abupy.TLineBu.ABuTLine 源代码

# -*- encoding:utf-8 -*-
"""
    技术线对象,对外执行,输出模块
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import itertools
import logging
import math
from collections import Iterable
from enum import Enum

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from scipy.interpolate import interp1d

from ..TLineBu.ABuTLExecute import shift_distance, bfgs_min_pos, support_resistance_pos, \
    select_k_support_resistance, plot_support_resistance_trend, support_resistance_predict, regress_trend_channel, \
    below_above_gen, find_percent_point, find_golden_point_ex, find_golden_point, skeleton_how

from ..CoreBu import ABuEnv
from ..CoreBu.ABuBase import FreezeAttrMixin
from ..UtilBu import ABuRegUtil
from ..UtilBu import ABuStatsUtil
from ..UtilBu.ABuDTUtil import arr_to_numpy
from ..UtilBu.ABuLazyUtil import LazyFunc

__author__ = '阿布'
__weixin__ = 'abu_quant'

"""模块打印根据环境选择logging.info或者print函数"""
log_func = logging.info if ABuEnv.g_is_ipython else print

"""预备颜色序列集,超出序列数量应使用itertools.cycle循环绘制"""
K_PLT_MAP_STYLE = [
    'r', 'g', 'c', 'k', 'm', 'r', 'y']


[文档]class ESkeletonHow(Enum): """计算骨架走势使用的how""" """使用最小值取骨架点位""" skeleton_min = 0 """使用最大值取骨架点位""" skeleton_max = 1 """使用平均值取骨架点位""" skeleton_mean = 2 """使用中位数取骨架点位""" skeleton_median = 3 """使用时间序列最后的元素取骨架点位""" skeleton_close = 4 """ 使用三角模式,即最高,最低,第三点: 确定取最大值,最小值,第三个点位how_func提供, 如果np.argmax(arr) > np.argmin(arr)即最大值位置在最小值前面, 第三点取序列起点,否则取序列终点 """ skeleton_triangle = 100
[文档]class EShiftDistanceHow(Enum): """计算位移路程比的how""" """ 使用时间序列最后的元素做为路程的计算基础: 对应序列的最后一个点位值,标准路程点位值定义 """ shift_distance_close = 0 """ 使用极限值做为路程的计算基础: 如果p_arr[0] > p_arr[-1],使用np.min(p_arr),否则np.max(p_arr),即上升趋势取max,下跌趋势取min """ shift_distance_maxmin = 1 """ 使用序列的sum和极限值为路程的计算基础: 如果abs(p_arr.max() - p_arr[-1]) > abs(p_arr[-1] - p_arr.min()) 取np.min(p_arr)否则np.max(p_arr) """ shift_distance_sum_maxmin = 2
"""step_x_to_step函数中序列步长的常数单元值""" g_step_unit = 10
[文档]class AbuTLine(FreezeAttrMixin): """技术线封装执行对外操作的对象类""" def __init__(self, line, line_name, **kwargs): """ :param line: 技术线可迭代序列,内部会通过arr_to_numpy统一转换numpy :param line_name: 技术线名称,str对象 :param kwargs mean: 外部可选择通过kwargs设置mean,如不设置line.mean() :param kwargs std: 外部可选择通过kwargs设置std,如不设置line.std() :param kwargs high: 外部可选择通过kwargs设置high,如不设置self.mean + self.std :param kwargs low: 外部可选择通过kwargs设置low,如不设置self.mean - self.std :param kwargs close: 外部可选择通过kwargs设置close,如不设置line[-1] """ # 把序列的nan进行填充,实际上应该是外面根据数据逻辑把nan进行填充好了再传递进来,这里只能都使用bfill填了 line = pd.Series(line).fillna(method='bfill') self.tl = arr_to_numpy(line) self.mean = kwargs.pop('mean', self.tl.mean()) self.std = kwargs.pop('std', self.tl.std()) self.high = kwargs.pop('high', self.mean + self.std) self.low = kwargs.pop('low', self.mean - self.std) self.close = kwargs.pop('close', self.tl[-1]) self.x = np.arange(0, self.tl.shape[0]) self.line_name = line_name for k, v in kwargs: # 需要设置什么都通过kwargs设置进来,不然_freeze后无法设置 setattr(self, k, v) # 需要进行定稿,初始化好就不能动 self._freeze() @classmethod
