# 4.4 阿隆指標 ? 技術指標阿隆（ Aroon ）全解析 > 來源：https://uqer.io/community/share/55e69497f9f06c1eaa81f9d4 ## 一、阿隆指標(Aroon)簡介 阿隆指標（Aroon）是由圖莎爾·錢德（Tushar Chande)1995 年發明的，它通過計算自價格達到近期最高值和最低值以來所經過的期間數，幫助投資者預測證券價格從趨勢到區域、區域或反轉的變化。在技術分析領域中，有一個說法，一個指標使用的人越多，其效力越低。這個技術指標還挺冷門的，我們一同來看看它的效果。 ```py from CAL.PyCAL import * import numpy as np import pandas as pd from pandas import DataFrame from heapq import nlargest from heapq import nsmallest ``` ## 二、Aroon計算方法 Aroon指標分為兩個具體指標，分別`AroonUp`和`AroonDown`。其具體計算方式為： + `AroonUp = [(計算期天數-最高價后的天數)/計算期天數]*100` + `AroonDown = [(計算期天數-最低價后的天數)/計算期天數]*100` + `AroonOsc = AroonUp - AroonDown` 計算期天數通常取20天 ```py def aroonUp(account,timeLength=20): #運用heapq包的nlargest函數，可以輕松獲得：計算期天數-最高價后的天數 eq_AroonUp = {} history = account.get_attribute_history('closePrice',timeLength) for stk in account.universe: priceSeries = pd.Series(history[stk]) eq_AroonUp[stk] = (nlargest(1,range(len(priceSeries)),key=priceSeries.get)[0]+1)*100/timeLength # eq_AroonUp[stk]范圍在[5,100]之間 return eq_AroonUp def aroonDown(account,timeLength=20): #運用heapq包的nsmallest函數，可以輕松獲得:計算期天數-最低價后的天數 eq_AroonDown = {} history = account.get_attribute_history('closePrice',timeLength) for stk in account.universe: priceSeries = pd.Series(history[stk]) eq_AroonDown[stk] = (nsmallest(1,range(len(priceSeries)),key=priceSeries.get)[0]+1)*100/timeLength # eq_AroonDown[stk]范圍在[5,100]之間 return eq_AroonDown ``` 三、Aroon指標的基本用法 + 當`AroonUp`指標向下跌破50 時，表示向上的趨勢正在失去動力；當`AroonDown`指標向下跌破50時，表示向下的趨勢正在失去動力；如果兩個指標都在低位，表示股價沒有明確的趨勢；如果指標在70 以上，表示趨勢十分強烈；如果在30 以下，表明相反的趨勢正在醞釀。通常來說，`AroonOsc`在0附近時，是典型的無趨勢特征，股票處于盤整階段。 + 參考研報[《技術指標系列（三）——加入“二次確認”的AROON 阿隆優化指標》](http://www.doc88.com/p-396145162466.html)中的方法，我們買入`AroonOsc > 50`的股票。 ```py start = '2009-08-01' # 回測起始時間 end = '2015-08-31' # 回測結束時間 benchmark = 'HS300' # 策略參考標準 universe = set_universe('HS300') # 證券池，支持股票和基金 capital_base = 100000 # 起始資金 freq = 'd' # 策略類型，'d'表示日間策略使用日線回測，'m'表示日內策略使用分鐘線回測 refresh_rate = 10 # 調倉頻率，表示執行handle_data的時間間隔，若freq = 'd'時間間隔的單位為交易日，若freq = 'm'時間間隔為分鐘 def initialize(account): # 初始化虛擬賬戶狀態 pass def handle_data(account): # 每個交易日的買入賣出指令 eq_AroonUp = aroonUp(account,20) eq_AroonDown = aroonDown(account,20) buyList = [] for stk in account.valid_secpos: order_to(stk, 0) for stk in account.universe: if eq_AroonUp[stk] - eq_AroonDown[stk] > 50: buyList.append(stk) for stk in buyList[:]: if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]): buyList.remove(stk) for stk in buyList: order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList)) ```  可以看出，策略在股市處于震蕩市和牛市中，表現很好；而在熊市和暴跌中，表現的非常差，最大回撤很大。