mytt (My麦语言 T通达信 T同花顺)指标库

MyTT是一个简单易用的Python库，它将通达信、同花顺、文华麦语言等指标公式最简化移植到了Python中，实现的常见指标包括MACD、RSI、BOLL、ATR、KDJ、CCI、PSY等。MyTT全部基于numpy和pandas的函数进行封装。

为了方便用户在DolphinDB中计算这些技术指标，我们使用DolphinDB脚本实现了MyTT中包含的指标函数，并封装在DolphinDB mytt module中。相比于Python中的MyTT库，DolphinDB mytt module中的计算函数不仅在批处理中性能有大幅提升，而且支持DolphinDB的流式增量计算引擎，可以直接用于实时流计算场景。

因为DolphinDB mytt module是基于DolphinDB V1.30.18和DolphinDB V2.00.6开发的，所以建议用户使用DolphinDB V1.30.18和DolphinDB V2.00.6及以上版本运行mytt指标库中的函数。在DolphinDB V1.30.19和DolphinDB V2.00.7支持了BARSLAST, BARSLASTCOUNT, TOPRANGE, LOWRANGE函数在流式增量计算引擎中的使用。在DolphinDB V1.30.21和DolphinDB V2.00.9中CROSS函数与DolphinDB内置变量名冲突，函数名修改为CROSS_。

匹配不同DolphinDB版本的mytt module：

V1.30.18, V2.00.6: mytt.dos
V1.30.19, V2.00.7: mytt.dos
V1.30.21, V2.00.9: mytt.dos

本教程包含内容：

mytt (My麦语言 T通达信 T同花顺)指标库

1. 函数及参数的命名与用法规范

Python MyTT库中所有函数名大写，所有参数名大写，为适应使用者的使用习惯，DolphinDB mytt module中的函数名、参数、参数默认值均与MyTT保持一致。
为得到有意义的计算结果，mytt中函数的参数表示时间跨度的参数均要求至少是2。
由于LAST函数与DolphinDB中内置关键字冲突，mytt中将此函数命名为LAST_。

2. 环境配置

把附件的mytt.dos放在节点的[home]/modules目录下，[home]目录由系统配置参数home决定，可以通过getHomeDir()函数查看。初次使用模块文件时，[home]目录没有modules目录，手动创建modules目录，然后把mytt.dos模块文件放入该目录即可。

DolphinDB模块使用的教程文档： DolphinDB教程：模块

3. 使用范例

3.1 脚本中直接使用指标函数

对一个向量直接使用mytt模块中的EMA函数（指数平滑法）进行计算：

//如果未设置自动加载mytt module，新会话需要手动加载一次mytt module
use mytt

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
x = EMA(close, 5)

3.2 在SQL语句中分组使用

用户经常需要在数据表中对多组数据在每组内进行计算。在以下例子中，先构造了一个包含2个股票的数据表：

use mytt

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72
date = (2020.03.02 + 0..4 join 7..11).take(20)
symbol = take(`F,10) join take(`GPRO,10)
t = table(symbol, date, close)

对其中每只股票使用mytt模块中的EMA函数进行计算：

update t set EMA = EMA(close, 5) context by symbol

3.3 返回多个列的结果

某些函数会返回多个列的结果，例如函数BIAS(乘离率指标)。

直接使用的例子：

use mytt

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
bias1, bias2, bias3 = BIAS(close, L1 = 2, L2 = 4, L3 = 6)

在SQL语句中使用的例子：

use mytt

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72
date = (2020.03.02 + 0..4 join 7..11).take(20)
symbol = take(`F,10) join take(`GPRO,10)
t = table(symbol, date, close) 
select *, BIAS(close, L1 = 2, L2 = 4, L3 = 6) as `bias1`bias2`bias3 from t context by symbol