[文档] def show_kl_pd(cls, kl_pd, key='close', show=True, **kwargs): """ 类方法,针对金融时间序列中的数据列进行技术线分析,可视化最优拟合次数, 路程位移比,拟合通道曲线,骨架通道,阻力位和支撑位等技术线分析,返回 AbuTLine对象 :param kl_pd: 金融时间序列,pd.DataFrame对象 :param key: kl_pd中做为技术线的列名称,str对象 :param show: 是否可视化,可视化最优拟合次数,路程位移比,拟合通道曲线,骨架通道,阻力位和支撑位等 :param kwargs: 可视化函数涉及的其它参数 eg:step_x, only_last等 :return: 返回AbuTLine对象 """ line = cls(kl_pd[key], key) if show: # 可以通过kwargs设置show的参数,先pop出来 zoom = kwargs.pop('zoom', False) step_x = kwargs.pop('step_x', 1.0) how = kwargs.pop('how', EShiftDistanceHow.shift_distance_close) only_last = kwargs.pop('only_last', False) line.show() # 可视化技术线最优拟合次数 line.show_best_poly(zoom=zoom) # 可视化技术线'路程位移比' line.show_shift_distance(step_x=step_x, how=how) # 可视化技术线拟合曲线及上下拟合通道曲线 line.show_regress_trend_channel(step_x=step_x) # 可视化可视化技术线骨架通道 line.show_skeleton_channel(step_x=step_x) # 可视化技术线比例分割的区域 line.show_percents() # 可视化技术线黄金分割 line.show_golden() # 对技术线阻力位和支撑位进行绘制, 以及所有中间过程 line.show_support_resistance_trend(only_last=only_last) return line
@LazyFunc def score(self): """ 被LazyFunc装饰: score代表当前技术线值在当前的位置, (self.close - self.low) / (self.high - self.low) eg: self.high = 100, self.low=0,self.close=80 -> (self.close - self.low) / (self.high - self.low) = 0.8 即代表当前位置在整体的0.8位置上 :return: 技术线当前score, 返回值在0-1之间 """ if self.high == self.low: score = 0.8 if self.close > self.low else 0.2 else: score = (self.close - self.low) / (self.high - self.low) return score @LazyFunc def y_zoom(self): """ 被LazyFunc装饰: 获取对象技术线tl被self.x缩放后的序列y_zoom :return: 放后的序列y_zoom """ zoom_factor = self.x.max() / self.tl.max() y_zoom = zoom_factor * self.tl return y_zoom
[文档] def step_x_to_step(self, step_x): """ 针对技术线的时间范围步长选择函数,在show_shift_distance,show_regress_trend_channel, show_skeleton_channel等涉及时间步长的函数中用来控制步长范围 :param step_x: 时间步长控制参数,float :return: 最终输出被控制在2-len(self.tl), int """ if step_x <= 0: # 不正常step_x规范到正常范围中 log_func('input step_x={} is error, change to step_x=1'.format(step_x)) step_x = 1 # 如果需要调整更细的粒度,调整g_step_unit的值 step = int(math.floor(len(self.tl) / g_step_unit / step_x)) # 输出被控制在2-len(self.tl) step = len(self.tl) if step > len(self.tl) else step step = 2 if step < 2 else step return step
[文档] def show(self): """可视化技术线最基本的信息,high,mean,low""" plt.subplots() # tl装载技术线本体 plt.plot(self.tl) plt.axhline(self.high, color='c') plt.axhline(self.mean, color='r') plt.axhline(self.low, color='g') _ = plt.setp(plt.gca().get_xticklabels(), rotation=30) plt.legend(['TLine', 'high', 'mean', 'low'], bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.) plt.title(self.line_name) plt.show()
[文档] def show_best_poly(self, zoom=False, show=show): """ 可视化技术线最优拟合次数,寻找poly(1-100)次多项式拟合回归的趋势曲线可以比较完美的代表原始曲线y的走势, 具体详情ABuRegUtil.search_best_poly :param zoom: 透传search_best_poly是否缩放x,y :param show: 是否进行可视化 """ best = ABuRegUtil.search_best_poly(self.tl, zoom=zoom, show=show) if show: log_func('best poly = {}, zoom={}'.format(best, zoom)) return best
[文档] def show_least_valid_poly(self, zoom=False, show=True): """ 可视化技术线,检测至少poly次拟合曲线可以代表原始曲线y的走势, 具体详情ABuRegUtil.least_valid_poly :param zoom: 透传least_valid_poly是否缩放x,y :param show: 是否进行可视化 """ least = ABuRegUtil.least_valid_poly(self.tl, zoom=zoom, show=show) if show: log_func('least poly = {}, zoom={}'.format(least, zoom)) return least
