привет ты можешь переделать чтобы вместо разницы в пунктах были цены закртыия но также с…
- User
привет ты можешь переделать чтобы вместо разницы в пунктах были цены закртыия но также с локальными уровнями
import yfinance as yf import matplotlib.pyplot as plt import numpy as np import pandas as pd from scipy.signal import argrelextrema
Получаем данные
eurusd = yf.Ticker("USDJPY=X") historical_data = eurusd.history(period="1y") close_prices = historical_data['Close']
order = 6 local_max = argrelextrema(close_prices.values, np.greater, order=order)[0] local_min = argrelextrema(close_prices.values, np.less, order=order)[0]
Создаем список для хранения разниц
differences = []
for max_index in local_max: for min_index in local_min: if max_index > min_index: # Убедимся, что максимум идет после минимума diff = close_prices.values[max_index] - close_prices.values[min_index] differences.append(diff)
Создаем DataFrame только с разницами
df = pd.DataFrame(differences, columns=['Разница (пункты)'])
plt.figure(figsize=(12, 6)) plt.plot(range(1, len(df) + 1), df['Разница (пункты)'], marker='o', linestyle='-', color='purple') plt.title('Разница между локальными максимумами и минимумами') plt.xlabel('Номер пары (максимум - минимум)') plt.ylabel('Разница (пункты)') plt.grid() plt.show()
- Assistant
Здравствуйте! Конечно, давайте переделаем ваш код так, чтобы вместо разниц в пунктах отображались цены закрытия, при этом отмечая на графике локальные максимумы и минимумы.
Вот обновленный код:
import yfinance as yf import matplotlib.pyplot as plt import numpy as np import pandas as pd from scipy.signal import argrelextrema # Получаем данные ticker = yf.Ticker("USDJPY=X") historical_data = ticker.history(period="1y") close_prices = historical_data['Close'] # Находим локальные максимумы и минимумы order = 6 local_max_indices = argrelextrema(close_prices.values, np.greater, order=order)[0] local_min_indices = argrelextrema(close_prices.values, np.less, order=order)[0] # Получаем даты и цены для локальных экстремумов local_max_dates = historical_data.index[local_max_indices] local_max_prices = close_prices.iloc[local_max_indices] local_min_dates = historical_data.index[local_min_indices] local_min_prices = close_prices.iloc[local_min_indices] # Строим график цен закрытия plt.figure(figsize=(14, 7)) plt.plot(historical_data.index, close_prices, label='Цена закрытия', color='blue') # Отмечаем локальные максимумы и минимумы plt.scatter(local_max_dates, local_max_prices, marker='^', color='green', s=100, label='Локальные максимумы') plt.scatter(local_min_dates, local_min_prices, marker='v', color='red', s=100, label='Локальные минимумы') plt.title('Цены закрытия USD/JPY с локальными максимумами и минимумами') plt.xlabel('Дата') plt.ylabel('Цена закрытия') plt.legend() plt.grid(True) plt.show()Описание того, что делает новый код:
-
Импортируем необходимые библиотеки.
-
Получаем исторические данные для USD/JPY за последний год и извлекаем цены закрытия.
-
Находим индексы локальных максимумов и минимумов с помощью функции
argrelextremaизscipy.signal. -
Получаем соответствующие даты и цены для локальных максимумов и минимумов на основании найденных индексов.
-
Строим график цен закрытия за период.
-
Наносим на график точки локальных максимумов и минимумов:
- Локальные максимумы отмечены зелеными треугольниками вверх.
- Локальные минимумы отмечены красными треугольниками вниз.
-
Добавляем заголовок, подписи осей, легенду и сетку для улучшения читаемости графика.
Результатом выполнения этого кода будет график, на котором отображены цены закрытия пары USD/JPY за последний год, а также отмечены точки локальных максимумов и минимумов, что поможет визуально определить уровни поддержки и сопротивления.
-