股指期货中的周期指标除了SMA、EMA、BOOL、MACD、KDJ等还有很多其他分析的指标，如SAR、CCI、BIAS、ATR有时候也会被交易者用来判断股指期货的走向。正好最近项目中有需要加上这几种指标供用户使用，在此记录一下：

1 SAR

1.1 首先奉上sar的效果图

sar.png

1.2 sar的计算公式如下：

在计算SAR之前，先要选定一段周期，比如n日或n周等，n天或周的参数一般为4日或4周。

计算Tn周期的SAR值为例，计算公式如下：
SAR(Tn)=SAR(Tn-1)+AF(Tn)*[EP(Tn-1)-SAR(Tn-1)]

1. ① SAR(Tn)为第Tn周期的SAR值
   ② SAR(Tn-1)为第(Tn-1)周期的值
   ③ AF为加速因子(或叫加速系数)
   ④ EP为极点价(最高价或最低价)

在计算SAR值时，要注意以下几项原则：
1 .初始值SAR(T0)的确定
若T1周期中SAR(T1)上涨趋势，则SAR(T0)为T0周期的最低价
若T1周期下跌趋势，则SAR(T0)为T0周期 的最高价；

2.极点价EP的确定
若Tn周期为上涨趋势，EP(Tn-1)为Tn-1周期的最高价
若Tn周期为下跌趋势，EP(Tn-1)为Tn-1周期的最 低价；

3.加速因子AF的确定
(a)加速因子初始值为0.02，即AF(T0)=0.02；
(b)若Tn-1，Tn周期都为上涨趋势时，
当Tn周期的最高价>Tn-1周期的最高价，则AF(Tn)=AF(Tn-1)+0.02
当Tn周期的最高价<=Tn-1周期的最高价，则AF(Tn)=AF(Tn-1)，但加速因子AF最高不超过0.2；
(c)若Tn-1，Tn周期都为下跌趋势时，
当Tn周期的最低价<Tn-1周期的最低价，则AF(Tn)=AF(Tn-1)+0.02
当Tn周期的最低价>=Tn-1周期的最低价，则AF(Tn)=AF(Tn-1)；
(d)任何一次行情的转变，加速因子AF都必须重新由0.02起算；
比如，Tn-1周期为上涨趋势，Tn周期为下跌趋势(或Tn-1下跌，Tn上涨)，AF(Tn)需重新由0.02为基础进 行计算，即AF(Tn)=AF(T0)=0.02；
(e)加速因子AF最高不超过0.2，当AF>0.2时，AF需重新由0.02起算；

4.SAR值的确定
(a)通过公式SAR(Tn)=SAR(Tn-1)+AF(Tn)*[EP(Tn-1)-SAR(Tn-1)]，计算出Tn周期的值；
(b)若Tn周期为上涨趋势，
当SAR(Tn)>Tn周期的最低价(或SAR(Tn)>Tn-1周期的最低价)，则Tn周期最终 SAR值应为Tn-1、Tn周期的最低价中的最小值
当SAR(Tn)<=Tn周期的最低价且SAR(Tn)<=Tn-1周期的最低价，则Tn周期最终SAR值为SAR(Tn)，即SAR=SAR(Tn)；
(c)若Tn周期为下跌趋势，
当SAR(Tn)<Tn周期的最高价(或SAR(Tn)<Tn-1周期的最高价)，则Tn周期最终 SAR值应为Tn-1、Tn周期的最高价中的最大值，
当SAR(Tn)>=Tn周期的最高价且SAR(Tn)>=Tn-1周期的最高价，则Tn周期最终SAR值为SAR(Tn)，即 SAR=SAR(Tn)；

2 ATR

2.1 首先奉上atr的效果图

atr.png

2.2 ATR的计算公式如下：

atr1.png

t——当日；
n——时间长度；
Ci——第i日的[收盘价]
Hi——第i日的最高价；
Li——第i日的[最低价]
TRi = max(Hi,Ci-1)-min(Li,Ci-1)
注：一般取n=14，m=6。
其实就是一个求和取平均的过程。

