),也可是说,RSI等于3000乘以up除以(up和down的和)。

    从本质上来看,RSI反映了某阶段内(比如6个交易日内)由价格上涨引发的波动占总波动的百分比率,百分比越大,说明你你是什么 时间段内股票越强势,反之可是百分比越小,则说明股票弱势程度强。

    从上述公式中或多或少人儿能看到,RSI的值介于0到3000之间,目前比较常见的基准周期为6日\12日和24日。把每个交易日的RSI值在坐标图上的点连成曲线,即能绘制成RSI指标线,也可是说,目前沪深股市中RSI指标线是由十根曲线构成,如下图所示。

  

2  把用Matplotlib绘制的RSI指标图存为图片

    在如下的DrawRSI.py案例中,或多或少人儿将根据上述算法绘制3000584(长电科技)从2018年9月到2019年5月间的的6日、12日和24日的RSI指标。

    本例的数据来自csv文件,而该文件的数据来自网络股票接口,相关内容或多或少人儿还时要阅读很久博文。在本案例中,完整篇 都是把由matplotlib生成的图形存为png格式,以方便很久用邮件的形式发送。    

1	#!/usr/bin/env python
2	#coding=utf-8
3	import pandas as pd
4	import matplotlib.pyplot as plt
5	#计算RSI的法子

,入参periodList传入周期列表 
6	def calRSI(df,periodList):
7	    #计算和上另一个交易日收盘价的差值
8	    df['diff'] = df["Close"]-df["Close"].shift(1) 
9	    df['diff'].fillna(0, inplace = True)    
10	    df['up'] = df['diff']
11	    #过滤掉小于0的值
12	    df['up'][df['up']] = 0
13	    df['down'] = df['diff']
14	    #过滤掉大于0的值
15	    df['down'][df['down']] = 0
16	    #通过for循环,依次计算periodList中不同周期的RSI等值
17	    for period in periodList:
18	        df['upAvg'+str(period)] = df['up'].rolling(period).sum()/period
19	        df['upAvg'+str(period)].fillna(0, inplace = True)
20	        df['downAvg'+str(period)] = abs(df['down'].rolling(period).sum()/period)
21	        df['downAvg'+str(period)].fillna(0, inplace = True)
22	        df['RSI'+str(period)] = 3000 - 3000/((df['upAvg'+str(period)]/df['downAvg'+str(period)]+1))
23	    return df

    在第5行里,或多或少人儿定义了用于计算RSI值的calRSI法子 ,该法子 第另一个参数是中有 日期收盘价等信息的dataframe类型的df对象,第还还有一个参数是周期列表。

    在第8行里,或多或少人儿把本交易日和上个交易日收盘价的差价存入了'diff'列,这里是用shift(1)来获取df里上一行(即上个交易日)的收盘价。可是第一行的diff值是NaN,所以时要用第9行的fillna法子 把NaN值更新成0。

    在第11行里,在df对象里创建了up列,该列的值暂时和diff值相同,有正有负,但马上就通过第12行的df['up'][df['up']<0] = 0代码,把up列中的负值设置成0,原先一来,up列里就只中有 了“N日内收盘价的涨数”。在第13行和第15行里,用同样的法子 ,在df对象中创建了down列,并在其中存入了“N日内收盘价的跌数”。

    很久是通过第17行的for循环,遍历存储在periodList中的周期对象,确实通过下面第26行的代码,或多或少人儿能看到计算RSI的周期分别是6天、12天和2十天。针对每个周期,先是在第18行,算出了你你是什么 周期内收盘价涨数和的均值,并把你你是什么 均值存入df对象中的'upAvg'+str(period)列中,比如当前周期是6,如此该涨数的均值是存入df[‘upAvg6‘]列。在第20行,则算出该周期内的收盘价跌数的均值,并存入'downAvg'+str(period)列中。最后在第22行,算出本周期内的RSI值,并放入 df对象中的'RSI'+str(period)里。 

24    filename='D:\\stockData\ch10\\30005842018-09-012019-05-31.csv'
25    df = pd.read_csv(filename,encoding='gbk')
26    list = [6,12,24] #周期列表
27    #调用法子