symbol date       close  bias1    bias2    bias3
------ ---------- ----- -------- -------- --------
F      2020.03.02 7.2
F      2020.03.03 6.97 -1.623
F      2020.03.04 7.08  0.783  
F      2020.03.05 6.74 -2.46     -3.68
F      2020.03.06 6.49 -1.89     -4.839    
F      2020.03.09 5.9  -4.762    -9.958   -12.333
F      2020.03.10 6.26  2.961    -1.378   -4.767
F      2020.03.11 5.9  -2.961    -3.87    -7.74
F      2020.03.12 5.35 -4.889    -8.586   -12.391
F      2020.03.13 5.63  2.55     -2.679   -4.925
GPRO   2020.03.02 3.81
GPRO   2020.03.03 3.935 1.614
GPRO   2020.03.04 4.04  1.317   
GPRO   2020.03.05 3.74 -3.856    -3.639
GPRO   2020.03.06 3.7  -0.538    -3.99 
GPRO   2020.03.09 3.33 -5.263    -10.061 -11.417
GPRO   2020.03.10 3.64  4.448     1.041  -2.435
GPRO   2020.03.11 3.31 -4.748    -5.293  -8.732
GPRO   2020.03.12 2.69 -10.333   -17.039 -20.921
GPRO   2020.03.13 2.72  0.555    -11.974 -15.833

4. 函数计算性能

本节将以AVEDEV函数为例做直接使用的性能对比，同时使用真实股票日频数据对所有函数进行分组使用性能对比。

4.1 直接使用性能对比

在DolphinDB中：

use mytt

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63
close = take(close, 100000)
timer x = mytt::AVEDEV(close, 100)

对一个长度为100000的向量直接使用mytt模块中的AVEDEV函数，耗时为25ms。

与之对应的Python代码如下：

import numpy as np
from MyTT import *
import time

close = np.array([7.2,6.97,7.08,6.74,6.49,5.9,6.26,5.9,5.35,5.63])
close = np.tile(close,10000)
start_time = time.time()
x = AVEDEV(close, 100)
print("--- %s seconds ---" % (time.time() - start_time))

Python MyTT库中的AVEDEV函数耗时为25000ms，是DolphinDB mytt module中的AVEDEV函数的1000倍。测试数据量越大，性能差异越显著。

4.2 分组使用性能对比

测试数据为上海证券交易所2020年，全年2919个证券（筛选交易日大于120）日频交易数据，总记录数为686,104条。
计算逻辑为按照股票代码进行分组计算各指标。
为了测试函数计算性能，DolphinDB和Python测试代码都是单线程运行。
DolphinDB测试代码
Python测试代码
测试数据
Python MyTT库

测试结果如下表所示：

序号	函数	Python（ms）	DolphinDB（ms）	运行时间比
1	RD	296	16	18
2	RET	243	13	18
3	ABS	229	15	15
4	LN	253	25	10
5	POW	311	30	10
6	SQRT	248	19	13
7	MAX	390	34	11
8	MIN	373	29	12
9	IF	282	21	13
10	REF	740	17	43
11	DIFF	662	22	30
12	STD	1,263	24	98
13	SUM	1,297	22	58
14	CONST	258	22	11
15	HHV	1,207	30	40
16	LLV	1,218	31	39
17	HHVBARS	2,952	41	72
18	LLVBARS	2,878	38	75
19	MA	1,220	24	50
20	EMA	1,171	26	45
21	SMA	1,199	28	42
22	WMA	4,322	20	216
23	DMA	1,123	27	41
24	AVEDEV	176,652	32	5,520
25	SLOPE	53,703	29	1,851
26	FORCAST	60,321	38	1,587
27	LAST	4,132	38	108
28	COUNT	1,249	20	62
29	EVERY	1,267	28	45
30	EXIST	1,490	22	67
31	BARSLAST	559	18	31
32	BARSLASTCOUNT	607	17	35
33	CROSS_	2,088	80	26
34	LONGCROSS	6,019	94	64
35	VALUEWHEN	968	27	35
36	BETWEEN	489	42	11
37	TOPRANGE	3,647	37	99
38	LOWRANGE	3,703	36	103
39	MACD	3,060	86	35
40	KDJ	4,705	144	32
41	RSI	2,539	103	24
42	WR	5,632	166	33
43	BIAS	5,318	135	39
44	BOLL	3,067	90	34
45	PSY	2,596	82	31
46	CCI	163,681	76	2,153
47	ATR	2,281	101	22
48	BBI	3,667	66	55
49	DMI	6,181	250	24
50	TAQ	2,292	64	35
51	KTN	3,170	164	19
52	TRIX	4,329	97	44
53	VR	2,732	117	23
54	EMV	4,437	132	33
55	DPO	2,455	59	41
56	BRAR	4,909	156	31
57	DFMA	2,890	52	55
58	MTM	1,659	43	38
59	MASS	4,602	99	46
60	ROC	2,000	63	31
61	EXPMA	1,900	49	38
62	OBV	1,790	94	19
63	MFI	3,488	158	22
64	ASI	4,173	316	13

