一行代码算出 130 个技术指标——Python 技术分析工具盘点

很多人学了很久的技术分析，能看懂 MACD 金叉，能辨认布林带压力位，但从来没有自己算过一次。

不是不想——是真的麻烦。手动推公式、对数据、算窗口……

今天这三个 Python 库，把"看懂指标"变成"用上指标"。一行代码，搞定。

为什么需要技术分析库？

code
你有一份股票数据（OHLCV）：
日期    开盘    最高    最低    收盘    成交量
4/1    100    105    98     103    10万
4/2    103    108    101    106    12万
...

你想知道：
- MACD 是多少？金叉了吗？
- RSI 到 70 了吗？是不是超买？
- 布林带上轨在哪？突破了吗？
- 20 日均线多少？

手动算？每个指标都要写一堆公式。
用库？一行搞定。

工具一：ta（技术分析瑞士军刀）

项目地址：https://github.com/bukosabino/ta^[1]

⭐ 5,000+ Stars | Python | 40+ 指标 | 基于 pandas/numpy

一句话

最简单的技术分析库。 给你一个 DataFrame，一行加上所有主流技术指标。

安装

bash
pip install ta

用法：一行加上所有指标

python
import ta
import akshare as ak

# 获取茅台数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
                         start_date="20240101", end_date="20251231")

# 一行加上所有技术指标（40+个）
df = ta.add_all_ta_features(
    df,
open="开盘", high="最高", low="最低",
    close="收盘", volume="成交量"
)

print(f"原始列数：7 列")
print(f"加完指标：{len(df.columns)} 列")
# 输出：加完指标：约 90 列

一行代码，DataFrame 从 7 列变成 90 列。

也可以单独算某个指标

python
from ta.trend import MACD, SMAIndicator
from ta.momentum import RSIIndicator
from ta.volatility import BollingerBands

# MACD
macd = MACD(df['收盘'])
df['MACD'] = macd.macd()
df['MACD_signal'] = macd.macd_signal()
df['MACD_hist'] = macd.macd_diff()

# RSI
df['RSI'] = RSIIndicator(df['收盘'], window=14).rsi()

# 布林带
bb = BollingerBands(df['收盘'])
df['BB_upper'] = bb.bollinger_hband()
df['BB_lower'] = bb.bollinger_lband()
df['BB_middle'] = bb.bollinger_mavg()

# 均线
df['SMA_20'] = SMAIndicator(df['收盘'], window=20).sma_indicator()
df['SMA_60'] = SMAIndicator(df['收盘'], window=60).sma_indicator()

四大类指标

实话实说

适合谁： 想快速给 DataFrame 加技术指标的人，不想折腾安装环境。

工具二：TA-Lib（行业标准）

项目地址：https://github.com/TA-Lib/ta-lib-python^[2]

⭐ 10,000+ Stars | C + Python | 150+ 指标 | 行业标准

一句话

金融行业的技术分析标准库。 C 语言写的核心，Python 只是包装层，速度极快。Bloomberg、TradeStation 等专业终端都用它。

安装（稍微折腾）

bash
# macOS
brew install ta-lib
pip install TA-Lib

# Linux
sudo apt-get install -y ta-lib
pip install TA-Lib

# Windows
# 需要先下载 ta-lib-0.4.0-msvc.zip
# 解压到 C:\ta-lib，然后 pip install TA-Lib

安装稍麻烦是 TA-Lib 唯一的缺点——需要先装 C 语言库。

用法

python
import talib
import numpy as np

close = np.array(df['收盘'], dtype=float)
high = np.array(df['最高'], dtype=float)
low = np.array(df['最低'], dtype=float)
volume = np.array(df['成交量'], dtype=float)

# MACD
macd, signal, hist = talib.MACD(close, fastperiod=12, slowperiod=26, signalperiod=9)

# RSI
rsi = talib.RSI(close, timeperiod=14)

# 布林带
upper, middle, lower = talib.BBANDS(close, timeperiod=20)

# KDJ
slowk, slowd = talib.STOCH(high, low, close)

# 一次性算多个常用指标
df['MACD'], df['MACD_signal'], df['MACD_hist'] = talib.MACD(close)
df['RSI'] = talib.RSI(close)
df['ATR'] = talib.ATR(high, low, close)
df['ADX'] = talib.ADX(high, low, close)
df['CCI'] = talib.CCI(high, low, close)
df['OBV'] = talib.OBV(close, volume)
df['MOM'] = talib.MOM(close)
df['ROC'] = talib.ROC(close)
df['WILLR'] = talib.WILLR(high, low, close)

