Add ATR

web/cn_stock_data.py

@@ -186,11 +186,18 @@ class ChinaStockData:
         """将时间周期转换为akshare的period参数"""
         mapping = {
             '1m': '1',     # 1分钟
+            '3m': '5',     # 3分钟 (A股不支持3分钟，使用5分钟替代)
             '5m': '5',     # 5分钟  
             '15m': '15',   # 15分钟
             '30m': '30',   # 30分钟
             '1h': '60',    # 60分钟
+            '2h': '60',    # 2小时 (A股不支持2小时，使用1小时替代)
+            '4h': '60',    # 4小时 (A股不支持4小时，使用1小时替代)
+            '6h': '60',    # 6小时 (A股不支持6小时，使用1小时替代)
+            '8h': '60',    # 8小时 (A股不支持8小时，使用1小时替代)
+            '12h': '60',   # 12小时 (A股不支持12小时，使用1小时替代)
             '1d': 'daily', # 日线
+            '3d': 'daily', # 3日 (A股不支持3日，使用日线替代)
             '1w': 'weekly',# 周线
             '1M': 'monthly'# 月线
         }
@@ -235,7 +242,7 @@ class ChinaStockData:
                 # 分钟级数据，每次获取7天
                 batch_days = 7
             elif period == '60':
-                # 小时级数据，每次获取30天
+                # 小时级数据（所有小时级别都映射到60分钟），每次获取30天
                 batch_days = 30
             else:
                 # 日线及以上，每次获取365天
@@ -587,7 +594,7 @@ class ChinaStockData:
                 df['date'] = df['date'].dt.normalize() + pd.Timedelta(hours=15)
             
             # 对于分钟级数据，过滤非交易时间的数据
-            elif timeframe in ['1m', '5m', '15m', '30m', '1h']:
+            elif timeframe in ['1m', '3m', '5m', '15m', '30m', '1h', '2h', '4h', '6h', '8h', '12h']:
                 # 过滤交易日
                 df = df[df['date'].apply(self.is_trading_day)]
                 
@@ -651,7 +658,7 @@ class ChinaStockData:
                 return df
             
             # 对于分钟级数据，创建完整的交易时间序列
-            if timeframe in ['1m', '5m', '15m', '30m', '1h']:
+            if timeframe in ['1m', '3m', '5m', '15m', '30m', '1h', '2h', '4h', '6h', '8h', '12h']:
                 # 获取数据的开始和结束时间
                 start_date = df['date'].min().date()
                 end_date = df['date'].max().date()
@@ -660,8 +667,11 @@ class ChinaStockData:
                 complete_times = []
                 current_date = start_date
                 
-                # 获取时间间隔（分钟）
-                freq_map = {'1m': 1, '5m': 5, '15m': 15, '30m': 30, '1h': 60}
+                # 获取时间间隔（分钟）- 注意A股新增的时间周期都映射到了已有的时间间隔
+                freq_map = {
+                    '1m': 1, '3m': 5, '5m': 5, '15m': 15, '30m': 30, 
+                    '1h': 60, '2h': 60, '4h': 60, '6h': 60, '8h': 60, '12h': 60
+                }
                 freq_minutes = freq_map.get(timeframe, 5)
                 
                 while current_date <= end_date:
@@ -769,7 +779,7 @@ class ChinaStockData:
                     df[col] = df[col].replace([np.nan, np.inf, -np.inf], 0)
             
             # 确保时间序列连续性（仅对分钟级数据）
-            if timeframe in ['1m', '5m', '15m', '30m', '1h']:
+            if timeframe in ['1m', '3m', '5m', '15m', '30m', '1h', '2h', '4h', '6h', '8h', '12h']:
                 df = self.fill_trading_gaps(df, timeframe)
             
             # 最后再次检查并清理任何剩余的NaN值