从测试结果分析可知：

DolphinDB mytt module中的函数计算性能远远超过Python MyTT库，最大的性能差距达到5520倍，普遍性能差距在30倍左右。

Python pandas测试核心代码

data.groupby("symbol").apply(lambda x: RSI(np.array(x.close), N = 24))

DolphinDB测试核心代码

RSI = select symbol, tradedate, mytt::RSI(close, N=24) as `RSI from data context by symbol

5. 正确性验证

基于4.2分组使用性能对比中的测试数据和代码，验证DolphinDB mytt module中函数的计算结果是否和Python MyTT库一致。

5.1 浮点数精度问题

结果有差异的函数

CROSS_, LONGCROSS

原因

浮点数精度问题
对于CROSS_和LONGCROSS函数，在浮点数比较上，DolphinDB mytt module中的处理比Python MyTT库更加严谨。DolphinDB mytt module中首先会对浮点数round保留小数点后6位，然后再进行大小判断，而MyTT中并没有类似处理，因此对于相同大小的浮点数，Python的判别可能会出错，如下图所示：

5.2 NULL值的处理

结果有差异的函数

SUM, DMI, EMV, MASS, MFI, ASI

原因

若输入向量开始包含空值，则从第一个非空位置开始计算。DolphinDB mytt module与Python MyTT库的计算规则一致。
对一个滚动/累积窗口长度为k的函数，每组最初的(k-1)个位置的结果均为空。DolphinDB mytt module与Python MyTT库的计算规则一致。
对一个滚动/累积窗口长度为k的函数，若一组中第一个非空值之后再有空值，Python MyTT库会对包含nan的窗口计算结果都处理为nan。DolphinDB mytt module会对窗口内非NULL的元素按计算规则计算，得到一个非NULL的计算结果。

DolphinDB代码与结果：

close = [99.9, NULL, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67]
mytt::SUM(close, 5);

[,,,,276.87, 260.27, 357.53, 371.51]

Python代码与结果：

close = np.array([99.9, np.nan, 84.69, 31.38, 60.9, 83.3, 97.26, 98.67])
MyTT.SUM(close,5)

array([nan, nan, nan, nan, nan,  nan, 357.53, 371.51])

以滑动窗口求和为例，close向量的第2个元素为空值，DolphinDB mytt module在计算第5个元素（60.9）时，回看过去5个窗口内的数据[99.9, NULL, 84.69, 31.38, 60.9]，对非NULL的元素求和，所以结果向量的第5个元素为276.87。

Python MyTT库会对包含nan的窗口计算结果都处理为nan，所以结果向量的前6个元素都为nan。

除上述因为浮点数精度问题和NULL值的处理问题导致计算结果存在差异外，其余函数计算结果的百分比误差均小于1e-10。

5.3 TOPRANGE、LOWRANGE计算结果差异问题

TOPRANGE函数是统计S序列的某个元素是近多少周期内的最大值，TOPRANGE(High)表示创多少日新高。

mytt模块中的TOPRANGE函数与MyTT中的TOPRANGE函数在头部数据的计算中有差异，如下图所示，High序列16.95, 17.31, 17.34其TOPRANGE分别为创0日新高，1日新高，2日新高。MyTT在数据先下降再上升之后才开始统计创多少日新高，而mytt模块则从数据头部就开始统计创多少日新高。从而造成数据头部的计算结果会有差异。