计算RSI
28    stockDataFrame = calRSI(df,list) 
29    #print(stockDataFrame)
300    #刚现在开始了了绘图
31    plt.figure()
32    stockDataFrame['RSI6'].plot(color="blue",label='RSI6')
33    stockDataFrame['RSI12'].plot(color="green",label='RSI12')
34    stockDataFrame['RSI24'].plot(color="purple",label='RSI24')
35    plt.legend(loc='best') #绘制图例       
36    #设置x轴坐标标签和旋转高度
37    major_index=stockDataFrame.index[stockDataFrame.index==0]
38    major_xtics=stockDataFrame['Date'][stockDataFrame.index==0]
39    plt.xticks(major_index,major_xtics)
40    plt.setp(plt.gca().get_xticklabels(), rotation=300) 
41    #带网格线,且设置了网格样式
42    plt.grid(line) 
43    plt.title("RSI效果图")
44    plt.rcParams['font.sans-serif']=['SimHei']
45    plt.savefig('D:\\stockData\ch10\\30005842018-09-012019-05-31.png')
46    plt.show()

     在第25行里,或多或少人儿从指定csv文件里得到了中有 日期收盘价等信息的数据,并在第26行指定了另一个计算周期。在第28行里,或多或少人儿调用了calRSI法子 计算了另一个周期的RSI值,并存入stockDataFrame对象,当前第29行的输出语录是注释掉的,在打开后,或多或少人儿能看到计算后的结果值,其中中有 upAvg6、downAvg6和RSI6等列。

    在得到RSI数据后,从第31行刚现在开始了了绘图,其中比较重要的步骤是通过第32行到第34行的代码,用plot法子 绘制十根曲线,很久通过第35行的legend法子 设置图例,通过第37行和第38行的代码设置x轴刻度的文字以及旋转效果,通过第42行的代码设置网格样式,通过第43的代码设置标题。

    在第46行通过show法子 绘图前,或多或少人儿通过第45行的代码,用savefig法子 把图形保存到了指定目录,请注意这句话时要放入 show法子 前,可是保存的图片就会是空的。

    运行上述代码,能看到如下图所示的RSI效果图。时要说明的是,可是本例在计算收盘价涨数和均值和收盘价跌数和均值时,用的是简单移动平均算法,所以绘制出来的图形可是和或多或少软件里的不一致,但趋势相同。可是,在指定目录里,能看到png图片。

     

3  整合K线后用邮件发送

    在DrawKwithRSI.py代码里,或多或少人儿将完成如下另一个工作,第一,计算6日、12日和24日的RSI值。第二,绘制K线加均线加RSI指标图,并把结果保存为png格式图片。第三,发送邮件,并把png图片以富文本的格式展示在邮件正文中。

1    #!/usr/bin/env python
2    #coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt 
5    from mpl_finance import candlestick2_ochl
6    from matplotlib.ticker import MultipleLocator
7    import smtplib
8    from email.mime.text import MIMEText
9    from email.mime.image import MIMEImage
10    from email.mime.multipart import MIMEMultipart
11    #计算RSI的法子

,入参periodList传入周期列表 
12    def calRSI(df,periodList):
13        和DrawRSI.py案例中的一致    

    从第3行到第10行,或多或少人儿引入了相关的库文件,第12行定义的calRSI法子 和很久案例中的完整篇 一致,所以就不再给出代码。    

14	filename='D:\\stockData\ch10\\30005842018-09-012019-05-31.csv'
15	df = pd.read_csv(filename,encoding='gbk')
16	list = [6,12,24] #周期列表
17	#调用法子

计算RSI
18	stockDataFrame = calRSI(df,list) 
19	figure = plt.figure()
20	#创建子图     
21	(axPrice, axRSI) = figure.subplots(2, sharex=True)
22	#调用法子

