하이킨아시 캔들이란?
하이킨아시 캔들은 캔들상 노이즈를 줄여주어 추세 판단에 유용한 캔들이다.
캔들의 고점과 저점, 시가와 종가를 재정의 함으로써 추세를 좀 더 명확하게 보여준다.
수식은 아래와 같다.
close = (open + close + high + low) / 4
open = (직전open + 직전 close) / 2 # 직전봉의 중간값
high = max(open, close, high)
low = min(open, close, low)복잡해보일 수 있으나, 천천히 뜯어보면 이해하기 어렵지 않다.
시가는 직전봉의 시가와 종가의 중간값이고,
종가는 현재봉의 모든 캔들 값의 평균이다.
최고가와 최저가는 문자 그대로 최고, 최저가이나,
수식에 시가와 종가가 들어있는 이유는, 시가의 정의가 직전봉의 중간값이기 때문이다.
하이킨아시는 시간의 흐름을 그대로 반영하지 않기 때문에
하이킨아시의 시가가 일반 캔들 기준의 고가를 넘어서는 경우가 발생 할 수 있다.
하이킨아시 캔들 예시
아래의 예시를 보자.
Webull이라는 싸이트에서 테슬라(티커 : TSLA) 차트를 비교해보았다.
확실히 등락이 덜해보이고, 추세가 더 명확해졌다.
어떤가? 방향성 파악에 확실히 도움이 될것 같지 않나?
하이킨아시 캔들 활용법
일반적으로 하이킨아시 캔들은 봉의 몸통이 길수록 확연한 추세임을 나타내며,
몸통이 짧고, 꼬리가 긴 경우 추세의 전환을 예고한다.
따라서, 직전봉의 몸통 대비 꼬리의 비율이 일정 비율 이하일시 매수,
일정 비율 이상일시 매도하는 방법을 생각해 볼 수 있겠다.
ex) 하이킨아시 캔들 기준
|(open - close)|/(high - low) > 80% → 매수
|(open - close)|/(high - low) < 20% → 매도위는 하이킨아시 개념에 따른 검증되지 않은 예시일 뿐이다.
개념을 이해하는 데에만 활용하고,
혹여라도 실제 매매에 활용하고자 한다면 철저한 사전 검증을 거치도록 하자.
하이킨아시의 단점은?
앞서 이야기한대로 실제 시간의 흐름을 반영하지 않는다는 점이
하이킨아시 차트의 최대 맹점이다.
심지어 차트만을 봐서는 현재가 조차도 알 수가 없기 때문에
이평선이나, RSI같은 하나의 지표로써만 활용해야지
오직 하이킨아시 캔들만을 진입조건으로 활용하거나
시황 분석용으로 캔들 차트를 대체하려해서는 안된다.
실전 활용을 위한 파이썬 코드
파이썬을 활용하면, 매매법을 검증하거나 매매 자동화에
하이킨아시의 개념을 활용 할 수 있다.
아래는 일반 캔들 차트의 df를 하이킨아시로 변환해주는 코드이다.
def heikinashi(close, open, high, low):
df = DataFrame()
df['ha_close'] = (close + open + high + low) / 4
df['ha_open'] = (open.shift(1) + close.shift(1)) / 2
df['ha_high'] = pd.concat([close, open, high], axis=1).max(axis=1)
df['ha_low'] = pd.concat([close, open, low], axis=1).min(axis=1)
return df['ha_close'], df['ha_open'], df['ha_high'], df['ha_low']TA-Lib의 MACD 등과 마찬가지로 각 열을 리턴값으로 넣었으며, 다음과 같이 활용하면 된다.
close, open, high, low = heikinashi(close, open, high, low)
마치며
수식을 통해서도 알 수 있지만,
하이킨아시는 단순히 캔들값의 평균과 최대 최소를 적절하게 재정의한 값이다.
사실 이동평균만 활용해도 기존 캔들의 노이즈는 줄일 수 있으며,
심지어 몇가지 이동평균을 조합하다보면 하이킨아시와 별반 차이가 없어 보이는 경우도 있다.
하지만, 아무 이평이나 조합한다고해서 높은 성과가 나오지는 않듯이
많은 사람들이 하이킨아시 차트를 이용하고 연구한다는 건,
적절한 조합이라는 반증인지도 모른다.
설령 하이킨아시 차트가 많은 경우에 들어맞는 적절한 비율이 아닐지라도
트레이딩 뷰 등 다양한 매매에 이용되는 기법이니,
한번쯤 공부해 둘만한 가치는 충분하다고 생각된다.