این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

• محلی
• مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

این یک بسته بندی پایتون برای TA-Lib است که بر اساس Cython به جای Swig است. از صفحه اصلی:

• شامل 150+ شاخص مانند ADX ، MACD ، RSI ، تصادفی ، گروههای بولینگر و غیره است.
• شناخت الگوی شمعدان
• API منبع باز برای C/C ++ ، Java ، Perl ، Python و 100 ٪ مدیریت . NET

اتصالات اصلی پایتون موجود در استفاده از TA-Lib Swig که متأسفانه نصب آن دشوار است و به اندازه ممکن کارآمد نیست. بنابراین این پروژه از Cython و Numpy برای اتصال کارآمد و تمیز به TA-LIB استفاده می کند-نتایج 2-4 برابر سریعتر از رابط SWIG.

علاوه بر این ، این پروژه همچنین از استفاده از کتابخانه های Polars و Pandas پشتیبانی می کند.

می توانید از PYPI نصب کنید:

یا منابع را پرداخت کنید و Setup. py را اجرا کنید:

همچنین به نظر می رسد نصب از طریق Conda Forge امکان پذیر است:

برای استفاده از TA-Lib برای پایتون ، باید TA-Lib را از قبل نصب کنید. احتمالاً باید دستورالعمل های نصب آنها را برای پلتفرم خود دنبال کنید ، اما برخی از پیشنهادات در زیر برای مرجع درج شده است.

شما به سادگی می توانید با استفاده از Homebrew نصب کنید:

اگر از Silicon Apple مانند پردازنده های M1 و ساخت پروژه های معماری خانگی استفاده می کنید ، ممکن است بخواهید مطمئن شوید که برای معماری شما ساخته شده است:

و شاید شما می توانید این موارد را قبل از نصب با PIP تنظیم کنید:

شما همچنین ممکن است این مفید را پیدا کنید ، به خصوص اگر چندین نصب مختلف را بدون موفقیت امتحان کرده اید:

بارگیری TA-lib-0. 4. 0-msvc. zip و unzip to c: ta-lib.

1. دانلود و از حالت فشرده Unzip ta-lib-0. 4. 0-msvc. zip
2. پوشه بدون لیب را به C: منتقل کنید
3. بارگیری و نصب انجمن Visual Studio (2015 یا بالاتر)
   • به یاد داشته باشید ویژگی [ویژوال C ++] را انتخاب کنید
4. ساخت کتابخانه Ta-Lib
   • از منوی Windows Start ، شروع [VS2015 X64 Native Tools Prompt]
   • حرکت به C: ta-lib c make cdr win32 msvc
   • کتابخانه را بسازید

شما همچنین ممکن است این باینری های ویندوز غیر رسمی را برای هر دو 32 بیتی و 64 بیتی امتحان کنید:

اگر T a-Lib را با استفاده از mak e-jx بسازید ، شکست خواهد خورد اما اشکالی ندارد! به سادگی دوباره ساخ ت-جکس را دنبال کنید و [sudo] نصب کنید.

توجه: اگر مسیر دایرکتوری شما شامل فضاهایی باشد ، نصب احتمالاً بدون چنین خطای پرونده یا دایرکتوری انجام نمی شود.

اگر هشدار دهنده ای دارید که به نظر می رسد:

این به طور معمول به معنای Setup. py نمی تواند کتابخانه زیربنایی TA-Lib را پیدا کند ، وابستگی که باید نصب شود.

اگر کتابخانه زیرین TA-Lib را با پیشوند سفارشی (به عنوان مثال ، با ./configure-prefix = $ پیشوند) نصب کرده اید ، پس وقتی می خواهید این بسته بندی پایتون را نصب کنید می توانید مسیرهای جستجوی اضافی را برای یافتن کتابخانه و شامل پرونده ها مشخص کنید. برای کتابخانه زیربنایی TA-Lib با استفاده از متغیرهای محیط TA_LIBRARY_PATH و TA_INCLUDE_PATH:

گاهی اوقات نصب خطاهای ساختمانی مانند این را ایجاد می کند:

این به طور معمول بدان معنی است که نمی تواند کتابخانه زیربنایی TA-Lib را پیدا کند ، وابستگی که باید نصب شود. در ویندوز ، این می تواند با نصب توزیع باینری 32 بیتی کتابخانه زیربنایی TA-Lib ایجاد شود ، اما تلاش برای استفاده از آن با پایتون 64 بیتی.