,在第axPrice子图里绘制K线图 
23	candlestick2_ochl(ax = axPrice, opens=df["Open"].values, closes=df["Close"].values, highs=df["High"].values, lows=df["Low"].values,width=0.75, colorup='red', colordown='green')
24	axPrice.set_title("K线图和均线图")#设置子图标题
25	stockDataFrame['Close'].rolling(window=3).mean().plot(ax=axPrice,color="red",label='十天均线')
26	stockDataFrame['Close'].rolling(window=5).mean().plot(ax=axPrice,color="blue",label='十天均线')
27	stockDataFrame['Close'].rolling(window=10).mean().plot(ax=axPrice,color="green",label='10天均线')
28	axPrice.legend(loc='best') #绘制图例
29	axPrice.set_ylabel("价格(单位:元)")
300	axPrice.grid(line) #带网格线        
31	#在axRSI子图里绘制RSI图形
32	stockDataFrame['RSI6'].plot(ax=axRSI,color="blue",label='RSI6')
33	stockDataFrame['RSI12'].plot(ax=axRSI,color="green",label='RSI12')
34	stockDataFrame['RSI24'].plot(ax=axRSI,color="purple",label='RSI24')
35	plt.legend(loc='best') #绘制图例
36	plt.rcParams['font.sans-serif']=['SimHei']       
37	axRSI.set_title("RSI图")#设置子图的标题
38	axRSI.grid(line) #带网格线
39	#设置x轴坐标标签和旋转高度
40	major_index=stockDataFrame.index[stockDataFrame.index%7==0]
41	major_xtics=stockDataFrame['Date'][stockDataFrame.index%7==0]
42	plt.xticks(major_index,major_xtics)
43	plt.setp(plt.gca().get_xticklabels(), rotation=300) 
44	plt.savefig('D:\\stockData\ch10\\3000584RSI.png')

    在第18行里,或多或少人儿通过调用calRSI法子 得到了另一个周期的RSI数据。在第21行里,设置了axPrice和axRSI这另一个子图共享x轴标签,在第23行里绘制了K线图,在第25行到第27行里,绘制了3日、5日和10日的均线,在第32行到第34行里,绘制了6日、12日和24日的十根RSI指标图。在第44行里通过savefig法子 ,把中有 K线、均线和RSI指标线的图形地处指定目录中。     

45	#发送邮件
46	def sendMail(username,pwd,from_addr,to_addr,msg):
47	    和很久sendMailWithPicAttachment.py案例中的一致
48	def buildMail(HTMLContent,subject,showFrom,showTo,attachfolder,attachFileName):
49	    message = MIMEMultipart()
3000	    body = MIMEText(HTMLContent, 'html', 'utf-8')
51	    message.attach(body)
52	    message['Subject'] = subject
53	    message['From'] = showFrom
54	    message['To'] = showTo
55	    imageFile = MIMEImage(open(attachfolder+attachFileName, 'rb').read())
56	    imageFile.add_header('Content-ID', attachFileName)
57	    imageFile['Content-Disposition'] = 'attachment;filename="'+attachFileName+'"'
58	    message.attach(imageFile)
59	    return message

 第46行定义的sendMail法子 和很久案例中的完整篇 一致,所以就不给出完整篇 的代码。本案例与很久不同的是,在第48行里,专门定义了buildMail法子 ,用来组装邮件对象,邮件的诸多次要由该法子 的参数所定义。

    具体而言,在第49行里定义邮件类型是MIMEMultipart,也可是说带附件的邮件,在第3000行和第51行里,根据参数HTMLContent构建了邮件的正文,在第52行到第54行里,设置了邮件的相关属性值,从第55行到第57行,根据入参构建了MIMEImage类型的图片类附件,在第58行里,通过attach法子 把附件并入邮件正文。    

300	subject='RSI效果图'
61	attachfolder='D:\\stockData\\ch10\\'
62	attachFileName='3000584RSI.png'
63	HTMLContent = '<html><head></head><body>'\
64	 '<img src="cid:'+attachFileName+'"/>'\
65	 '</body></html>'
66	message = buildMail(HTMLContent,subject,'hsm_computer@163.com','hsm_computer@163.com',attachfolder,attachFileName) 
67	sendMail('hsm_computer','xxx','hsm_computer@163.com','hsm_computer@163.com',message.as_string())  
68	#最后再绘制
69	plt.show()

 在第300行到第66行,或多或少人儿设置了邮件的相关属性值,并在第66行里,通过调用buildMail法子 创建了邮件对象message,在第第67行里,通过调用sendMail法子 发送邮件,最后在第69行通过show法子 绘制了图形。请或多或少人儿注意本案例中的另一个细节。

