在前三篇文档中我们大概学习了成交量指标、价格指标和重叠研究指标（均线相关），其中成交量就是多空双方的力量对比指标，经过作图发现能量潮和ADOSC指标比较好，其均通过成交量的统计得出。如果其趋势向上表示上涨力量较大，反正空方占优。但是再具体实践中还需要对风格切换的关键点进行仔细翔实。除此之外就是价格指标，价格指标只是单纯的试图通过数学计算得出能够代替所有交易价格的这样一个价格，通过仔细思考，我们发现典型价格比较好，因为每日的交易的最终图像是五边形，使用收盘价做处理其实是合理的，我记得有一篇论文他们就是采用的收盘价做五边形的定点。当然加权收盘价也是比较重要的，加权收盘价通过给收盘价更好的次数，使得加权收盘价总是大于或小于真实的收盘价。为什么这么计算的原因在于一个基础性的假设，这个假设就是收盘价在某种程度上代表未来，加权收盘价就是放大这种效果，通过与趋势线的对比可能会好于真正的收盘价的比较。在最后的一篇文档中，我们学习了重叠性研究指标，发现重叠性就是均线指标。首先就是布林带，通过对收盘价的统计，画出价格的的波动范围，主要用上轨、下轨和中轨，中轨采用的是均线。这其中有几种形态分别为喇叭口和收紧。这种形态的产生也和布林线的统计有关，一般来说横盘是收紧，上升和下降均为喇叭口。这块和kdj结合比较好，因为kdj就是用来识别底部的指标，而布林线能够提供上升的参考。在均线指标中还有更加平滑的T3和对当日给予更大权重的移动加权平均法（原理和典型价格一样）。都有不错的表现，在实际使用中我们可以采用T3才替代趋势线（均线）。

今天我们学习一下波动率函数，潜意识里波动率应该就是通过统计来描述股价来回起伏的频次。按照一般逻辑应该与方差等有关系。现在我们看看talib的波动率指标是怎么做的。

       ATR函数

真实波动幅度均值，真实的波动幅度=max（最大值，昨日收盘价）-min（最小值，昨日收盘价）真实波动幅度便是真实波动幅度的N日指数移动平均数

特点：

波动幅度的概念表示可以显示出交易者的期望和热情

大幅的增加波动幅度表示交易者在当天可能持续买进或卖出股票

波动幅度的减少意味着交易者对股市没有太大的兴趣

real=ATR(high、low、close、timeperiod=14)

NATR函数

    归一化波动幅度均值

real = NATR(high, low, close, timeperiod=5)

TRANGE函数

    真实范围函数，计算公式

real = TRANGE(high, low, close)

