파이썬 투자 보조 지표 분석 / 전략 설계 - 스토캐스틱

투자 보조 지표 스토캐스틱

세 번째 시간으로 스토캐스틱에 대해 알아보겠다. 

 

스토캐스틱

스토캐스틱이란 주가는 파동적 성격을 가지고 있다. 주가가 과열되면 조만간 하락할 것이고, 반대로 침체되어있으면 조만간 반등할 것이라 예상해 볼 수 있는데 이러한 속성을 지표화 한 것이 스토캐스틱이다. 

원래 채권시장에서 사용하기 위해 만들어졌는데, 주식시장에서도 효과가 나타나서 알려진 지표이다.

주가의 큰 추세에서는 사용할 수 없고, 박스권이나 횡보하는 장에서 유용하다.

 

스토캐스틱 계산 방법

Stochastic = (현재 가격 - N일 최저 가격) / (N일 최고 가격 - N일 최저 가격) * 100

 

해석

N일 간 최고, 최저 가격의 최저 가격의 차에서 현재의 가격과 최저 가격의 차에 대한 백분율로 나타낸 것. 0~100% 사이 값을 가진다.

 

전략

• 20% 이하일 때 과매도 구간 -> 매수 시점
• 80% 이상일 때 과매수 구간 -> 매도 시점

하지만 스토캐스틱은 변화가 심하고 거짓 신호가 많이 보이기 때문에 보완된 지표를 사용한다. 

 

슬로우 스토캐스틱 계산 방법

Stochastic K = Stochastic A 일 이동 평균

Stochastic D = Stochastic K  M일 이동 평균

 

쉽게 정리하면 스토캐스틱을 A를 이동 평균하면 스토캐스틱 K라 하고, 스토캐스틱 K를 또다시 M일 이동 평균하면 스토캐스틱 D이다. 이를 활용해 Fast Stochastic과 Slow Stochastic으로 구분한다.

• Fast Stochastic : Stochastic과 Stochastic K 사용.
• Slow Stochastic : Stochastic K와 Stochastic D 사용. 

N, A, M의 적용 숫자는 다양하게 사용할 수 있는다.

• 5 - 3 - 3
• 10 - 6 - 6
• 14 - 3 - 3
• 20 - 12 -12

전략

• 스토캐스틱이 20 이하에서 K선이 D선을 상향 돌파하면 매수 관점
• 스토캐스틱 80 이상에서 K선이 D선을 하향 돌파하면 매도 관점

---

파이썬 구현

import ta
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import FinanceDataReader as fdr
import copy

df_krx = fdr.StockListing('KRX')

kospi_data = df_krx[(df_krx["Market"]=="KOSPI") & (~df_krx["Sector"].isna())]

target = kospi_data[kospi_data["Name"]=="KT&G"]

price_data = fdr.DataReader("033780","2020","2022-11-17")

 

# 네이버 증권 기준 fast, slow 계산 일 수
#Fast 5 -3 -3
#Slow 12 -5 -3
# Fast %K
def stochastic(close_price, low, high, n=5):
    fast_k = ((close_price - low.rolling(n).min()) / (high.rolling(n).max() - low.rolling(n).min())) * 100
    return fast_k
 
# Fast %D, Slow %K = Fast %K의 A기간 이동평균(SMA)
def stochastic_k(stoch, n=3):
    fast_d = stoch.rolling(n).mean()
    return fast_d
 
# Slow %D = Slow %K의 M기간 이동평균(SMA)
def stochastic_d(fast_k, n=3):
    slow_d = fast_k.rolling(n).mean()
    return slow_d

 

계산 함수는 위와 같다. 

네이버 증권 기준으로 Fast는 5 - 3, Slow는 12 - 5 - 3이다. 네이버 기준으로 계산해 보겠다.

stochastic, stochastic_k는 Fast %K, %D로 계산되는 함수이고,

stochastic_k, stochastic_d는 Slow %K, %D로 계산되는 함수이다.

stoch = stochastic(price_data['Close'],price_data['Low'],price_data['High'],5)
stoch_k = stochastic_k(stoch,3)
stoch_d = stochastic_d(stoch_k,3)

price_data["fast_k"] = stoch
price_data["fast_d"] = stoch_k

stoch = stochastic(price_data['Close'],price_data['Low'],price_data['High'],12)
stoch_k = stochastic_k(stoch,5)
stoch_d = stochastic_d(stoch_k,3)

price_data["slow_k"] = stoch_k
price_data["slow_d"] = stoch_d

price_data_tmp = price_data[price_data.index>"2022"].copy()
price_data_tmp["lower"] = 20
price_data_tmp["upper"] = 80

2022년 데이터를 대상으로 시각화한다.

