图解MACD、均线等经典指标，手把手教你策略开发
在上一篇文章中，我们学会了如何用Tushare获取股票数据。今天，我们将利用获取的数据计算技术指标，并初步构建交易策略。
一、技术指标概述
技术指标是量化投资的基础工具，通过对历史数据（价格、成交量等）进行数学计算，帮助投资者判断市场趋势和买卖时机。
常用技术指标包括：
趋势指标：移动平均线（MA）、指数平滑移动平均线（MACD）
摆动指标：相对强弱指数（RSI）、随机指标（KDJ）
能量指标：成交量（VOL）、量价曲线
压力支撑指标：布林带（Bollinger Bands）
今天我们将重点介绍移动平均线和MACD这两个最常用的指标。
二、环境准备
确保已经安装必要库，如果还没有，请执行：
pip install tushare pandas matplotlib numpy
三、移动平均线（MA）
移动平均线是消除价格随机波动、显示趋势的重要指标。
1. 计算方法
2. 代码实现
import tushare as tsimport pandas as pdimport matplotlib.pyplot as pltimport numpy as np# 设置token（请替换为你的token）ts.set_token('你的token')pro = ts.pro_api()# 获取数据df = pro.daily(ts_code='000001.SZ', start_date='20230101', end_date='20231231')df['trade_date'] = pd.to_datetime(df['trade_date'])df = df.sort_values('trade_date') # 按日期排序# 计算移动平均线df['MA5'] = df['close'].rolling(5).mean()df['MA10'] = df['close'].rolling(10).mean()df['MA20'] = df['close'].rolling(20).mean()# 绘制股价和移动平均线plt.figure(figsize=(12, 8))plt.plot(df['trade_date'], df['close'], label='收盘价', linewidth=2)plt.plot(df['trade_date'], df['MA5'], label='5日均线', alpha=0.8)plt.plot(df['trade_date'], df['MA10'], label='10日均线', alpha=0.8)plt.plot(df['trade_date'], df['MA20'], label='20日均线', alpha=0.8)plt.title('平安银行(000001)股价与移动平均线', fontsize=15)plt.xlabel('日期', fontsize=12)plt.ylabel('价格(元)', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)plt.xticks(rotation=45)plt.tight_layout()plt.show()
3. 均线策略
金叉与死叉：
金叉：短期均线上穿长期均线，买入信号
死叉：短期均线下穿长期均线，卖出信号
# 生成交易信号df['Signal'] = 0 # 初始化信号列# 5日均线上穿20日均线，金叉，买入信号（1）df.loc[df['MA5'] > df['MA20'], 'Signal'] = 1# 5日均线下穿20日均线，死叉，卖出信号（-1）df.loc[df['MA5'] < df['MA20'], 'Signal'] = -1# 计算每日持仓（金叉买入，死叉卖出，其余时间持仓不变）df['Position'] = df['Signal'].replace(0, method='ffill') # 向前填充# 计算策略收益df['Strategy_Return'] = df['Position'].shift(1) * df['close'].pct_change()# 计算累计收益df['Cumulative_Market'] = (1 + df['close'].pct_change()).cumprod()df['Cumulative_Strategy'] = (1 + df['Strategy_Return']).cumprod()# 绘制累计收益对比plt.figure(figsize=(12, 6))plt.plot(df['trade_date'], df['Cumulative_Market'], label='持有收益', alpha=0.8)plt.plot(df['trade_date'], df['Cumulative_Strategy'], label='均线策略收益', alpha=0.8)plt.title('均线策略收益对比', fontsize=15)plt.xlabel('日期', fontsize=12)plt.ylabel('累计收益', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)plt.xticks(rotation=45)plt.tight_layout()plt.show()
四、MACD指标
MACD是股票交易中常用的趋势判断指标，由快线（DIF）、慢线（DEA）和柱状图（MACD）组成。
1. 计算方法
计算12日EMA（快线）和26日EMA（慢线）
DIF = 快线 - 慢线
DEA = DIF的9日EMA
MACD = (DIF - DEA) × 2
2. 代码实现
# 计算EMA函数def calculate_ema(data, period): return data.ewm(span=period, adjust=False).mean()# 计算MACDdef calculate_macd(df, fast=12, slow=26, signal=9): df['EMA_fast'] = calculate_ema(df['close'], fast) df['EMA_slow'] = calculate_ema(df['close'], slow) df['DIF'] = df['EMA_fast'] - df['EMA_slow'] df['DEA'] = calculate_ema(df['DIF'], signal) df['MACD'] = (df['DIF'] - df['DEA']) * 2 return dfdf = calculate_macd(df)# 绘制MACD图plt.figure(figsize=(12, 10))# 股价和均线plt.subplot(2, 1, 1)plt.plot(df['trade_date'], df['close'], label='收盘价', linewidth=2)plt.plot(df['trade_date'], df['MA5'], label='5日均线', alpha=0.8)plt.plot(df['trade_date'], df['MA20'], label='20日均线', alpha=0.8)plt.title('平安银行(000001)股价与移动平均线', fontsize=15)plt.ylabel('价格(元)', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)# MACDplt.subplot(2, 1, 2)plt.plot(df['trade_date'], df['DIF'], label='DIF', linewidth=1.5)plt.plot(df['trade_date'], df['DEA'], label='DEA', linewidth=1.5)plt.bar(df['trade_date'], df['MACD'], label='MACD', alpha=0.5)plt.title('MACD指标', fontsize=15)plt.xlabel('日期', fontsize=12)plt.ylabel('MACD', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)plt.xticks(rotation=45)plt.tight_layout()plt.show()
3. MACD策略
# 生成MACD交易信号df['MACD_Signal'] = 0df.loc[df['DIF'] > df['DEA'], 'MACD_Signal'] = 1 # DIF上穿DEA，买入df.loc[df['DIF'] < df['DEA'], 'MACD_Signal'] = -1 # DIF下穿DEA，卖出# 计算MACD策略收益df['MACD_Position'] = df['MACD_Signal'].replace(0, method='ffill')df['MACD_Strategy_Return'] = df['MACD_Position'].shift(1) * df['close'].pct_change()# 计算累计收益df['Cumulative_MACD'] = (1 + df['MACD_Strategy_Return']).cumprod()# 绘制三种策略对比plt.figure(figsize=(12, 6))plt.plot(df['trade_date'], df['Cumulative_Market'], label='持有收益', alpha=0.8)plt.plot(df['trade_date'], df['Cumulative_Strategy'], label='均线策略收益', alpha=0.8)plt.plot(df['trade_date'], df['Cumulative_MACD'], label='MACD策略收益', alpha=0.8)plt.title('不同策略收益对比', fontsize=15)plt.xlabel('日期', fontsize=12)plt.ylabel('累计收益', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)plt.xticks(rotation=45)plt.tight_layout()plt.show()
五、策略优化思路
参数优化：调整均线周期、MACD参数等
结合多个指标：例如同时使用均线和MACD确认信号
加入止损机制：设置固定比例或ATR止损
考虑交易成本：加入佣金和滑点影响
六、注意事项
技术指标的滞后性：所有指标都基于历史数据，具有滞后性
市场适应性：不同指标适合不同市场环境
过度拟合风险：避免在历史数据上过度优化
10个月宝宝每天需要喝多少奶粉？