LOWRANGE函数与上述情况相同。

6. 实时流计算案例

在DolphinDB V1.30.3中发布的响应式状态引擎（Reactive State Engine）是许多金融场景流批统一计算中的重要构件，DolphinDB mytt module在开发时就对其做了适配，使得mytt模块中的大部分函数可以在响应式状态引擎中实现增量计算。

无需支持在响应式状态引擎的中使用的函数：RET, CONST。
所有mytt中的技术指标函数均支持增量计算。

示例代码如下：

def cleanEnvironment(){
	try{ unsubscribeTable(tableName="snapshotStream",actionName="aggr1min") } catch(ex){ print(ex) }
	try{ dropStreamEngine("myttReactiveStateEngine") } catch(ex){ print(ex) }
	try{ dropStreamEngine("aggr1min") } catch(ex){ print(ex) }
	try{ dropStreamTable(`snapshotStream) } catch(ex){ print(ex) }
	try{ dropStreamTable(`outputTable) } catch(ex){ print(ex) }
	undef all
}
cleanEnvironment()
go

//load modules
use mytt

//define stream table
name = `tradetime`SecurityID`high`low`open`close`vol
type = `TIMESTAMP`SYMBOL`DOUBLE`DOUBLE`DOUBLE`DOUBLE`INT
share streamTable(100:0, name, type) as snapshotStream
name = `SecurityID`tradetime`K`D`J`DIF`DEA`MACD`UPPER`MID`LOWER`ROC`MAROC
type = `SYMBOL`TIMESTAMP`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE`DOUBLE
share streamTable(1000000:0, name, type) as outputTable

//register stream computing engine
reactiveStateMetrics=<[
    tradetime,
    mytt::KDJ(close, high, low, N=9, M1=3, M2=3) as `K`D`J,
    mytt::MACD(close, SHORT_=12, LONG_=26, M=9) as `DIF`DEA`MACD,
    mytt::KTN(close, high, low, N=20, M=10) as `UPPER`MID`LOWER,
    mytt::ROC(close, N=12, M=6) as `ROC`MAROC
]>

createReactiveStateEngine("myttReactiveStateEngine", metrics=reactiveStateMetrics, dummyTable=snapshotStream, outputTable=outputTable, keyColumn=`SecurityID, keepOrder=true)

createTimeSeriesEngine(name="aggr1min", windowSize=60000, step=60000, metrics=<[first(open),max(high),min(low),last(close),sum(vol)]>, dummyTable=snapshotStream, outputTable=getStreamEngine("myttReactiveStateEngine"), timeColumn=`tradetime, useWindowStartTime=true, keyColumn=`SecurityID)

subscribeTable(tableName="snapshotStream", actionName="aggr1min", offset=-1, handler=getStreamEngine("aggr1min"), msgAsTable=true, batchSize=2000, throttle=1, hash=0, reconnect=true)