源码如下（有部分多余代码未删除）：

import numpyimport talibimport matplotlib.pyplot as plt# import matplotlib.finance as mpfimport mplfinance as mpf# pip install --upgrade mplfinancefrom matplotlib.pylab import date2numimport matplotlib.ticker as ticker  # 用于日期刻度定制import tablib as tbimport baostock as bsimport pandas as pdimport datetimefrom matplotlib import colors as mcolors  # 用于颜色转换成渲染时顶点需要的颜色格式from matplotlib.collections import LineCollection, PolyCollection  # 用于绘制直线集合和多边形集合from matplotlib.widgets import Cursor  # 处理鼠标def date_to_num(dates):    num_time = []    for date in dates:        date_time = datetime.datetime.strptime(date,'%Y-%m-%d')        num_date = date2num(date_time)        num_time.append(num_date)    return num_time# 绘制蜡烛图def format_date(x, pos=None):    # 日期格式化函数，根据天数索引取出日期值    return '' if x < 0 or x > len(date_tickers) - 1 else date_tickers[int(x)]lg = bs.login()rs = bs.query_history_k_data_plus("sh.600567",    "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",    start_date='1999-07-01', end_date='2020-10-18',    frequency="d", adjustflag="3")#### 打印结果集 ####data_list = []while (rs.error_code == '0') & rs.next():    data_list.append(rs.get_row_data())result = pd.DataFrame(data_list, columns=rs.fields)#二维数组result=result.loc[:,['date','open','high','low','close','volume'] ]result=result[-200:]date_tickers=result.date.valuesresult.date = range(0, len(result))  # 日期改变成序号matix = result.values  # 转换成绘制蜡烛图需要的数据格式(date, open, close, high, low, volume)xdates = matix[:,0] # X轴数据(这里用的天数索引)adReal=talib.AD(result['high'],result['low'],result['close'],result['volume'])adoscReal=talib.ADOSC(result['high'],result['low'],result['close'],result['volume'],fastperiod=3,slowperiod=10)realObv=talib.OBV(result['close'],result['volume'])avgPrice=talib.AVGPRICE(result['open'],result['high'],result['low'],result['close'])medPrice=talib.MEDPRICE(result['high'],result['low'])typePrice=talib.TYPPRICE(result['high'],result['low'],result['close'])wclPrice=talib.WCLPRICE(result['high'],result['low'],result['close'])demaPrice=talib.DEMA(result['close'],timeperiod=5)hitrendline = talib.HT_TRENDLINE(result['close'])kamaPrice=talib.KAMA(result['close'])ma5Price=talib.MA(result['close'],timeperiod=5,matype=0)sarPrice=talib.SAR(result['high'],result['low'],acceleration=0,maximum=0)t3Price = talib.T3(result['close'], timeperiod=5, vfactor=0)wmaPrice = talib.WMA(result['close'], timeperiod=5)podongPrice=talib.ATR(result['high'],result['low'],result['close'],timeperiod=5)natrPrice=talib.NATR(result['high'],result['low'],result['close'],timeperiod=5)trangePrice=talib.TRANGE(result['high'],result['low'],result['close'])print("--deme price")print(demaPrice)upperband, middleband, lowerband = talib.BBANDS(result['close'], timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)# 设置外观效果plt.rc('font', family='Microsoft YaHei')  # 用中文字体，防止中文显示不出来plt.rc('figure', fc='k')  # 绘图对象背景图plt.rc('text', c='#800000')  # 文本颜色plt.rc('axes', axisbelow=True, xmargin=0, fc='k', ec='#800000', lw=1.5, labelcolor='#800000',       unicode_minus=False)  # 坐标轴属性(置底，左边无空隙，背景色，边框色，线宽，文本颜色，中文负号修正)plt.rc('xtick', c='#d43221')  # x轴刻度文字颜色plt.rc('ytick', c='#d43221')  # y轴刻度文字颜色plt.rc('grid', c='#800000', alpha=0.9, ls=':', lw=0.8)  # 网格属性(颜色，透明值，线条样式，线宽)plt.rc('lines', lw=0.8)  # 全局线宽# 创建绘图对象和4个坐标轴fig = plt.figure(figsize=(16, 8))left, width = 0.05, 0.9ax1 = fig.add_axes([left, 0.6, width, 0.4])  # left, bottom, width, heightax2 = fig.add_axes([left, 0.5, width, 0.15], sharex=ax1)  # 共享ax1轴ax3 = fig.add_axes([left, 0.35, width, 0.15], sharex=ax1)  # 共享ax1轴ax4 = fig.add_axes([left, 0.2, width, 0.15], sharex=ax1)  # 共享ax1轴ax5 = fig.add_axes([left, 0.05, width, 0.15], sharex=ax1)  # 共享ax1轴plt.setp(ax1.get_xticklabels(), visible=False)  # 使x轴刻度文本不可见，因为共享，不需要显示plt.setp(ax2.get_xticklabels(), visible=False)  # 使x轴刻度文本不可见，因为共享，不需要显示plt.setp(ax3.get_xticklabels(), visible=False)  # 使x轴刻度文本不可见，因为共享，不需要显示ax1.