掌握金融模式识别

第 2 章 算法思维与函数 算法思维和功能

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

算法是计算机在特定条件下应用的一套 。你通常会使用算法来解决一个特定的问题，或者只是遵循任务的重复序列。您还可以使用算法通过扫描您设定的条件来寻找模式。

本书的主要目的是向你展示如何扫描、寻找和评估蜡烛图形态和策略。与手动执行任务相比，使用算法的主要好处如下：

速度

与人类相比，算法的运行速度极快。一个简单的算法可以在几秒钟内扫描数十万条数据，而人类完成同样的任务可能需要数周甚至数月的时间。

纪律

算法遵循一套明确的规则，不会因为感情或情绪而偶尔忽略规则。此外，算法不会陷入主观解释的陷阱。这对评估过程非常重要，因为你需要客观、清晰的衡量标准来判断你的交易系统。

误差百分比

如果代码中没有错误，算法一般不会出错。人类由于注意力不集中和疲劳，可能会犯很多错误。

备注

交易系统由多种算法组成 ，如交易和风险管理算法。稳健的交易系统依赖于基于规则的清晰而稳定的算法，以提供可靠的衡量标准。

本章分为四节。首先是基本函数，处理我在全书中使用的基本数据操作。然后，介绍如何对形态和策略的信号进行编码。然后是在价格图表上将信号可视化，这样你就能获得美观且可解释的表示。最后，你将学习关键性能评估指标以及如何对其进行编码。请务必掌握本章的概念，因为它们对本书的其他内容至关重要；它们不仅有助于检测形态，还有助于创建策略。

原始函数的编码

原始函数是 的一个自定义函数小集合，可以帮助您更好地操作数据数组。原始函数的想法最初只是我早年练习编码的一个练习，但随着时间的推移，它们变成了我在研究中经常使用的常规代码片段。

分析和回溯测试是重复性工作，需要某些函数在任何地方都能工作。让我们从最基本的原始函数开始（请记住，您将在本书中始终使用numpy ）。

为数组添加列的函数

有时，您需要 添加列，以填充指标或信号。例如，假设您有一个由四列组成的 OHLC 数组。您可以使用一个函数来添加额外的列，您可以用它来存储以下内容：

• 根据收盘价计算的指标，如简单移动平均线¹
• 使用预先确定的二进制值（如 1 表示买入信号，-1 表示卖出信号）代理买入和卖出信号

备注

数组中的行 代表时间步长。我在书中使用的是小时时间框架，这意味着每一行都包含每小时 OHLC 值和任何指标值或买卖代理。

因此，第一个基元函数 是add_column() ，如下面的代码片段所示：

def add_column(data, times):
    
    for i in range(1, times + 1):
    
        new = np.zeros((len(data), 1), dtype = float)
        
        data = np.append(data, new, axis = 1)

    return data

如len(data) 所示，函数 循环的次数由变量times 选择，每次循环都会创建一个包含零值的新数组，其长度与原始数据相同。这个新数组由np.zeros() 预建的numpy 函数产生。

最后一步是使用np.append() 将新创建的数组粘贴到原来的四列 旁边，这样就得到了一个五列数组。

随着循环的继续，列数也会增加。参数axis 指定了行和列之间的二进制选择。当它等于 0 时，指的是行，当它等于 1 时，指的是列。请记住，变量times 是要添加的列数，这在调用函数时指定。让我们看一个例子来更清楚地说明问题。 ...