2.3 顺道奉上atr计算的代码，省的一眼看下来都是百度能找到的公式解读。

/**
     * 获取ATR指标
     * ATR(cycle)(t) = 1/cycle{TR(1)+.........TR(cycle)}
     * TR(i) = max(Hi,Ci-1)-min(Li,Ci-1)
     * i = t-i+1
     * t——当日；
     * n——时间长度；
     * Ci——第i日的收盘价；
     * Hi——第i日的最高价；
     * Li——第i日的最低价。
     * 一般取cycle=14
     *
     * @param list
     * @param cycle
     * @return
     */
    public static List<KLineObj<KCandleObj>> getATRLineDatas(List<KCandleObj> list, int cycle) {
        if (list == null || list.size() == 0)
            return null;
        List<KLineObj<KCandleObj>> lineDatas = new ArrayList<KLineObj<KCandleObj>>();
        List<KCandleObj> dataATRs = new ArrayList<>();
        // 加入前面周期的缺省 确保list的值跟周期线一致 缺省范围=（cycle-1）
        for (int i = 1; i < cycle; i++) {
            dataATRs.add(0, new KCandleObj());
        }
        // 从（cycle-1）开始，因为list的索引从0开始
        for (int t = cycle - 1; t < list.size(); t++) {
            // 每一个周期的TRI之和
            double tRISigma = 0;
            // 计算每一个周期的所有TR
            for (int i = t - (cycle - 1); i <= t; i++) {
                KCandleObj kCandleObj = list.get(i);
                // 昨收
                double lastClose = 0;
                if (i == 0) {
                    // 第一根昨收为0
                    lastClose = 0;
                } else {
                    // 使用前一根的收盘价
                    lastClose = list.get(i - 1).getClose();
                }
                double TRI = Math.max(kCandleObj.getHigh(), lastClose) - Math.min(kCandleObj.getLow(), lastClose);
                tRISigma += TRI;
            }
            dataATRs.add(new KCandleObj(tRISigma / 14));
        }
        KLineObj kLineObj = new KLineObj();
        kLineObj.setLineData(dataATRs);
        kLineObj.setTitle("ATR(14)");
        kLineObj.setValue(dataATRs.get(dataATRs.size() - 1).getNormValue());
        kLineObj.setLineColor(Color.parseColor("#feb705"));
        kLineObj.setScale(KNumberUtil.getPointPow(list.get(0).getClose()));
        lineDatas.add(kLineObj);
        return lineDatas;
    }

3 BIAS

3.1 照例奉上效果图

bias.png

3.2 照例奉上公式

计算公式如下：
乖离率=[(当日收盘价-N日平均价)/N日平均价]*100%
其中N取：6,12,24
BIAS算是比较简单的一个指标。

3.3 破例奉上BIAS的代码

 * 计算bias
     * 计算公式如下：
     * 乖离率=[(当日收盘价-N日平均价)/N日平均价]*100%
     *
     * @param list
     * @param cycle 6,12,24
     * @return
     */
    private static List<KCandleObj> getBIASLineCycleData(List<KCandleObj> list, int cycle) {

        List<KCandleObj> dataBIASOneCycle = new ArrayList<>();
        // 加入前面周期的缺省 确保list的值跟周期线一致 缺省范围=（cycle-1）
        for (int i = 1; i < cycle; i++) {
            dataBIASOneCycle.add(0, new KCandleObj());
        }
        // 从（cycle-1）开始，因为list的索引从0开始
        // 对周期内的收盘价求和
        double sigmaClose = 0;
        for (int t = cycle - 1; t < list.size(); t++) {
            KCandleObj kCandleObj = list.get(t);
            double close = kCandleObj.getClose();
            // 为0说明没有计算过
            if (sigmaClose == 0) {
                for (int i = t - (cycle - 1); i <= t; i++) {
                    sigmaClose += list.get(i).getClose();
                }
            } else {
                // 对之后的求和 减去第1个+当前的1根  不用再做周期循环
                sigmaClose = sigmaClose - list.get(t - cycle).getClose() + close;
            }
            // 收盘价均值
            double closeAverage = sigmaClose / cycle;
            double bIAS = (close - closeAverage) / closeAverage * 100;
            dataBIASOneCycle.add(new KCandleObj(bIAS));
        }
        return dataBIASOneCycle;
    }

4 CCI

4.1 热乎乎的cci效果图

cci.png

4.2 百度可见的cci公式

以日CCI计算为例，其计算方法有两种。
第一种计算过程如下：
CCI（N日）=（TP－MA）÷MD÷0.015
其中，TP=（最高价+最低价+收盘价）÷3
MA=近N日收盘价的累计之和÷N
MD=近N日（MA－收盘价）的累计之和÷N
0.015为计算系数，N为计算周期
网上还有一种计算方式是用平均绝对偏差弄的，直接第一种实现了也就没有搞第二种了。这概念只能认得几个字，令人望而却步。
稍微提示一下，计算MD的时候请用绝对值，不然算出的来的指标线会不对。