使用 Python 计算 OHLC 数据的平均真实范围 (ATR)答案

【问题标题】：Calculating Average True Range (ATR) on OHLC data with Python使用 Python 计算 OHLC 数据的平均真实范围 (ATR)
【发布时间】：2017-03-08 11:15:32
【问题描述】：

ATR 是给定时间段内真实范围的平均值。真实范围是（高-低）意味着我已经用以下方法计算了这个：

df['High'].subtract(df['Low']).rolling(distance).mean()

但是，如果需要短周期（或上例中的“距离”），ATR 可能会非常不稳定，即在某些数字之间会出现较大的零星间隙。

真正的 ATR 方程可以识别这一点并通过执行以下操作将其平滑：

Current ATR = [(Prior ATR x 13) + Current TR] / 14

但是我不确定如何以与上面相同的方式执行此操作，即列宽操作。

我原始方法中的样本数据，包括 TR 和 ATR(10)：

Date        Time            Open    High    Low     Close   TR      ATR
30/09/16    14:45:00+00:00  1.1216  1.1221  1.1208  1.1209  0.0013  0.0013
30/09/16    15:00:00+00:00  1.1209  1.1211  1.1203  1.1205  0.0008  0.0013
30/09/16    15:15:00+00:00  1.1205  1.1216  1.1204  1.1216  0.0012  0.0013
30/09/16    15:30:00+00:00  1.1217  1.1222  1.1213  1.1216  0.0008  0.0013
30/09/16    15:45:00+00:00  1.1216  1.1240  1.1216  1.1240  0.0025  0.0015
30/09/16    16:00:00+00:00  1.1239  1.1246  1.1228  1.1242  0.0019  0.0015
30/09/16    16:15:00+00:00  1.1242  1.1251  1.1235  1.1240  0.0016  0.0016
30/09/16    16:30:00+00:00  1.1240  1.1240  1.1234  1.1236  0.0007  0.0014
30/09/16    16:45:00+00:00  1.1237  1.1245  1.1235  1.1238  0.0009  0.0012
30/09/16    17:00:00+00:00  1.1238  1.1239  1.1231  1.1233  0.0008  0.0012
30/09/16    17:15:00+00:00  1.1233  1.1245  1.1232  1.1240  0.0013  0.0012
30/09/16    17:30:00+00:00  1.1240  1.1242  1.1228  1.1230  0.0013  0.0013
30/09/16    17:45:00+00:00  1.1230  1.1230  1.1221  1.1227  0.0009  0.0013
30/09/16    18:00:00+00:00  1.1227  1.1232  1.1227  1.1232  0.0005  0.0012
30/09/16    18:15:00+00:00  1.1232  1.1232  1.1227  1.1227  0.0005  0.0010
30/09/16    18:30:00+00:00  1.1227  1.1231  1.1225  1.1231  0.0006  0.0009
30/09/16    18:45:00+00:00  1.1231  1.1237  1.1230  1.1232  0.0007  0.0008
30/09/16    19:00:00+00:00  1.1232  1.1233  1.1229  1.1231  0.0004  0.0008
30/09/16    19:15:00+00:00  1.1231  1.1234  1.1230  1.1230  0.0004  0.0007
30/09/16    19:30:00+00:00  1.1231  1.1234  1.1230  1.1234  0.0004  0.0007
30/09/16    19:45:00+00:00  1.1233  1.1240  1.1230  1.1239  0.0010  0.0007
30/09/16    20:00:00+00:00  1.1239  1.1242  1.1237  1.1238  0.0005  0.0006
30/09/16    20:15:00+00:00  1.1238  1.1240  1.1235  1.1237  0.0005  0.0006
30/09/16    20:30:00+00:00  1.1237  1.1238  1.1235  1.1235  0.0003  0.0005
30/09/16    20:45:00+00:00  1.1235  1.1236  1.1233  1.1233  0.0003  0.0005
30/09/16    21:00:00+00:00  1.1233  1.1238  1.1233  1.1237  0.0006  0.0005
30/09/16    21:15:00+00:00  1.1237  1.1244  1.1237  1.1242  0.0008  0.0005
30/09/16    21:30:00+00:00  1.1242  1.1243  1.1239  1.1239  0.0004  0.0005
30/09/16    21:45:00+00:00  1.1239  1.1244  1.1236  1.1241  0.0008  0.0006

【问题讨论】：

您可以添加一些示例数据和所需的输出吗？
在那里添加了一些示例数据 jez
这里有类似问题的另一个答案：stackoverflow.com/questions/48821392/python-atr-calculation/…

标签： python pandas dataframe

【解决方案1】：

对于其他正在寻找如何做到这一点的人，这是我的答案。

def wwma(values, n):
    """
     J. Welles Wilder's EMA 
    """
    return values.ewm(alpha=1/n, adjust=False).mean()

def atr(df, n=14):
    data = df.copy()
    high = data[HIGH]
    low = data[LOW]
    close = data[CLOSE]
    data['tr0'] = abs(high - low)
    data['tr1'] = abs(high - close.shift())
    data['tr2'] = abs(low - close.shift())
    tr = data[['tr0', 'tr1', 'tr2']].max(axis=1)
    atr = wwma(tr, n)
    return atr

【讨论】：

很好，除了 values.ewm(alpha=1/n, adjust=False).mean() 我做 values.ewm(alpha=1/n, min_periods=n, adjust=False ).mean()，如果您没有足够的时间段的数据，则返回 NA。而且我不确定adjust=False。
这段代码看起来很不错。不知何故，我必须将 ignore_na=True 添加到 ewm 函数中，以便重现交易视图和交互式经纪人中的价值。

【解决方案2】：

这不是 TR 的正确计算，请参阅 - ATR，但我会这样做：

其中 alpha = 2 / (span+1)

df['ATR'] = df['TR'].ewm(span = 10).mean()

否则，您应该可以像这样轻松地进行自己的平滑处理：

df['ATR'] = ( df['ATR'].shift(1)*13 + df['TR'] ) / 14

Pandas ewm

【讨论】：