    第一,           第64行cid的值时要和第56行的Content-ID值一致,可是图片不到以附件的形式发送,无法在邮件正文里以富文本的格式展示。

    第二,           或多或少人儿是先构建和发送邮件,再通过第69行的代码绘制图形,可是次序颠倒先绘制图形后发送邮件语录,show法子 被调用后应用线程会阻塞在你你是什么 位置,代码无法继续执行。要等到手动关闭掉由show法子 弹出的窗口后,才会触发sendMail法子 发送邮件。

    第三,           在本案例的第48行,或多或少人儿专门封装了用于构建邮件对象的buildMail法子 ,在其中通过参数动态地构建邮件,原先也无需发送其它邮件,则还时要调用该法子 ,从而能提升代码的重用性。

    运行上述代码,或多或少人儿能在弹出的窗口里看到K线、均线和RSI指标图整合后的效果图,也都都能能在邮件的正文里看到相同的图。

     

4  RSI指标对买卖点的指导意义

    一般来说,或多或少人儿把6日、12日和24日的RSI指标称为为短期、中期和长期指标。和KDJ指标一样,RSI指标完整篇 都是超买和超卖区。

    具体而言,当RSI值在3000到70间波动时,表示当前属于强势具体情况,如继续上升,超过3000时,则到超买区,极也都如此短期内转升为跌。反之RSI值在20到3000之间时,说明当前市场地处相对弱势,如下降到20以下,则进入超卖区,股价可是老是 出先反弹。

    在讲述RSI交易策略前,或多或少人儿先来讲述下在实际操作中总结出来的RSI指标的地处问题。

    第一,周期较短(比如6日)的RSI指标比较灵敏,但快速震荡的次数较多,可靠性相对差些,而周期较长(比如24日)的RSI指标可靠性强,但灵敏度地处问题,老是 会“滞后”的具体情况。

    第二,当数值在40到300间波动时,往往参考价值不大,具体而言,当数值向上突破3000临界点时,表示股价已转强,反之向下跌破3000时则表示转弱,不过在实践过程中,老是 会老是 出先RSI跌破3000后股价却不下跌,而突破3000后股价不涨。

    综合RSI算法、相关理论以及地处问题,或多或少人儿来讲述下实际操作中常用的基于该指标的卖策略。

    第一,RSI短期指标(6日)在20以下超卖区与中长期RSI(12日或24日)地处黄金交叉,即6日线上穿12日或24日线,则说明即将地处反弹行情,可是其它技术或政策等方面没太间题,还时要适当买进。

    第二,反之,RSI短期指标(6日)在3000以上超买区与中长期RSI(12日或24日)地处死亡交叉,即6日线下穿12日或24日线,则说明也无需老是 出先高位反转的具体情况,可是如此其它利喜信,还时要考虑卖出。

5 计算卖点,以邮件的形式发送

    根据上文描述,这里采用的基于RSI的买点策略是,RSI6日线在20以下与中长期RSI(12日或24日)地处黄金交叉。在如下的calRSIBuyPoints.py案例中,或多或少人儿据此策略计算3000584(长电科技)从2018年9月到2019年5月间的卖点,可是通过邮件发送买点日期。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	import pandas as pd
4	import smtplib
5	from email.mime.text import MIMEText
6	from email.mime.image import MIMEImage
7	from email.mime.multipart import MIMEMultipart
8	#计算RSI的法子

,入参periodList传入周期列表 
9	def calRSI(df,periodList):
10	    和DrawRSI.py案例中的一致,省略相关代码
11	filename='D:\\stockData\ch10\\30005842018-09-012019-05-31.csv'
12	df = pd.read_csv(filename,encoding='gbk')
13	list = [6,12,24] #周期列表
14	#调用法子

计算RSI
15	stockDataFrame = calRSI(df,list) 

    在上述代码的第15行里,或多或少人儿通过调用calRSI法子 计算RSI指标值,这次要和10.3.2次要的calRSIBuyPoints.py相关代码非常例如,所以就不再重复说明。   