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))  # 设置自定义x轴格式化日期函数ax1.xaxis.set_major_locator(ticker.MultipleLocator(max(int(len(result) / 15), 5)))  # 横向最多排15个左右的日期，最少5个，防止日期太拥挤# # 下面这一段代码，替换了上面注释的这个函数，因为上面的这个函数达不到同花顺的效果opens, closes, highs, lows = matix[:, 1], matix[:, 4], matix[:, 2], matix[:, 3]  # 取出ochl值avg_dist_between_points = (xdates[-1] - xdates[0]) / float(len(xdates))  # 计算每个日期之间的距离delta = avg_dist_between_points / 4.0  # 用于K线实体(矩形)的偏移坐标计算barVerts = [((date - delta, open), (date - delta, close), (date + delta, close), (date + delta, open)) for date, open, close in zip(xdates, opens, closes)]  # 生成K线实体(矩形)的4个顶点坐标rangeSegLow = [((date, low), (date, min(open, close))) for date, low, open, close in  zip(xdates, lows, opens, closes)]  # 生成下影线顶点列表rangeSegHigh = [((date, high), (date, max(open, close))) for date, high, open, close in zip(xdates, highs, opens, closes)]  # 生成上影线顶点列表rangeSegments = rangeSegLow + rangeSegHigh  # 上下影线顶点列表print(rangeSegments)cmap = {        True: mcolors.to_rgba('#000000', 1.0),        False: mcolors.to_rgba('#54fcfc', 1.0)   }  # K线实体(矩形)中间的背景色(True是上涨颜色，False是下跌颜色)inner_colors = [cmap[opn < cls] for opn, cls in zip(opens, closes)]  # K线实体(矩形)中间的背景色列表cmap = {True: mcolors.to_rgba('#ff3232', 1.0),        False: mcolors.to_rgba('#54fcfc', 1.0)}  # K线实体(矩形)边框线颜色(上下影线和后面的成交量颜色也共用)updown_colors = [cmap[opn < cls] for opn, cls in zip(opens, closes)]  # K线实体(矩形)边框线颜色(上下影线和后面的成交量颜色也共用)列表ax1.add_collection(LineCollection(rangeSegments, colors=updown_colors, linewidths=0.5,antialiaseds=False))  # 生成上下影线的顶点数据(颜色，线宽，反锯齿，反锯齿关闭好像没效果)ax1.add_collection(PolyCollection(barVerts, facecolors=inner_colors, edgecolors=updown_colors, antialiaseds=False,linewidths=0.5))  # 生成多边形(矩形)顶点数据(背景填充色，边框色，反锯齿，线宽)# 绘制均线mav_colors = ['#ffffff', '#d4ff07', '#ff80ff', '#00e600', '#02e2f4', '#ffffb9', '#2a6848']  # 均线循环颜色# mav_period = [5, 10, 20, 30, 60, 120, 180]  # 定义要绘制的均线周期，可增减mav_period = [5]  # 定义要绘制的均线周期，可增减n = len(result)for i in range(len(mav_period)):    if n >= mav_period[i]:        mav_vals = result['close'].rolling(mav_period[i]).mean().values        ax1.plot(xdates, mav_vals, c=mav_colors[i % len(mav_colors)], label='MA' + str(mav_period[i]))print(sarPrice)ax1.plot(xdates,sarPrice,label='sarPrice')ax1.plot(xdates,t3Price,label='t3price')ax1.plot(xdates,wmaPrice,label='wmaprice')ax1.set_title('sz.002918')  # 标题ax1.grid(True)  # 画网格ax1.legend(loc='upper left')  # 图例放置于右上角ax1.xaxis_date()  # 好像要不要效果一样？# 绘制成交量和成交量均线（5日，10日）# ax2.bar(xdates, matix[:, 5], width= 0.5, color=updown_colors) # 绘制成交量柱状图barVerts = [((date - delta, 0), (date - delta, vol), (date + delta, vol), (date + delta, 0)) for date, vol in zip(xdates, matix[:, 5])]# 生成K线实体(矩形)的4个顶点坐标ax2.add_collection(PolyCollection(barVerts, facecolors=inner_colors, edgecolors=updown_colors, antialiaseds=False,linewidths=0.5))# 生成多边形(矩形)顶点数据(背景填充色，边框色，反锯齿，线宽)if n >= 5:  # 5日均线，作法类似前面的均线    vol5 = result['volume'].rolling(5).mean().values    ax2.plot(xdates, vol5, c='y', label='VOL5')if n >= 10:  # 10日均线，作法类似前面的均线    vol10 = result['volume'].rolling(10).mean().values    ax2.plot(xdates, vol10, c='w', label='VOL10')ax2.yaxis.set_ticks_position('right')  # y轴显示在右边ax2.legend(loc='upper left')  # 图例放置于右上角ax2.grid(True)  # 画网格ax3.plot(xdates, trangePrice, c='w', label='trange')ax3.legend(loc='upper left')  # 图例放置于右上角ax3.grid(True)  # 画网格ax4.plot(xdates,podongPrice,label='ATR')ax4.axhline(0, ls='-', c='w', lw=0.5)  # 水平线ax4.legend(loc='upper left')  # 图例放置于右上角ax4.grid(True)  # 画网格ax5.axhline(0, ls='-', c='w', lw=0.5)  # 水平线ax5.plot(xdates,natrPrice,label='NATR')ax5.legend(loc='upper left')  # 图例放置于右上角ax5.grid(True)  # 画网格cursor = Cursor(ax1, useblit=True, color='w', linewidth=0.5, linestyle='--')cursor1 = Cursor(ax3, useblit=True, color='w', linewidth=0.5, linestyle='--')cursor2 = Cursor(ax4, useblit=True, color='w', linewidth=0.5, linestyle='--')# 登出系统bs.logout()plt.show()