7. DolphinDB mytt指标列表

7.1 核心工具函数

函数	语法	解释
RD	RN(N, D = 3)	四舍五入取3位小数
RET	RET(S, N = 1)	返回序列`倒数第N个值`，默认返回最后一个
ABS	ABS(S)	返回序列或数值S的绝对值
LN	LN(S)	求序列S底是e的自然对数
POW	POW(S, N)	求序列S的N次方
SQRT	SQRT(S)	求序列S的平方根
MAX	MAX(S1, S2)	配对比较两个序列，给出比较以后大的序列
MIN	MIN(S1, S2)	配对比较两个序列，给出比较以后小的序列
IF	IF(S, A, B)	序列布尔判断，if S == True return A else B
REF	REF(S, N = 1)	对序列整体下移动N个单位，返回平移后的序列，会产生NAN
DIFF	DIFF(S, N = 1)	序列S的前一个值减后一个值，序列头部会产生NAN
STD	STD(S, N)	求序列S的滚动N日标准差，返回滚动标准差序列
SUM	SUM(S, N)	对序列S求滚动N日总和
CONST	COUNT(S)	返回序列S最后一个值组成常量序列
HHV	HHV(S, N)	求序列S的滚动N日最大值，返回滚动最大值序列
LLV	LLV(S, N)	求序列S的滚动N日最小值，返回滚动最小值序列
HHVBARS	HHVBARS(S, N)	求序列S的滚动N期内最高值到当前的天数, 返回距离天数序列
LLVBARS	LLVBARS(S, N)	求序列S的滚动N期内最低值到当前的天数, 返回距离天数序列
MA	MA(S, N)	求序列S的N日简单移动平均值，返回移动平均序列
EMA	EMA(S, N)	求序列S的指数移动平均，为了精度，S>4*N，EMA至少需要120周期alpha = 2/(span+1)
SMA	SMA(S, N, M = 1)	中国式的SMA，至少需要120周期才精确 (雪球180周期)，alpha = 1/(1+N)
WMA	WMA(S, N)	求S序列S的N日加权移动平均，`Yn = (1X1+2X2+3X3+...+nXn)/(1+2+3+...+n)`
DMA	DMA(S, A)	求S的动态移动平均，A作平滑因子，必须 0 < A < 1
AVEDEV	AVEDEV(S, N)	求序列S的滚动平均绝对偏差
SLOPE	SLOPE(S, N)	求序列S的滚动N周期内的线性回归模型的斜率
FORCAST	FORCAST(S, N)	求序列S的滚动N周期内的线性回归模型的预测值
LAST_	LAST_(S, A, B)	BOOL型判断，从前A日到前B日一直满足BOOL条件，要求A > B & A > 0 & B >= 0

7.2 应用层函数(通过核心工具函数实现）

函数	语法	解释
COUNT	COUNT(S, N)	序列S是BOOL型，求最滚动N天内满足BOOL为True的天数
EVERY	EVERY(S, N)	序列S是BOOL型，求最滚动N天内`全部`满足BOOL为True的天数
EXIST	EXIST(S, N)	序列S是BOOL型，判断最滚动N天内`是否存在`满足BOOL为True
BARSLAST	BARSLAST(S)	序列S是BOOL型，统计上一次条件成立到当前的周期
BARSLASTCOUNT	BARSLASTCOUNT(S)	序列S是BOOL型，统计连续满足条件的周期数
BARSSINCEN	BARSSINCEN(S, N)	序列S是BOOL型，统计滚动周期N内第一次满足条件到当前的周期数
CROSS_	CROSS_(S1, S2)	判断两个序列是否交叉的函数，判断向上金叉穿越 CROSS_(MA(C,5),MA(C,10)) ，判断向下死叉穿越 CROSS_(MA(C,10),MA(C,5))
LONGCROSS	LONGCROSS(S1, S2, N)	判断两个序列是否在个持一定周期后再交叉的函数，判断两个序列是否再个持N周期后再交叉，N = 1时等同于CROSS_(S1, S2)
VALUEWHEN	VALUEWHEN(S, X)	解决当S条件成立时,取X的当前值,否则取S的上个成立时对应的X值
BETWEEN	BETWEEN(S, A, B)	判断S序列是否介于A和B之间的函数，当S处于A和B之间时为真，包括 A<S<B 或 A>S>B
TOPRANGE	TOPRANGE(S)	统计S序列的某个元素是近多少周期内的最大值
LOWRANGE	LOWRANGE(S)	统计S序列的某个元素是近多少周期内的最小值

