한계

물론 주가수익률은 정규분포를 따르지 않고, 중심극한 정리를 위한 이동평균의 수도 충분하지 않다. 그리고 95%와는 달리 실제로는 88%만이 밴드 내에 머무른다고 한다.

평균회귀 전략

볼린저밴드를 사용한 분석방법중 하나인 평균회귀 전략에 대해 알아보자. 앞서 볼린저밴드의 기본 개념은 2 * 표준편차에서 벗어나는 경우는 정상에서 벗어났난 경우라고 판단 하고 있다. 즉, 정상적인 95%를 벗어났다는것. 그리고 벗어난 데이터는 다시 회귀 하려는 성질을 갖고 있다는 것. 그에 따른 전략으로는 주가가 상단이나 하단에 근접 했을 경우 시장이 과매수 또는 과매도 국면에 달했을 가능성이 있다고 판단한다.

• 밴드 하단을 상향 돌파 했을 경우 매수
• 밴드 상단을 하향 돌파 했을 경우 매도

또한 이는 시장이 뚜렷한 상승, 하강 추세를 보일때 보다는 박스권 장세를 보일 때 매매 한다.

이동평균선

우선 이동평균선을 추가 해주자. 종가(close)를 기준으로 rolling() 함수를 사용하여 계산해준다. 그리고 이를 각각 MA5, MA20, MA60, MA120으로 만들어 준다. 추가로 이 전처리한 데이터들은 Airflow에서 처리 하는 과정은 나중에 업로드 할 예정이다.

df_raw['MA5'] = df_raw['close'].rolling(window=5).mean()
df_raw['MA20'] = df_raw['close'].rolling(window=20).mean()
df_raw['MA60'] = df_raw['close'].rolling(window=60).mean()
df_raw['MA120'] = df_raw['close'].rolling(window=120).mean()

볼린저밴드 계산

볼린저 밴드는 기본적으로 다음과 같이 계산 한다.

• 볼린저 밴드의 상한선: 20일의 이동평균선 값 + 표준편차 * 2
• 볼린저 밴드의 하한선: 20일의 이동평균선 값 - 표준편차 * 2

std = df_raw['close'].rolling(20).std(ddof=0)

df_raw['upper'] = df_raw['MA20'] + 2 * std
df_raw['lower'] = df_raw['MA20'] - 2 * std

날짜

데이터는 2019년도 부터 수집 되어있지만 이동평균 120일을 하게 되면 NA가 생긴다 (처음 120일 정도) 따라서 이는 미리 처리하고 2023년 3월 부터 시각화에 볼 수 있도록 처리 해주었다.

df_raw = df_raw[df_raw['date'] > '2023-03-01']
df_raw = df_raw.reset_index(drop = True)

볼린져밴드 상향,하향 회귀 계산

이제 볼린저밴드의 상향,하향 회귀하는 날짜를 계산 해주자

down_reg_sq = df_raw['upper'] - df_raw['close'] 
top_reg_sq  = df_raw['lower'] - df_raw['close'] 

down_reg = [idx for idx in range(1,len(df_raw)) if down_reg_sq[idx] > 0 and down_reg_sq[idx-1] <= 0]
top_reg = [idx for idx in range(1,len(df_raw)) if top_reg_sq[idx] < 0 and top_reg_sq[idx-1] >= 0]

down_reg_df = pd.DataFrame({
    'index':down_reg,
    'name':'하향 회귀'})

top_reg_df = pd.DataFrame({
    'index':top_reg,
    'name':'상향회귀'})
    
cross_df = pd.concat([down_reg_df, top_reg_df])
cross_df = cross_df.reset_index(drop = True)

시각화 분할

시각화 분할을 진행 해주자. make_subplots()를 사용하여 plotly에 여러개의 그래프를 나눠서 추가해주자. 추가할 내용은 거래량 이다. plotly에서 go를 사용한 시각화에서 기본적으로 Figure를 사용했다. 이번에는 make_subplots()에 옵션을 주어 row 2개, columns 1개인 시각화를 진행 할 예정. 여기서 row_heights=[0.7, 0.3] 옵션은, 2개의 row의 각 비율이다.

# fig = go.Figure()
fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.01, row_heights=[0.7, 0.3])

row =1, col =1 기본 차트 추가

이제 캔들스틱, 이동평균 시각화를 추가 해준다. 여기서 유의해야할 점은, 각 시각화에 row, col을 지정해주어야 한다. 그래야 각 시각화가 해당 위치에 들어간다.