[文档] def show_shift_distance(self, how=EShiftDistanceHow.shift_distance_close, step_x=1.0, show=True, show_log=True): """ 可视化技术线'路程位移比',注意默认使用shift_distance_close对应标准路程点位值定义方法,其它方法对应的 路程终点点位值使用的计算方法并非得到最准确的'路程位移比',实现详ABuTLExecute.shift_distance :param how: EShiftDistanceHow对象或者callable即外部可自行设置方法,即计算算路程终点点位值使用的计算方法可自定义 :param step_x: 时间步长控制参数,默认1.0,float :param show: 是否进行可视化 :param show_log: 是否输出位移路程比各个段比值,默认True :return 对每一个金融序列切片进行shift_distance的返回结果序列,即每一个序列中的元素为: h_distance(三角底边距离), v_distance(三角垂直距离), distance(斜边,路程), shift(位移), sd(位移路程比:shift / distance) 所组成的tuple对象 """ # 这里使用了缩放后的y,因为确保路程位移比具有更好的适应性 y = self.y_zoom step = self.step_x_to_step(step_x) if show: plt.plot(y) shift_distance_list = [] for slice_end, color in zip(np.arange(step, len(y), step), itertools.cycle(K_PLT_MAP_STYLE)): slice_start = slice_end - step shift_distance_list.append( shift_distance(y, how, slice_start=slice_start, slice_end=slice_end, color=color, show=show, show_log=show_log, ps=False)) if show: plt.show() return shift_distance_list
[文档] def show_regress_trend_channel(self, step_x=1.0): """ 可视化技术线拟合曲线及上下拟合通道曲线,返回三条拟合曲线,组成拟合通道 :param step_x: 时间步长控制参数,默认1.0,float """ y = self.tl step = self.step_x_to_step(step_x) plt.plot(y) for slice_end, color in zip(np.arange(step, len(y), step), itertools.cycle(K_PLT_MAP_STYLE)): slice_start = slice_end - step slice_arr = y[slice_start:slice_end] # 通过regress_trend_channel获取切片段的上中下三段拟合曲线值 y_below, y_fit, y_above = regress_trend_channel(slice_arr) x = self.x[slice_start:slice_end] plt.plot(x, y_below, 'g') plt.plot(x, y_fit, 'y') plt.plot(x, y_above, 'r') plt.show()
[文档] def show_skeleton_channel(self, with_mean=True, step_x=1.0): """ 套接show_skeleton,可视化可视化技术线骨架通道,通道由: ESkeletonHow.skeleton_min:下通道, ESkeletonHow.skeleton_max:上通道, ESkeletonHow.skeleton_mean 中轨通道,组成 :param with_mean: 是否绘制ESkeletonHow.skeleton_mean 中轨通道,默认True :param step_x: 时间步长控制参数,默认1.0,float """ self.show_skeleton(how=ESkeletonHow.skeleton_min, step_x=step_x, ps=False) self.show_skeleton(how=ESkeletonHow.skeleton_max, step_x=step_x, ps=False) if with_mean: self.show_skeleton(how=ESkeletonHow.skeleton_mean, step_x=step_x, ps=False) plt.plot(self.tl) # 前面的绘制ps都是False, 这里统一show plt.show()
[文档] def show_skeleton(self, how=ESkeletonHow.skeleton_min, step_x=1.0, ps=True): """ 可视化技术线骨架结构 :param how: 计算数据序列骨架点位的方法,ESkeletonHow对象或者callable即外部可自行设置方法, 即计算数据序列骨架点位的方法可自定义 :param step_x: 时间步长控制参数,默认1.0,float :param ps: 是否立即执行plt.show() """ step = self.step_x_to_step(step_x) # 每个单位都先画一个点,由两个点连成一条直线形成股价骨架图 last_pos = None # 根据how映射计算数据序列骨架点位的方法 how_func = skeleton_how(how) for slice_end, color in zip(np.arange(step, len(self.tl), step), itertools.cycle(K_PLT_MAP_STYLE)): slice_start = slice_end - step slice_arr = self.tl[slice_start:slice_end] if how == ESkeletonHow.skeleton_triangle: """ 三角模式骨架点位:确定取最大值,最小值,第三个点位how_func提供 如果np.argmax(arr) > np.argmin(arr)即最大值位置在最小值前面,第三点取序列起点,否则取序列终点 """ max_pos = (np.argmax(slice_arr) + slice_start, np.max(slice_arr)) min_pos = (np.argmin(slice_arr) + slice_start, np.min(slice_arr)) draw_pos = how_func(slice_arr, slice_start) plt.plot([draw_pos[0], min_pos[0]], [draw_pos[1], min_pos[1]], c=color) plt.plot([draw_pos[0], max_pos[0]], [draw_pos[1], max_pos[1]], c=color) plt.plot([min_pos[0], max_pos[0]], [min_pos[1], max_pos[1]], c=color) else: # 其它骨架数据计算方法 draw_pos = (slice_start, how_func(slice_arr)) if last_pos is not None: # 将两两临近局部最小值相连,两个点连成一条直线 plt.plot([last_pos[0], draw_pos[0]], [last_pos[1], draw_pos[1]], 'o-') # 将这个步长单位内的最小值点赋予last_pos last_pos = draw_pos if ps: plt.plot(self.tl) plt.show()
[文档] def show_skeleton_bfgs(self, step_x=1.0): """ 可视化技术线骨架结构与show_skeleton不同,由bfgs确定骨架点位值,即通过 scipy.interpolate.interp1d插值形成模型通过sco.fmin_bfgs计算骨架点位值 :param step_x: 时间步长控制参数,默认1.0,float """ step = self.step_x_to_step(step_x) # scipy.interpolate.interp1d插值形成模型 linear_interp = interp1d(self.x, self.tl) # 每个单位都先画一个点,由两个点连成一条直线形成股价骨架图 last_pos = None # 每步长step单位求一次局部最小 for find_min_pos in np.arange(step, len(self.tl), step): # sco.fmin_bfgs计算骨架点位值 local_min_pos = int(bfgs_min_pos(find_min_pos, linear_interp, len(self.tl))) if local_min_pos == -1: # 其实主要就是利用这里找不到的情况进行过滤 continue # 形成最小点位置信息(x, y) draw_pos = (local_min_pos, self.tl[local_min_pos]) # 第一个step单位last_pos=none, 之后都有值 if last_pos is not None: # 将两两临近局部最小值相连,两个点连成一条直线 plt.plot([last_pos[0], draw_pos[0]], [last_pos[1], draw_pos[1]], 'o-') # 将这个步长单位内的最小值点赋予last_pos last_pos = draw_pos plt.show()
[文档] def show_support_resistance_pos(self, best_poly=0, show=True): """ 可视化分析技术线阻力位和支撑位,通过sco.fmin_bfgs寻找阻力位支撑位,阻力位点也是通过sco.fmin_bfgs寻找, 但是要求传递进来的序列已经是标准化后取反的序列 eg: demean_y = ABuStatsUtil.demean(self.tl): 首先通过demean将序列去均值 resistance_y = demean_y * -1 :阻力位序列要取反 support_y = demean_y :支持位序列不需要取反 :param best_poly: 函数使用者可设置best_poly, 设置后就不使用ABuRegUtil.search_best_poly寻找了, 详细阅ABuTLExecute.support_resistance_pos :param show: 是否可视化 :return: (技术线支撑位: support_pos, 技术线阻力位: resistance_pos) """ # 首先通过demean将序列去均值 demean_y = ABuStatsUtil.demean(self.tl) # 阻力位序列要取反 resistance_y = demean_y * -1 # 支持位序列不需要取反 support_y = demean_y # 分析技术线支撑位 support_pos = support_resistance_pos(self.x, support_y, best_poly=best_poly, label='support pos') # 分析技术线阻力位 resistance_pos = support_resistance_pos(self.x, resistance_y, best_poly=best_poly, label='resistance pos') if show: plt.plot(self.x, self.tl, '--', support_pos, self.tl[support_pos], 'o', resistance_pos, self.tl[resistance_pos], 'p') plt.show() # 返回 (技术线支撑位: support_pos, 技术线阻力位: resistance_pos) return support_pos, resistance_pos
