mcpField
P
pandas-ta

pandas-ta

github.com/agiprolabsデータ・データベース456596 回インストール8 週間前に更新
リポジトリ

pandas-ta について

暗号資産市場の分析向け Python テクニカル分析ライブラリです。`df.ta` を通じて pandas DataFrame に 130 種類以上の指標を適用でき、OHLCV 分析や売買戦略の入力に使えます。

主な機能

  1. 01130 種類以上のテクニカル指標
  2. 02トレンド、モメンタム、ボラティリティ指標
  3. 03出来高・オーバーラップ指標
  4. 04複数の指標戦略を一括実行
  5. 05OHLCV DataFrame 対応

活用シーン

  1. 01価格・出来高データから指標を計算
  2. 02指標を組み合わせて売買シグナルを作成
  3. 03バックテスト用の指標入力を用意
  4. 04時間軸ごとに暗号資産市場を分析

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/agiprolabs/claude-trading-skills --skill pandas-ta

インストール後、Claude Code で/pandas-taを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

references/
common_pitfalls.md
indicator_guide.md
strategy_patterns.md
scripts/
compute_indicators.py
multi_indicator_scan.py

詳細

pandas-ta — 暗号資産市場のテクニカル分析

pandas-ta は、df.ta から利用できる 130 種類以上のテクニカル分析指標を pandas の DataFrame に追加する Python ライブラリです。トレンド、モメンタム、ボラティリティ、出来高、オーバーラップ指標の各カテゴリをカバーしており、任意の OHLCV DataFrame に対して単一のメソッド呼び出しで実行できます。

インストール

uv pip install pandas-ta pandas httpx

クイックスタート

import pandas as pd
import pandas_ta as ta

# Assume df is a DataFrame with columns: open, high, low, close, volume
# All lowercase column names required

# Single indicator
df["rsi"] = df.ta.rsi(length=14)
df["atr"] = df.ta.atr(length=14)

# Multiple indicators via strategy
df.ta.strategy(ta.Strategy(
    name="Quick Check",
    ta=[
        {"kind": "rsi", "length": 14},
        {"kind": "macd", "fast": 12, "slow": 26, "signal": 9},
        {"kind": "bbands", "length": 20, "std": 2.0},
    ]
))

OHLCV DataFrame の形式

pandas-ta では、小文字の列名を持つ DataFrame が必要です。

import pandas as pd

df = pd.DataFrame({
    "open": [...],
    "high": [...],
    "low": [...],
    "close": [...],
    "volume": [...]
}, index=pd.DatetimeIndex([...]))

重要：VWAP など、時間を考慮する指標では、インデックスを DatetimeIndex に設定してください。列名は小文字である必要があります（Close ではなく close）。

欠損データの処理
# Drop rows with NaN in OHLCV columns
df = df.dropna(subset=["open", "high", "low", "close", "volume"])

# Forward-fill small gaps (1-2 bars max)
df = df.ffill(limit=2)

# Verify no zero-volume bars for volume indicators
df = df[df["volume"] > 0]

主な指標カテゴリ

トレンド指標

市場の方向性とトレンドの強さを特定します。

指標呼び出し主なシグナル
SMAdf.ta.sma(length=20)価格が上＝強気
EMAdf.ta.ema(length=20)SMA より速く、遅れが少ない
SuperTrenddf.ta.supertrend(length=10, multiplier=3)方向列：1＝強気、-1＝弱気
Ichimokudf.ta.ichimoku()(span, lines) の DataFrame タプルを返します
VWMAdf.ta.vwma(length=20)出来高加重の価格トレンド
HMAdf.ta.hma(length=20)遅れを最小限に抑えた滑らかなトレンド
ADXdf.ta.adx(length=14)>25＝トレンド相場、<20＝レンジ相場
モメンタム指標