# 캔들스틱차트
fig.add_trace(go.Candlestick(
    x=df_raw['date'],
    open=df_raw['open'],
    high=df_raw['high'],
    low=df_raw['low'],
    close=df_raw['close'],
    increasing_line_color= 'red', decreasing_line_color= 'blue', 
    name = ''), row = 1, col = 1)

# MA 5 
fig.add_trace(go.Scatter(x=df_raw['date'],y=df_raw['MA5'],
                         opacity=0.7,
                         line=dict(color='blue', width=2),
                         name='MA 5') , row = 1, col = 1)

# MA 20
fig.add_trace(go.Scatter(x=df_raw['date'],y=df_raw['MA20'],
                         opacity=0.7,
                         line=dict(color='orange', width=2),
                         name='MA 20'), row = 1, col = 1)

# MA 60
fig.add_trace(go.Scatter(x=df_raw['date'],y=df_raw['MA60'],
                         opacity=0.7,
                         line=dict(color='purple', width=2),
                         name='MA 60'), row = 1, col = 1)

# MA 120
fig.add_trace(go.Scatter(x=df_raw['date'],y=df_raw['MA120'],
                         opacity=0.7,
                         line=dict(color='green', width=2),
                         name='MA 120'), row = 1, col = 1)

이제 추가로 볼린저 밴드를 넣어 주자. go.scatter() 에 상한선, 하한선을 그었고 fill 옵션에 ’toself’를 넣어 주어 상한선, 하한선 사이에 색칠을 해준다.

fig.add_trace(go.Scatter(
    x=pd.concat([df_raw['date'], df_raw['date'][::-1]]),
    y=pd.concat([df_raw['upper'], df_raw['lower'][::-1]]),
    fill='toself',
    fillcolor='rgba(255,255,0,0.1)',
    line=dict(color='rgba(255,255,255,0.2)', width=2),
    name='Bollinger Band',
    showlegend=False
), row = 1, col = 1)

그리고 상향, 하향 회귀 하는 데이터를 넣어주고 fig.add_annotation()를 사용하여 화살표와 텍스트를 처리 해준다.

# 상향, 하향 회귀
for i in range(len(cross_df)):
    cross_index = cross_df['index'][i]
    cross_name = cross_df['name'][i]
    
    cross_date = df_raw['date'][cross_index]
    cross_value = df_raw['close'][cross_index]

    fig.add_annotation(x=cross_date, y=cross_value,
        text=cross_name,
        showarrow=True,
        arrowhead=1)

row = 2, col =1 거래량 추가

# Row 2 
# volume
colors = ['blue' if row['open'] - row['close'] >= 0 
          else 'red' for index, row in df_raw.iterrows()]

fig.add_trace(go.Bar(x=df_raw['date'], 
                     y=df_raw['volume'],
                     marker_color=colors,
                     name = 'Volume',
                     showlegend=False
                    ), row=2, col=1)

rayout 설정

rayout을 설정 해준다. 여기서 알아두면 좋은 건 각 위치의 시각화에 제목을 지어 주는것이다. fig.update_yaxes()를 사용하여 y축에 제목을 넣어 주어 각 시각화의 제목을 설정 해주었다.

• fig.update_yaxes(title_text=“Price”, row=1, col=1)
• fig.update_yaxes(title_text=“Volume”, row=2, col=1)

# Rayout
fig.update_layout(
    title = '삼성전자 주가',
    title_font_family="맑은고딕",
    title_font_size = 18,
    hoverlabel=dict(
        bgcolor='black',
        font_size=15,
    ),
    hovermode="x unified",
    template='plotly_dark',
    xaxis_tickangle=90,
    yaxis_tickformat = ',',
    legend = dict(orientation = 'h', xanchor = "center", x = 0.5, y= 1.2),
    barmode='group',
    margin=go.layout.Margin(
        l=10, #left margin
        r=10, #right margin
        b=10, #bottom margin
        t=100  #top margin
    ),
    height=400, width=900, 
#     showlegend=False, 
    xaxis_rangeslider_visible=False
)


# update y-axis label
fig.update_yaxes(title_text="Price", row=1, col=1)
fig.update_yaxes(title_text="Volume", row=2, col=1)

fig.update_xaxes(rangebreaks=[dict(bounds=["sat", "mon"])])
fig.show()