[文档] def show_support_resistance_select_k(self, best_poly=0, show=True): """ 可视化分析技术线阻力位和支撑位序列从1-序列个数开始聚类,多个聚类器的方差值进行比较, 通过方差阀值等方法找到最佳聚类个数,最终得到kmean最佳分类器对象 :param best_poly: 传递show_support_resistance_pos, 函数使用者可设置best_poly, 设置后就不使用ABuRegUtil.search_best_poly寻找了 :param show: 是否可视化显示 :return: upport_est, resistance_est, support_pos, resistance_pos """ # 可视化分析技术线阻力位或者支撑位 support_pos, resistance_pos = self.show_support_resistance_pos(best_poly, show=show) support_pos = np.array([support_pos, [self.tl[support] for support in support_pos]]).T resistance_pos = np.array([resistance_pos, [self.tl[resistance] for resistance in resistance_pos]]).T support_est = None if len(support_pos) > 1: # 多个聚类器的方差值进行比较,通过方差阀值等方法找到最佳聚类个数,最终得到kmean最佳分类器对象 # 注意这里的show直接False了 support_est = select_k_support_resistance(support_pos, label='support k choice', show=False) resistance_est = None if len(resistance_pos) > 1: # 注意这里的show直接False了 resistance_est = select_k_support_resistance(resistance_pos, label='resistance k choice', show=False) return support_est, resistance_est, support_pos, resistance_pos
[文档] def show_support_resistance_trend(self, best_poly=0, only_last=False, plot_org=False, show=True, show_step=False): """ 套接:show_support_resistance_select_k->support_resistance_predict ->ABuTLExecute.plot_support_resistance_trend 最终对技术线阻力位和支撑位进行绘制,注意show参数控制的是中间流程中的可视化,不包括 最终阻力位和支撑的可视化 :param best_poly: 传递show_support_resistance_pos, 函数使用者可设置best_poly, 设置后就不使用ABuRegUtil.search_best_poly寻找了 :param only_last: 透传ABuTLExecute.plot_support_resistance_trend,控制只绘制时间序列中最后一个发现的阻力或支撑 :param plot_org: 透传ABuTLExecute.plot_support_resistance_trend,控制是否绘制线段还是直线,控制是否绘制线段还是直线, plot_org=True时绘制线段,否则通过LinearRegression进行 :param show_step: show_step参数控制的是中间流程中的可视化, 不包括最终阻力位或者支撑的可视化 :param show: show: show参数控制的是最终阻力位或者支撑的可视化 """ support_est, resistance_est, support_pos, resistance_pos = self.show_support_resistance_select_k(best_poly, show=show_step) y_trend_dict = {} if support_est is not None: # FIXME 针对极端没有找到足够绘制支撑阻力位的情况做处理 support_trend = support_resistance_predict(self.x, self.tl, support_est, support_pos, is_support=True, show=show_step) y_support_trend = plot_support_resistance_trend(self.x, self.tl, support_trend, 'support trend line', only_last=only_last, plot_org=plot_org, show=show) if y_support_trend is not None: y_trend_dict['support'] = y_support_trend else: log_func('can\'t plot support !') if resistance_est is not None: resistance_trend = support_resistance_predict(self.x, self.tl, resistance_est, resistance_pos, is_support=False, show=show_step) y_resistance_trend = plot_support_resistance_trend(self.x, self.tl, resistance_trend, 'resistance trend line', only_last=only_last, plot_org=plot_org, show=show) if y_resistance_trend is not None: y_trend_dict['resistance'] = y_resistance_trend else: log_func('can\'t plot resistance !') if show: plt.legend(loc=2) plt.show() return y_trend_dict
[文档] def show_support_trend(self, best_poly=0, only_last=False, plot_org=False, show=True, show_step=False): """ 最终对技术线只对阻力位进行绘制 套接:show_support_resistance_select_k->support_resistance_predict ->ABuTLExecute.plot_support_resistance_trend :param best_poly: 传递show_support_resistance_pos, 函数使用者可设置best_poly, 设置后就不使用ABuRegUtil.search_best_poly寻找了 :param only_last: 透传ABuTLExecute.plot_support_resistance_trend,控制只绘制时间序列中最后一个发现的阻力或支撑 :param plot_org: 透传ABuTLExecute.plot_support_resistance_trend,控制是否绘制线段还是直线,控制是否绘制线段还是直线, plot_org=True时绘制线段,否则通过LinearRegression进行 :param show_step: show_step参数控制的是中间流程中的可视化, 