7.3 技术指标函数(全部通过核心工具和应用函数实现）

函数	语法	解释
MACD	MACD(CLOSE, SHORT = 12, LONG = 26, M = 9)	平滑异同平均线
KDJ	KDJ(CLOSE, HIGH, LOW, N = 9, M1 = 3, M2 = 3)	KDJ指标
RSI	RSI(CLOSE, N = 24)	RSI指标,和通达信小数点2位相同
WR	WR(CLOSE, HIGH, LOW, N = 10, N1 = 6)	W&R 威廉指标
BIAS	BIAS(CLOSE, L1 = 6, L2 = 12, L3 = 24)	BIAS乖离率
BOLL	BOLL(CLOSE, N = 20, P = 2)	BOLL指标，布林带
PSY	PSY(CLOSE, N = 12, M = 6)	PSY指标，心理线
CCI	CCI(CLOSE, HIGH, LOW, N = 14)	CCI指标，顺势线
ATR	ATR(CLOSE, HIGH, LOW, N = 20)	真实波动N日平均值
BBI	BBI(CLOSE, M1 = 3, M2 = 6, M3 = 12, M4 = 20)	BBI多空指标
DMI	DMI(CLOSE, HIGH, LOW, M1 = 14, M2 = 6)	DMI动向指标
TAQ	TAQ(HIGH, LOW, N)	唐安奇通道(海龟)交易指标
KTN	KTN(CLOSE, HIGH, LOW, N = 20, M = 10)	肯特纳交易通道
TRIX	TRIX(CLOSE, M1 = 12, M2 = 20)	三重指数平滑平均线
VR	VR(CLOSE, VOL, M1 = 26)	VR容量比率
EMV	EMV(HIGH, LOW, VOL, N = 14, M = 9)	EMV简易波动指标
DPO	DPO(CLOSE, M1 = 20, M2 = 10, M3 = 6)	区间震荡线
BRAR	BRAR(OPEN, CLOSE, HIGH, LOW, M1 = 26)	BRAR-ARBR 情绪指标
DFMA	DFMA(CLOSE, N1 = 10, N2 = 50, M = 10)	DFMA平行线差指标
MTM	MTM(CLOSE, N = 12, M = 6)	MTM动量指标
MASS	MASS(HIGH, LOW, N1 = 9, N2 = 25, M = 6)	梅斯线
ROC	ROC(CLOSE, N = 12, M = 6)	变动率指标
EXPMA	EXPMA(CLOSE, N1 = 12, N2 = 50)	指数平均数指标
OBV	OBV(CLOSE, VOL)	能量潮指标
MFI	MFI(CLOSE, HIGH, LOW, VOL, N = 14)	MFI资金流量
ASI	ASI(OPEN, CLOSE, HIGH, LOW, M1 = 26, M2 = 10)	振动升降指标

8. 路线图（Road Map）

长期保持对Python MyTT包的同步更新。

附件

V1.30.18, V2.00.6: mytt.dos
V1.30.19, V2.00.7: mytt.dos
DolphinDB测试代码
Python测试代码
测试数据
Python MyTT库

计算性能测试环境

CPU类型：Intel(R) Core(TM) i7-7700 CPU @ 3.60GHz 3.60 GHz
逻辑CPU总数：8
内存：32GB
OS：Windows 10

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README.md

README.md

mytt (My麦语言 T通达信 T同花顺)指标库

1. 函数及参数的命名与用法规范

2. 环境配置

3. 使用范例

3.1 脚本中直接使用指标函数

3.2 在SQL语句中分组使用

3.3 返回多个列的结果

4. 函数计算性能

4.1 直接使用性能对比

4.2 分组使用性能对比

5. 正确性验证

5.1 浮点数精度问题

5.2 NULL值的处理

5.3 TOPRANGE、LOWRANGE计算结果差异问题

6. 实时流计算案例

7. DolphinDB mytt指标列表

7.1 核心工具函数

7.2 应用层函数(通过核心工具函数实现）

7.3 技术指标函数(全部通过核心工具和应用函数实现）

8. 路线图（Road Map）

附件

Files

README.md

Latest commit

History

README.md

File metadata and controls

mytt (My麦语言 T通达信 T同花顺)指标库

1. 函数及参数的命名与用法规范

2. 环境配置

3. 使用范例

3.1 脚本中直接使用指标函数

3.2 在SQL语句中分组使用

3.3 返回多个列的结果

4. 函数计算性能

4.1 直接使用性能对比

4.2 分组使用性能对比

5. 正确性验证

5.1 浮点数精度问题

5.2 NULL值的处理

5.3 TOPRANGE、LOWRANGE计算结果差异问题

6. 实时流计算案例

7. DolphinDB mytt指标列表

7.1 核心工具函数

7.2 应用层函数(通过核心工具函数实现）

7.3 技术指标函数(全部通过核心工具和应用函数实现）

8. 路线图（Road Map）

附件