目录
1. 指标简介
将这两个指标放在一起，一方面是因为这两个指标都属于摆动指数，可以反应市场的活跃度。
另一方面是因为CCI和ATR与之前提到的EMA,MACD,布林带的三个指标的计算基础不同。之前的三个指标都是以收盘价作为计算基础，而CCI和ATR是以收盘价、最高价、最低价三个价格最为计算基础。
下面分别进行介绍。
CCI
CCI 指标（Commodity Channel Index / CCI）全称为商品通道指数,是一种用于衡量价格趋势强弱的震荡类指标。
CCI 旨在更全面地分析一定时间段内的综合价格走势，更好地反映价格的变化和波动。与其他震荡指标不同，CCI 不仅以收盘价为参考，还使用了最高价、最低价和收盘价的平均值作为计算基础。
计算公式：
- 计算典型价格（TP）：TP =（最高价 + 最低价 + 收盘价）/ 3
- 计算典型价格移动平均线（TPSMA）：TPSMA = （TP1 + TP2 + TP3 + ... + TPn） / n
- 计算均值偏差（Mean Deviation）：MD = ( |TP1 - TPSMA1| +...+ |TPn - TPSMAn| ) / n
- 计算CCI指数：CCI = （ TPt - TPSMAt ）/ （ 0.015 X MDt ），其中t代表当前K线上的数据，0.015用于将70%到80%的CCI数据归纳在100和-100之间.
ATR
ATR指标（Average True Range / ATR）是一种用于衡量资产价格波动的指标。
ATR指标的计算方法：
- 计算波动幅度TR（True Range）：max(当天最高价和最低价之间的距离,前一天收盘价和当天最高价之间的距离,前一天收盘价和当天最低价之间的距离)。
- 取一定时间周期内（通常默认为14个交易日）TR的平均值，即可得到平均真实波动幅度ATR。
ATR的波动幅度概念可以显示出交易者的期望和市场交易的活跃程度。波动率越高，ATR值越高；反之，波动率越低，ATR值也越低。
2. 程序编写
由俭入奢，由易奢入俭难。自从用了 AI，就不想自己写代码了。
关门放 DevChat。
对程序进行修改，除了地址、用户名密码、数据库、SQL外，需要调整REstful查询方式。
python
response = requests.post(query_url, data=query, auth=(user, password))
data = json.loads(response.content.decode())TDengine 查询方面需要做出几项修改：
- Restful 需要使用 POST 方式；
- Body 中的内容是 SQL 明文；
- 返回的结果是 json 格式。
为方便图形查看，添加收盘价图形，并在 CCI 图形上添加趋势线来区分超买超卖区域。
python
import requests
import pandas as pd
import numpy as np
import json
from matplotlib import pyplot as plt
# 设置TDengine数据库的连接信息
host = 'http://10.7.7.14'
port = '6041'
user = 'root'
password = 'taosdata'
database = 'trade_data_c'
# 从TDengine查询一段时间内的收盘价
query_url = f"{host}:{port}/rest/sql/{database}"
query = "select tdate,close,high,low from trade_data_c.tdata where fcode='000001' and tdate>= '2022-03-01' AND tdate <= '2023-02-28'"
response = requests.post(query_url, data=query, auth=(user, password))
data = json.loads(response.content.decode())
df = pd.DataFrame(data['data'], columns=['tdate', 'close','high','low'])
df['tdate'] = pd.to_datetime(df['tdate'])
df.set_index('tdate', inplace=True)
# 计算ATR
df['high - low'] = df['close'].diff().abs()
df['high - close_pre'] = (df['high'] - df['close'].shift()).abs()
df['low - close_pre'] = (df['low'] - df['close'].shift()).abs()
df['TR'] = df[['high - low', 'high - close_pre', 'low - close_pre']].max(axis=1)
df['ATR'] = df['TR'].rolling(window=14).mean()
# 计算CCI
tp = (df['high'] + df['low'] + df['close']) / 3
ma = tp.rolling(window=20).mean()
md = tp.rolling(window=20).std()
df['CCI'] = (tp - ma) / (0.015 * md)
# 绘制ATR和CCI图形
plt.figure(figsize=(12, 8))
plt.subplot(3, 1, 1)
plt.plot(df.index, df['close'])
plt.title('CLOSE')
plt.xlabel('Date')
plt.ylabel('Value')
plt.subplot(3, 1, 2)
plt.plot(df.index, df['ATR']*10)
plt.title('ATR')
plt.xlabel('Date')
plt.ylabel('Value(x10)')
plt.subplot(3, 1, 3)
plt.plot(df.index, df['CCI'])
plt.axhline(y=0,color='red',linestyle='--')
plt.axhline(y=100,color='red',linestyle='--')
plt.axhline(y=-100,color='red',linestyle='--')
plt.title('CCI')
plt.xlabel('Date')
plt.ylabel('Value')
plt.tight_layout()
plt.show()
仔细想了想，我做的这些修改是否都可以由AI自动完成呢？
题外话
相比于只使用收盘价，采用更多的价格理论上应该更能贴近真实的市场。
但事实却不一定如此，有时最高价、最低价只是市场上的噪音，不应该考虑在内。