価格変動の速度と大きさを測定します。

指標呼び出し主なシグナル
RSIdf.ta.rsi(length=14)>70 は買われすぎ、<30 は売られすぎ
MACDdf.ta.macd(fast=12, slow=26, signal=9)ヒストグラムのクロスオーバー＝エントリー
Stochasticdf.ta.stoch(k=14, d=3, smooth_k=3)>80 は買われすぎ、<20 は売られすぎ
CCIdf.ta.cci(length=20)>100 は買われすぎ、<-100 は売られすぎ
Williams %Rdf.ta.willr(length=14)>-20 は買われすぎ、<-80 は売られすぎ
ROCdf.ta.roc(length=10)正の値＝上昇モメンタム
MFIdf.ta.mfi(length=14)資金フロー版 RSI
ボラティリティ指標

価格のばらつきと予想レンジを測定します。

指標呼び出し主なシグナル
Bollinger Bandsdf.ta.bbands(length=20, std=2)スクイーズ＝ブレイクアウトが近い
ATRdf.ta.atr(length=14)ポジションサイズの決定、ストップ位置の設定
Keltner Channelsdf.ta.kc(length=20, scalar=1.5)BB が KC の内側＝スクイーズ
Donchian Channelsdf.ta.donchian(lower_length=20, upper_length=20)ブレイクアウトの検出
出来高指標

出来高分析で価格変動を確認します。

指標呼び出し主なシグナル
OBVdf.ta.obv()価格とのダイバージェンス＝反転
VWAPdf.ta.vwap()日中の適正価格（DatetimeIndex が必要）
CMFdf.ta.cmf(length=20)>0 は蓄積、<0 は分配
ADdf.ta.ad()蓄積／分配ライン

Strategy クラス

ta.Strategy を使うと、1 回の呼び出しで複数の指標を実行できます。

import pandas_ta as ta

# Built-in "All" strategy runs every indicator
df.ta.strategy(ta.AllStrategy)

# Custom strategy
my_strategy = ta.Strategy(
    name="Crypto Scalp",
    description="Fast indicators for crypto scalping",
    ta=[
        {"kind": "ema", "length": 9},
        {"kind": "ema", "length": 21},
        {"kind": "rsi", "length": 7},
        {"kind": "stoch", "k": 5, "d": 3, "smooth_k": 3},
        {"kind": "atr", "length": 7},
        {"kind": "bbands", "length": 10, "std": 2.0},
        {"kind": "obv"},
    ]
)
df.ta.strategy(my_strategy)
名前付きストラテジーパターン
# Trend following
trend_strategy = ta.Strategy(
    name="Trend",
    ta=[
        {"kind": "ema", "length": 20},
        {"kind": "ema", "length": 50},
        {"kind": "adx", "length": 14},
        {"kind": "supertrend", "length": 10, "multiplier": 3},
        {"kind": "atr", "length": 14},
    ]
)

# Mean reversion
reversion_strategy = ta.Strategy(
    name="Mean Reversion",
    ta=[
        {"kind": "rsi", "length": 14},
        {"kind": "bbands", "length": 20, "std": 2.0},
        {"kind": "stoch", "k": 14, "d": 3, "smooth_k": 3},
        {"kind": "cci", "length": 20},
    ]
)

# Momentum
momentum_strategy = ta.Strategy(
    name="Momentum",
    ta=[
        {"kind": "macd", "fast": 12, "slow": 26, "signal": 9},
        {"kind": "rsi", "length": 14},
        {"kind": "obv"},
        {"kind": "roc", "length": 10},
        {"kind": "mfi", "length": 14},
    ]
)