這從阿隆指標的構造中，就可以理解，阿隆指標是一個跟蹤趨勢的指標，在震蕩市和牛市中，都能精選出股票，超越指數；然而在暴跌中，處于上升趨勢的股票可能跌的更慘，傾巢之下，焉有完卵。。。 ## 四、運用Aroon指標來擇時 前文說到阿隆指標是一個跟蹤趨勢的指標，既然如此，我們為什么不把它用來擇時呢？ ```py def aroonIndex(account,timeLength=20): #構建指數阿隆指標 indexSeries = pd.Series(account.get_symbol_history('benchmark', timeLength)['closeIndex']) indexAronUp = (nlargest(1,range(len(indexSeries)),key=indexSeries.get)[0]+1)*100/timeLength indexAronDown = (nsmallest(1,range(len(indexSeries)),key=indexSeries.get)[0]+1)*100/timeLength indexOsc = indexAronUp - indexAronDown return indexOsc ``` 當`indexOsc > 0`時，我們大致認為現在的市場環境沒有那么差，可以考慮開倉，編寫如下策略。 ```py start = '2009-08-01' # 回測起始時間 end = '2015-08-31' # 回測結束時間 benchmark = 'HS300' # 策略參考標準 universe = set_universe('HS300') # 證券池，支持股票和基金 capital_base = 100000 # 起始資金 freq = 'd' # 策略類型，'d'表示日間策略使用日線回測，'m'表示日內策略使用分鐘線回測 refresh_rate = 10 # 調倉頻率，表示執行handle_data的時間間隔，若freq = 'd'時間間隔的單位為交易日，若freq = 'm'時間間隔為分鐘 def initialize(account): # 初始化虛擬賬戶狀態 pass def handle_data(account): # 每個交易日的買入賣出指令 eq_AroonUp = aroonUp(account,20) eq_AroonDown = aroonDown(account,20) index_osc = aroonIndex(account,20) buyList = [] for stk in account.valid_secpos: order_to(stk, 0) if index_osc > 0: for stk in account.universe: if eq_AroonUp[stk] - eq_AroonDown[stk] > 50: buyList.append(stk) for stk in buyList[:]: if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]): buyList.remove(stk) for stk in buyList: order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList)) ```  可以看出運用阿隆指標來擇時的效果還是不錯的，震蕩市能跑贏指數，牛市的收益基本可以吃到，暴跌也幾乎完美的規避了！缺點就是最大回測還是偏大，可以考慮讓條件更嚴格，讓`indexOsc > 50`。 ```py start = '2009-08-01' # 回測起始時間 end = '2015-08-31' # 回測結束時間 benchmark = 'HS300' # 策略參考標準 universe = set_universe('HS300') # 證券池，支持股票和基金 capital_base = 100000 # 起始資金 freq = 'd' # 策略類型，'d'表示日間策略使用日線回測，'m'表示日內策略使用分鐘線回測 refresh_rate = 10 # 調倉頻率，表示執行handle_data的時間間隔，若freq = 'd'時間間隔的單位為交易日，若freq = 'm'時間間隔為分鐘 def initialize(account): # 初始化虛擬賬戶狀態 pass def handle_data(account): # 每個交易日的買入賣出指令 eq_AroonUp = aroonUp(account,20) eq_AroonDown = aroonDown(account,20) index_osc = aroonIndex(account,20) buyList = [] for stk in account.valid_secpos: order_to(stk, 0) if index_osc > 50: for stk in account.universe: if eq_AroonUp[stk] - eq_AroonDown[stk] > 50: buyList.append(stk) for stk in buyList[:]: if stk not in account.universe or account.referencePrice[stk] == 0 or np.isnan(account.referencePrice[stk]): buyList.remove(stk) for stk in buyList: order(stk, account.referencePortfolioValue/account.referencePrice[stk]/len(buyList)) ```  將擇時條件設置更嚴格后，最大回撤果然有所下降，但年化收益率也有大幅下降。從回測圖形中，也可以明顯看到，指標具有很強的滯后性，往往是指數開始漲了一段時間，策略才開始開倉買入。將`indexOsc`條件設置的越嚴格，滯后性表現的就越明顯，這樣雖然可以提高正確率，減小最大回撤，但有許多收益也錯過了。