今天也會引用Youtuber「neurotrader」的程式碼，他在影片「Automated Price Trend Lines in Python」中提到一種方法可以在區間內找出一條支撐線（support line）與一條壓力線（resistance line）。因為該方式用到區間概念，因此會先說明「直線趨勢線的周期」。

直線趨勢線的周期

與其他技術分析工具不同，直線趨勢線可以自行決定天期區間和長短。
因此可靈活運用直線趨勢線，且不同趨勢線可代表不同期間，短、中、長期趨勢的多空、強弱和支撐壓力。

程式實作：自動價格趨勢線函式

自動價格趨勢線函式的程式碼如下所示：

# 來源 ： https://github.com/neurotrader888/TechnicalAnalysisAutomation/blob/main/trendline_automation.py
from myutils.TrendlineAutomation import fit_trendlines_single
from myutils.TrendlineAutomation import fit_trendlines_high_low

def FitTrendlines(prices, mode = 'close') :
    # 價格資料確認與處理
    if prices is None and type(prices) is not DataFrame:
        return None
    in_prices = prices.copy()
    if 'Open' not in in_prices.columns or 'High' not in in_prices.columns or 'Low' not in in_prices.columns or 'Close' not in in_prices.columns :
        return None    
    if 'Date' not in in_prices.columns and in_prices.index.dtype == 'datetime64[ns]' :
        in_prices.index.name = 'Date'
        in_prices = in_prices.reset_index()
    if 'Date' not in in_prices.columns :
        return None
    # 模式確認與處理
    prices_close=np.array(in_prices['Close'])
    if mode == 'close' :
        pass
    elif mode == 'high_low' :
        prices_high=np.array(in_prices['High'])
        prices_low=np.array(in_prices['Low'])
    else :
        return None
    # 擬合趨勢線
    if mode == 'close' :
        trendlines = fit_trendlines_single(prices_close)
    elif mode == 'high_low' :
        trendlines = fit_trendlines_high_low(prices_high,prices_low,prices_close)
    # 輸出格式處理
    trendline_start_index = in_prices.iloc[0].name
    trendline_end_index = in_prices.iloc[-1].name
    trendline_start_date = in_prices.iloc[0]['Date'].strftime('%Y-%m-%d')
    trendline_end_date = in_prices.iloc[-1]['Date'].strftime('%Y-%m-%d')
    support_slope  = trendlines[0][0]
    support_intercept = trendlines[0][1]
    support_trendline_start_price = support_slope * trendline_start_index + support_intercept
    support_trendline_end_price = support_slope * trendline_end_index + support_intercept
    resist_slope = trendlines[1][0]
    resist_intercept = trendlines[1][1]
    resist_trendline_start_price = resist_slope * trendline_start_index + resist_intercept
    resist_trendline_end_price = resist_slope * trendline_end_index + resist_intercept
    # 回傳資料處理
    ret_trendlines =  [[(trendline_start_date,support_trendline_start_price),(trendline_end_date,support_trendline_end_price)],
                       [(trendline_start_date,resist_trendline_start_price),(trendline_end_date,resist_trendline_end_price)]]
    return (trendlines,ret_trendlines)

在這邊先說明引用neurotrader程式的部分，用到兩個函式：

• fit_trendlines_high_low函式：支撐線與壓力線會擬合至最高價與最低價，這個函式有三個輸入參數：最高價、最低價與收盤價。
• fit_trendlines_single函式：支撐線與壓力線會擬合至所選定的價格。這個函式只有一個輸入參數，就是所選定的價格（為開盤價、最高價、收盤價與最低價其中之一，在這邊使用的是收盤價。）

兩個函式回傳都是支撐線與壓力線的斜率與截距，也就是直線方程式斜截式的兩個參數；可以參照Day8程式實作之說明。
其他程式碼內容以條列式方式的挑重點敘述：

• 自動價格趨勢線函式輸入參數說明於下：
  • prices：區間價格 （資料型態：DataFrame）
  • mode：模式 （資料型態：str）
• 自動價格趨勢線函式的回傳說明於下：
  • fit_trendlines_high_low函式或fit_trendlines_single函式的回傳值
  • 趨勢線資訊，包含兩條趨勢線開始位置索引、兩條趨勢線結束位置索引與日期、兩條趨勢線開始日期、兩條趨勢線結束日期、支撐線的斜率與截距、壓力線的斜率與截距、支撐線開始與結束的價格、壓力線開始與結束的價格
• 自動價格趨勢線函式的前處理程序
  • 統一價格的DataFrame格式
  • 各模式所對應價格之設定（high_low模式使用最高價、最低價與收盤價，close模式只是用收盤價）
• 自動價格趨勢線函式的主處理程序
  • high_low模式時呼叫fit_trendlines_high_low函式，close模式時呼叫fit_trendlines_single函式
  • 進行趨勢線（支撐線與壓力線）的擬合
• 自動價格趨勢線函式的後處理程序
  • 轉換為輸出格式（趨勢線資訊）
  • 把fit_trendlines_high_low函式或fit_trendlines_single函式的回傳值與輸出資料合併成為函式回傳資料

程式實作：利用自動趨勢線函式繪製的趨勢線

將區間的價格資料（開、高、低、收、量）送入自動趨勢線函式。程式碼如下所示：

_,trendlines = FitTrendlines(df_k_line['2022-10-25':])

由於股票老師的「多頭看支撐不看壓力，空頭看壓力不看支撐」原則，因此只保留支撐線（上升趨勢線）。程式碼如下：

trendlines = trendlines[0]

之後利用以下程式繪製支撐線（上升趨勢線）與K線圖：

# 設定K線格式
mc = mpf.make_marketcolors(up='xkcd:light red', down='xkcd:almost black', inherit=True)
s  = mpf.make_mpf_style(base_mpf_style='yahoo', marketcolors=mc)

# 設定支撐線與壓力線
seq_of_seq_of_points=trendlines

# 繪出K線圖
kwargs = dict(type='candle', style=s, figratio=(19,10), alines=dict(alines=seq_of_seq_of_points, linewidths=1.0, colors='xkcd:red', alpha=0.6), datetime_format='%Y-%m-%d')
mpf.plot(df_k_line,**kwargs)

程式執行結果如下：

完整的程式碼請參照「第十一天：自動價格趨勢線.ipynb」。

回顧Day1的「主觀性質客觀化」

今天實作了Day1主觀性質客觀化的第二種方式（利用演算法以自動化方式來找尋或識別型態）於趨勢線課題上，但自動化程序還是會存在著無法完全涵蓋之處。而在我的8月30日股票投資筆記，其中有一段話剛好符合這個議題的討論：「只要符合趨勢線和型態學的理論依據，要怎麼畫都可以，這也正是形態學難學之處，因為可能同時存在多種圖形，而使用的人必須透過經驗去判斷，哪一種型態成型的機率最高。其實，技術分析裡面形態學跟價量關係，是最難的，因為很難制定訂出標準的SOP，很多都是經驗值和獨立事件，實務上應用，真的要靠多一些經驗值，因為變化太多了。所以像程式交易是無法完整的涵蓋形態學跟價量關係，偏偏這兩件事情，又非常重要」。因此主觀性質客觀化的第一種方式（將在看盤軟體繪製的圖形與線段以人工方式轉換成數據）還是有其存在的必要，並且這兩種方式的應用應該是互補而非互斥。