# Fast
fig, ax1 = plt.subplots(figsize = (14,7)) 
ax1.set_ylabel('Price') 
ax1.plot(price_data_tmp["Close"],color = "black",alpha = 0.7)

ax2 = ax1.twinx() 
ax2.set_ylabel('Index') 
ax2.plot(price_data_tmp["fast_k"],color = "blue",alpha = 0.5)
ax2.plot(price_data_tmp["fast_d"],color = "red",alpha = 0.5)
ax2.plot(price_data_tmp["upper"],color = "black",alpha = 0.5)
ax2.plot(price_data_tmp["lower"],color = "black",alpha = 0.5)
ax2.legend(["fast_k","fast_k"],loc = "upper right")
plt.title(target["Name"].values[0])
plt.show()

# Slow
fig, ax1 = plt.subplots(figsize = (14,7)) 
ax1.set_ylabel('Price') 
ax1.plot(price_data_tmp["Close"],color = "black",alpha = 0.7)

ax2 = ax1.twinx() 
ax2.set_ylabel('Index') 
ax2.plot(price_data_tmp["slow_k"],color = "blue",alpha = 0.5)
ax2.plot(price_data_tmp["slow_d"],color = "red",alpha = 0.5)
ax2.plot(price_data_tmp["upper"],color = "black",alpha = 0.5)
ax2.plot(price_data_tmp["lower"],color = "black",alpha = 0.5)
ax2.legend(["slow_k","slow_d"],loc = "upper right")
plt.title(target["Name"].values[0])
plt.show()

Fast

Slow

 

Fast 스토캐스틱의 경우 굉장히 빈번하게 매수, 매도 신호나 나온다. 주가가 지속적으로 오르고 있음에도 불구하고 확실히 거짓 신호가 많이 보인다. 

반면, Slow 스토캐스틱은 거짓된 신호는 제거된 것 같다.

따라서 슬로우 스토캐스틱 %D로 벡테스팅을 간단하게 돌려보자.

 

벡테스팅 방식과 결과는 이전 글을 참고 바란다.

2022.11.07 - [개발일지] - 3. 투자지표를 활용한 매매 시점 모니터링 - 벡테스팅

2022.11.08 - [개발일지] - 5. 투자지표를 활용한 매매 시점 모니터링 - Kospi 종목 벡테스팅

2022.11.09 - [개발일지] - 6. 투자지표를 활용한 매매 시점 모니터링 - 손절선

 

 

시드머니 1,000만원 1회 매매 금액 500만원으로 2012년부터 22년까지 테스트한 결과이다.

손절선	RSI	Stochastic
손절선 X	손익 확률 + : 57.73%, - : 42.27% 최대 손익률 + : 30.14%, - 66.8% 손익 + 연평균 수익률 중위수 : 5.17%, 평균 : 5.96% 손익 - 연평균 수익률 중위수 : -4.45%, 평균 : -7.29% 기대 수익금 중위수 : 289만원, 평균 : 254만원	손익 확률 + : 50.79%, - : 49.21% 최대 손익률 + : 49.61%, - 57.91% 손익 + 연평균 수익률 중위수 : 4.65%, 평균 : 6.23% 손익 - 연평균 수익률 중위수 : -4.75%, 평균 : -7.38% 기대 수익금 중위수 : 190만원, 평균 : 295만원
-3.5%	손익 확률 + : 69.43%, - : 30.57% 최대 손익률 + : 17.21%, - 24.15% 손익 + 연평균 수익률 중위수 : 3.09%, 평균 : 3.71% 손익 - 연평균 수익률 중위수 : -1.95%, 평균 : -3.36% 기대 수익금 중위수 : 177만원, 평균 : 174만원	손익 확률 + : 49.21%, - : 50.67% 최대 손익률 + : 48.93%, - 36.14% 손익 + 연평균 수익률 중위수 : 3.79%, 평균 : 4.99% 손익 - 연평균 수익률 중위수 : -3.99%, 평균 : -5.44% 기대 수익금 중위수 : 116만원, 평균 : 198만원
-10%	손익 확률 + : 59.56%, - : 40.44% 최대 손익률 + : 30.14%, - 43.2% 손익 + 연평균 수익률 중위수 : 3.56%, 평균 : 4.28% 손익 - 연평균 수익률 중위수 : -2.48%, 평균 : -4.38% 기대 수익금 중위수 : 197만원, 평균 : 160만원	손익 확률 + : 50.18%, - : 49.82% 최대 손익률 + : 30.23%, - 23.9% 손익 + 연평균 수익률 중위수 : 3.3%, 평균 : 4.24% 손익 - 연평균 수익률 중위수 : -2.63%, 평균 : -3.93% 기대 수익금 중위수 : 149만원, 평균 : 186만원

 

손익 확률에서 너무 확률이 떨어진다. stochastic 자동매매를 할 시에 수익을 얻을 확률이 반반이라니.. 여전히 RSI가 가장 안정적이고 우수한 성과를 보이고 있다.

 

계산하고 나니 기대 수익금에 오류가 있다.

똑같이 1,000만원으로 연평균 수익, 손해율을 이용해 최종 금액을 계산 후 그 차를 기대 수익금이라 적었는데 손익 확률에서 차이가 나는 것을 반영하지 못했다.

손익 확률이 똑같이 50 대 50 이면 기대 수익률이 어느 정도 의미가 있겠지만, 60 대 40이 된 경우 수익 쪽을 더 가중해야 정확한 기대 수익률이 나온다.

수정하자면 현재 1대 1 기준으로 기대 수익금을 계산하고 있으므로 이 상황을 손익 확률 50% 대 50%라고 가정하고, 60% : 40% 일대 1.2 : 0.8로 가중치를 두어 계산하면 심플한 방법으로 반영될 것 같다. 

 

수정안을 조금 더 고민해보고 하루 날 잡아서 벡테스팅 결과표를 수정해야겠다.