暗号資産特有の考慮事項

24 時間 365 日の市場
  • セッション間のギャップがありません。セッションの始値／終値に依存する指標は、動作が異なります。
  • VWAP はデフォルトで UTC の午前 0 時にリセットされます。独自の期間を使う場合は、アンカード VWAP を検討してください。
  • 週末のデータも連続しているため、月曜日のギャップの影響はありません。
高ボラティリティに合わせた調整
  • Bollinger Bands：デフォルトの 2 倍ではなく、標準偏差の 2.5～3 倍を使用します。
  • RSI の期間：短い期間（7～10）にすると、暗号資産の速いサイクルを捉えられます。
  • ATR：動的なストップロスに使用します。暗号資産の ATR は通常、株式の ATR の 2～5 倍です。
  • SuperTrend の倍率：暗号資産では 3～4 倍、株式では 2～3 倍にします。
時価総額の小さいトークンに関する考慮事項
  • 出来高指標（OBV、CMF、MFI）は、板が薄い場合、信頼性が低くなります。
  • 流動性の低いトークンでは、価格ベースの指標（RSI、BBands、SuperTrend）を優先してください。
  • ATR に基づくポジションサイズの決定が重要です。広いスプレッドは損失を拡大させます。
  • ウォッシュトレードによって出来高が水増しされるため、オンチェーンデータと照合してください。
時間足の選択
時間足用途推奨指標
1m-5mスキャルピング、PumpFunRSI(5-7)、EMA(5,13)、ATR(5)
15m-1hデイトレードMACD、RSI(14)、BBands、EMA(20,50)
4h-1dスイングトレードSuperTrend、ADX、EMA(50,200)
1wポジショントレードSMA(20,50)、RSI(14)、月次VWAP

よく使われる指標の組み合わせ

トレンドフォロー
# EMA crossover + ADX confirmation + SuperTrend direction
ema_fast = df.ta.ema(length=20)
ema_slow = df.ta.ema(length=50)
adx_df = df.ta.adx(length=14)
st_df = df.ta.supertrend(length=10, multiplier=3)

bullish = (
    (ema_fast > ema_slow) &
    (adx_df["ADX_14"] > 25) &
    (st_df["SUPERTd_10_3.0"] == 1)
)
平均回帰
# RSI oversold + price at lower BB + Stochastic oversold
rsi = df.ta.rsi(length=14)
bb = df.ta.bbands(length=20, std=2.5)
stoch = df.ta.stoch(k=14, d=3, smooth_k=3)

buy_signal = (
    (rsi < 30) &
    (df["close"] <= bb["BBL_20_2.5"]) &
    (stoch["STOCHk_14_3_3"] < 20)
)
モメンタムの確認
# MACD histogram positive + RSI above 50 + OBV rising
macd = df.ta.macd(fast=12, slow=26, signal=9)
rsi = df.ta.rsi(length=14)
obv = df.ta.obv()

momentum_bull = (
    (macd["MACDh_12_26_9"] > 0) &
    (rsi > 50) &
    (obv > obv.shift(1))
)
ボラティリティ・ブレイクアウト（BBスクイーズ）
# Bollinger Band width contracting + volume spike
bb = df.ta.bbands(length=20, std=2.0)
atr = df.ta.atr(length=14)
vol_sma = df["volume"].rolling(20).mean()

bb_width = (bb["BBU_20_2.0"] - bb["BBL_20_2.0"]) / bb["BBM_20_2.0"]
squeeze = bb_width < bb_width.rolling(120).quantile(0.1)
vol_spike = df["volume"] > (vol_sma * 2.0)

breakout_setup = squeeze & vol_spike

他のスキルとの連携

  • birdeye-api：OHLCVデータを取得 → pandas-taに渡して指標を計算
  • vectorbt：pandas-taの指標をバックテストのシグナル入力として使用
  • trading-visualization：価格チャートに指標を重ねて表示
  • slippage-modeling：ATRとスリッページの推定値を組み合わせ、現実的な執行モデルを作成
  • position-sizing：pandas-taの出力に基づくATRベースのポジションサイズを使用

ファイル

参考資料
  • references/indicator_guide.md — 構文、パラメーター、解釈を含む、暗号資産向け上位20指標のガイド
  • references/strategy_patterns.md — スキャルピング、デイトレード、スイングトレード向けの事前構築済み戦略の組み合わせ
  • references/common_pitfalls.md — 暗号資産市場でテクニカル指標を使う際によくある間違い
スクリプト
  • scripts/compute_indicators.py — OHLCVデータを取得し、標準的な指標セットを計算してシグナルの概要を出力
  • scripts/multi_indicator_scan.py — 複数の戦略プロファイルを実行し、現在のシグナルの一致度をスコア化

コメント

Markdown 対応