不包括最终阻力位或者支撑的可视化 :param show: show: show参数控制的是最终阻力位或者支撑的可视化 """ support_est, _, support_pos, _ = self.show_support_resistance_select_k(best_poly, show=show_step) y_trend_dict = {} if support_est is not None: support_trend = support_resistance_predict(self.x, self.tl, support_est, support_pos, is_support=True, show=show_step) y_support_trend = plot_support_resistance_trend(self.x, self.tl, support_trend, 'support trend line', only_last=only_last, plot_org=plot_org, show=show) if y_support_trend is not None: y_trend_dict['support'] = y_support_trend if show: plt.legend(loc=2) plt.show() return y_trend_dict
[文档] def show_resistance_trend(self, best_poly=0, only_last=False, plot_org=False, show=True, show_step=False): """ 最终对技术线只对支撑位进行绘制 套接:show_support_resistance_select_k->support_resistance_predict ->ABuTLExecute.plot_support_resistance_trend :param best_poly: 传递show_support_resistance_pos, 函数使用者可设置best_poly, 设置后就不使用ABuRegUtil.search_best_poly寻找了 :param only_last: 透传ABuTLExecute.plot_support_resistance_trend,控制只绘制时间序列中最后一个发现的阻力或支撑 :param plot_org: 透传ABuTLExecute.plot_support_resistance_trend,控制是否绘制线段还是直线,控制是否绘制线段还是直线, plot_org=True时绘制线段,否则通过LinearRegression进行 :param show_step: show_step参数控制的是中间流程中的可视化, 不包括最终阻力位或者支撑的可视化 :param show: show: show参数控制的是最终阻力位或者支撑的可视化 """ _, resistance_est, _, resistance_pos = self.show_support_resistance_select_k(best_poly, show=show_step) y_trend_dict = {} if resistance_est is not None: resistance_trend = support_resistance_predict(self.x, self.tl, resistance_est, resistance_pos, is_support=False, show=show_step) y_resistance_trend = plot_support_resistance_trend(self.x, self.tl, resistance_trend, 'resistance trend line', only_last=only_last, plot_org=plot_org, show=show) if y_resistance_trend is not None: y_trend_dict['resistance'] = y_resistance_trend if show: plt.legend(loc=2) plt.show() return y_trend_dict
[文档] def show_percents(self, percents=(0.1, 0.9)): """ 可视化技术线比例分割的区域 :param percents: float值或者可迭代序列,默认使用(0.1, 0.9) :return: """ if not isinstance(percents, Iterable): # 如果不是可迭代序列,添加到list中,便于统一处理 percents = [percents] pts_dict = find_percent_point(percents, self.tl) plt.plot(self.tl) """ eg: pts_dict 形如: {0.1: (15.732749999999999, 15.5075), 0.9: (31.995000000000005, 34.387500000000003)} 即返回的是一个比例地带,绘制地带的上下边界 """ for pt, color in zip(pts_dict, itertools.cycle(K_PLT_MAP_STYLE)): below, above = below_above_gen(*pts_dict[pt]) plt.axhline(below, c=color) plt.axhline(above, c=color) plt.fill_between(self.x, below, above, alpha=0.5, color=color) plt.show()
[文档] def show_golden(self, both_golden=True): """ 可视化技术线黄金分割 :param both_golden: 代表同时可视化两种分割线的计算在一个画布上 :return: """ if both_golden: # 同时可视化两种分割线的计算在一个画布上直接套接show_percents self.show_percents(percents=(0.382, 0.618)) else: # 分别可视化 find_golden_point_ex(self.x, self.tl, show=True) find_golden_point(self.x, self.tl, show=True)
def __str__(self): """打印对象显示:line_name: close, below, above, mean""" return "{}: now:{} below:{} above:{}".format(self.line_name, self.close, self.low, self.high, self.mean) __repr__ = __str__