گاهی اوقات نصب با خطاهایی مانند این شکست می خورد:

این به طور معمول به این معنی است که شما به هدرهای پایتون احتیاج دارید و باید چیزی مانند:

گاهی اوقات ساختن کتابخانه زیربنایی TA-Lib خطاهایی در حال اجرا است که این امر به این شکل به نظر می رسد:

این ممکن است بدان معنی باشد که مسیر دایرکتوری به کتابخانه زیربنایی TA-Lib دارای فضاهایی در نام دایرکتوری است. سعی کنید آن را در مسیری قرار دهید که هیچ فضایی نداشته باشد و دوباره سعی کنید.

بعضی اوقات ممکن است این خطا را در حال اجرا در حال تنظیم تنظیم کنید.

این احتمالاً در تلاش برای تهیه برای سکوی 32 بیتی اما بدون هدرهای مناسب مسئله ای است. ممکن است با دیدن اولین پاسخ این سوال موفقیتی پیدا کنید.

اگر خطایی در مورد MACOS مانند این دارید:

ممکن است به این سؤال نگاه کنید و از XCrun CodeSign برای رفع آن استفاده کنید.

اگر تعجب می کنید که چرا Stochrsi نتایج متفاوتی از آنچه انتظار دارید به شما می دهد ، احتمالاً می خواهید Stoch برای RSI اعمال شود ، که کمی متفاوت از Stochrsi است که Stochf برای RSI اعمال می شود:

اگر ساخت آن آویزان است ، ممکن است با حافظه کافی در VM اجرا کنید - 1 گیگابایت یا 2 گیگابایت را امتحان کنید.

مشابه TA-LIB ، API عملکرد یک بسته بندی سبک از شاخص های TA-Lib در معرض قرار می دهد.

هر تابع یک آرایه خروجی را برمی گرداند و مقادیر پیش فرض برای پارامترهای خود دارد ، مگر اینکه به عنوان آرگومان کلمات کلیدی مشخص شود. به طور معمول ، این توابع یک دوره اولیه "نگاه" (تعداد مورد نیاز مشاهدات قبل از تولید خروجی) را در NAN تنظیم می کنند.

برای راحتی ، API عملکرد از ورودی های numpy. ndarray و pandas. series و قطبی ها پشتیبانی می کند.

همه نمونه های زیر از API عملکرد استفاده می کنند:

یک میانگین متحرک ساده از قیمت های نزدیک را محاسبه کنید:

محاسبه باندهای بولینگر ، با میانگین حرکت سه گانه:

محاسبه حرکت از قیمت های نزدیک ، با مدت زمانی 5:

کتابخانه زیربنایی Ta-Lib C با انتشار معمولی NAN به انتهای خروجی ، NAN را به صورت گاه غافلگیرکننده اداره می کند: به عنوان مثال:

شما می توانید آن را با میانگین نورد پاندا مقایسه کنید ، جایی که رویکرد آنها برای خروجی NAN است تا زمانی که مقادیر "نگاه" کافی برای تولید خروجی های جدید مشاهده شود:

اگر قبلاً با استفاده از API عملکرد آشنا هستید ، باید با استفاده از API انتزاعی احساس راحتی کنید.

هر عملکرد مجموعه ای از ورودی های نامگذاری شده ، یا dict از numpy. ndarray یا pandas. series یا polars. series ، یا pandas. dataframe یا polars. dataframe را می گیرد. اگر یک pandas. dataframe یا polars. dataframe ارائه شود ، خروجی به همان نوع با ستون های خروجی نامگذاری شده بازگردانده می شود.

به عنوان مثال ، ورودی ها می تواند برای داده های معمولی "OHLCV" ارائه شود:

توابع یا مستقیماً یا با نام آن را می توان وارد کرد:

از آنجا ، توابع فراخوانی اساساً برابر با عملکرد API است:

یک API جریان آزمایشی اضافه شد که به کاربران امکان می دهد آخرین مقدار یک شاخص را محاسبه کنند. این می تواند سریعتر از استفاده از API عملکرد باشد ، به عنوان مثال در برنامه ای که داده های جریان را دریافت می کند ، و می خواهد فقط جدیدترین مقدار شاخص به روز شده را بداند.

شاخص ها و توابع پشتیبانی شده

ما می توانیم تمام توابع TA را که توسط TA-Lib پشتیبانی می شود ، به عنوان یک لیست یا به عنوان یک DICT که توسط گروه طبقه بندی شده است (به عنوان مثال "مطالعات همپوشانی" ، "شاخص های حرکت" و غیره) نشان دهیم: