关于kdj指标的问题，我们总结了以下几点，给你解答：
kdj指标参数最佳设置
KDJ指标的中文名称是随机指数，最早起源于期货市场。
KDJ指标的应用法则KDJ指标是三条曲线，在应用时主要从五个方面进行考虑：KD的取值的绝对数字；KD曲线的形态；KD指标的交叉；KD指标的背离；J指标的取值大小。
第一，从KD的取值方面考虑。KD的取值范围都是0～100，将其划分为几个区域：80以上为超买区，20以下为超卖区，其余为徘徊区。
根据这种划分，KD超过80就应该考虑卖出了，低于20就应该考虑买入了。应该说明的是，上述划分只是一个应用KD指标的初步过程，仅仅是信号，完全按这种方法进行操作很容易招致损失。
第二，从KD指标曲线的形态方面考虑。当KD指标在较高或较低的位置形成了头肩形和多重顶(底)时，是采取行动的信号。注意，这些形态一定要在较高位置或较低位置出现，位置越高或越低，结论越可靠。
第三，从KD指标的交叉方面考虑。K与D的关系就如同股价与MA的关系一样，也有死亡交叉和黄金交叉的问题，不过这里交叉的应用是很复杂的，还附带很多其他条件。
以K从下向上与D交叉为例：K上穿D是金叉，为买入信号。但是出现了金叉是否应该买入，还要看别的条件。第一个条件是金叉的位置应该比较低，是在超卖区的位置，越低越好。
第二个条件是与D相交的次数。有时在低位，K、D要来回交叉好几次。交叉的次数以2次为最少，越多越好。
第三个条件是交叉点相对于KD线低点的位置，这就是常说的“右侧相交”原则。K是在D已经抬头向上时才同D相交，比D还在下降时与之相交要可靠得多。
第四，从KD指标的背离方面考虑。在KD处在高位或低位，如果出现与股价走向的背离，则是采取行动的信号。
第五，J指标取值超过100和低于0，都属于价格的非正常区域，大于100为超买，小0为超卖。
一般短线看30分钟KDJ
KDJ指标只能告诉你一个单位时间内的股价高低（9日）。本人觉得用处吧是很大，如果要用，最好吧指标的参数改为60或120等等中长期的参数，这样还能准确点！目前的电脑设定的参数意义不大，说的不好听，会把你引入歧途，让你更云里雾里的看吧清楚，短线看股价是否会跌，吧如看30或60，10分钟K线，只要你吧贪心，还更准确！
kdj的参数不用手动改，都是默认的，参数为9是对应你所在线图周期来说的，如果你所在的界面是日线图，这个默认的9就9日，在周线图上就是9周，所以不用改这些参数，默认就好。
k线组合和均线结合着看，来把握买入卖出时间，这个要靠经验积累，才能比较准确的把握买卖交易，所以不要急于一时，一口气吃不出胖子的，慢慢研究吧！
kdj指标
def get_kdj(self, n, m1, m2):
df = self.df
low_list = df['low'].rolling(n).min()
low_list.fillna(value=df['low'].expanding().min(), inplace=True)
high_list = df['high'].rolling(n).max()
high_list.fillna(value=df['high'].expanding().max(), inplace=True)
rsv = (df['close'] - low_list) / (high_list - low_list) * 100
df['kdj_k'] = rsv.ewm(span=m1).mean()
df['kdj_d'] = df['kdj_k'].ewm(span=m2).mean()
df['kdj_j'] = 3 * df['kdj_k'] - 2 * df['kdj_d']
return df
# 获取macd指标
def get_macd(self, m1, m2, m3):
df = self.df
df['ema_12'] = df['close'].ewm(span=m1).mean()
df['ema_26'] = df['close'].ewm(span=m2).mean()
df['diff'] = df['ema_12'] - df['ema_26']
df['dea'] = df['diff'].ewm(span=m3).mean()
df['macd'] = 2 * (df['diff'] - df['dea'])
return df
# 获取cci指标
def get_cci(self, n):
df = self.df
df['tp'] = (df['high'] + df['low'] + df['close']) / 3
df['ma'] = df['tp'].rolling(n).mean()
df['md'] = abs(df['tp'] - df['ma']).rolling(n).mean()
df['cci'] = (df['tp'] - df['ma']) / (0.015 * df['md'])
return df
# 获取boll指标
def get_boll(self, n):
df = self.df
df['ma'] = df['close'].rolling(n).mean()
df['md'] = df['close'].rolling(n).std()
df['boll_up'] = df['ma'] + 2 * df['md']
df['boll_down'] = df['ma'] - 2 * df['md']
return df
# 获取rsi指标
def get_rsi(self, n):
df = self.df
df['diff'] = df['close'].diff()
df['up'] = df['diff'][df['diff'] > 0].fillna(0)
df['down'] = -df['diff'][df['diff'] < 0].fillna(0)
df['up_ma'] = df['up'].rolling(n).mean()
df['down_ma'] = df['down'].rolling(n).mean()
df['rs'] = df['up_ma'] / df['down_ma']
df['rsi'] = 100 - (100 / (1 + df['rs']))
return df
# 获取wr指标
def get_wr(self, n):
df = self.df
df['high_n'] = df['high'].rolling(n).max()
df['low_n'] = df['low'].rolling(n).min()
df['wr'] = 100 * (df['high_n'] - df['close']) / (df['high_n'] - df['low_n'])
return df
# 获取sar指标
def get_sar(self, n, m):
df = self.df
df['high_n'] = df['high'].rolling(n).max()
df['low_n'] = df['low'].rolling(n).min()
df['sar'] = df['low_n']
df['sar_up'] = df['high_n']
df['sar_down'] = df['low_n']
df['sar_up'][0] = df['high'][0]
df['sar_down'][0] = df['low'][0]
df['sar'][0] = df['low'][0]
df['sar_up_e'] = 0
df['sar_down_e'] = 0
df['sar_e'] = 0
df['sar_up_e'][0] = df['high'][0]
df['sar_down_e'][0] = df['low'][0]
df['sar_e'][0] = df['low'][0]
for i in range(1, len(df)):
if df['sar'][i - 1] == df['sar_down'][i - 1]:
if df['high'][i] > df['sar_up_e'][i - 1]:
df['sar_up'][i] = df['high'][i]
df['sar'][i] = df['sar_up_e'][i - 1] + m * (df['sar_up'][i] - df['sar_up_e'][i - 1])
else:
df['sar'][i] = df['sar_up_e'][i - 1] + m * (df['sar_up'][i - 1] - df['sar_up_e'][i - 1])
df['sar_up'][i] = df['sar_up'][i - 1]
else:
if df['low'][i] < df['sar_down_e'][i - 1]:
df['sar_down'][i] = df['low'][i]
df['sar'][i] = df['sar_down_e'][i - 1] + m * (df['sar_down'][i] - df['sar_down_e'][i - 1])
else:
df['sar'][i] = df['sar_down_e'][i - 1] + m * (df['sar_down'][i - 1] - df['sar_down_e'][i - 1])
df['sar_down'][i] = df['sar_down'][i - 1]
df['sar_up_e'][i] = df['sar_up'][i]
df['sar_down_e'][i] = df['sar_down'][i]
df['sar_e'][i] = df['sar'][i]
return df
# 获取dmi指标
def get_dmi(self, n):
df = self.df
df['high_n'] = df['high'].shift(1).rolling(n).max()
df['low_n'] = df['low'].shift(1).rolling(n).min()
df['tr'] = df['high_n'] - df['low_n']
df['tr_s'] = df['high'] - df['low']
df['tr_s'][0] = df['tr'][0]
df['tr_s'] = df['tr_s'].shift(1)
df['tr_l'] = df['high'] - df['low_n']
df['tr_l'][0] = df['tr'][0]
df['tr_l'] = df['tr_l'].shift(1)
df['tr_h'] = df['high_n'] - df['low']
df['tr_h'][0] = df['tr'][0]
df['tr_h'] = df['tr_h'].shift(1)
df['dmp'] = 0
df['dmm'] = 0
df['dmp'][df['tr_s'] > df['tr_l']] = df['tr_s']
df['dmm'][df['tr_s'] < df['tr_h']] = df['tr_s']
kdj指标三条线代表的意思
大智慧里面的KDJ指标的三条线分别代表：最高价、最低价、收盘价。
简介：
KDJ指标又叫随机指标，是一种相当新颖、实用的技术分析指标，它起移胞传先用于期货市场的分析，绍给推组转更矿后被广泛用于股市的中短期来自趋势分析，是期货和股票市场上最常用的技术分析工具。
随机指标KDJ一般是用于股票分析的统计松调正短建功体系，根据统计学原理，通过一个特定的周期(常为拉老温庆眼极无察顶9日、9周等)内出现过的最高价、最低价及最后一个计算周期的收盘价及这三者之间的比例关系，来计算最后一个计算周期的未成熟随机值RSV，然后根据平滑移动平均线的方法来计算K值、D值与J值，并绘成曲线图来研判股票走势。