16	cnt=0    
17	sellDate=''
18	while cnt<=len(stockDataFrame)-1:
19	    if(cnt>=300):#前几天有误差,从第300天算起
20	        try:        
21	            #规则1,这天RSI6高于3000
22	            if stockDataFrame.iloc[cnt]['RSI6']<3000:
23	                #规则2.1,当天RSI6下穿RSI12
24	                if  stockDataFrame.iloc[cnt]['RSI6']<stockDataFrame.iloc[cnt]['RSI12'] and stockDataFrame.iloc [cnt-1]['RSI6']>stockDataFrame.iloc[cnt-1]['RSI12']:
25	                    sellDate = sellDate+stockDataFrame.iloc[cnt]['Date'] + ','
26	                    #规则2.2,当天RSI6下穿RSI24
27	                if  stockDataFrame.iloc[cnt]['RSI6']<stockDataFrame.iloc[cnt]['RSI24'] and stockDataFrame.iloc[cnt-1] ['RSI6']>stockDataFrame.iloc[cnt-1]['RSI24']:
28	                    if sellDate.index(stockDataFrame.iloc[cnt]['Date']) == -1:
29	                        sellDate = sellDate+stockDataFrame.iloc[cnt]['Date'] + ','
300	        except:
31	            pass                
32	    cnt=cnt+1
33	print(sellDate)

    在第18行到第32行的while循环里,或多或少人儿计算了基于RSI的卖点,在第22行的语录里,或多或少人儿制定了第另一个规则:RSI6数值大于3000,在第23行和第27行,或多或少人儿在规则一的基础上制定了另一个并行的规则,通过上述代码,或多或少人儿会在sellDate对象里存放RSI6大于3000可是RSI6下穿RSI12(或RSI24)的交易日,有有哪些交易日即为卖点。    

34	def sendMail(username,pwd,from_addr,to_addr,msg):
35	    和很久calRSIBuyPoints.py案例中的完整篇

一致
36	def buildMail(HTMLContent,subject,showFrom,showTo,attachfolder,attachFileName):
37	    和很久calRSIBuyPoints.py案例中的完整篇

一致
38	subject='RSI卖点分析'
39	attachfolder='D:\\stockData\\ch10\\'
40	attachFileName='3000584RSI.png'
41	HTMLContent = '<html><head></head><body>'\
42	 '卖点日期' + sellDate + \
43	 '<img src="cid:'+attachFileName+'"/>'\
44	 '</body></html>'
45	message = buildMail(HTMLContent,subject,'hsm_computer@163.com','hsm_computer@163.com',attachfolder,attachFileName) 
46	sendMail('hsm_computer','xxx','hsm_computer@163.com','hsm_computer@163.com',message.as_string()) 

 第34行和第36行的另一个用于发送邮件和构建构建的法子 和很久案例的完整篇 一致,所以就不再额外说明。

   在第38行或多或少人儿定义的邮件标题是“RSI卖点分析”,在第41行定义的描述正文的HTMLContent对象里,或多或少人儿存放的也是“卖点日期”,最终是通过第46行调用sendMail法子 发送邮件。

    运行上述代码,或多或少人儿能看到如下图所示的邮件,其中包括了卖点日期和指标图。这里通过计算得出的卖点日期比较多,经分析,有有哪些日期很久,股价多有下跌具体情况。

        

6 总结和版权说明

    本文是给应用线程员加财商系列,很久的系列文如下:

    以预测股票涨跌案例入门基于SVM的机器学习  

    用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)  

    本文力争做到完整篇 ,比如代码按行编号,并针对行号完整篇 解释,且图文并茂,所以可是或多或少人儿感觉还时要,请尽量帮忙推荐一下。

本文的内容即将出书,在出版的书里,是用股票案例和或多或少人儿讲述Python入门时的知识点,敬请期待

    

    有不少女网友转载和要我转载我的博文,此人 感到十分荣幸,这也是此人 不断写博文的动力。关于本文的版权有如下统一的说明,抱歉就不逐一回复了。

    1 本文可转载,无需告知,转载时请用链接的法子 ,给出原文出处,别简单地通过文本法子 给出,同時 写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。可是此人 保留追究法律责任的权利。