Рисует линии вчерашних Hi, Low, Close, Open и сегодняшнего Open на графике
Очень удобно, наглядно показывает важные уровни вчерашнего дня.

#Thinkorswim studies 
#Рисует линии вчерашних Hi, Low, Close, Open и сегодняшнего Open на графике.
#Thinkorswim  https://radchenkovy.com/thinkorswim-live

input sPeroid = {default DAY, WEEK, MONTH};
input iHigh = {default "yes", "no"};
input iLow = {default "yes", "no"};
input iClose = {default "yes", "no"};
input iOpen = {default "yes", "no"};
input iTodayOpen = {default "yes", "no"};
plot pHigh = if !iHigh then high(period = sPeroid)[1] else Double.NaN;
plot pLow = if !iLow then low(period = sPeroid)[1] else Double.NaN;
plot pClose = if !iClose then close(period = sPeroid)[1] else Double.NaN;
plot pOpen = if !iOpen then open(period = sPeroid)[1] else Double.NaN;
plot pTodayOpen = if !iTodayOpen then open(period = sPeroid)[0] else Double.NaN;

pHigh.SetDefaultColor (Color.GREEN);
pHigh.SetPaintingStrategy(PaintingStrategy.DASHES);
pLow.SetDefaultColor(Color.RED);
pLow.SetPaintingStrategy(PaintingStrategy.DASHES);
pClose.SetDefaultColor (Color.GRAY);
pClose.SetPaintingStrategy(PaintingStrategy.DASHES);
pOpen.SetDefaultColor (Color.WHITE);
pOpen.SetPaintingStrategy(PaintingStrategy.DASHES);
pTodayOpen.SetDefaultColor (Color.WHITE);
pTodayOpen.SetPaintingStrategy(PaintingStrategy.DASHES);;

Полная библиотека индикаторов, фильтров и сканеров для Thinkorswim в этом блоге  bit.ly/2vKq4F8

В продолжение статьи о вреде избыточной диверсификации создадим полезный инструментарий️ по подбору акций. После этого сделаем простую ребалансировку⚖️ и добавим уникальные условия технических индикаторов, которых так часто не хватает в популярных сервисах. А затем сравним доходность отдельных активов и различных портфелей.

Во всем этом задействуем Pandas и минимизируем количество циклов. Погруппируем времянные ряды и порисуем графиков. Познакомимся с мультииндексами и их поведением. И всё это в Jupyter на Python 3.6.

Разбил много ☕кружек в поисках решения для ️быстрого получения длинных историй цен для большого количества активов в Python. Ещё имел смелость желать работать с ценами в numpy-массивах, а лучше сразу в pandas.

Стандартные подходы в лоб работали разочаровывающе, что приводило к выполнению запроса к БД в течение 30 секунд и более. Не желая мириться, я нашёл несколько решений, которые полностью меня удовлетворили.