python atr指标

ATR指标是一种技术分析指标，全称为平均真实波幅（Average True Range）。它的作用是测量价格波动的幅度，以便帮助投资者确定止损位置和波动性。

ATR指标的计算方式比较复杂，一般采用以下的公式：

TR = MAX(MAX(HIGH-LOW,ABS(HIGH-REF(CLOSE,1))),ABS(LOW-REF(CLOSE,1)))

ATR = MA(TR,N)

其中，TR是真实波幅，HIGH、LOW和CLOSE分别为当日的最高价、最低价和收盘价，REF(CLOSE,1)表示昨日的收盘价，MAX表示求最大值，ABS表示求绝对值，MA表示求平均值，N表示计算周期。

通过计算ATR指标，可以得到一个数值，这个数值代表了一定时间内股价波动的平均幅度。投资者可以根据这个数值来确定自己的止损位置，以及判断市场的波动性。

相关问题

backtrader里面，怎么使用talib的ATR指标，ATR的参数如何设置

在backtrader中使用talib的ATR指标需要先安装talib库。可以通过以下命令来安装：

pip install TA-Lib

安装完成后，在backtrader中使用talib的ATR指标可以按照以下步骤：

1. 导入talib库和backtrader库：

import talib
import backtrader as bt

2. 在backtrader的策略类中定义ATR指标：

class MyStrategy(bt.Strategy):
    params = (('atr_period', 14),)

    def __init__(self):
        self.atr = talib.ATR(self.data.high, self.data.low, self.data.close, timeperiod=self.params.atr_period)

在这个例子中，我们定义了一个名为`atr`的ATR指标，它的参数`timeperiod`设置为`self.params.atr_period`，这个参数可以在回测时进行调整。

3. 在`next()`方法中使用ATR指标：

def next(self):
    atr_value = self.atr[-1]
    # do something with atr_value

在这个例子中，我们通过`self.atr[-1]`来获取最新的ATR值，然后可以用这个值来进行交易决策。

需要注意的是，在定义ATR指标时，`self.data.high`、`self.data.low`和`self.data.close`分别表示该股票每天的最高价、最低价和收盘价，`timeperiod`表示ATR指标的计算周期，可以根据自己的需要进行调整。

股票20个常用指标python代码

以下是股票常用指标的 Python 代码示例：

1. 移动平均线（MA）

import pandas as pd

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算5日移动平均线
df['MA5'] = df['close'].rolling(5).mean()

# 计算10日移动平均线
df['MA10'] = df['close'].rolling(10).mean()

# 计算20日移动平均线
df['MA20'] = df['close'].rolling(20).mean()

2. 指数移动平均线（EMA）

import pandas as pd

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算12日指数移动平均线
df['EMA12'] = df['close'].ewm(span=12, adjust=False).mean()

# 计算26日指数移动平均线
df['EMA26'] = df['close'].ewm(span=26, adjust=False).mean()

3. 相对强弱指标（RSI）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算14日相对强弱指标
df['RSI'] = talib.RSI(df['close'].values, timeperiod=14)

4. 布林带（BOLL）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算布林带
df['upper'], df['middle'], df['lower'] = talib.BBANDS(df['close'].values, timeperiod=20)

5. 随机指标（KDJ）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算KDJ指标
high = df['high'].values
low = df['low'].values
close = df['close'].values
df['K'], df['D'] = talib.STOCH(high, low, close, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
df['J'] = 3 * df['K'] - 2 * df['D']

6. 平均真实波幅（ATR）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算14日平均真实波幅
df['ATR'] = talib.ATR(df['high'].values, df['low'].values, df['close'].values, timeperiod=14)

7. 动量指标（MOM）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算12日动量指标
df['MOM'] = talib.MOM(df['close'].values, timeperiod=12)

8. 相对强弱指数（RSI）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算14日相对强弱指数
df['RSI'] = talib.RSI(df['close'].values, timeperiod=14)

9. 指数平滑移动平均线（MACD）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算MACD指标
macd, macdsignal, macdhist = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
df['MACD'] = macd
df['MACD_SIGNAL'] = macdsignal
df['MACD_HIST'] = macdhist

10. 相对强弱平均线（RMI）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算RMI指标
df['RMI'] = talib.RMI(df['close'].values, timeperiod=14)

11. 能量潮指标（OBV）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算OBV指标
df['OBV'] = talib.OBV(df['close'].values, df['volume'].values)

12. 三重指数平滑移动平均线（TRIX）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算TRIX指标
df['TRIX'] = talib.TRIX(df['close'].values, timeperiod=30)

13. 移动平均线收敛/发散指标（MACD）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算MACD指标
macd, macdsignal, macdhist = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
df['MACD'] = macd
df['MACD_SIGNAL'] = macdsignal
df['MACD_HIST'] = macdhist

14. 顺势指标（CCI）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

high = df['high'].values
low = df['low'].values
close = df['close'].values

# 计算CCI指标
df['CCI'] = talib.CCI(high, low, close, timeperiod=20)

15. 平均趋向指标（ADX）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

high = df['high'].values
low = df['low'].values
close = df['close'].values

# 计算ADX指标
df['ADX'] = talib.ADX(high, low, close, timeperiod=14)

16. 相对强弱指标（ROC）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算ROC指标
df['ROC'] = talib.ROC(df['close'].values, timeperiod=10)

17. 心理线指标（PSY）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算PSY指标
df['PSY'] = talib.PSY(df['close'].values, timeperiod=12)

18. 威廉指标（WILLR）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

high = df['high'].values
low = df['low'].values
close = df['close'].values

# 计算WILLR指标
df['WILLR'] = talib.WILLR(high, low, close, timeperiod=14)

19. 相对强弱动量指标（RMI）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

# 计算RMI指标
df['RMI'] = talib.RMI(df['close'].values, timeperiod=14)

20. 梅斯线指标（MASS）

import pandas as pd
import talib

# 读取股票数据
df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

high = df['high'].values
low = df['low'].values
close = df['close'].values

# 计算MASS指标
df['MASS'] = talib.MASS(high, low, close)