独有功能：K 线形态识别

TA-Lib 比 ta 多一个杀手级功能——自动识别 61 种 K 线形态：

python
# 十字星
df['DOJI'] = talib.CDLDOJI(open, high, low, close)

# 锤子线
df['HAMMER'] = talib.CDLHAMMER(open, high, low, close)

# 吞没形态
df['ENGULFING'] = talib.CDLENGULFING(open, high, low, close)

# 早晨之星
df['MORNINGSTAR'] = talib.CDLMORNINGSTAR(open, high, low, close)

# 一次性检测所有形态
candle_names = talib.get_function_groups()['Pattern Recognition']
for name in candle_names:
    df[name] = getattr(talib, name)(open, high, low, close)

print(f"识别了 {len(candle_names)} 种K线形态")
# 输出：识别了 61 种K线形态

ta 库没有这个功能。 如果你需要 K 线形态识别，只有 TA-Lib 能做。

实话实说

适合谁： 需要完整指标库、K 线形态识别、或处理大量数据追求速度的人。

工具三：mplfinance（K 线可视化）

项目地址：https://github.com/matplotlib/mplfinance^[3]

⭐ 3,900+ Stars | Python | matplotlib 官方子项目

一句话

专门画 K 线图的库。 ta 和 TA-Lib 负责算指标，mplfinance 负责画出来。

安装

bash
pip install mplfinance

画 K 线图

python
import mplfinance as mpf
import akshare as ak
import pandas as pd

# 获取数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
                         start_date="20250101", end_date="20251231")

# 转换格式
df.index = pd.to_datetime(df['日期'])
df = df.rename(columns={
'开盘': 'Open', '收盘': 'Close',
'最高': 'High', '最低': 'Low',
'成交量': 'Volume'
})

# 画 K 线图（一行搞定）
mpf.plot(df, type='candle', volume=True, style='charles',
         title='茅台 K 线图', mav=(5, 20, 60))

叠加技术指标

python
import talib
import numpy as np

close = np.array(df['Close'], dtype=float)

# 计算指标
macd, signal, hist = talib.MACD(close)
rsi = talib.RSI(close)
upper, middle, lower = talib.BBANDS(close)

# 叠加到 K 线图上
ap = [
    mpf.make_addplot(upper, color='blue', linestyle='dashed'),
    mpf.make_addplot(lower, color='blue', linestyle='dashed'),
    mpf.make_addplot(hist, type='bar', panel=1, color='dimgray'),
    mpf.make_addplot(macd, panel=1, color='red'),
    mpf.make_addplot(signal, panel=1, color='blue'),
    mpf.make_addplot(rsi, panel=2, color='purple'),
]

mpf.plot(df, type='candle', volume=True,
         addplot=ap, style='charles',
         title='茅台 K线 + MACD + RSI + 布林带',
         panel_ratios=(4, 1, 1))

K 线 + MACD + RSI + 布林带，一张图全搞定。 这就是专业看盘软件里的图表。

实话实说

适合谁： 需要生成专业 K 线图表的人。

黄金三件套：怎么配合用？

code
技术分析工作流：

1. AKShare / yfinance      → 获取 OHLCV 数据
2. ta / TA-Lib              → 计算技术指标
3. mplfinance               → 画 K 线图 + 叠加指标

完整示例：技术分析 + 信号生成

python
import akshare as ak
import pandas as pd
import numpy as np
import ta
import mplfinance as mpf

# ① 获取数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
                         start_date="20250101", end_date="20251231")
df.index = pd.to_datetime(df['日期'])

# ② 计算指标（用 ta 库，一行搞定）
df = ta.add_all_ta_features(
    df, open="开盘", high="最高", low="最低",
    close="收盘", volume="成交量"
)
# 注意：ta 库自动生成的列名格式为 "类别_指标名"
# 例如 momentum_rsi、trend_macd_diff、volatility_bbm（中轨）、volatility_bbh（上轨）

# ③ 生成信号
df['买入信号'] = (
    (df['momentum_rsi'] < 30) &           # RSI 超卖
    (df['trend_macd_diff'] > 0) &          # MACD 金叉
    (df['收盘'] < df['volatility_bbm'])    # 价格在布林带中轨以下
)

df['卖出信号'] = (
    (df['momentum_rsi'] > 70) &            # RSI 超买
    (df['trend_macd_diff'] < 0) &          # MACD 死叉
    (df['收盘'] > df['volatility_bbh'])    # 价格突破布林带上轨
)

# ④ 统计信号
buy_dates = df[df['买入信号']].index
sell_dates = df[df['卖出信号']].index

print(f"买入信号出现 {len(buy_dates)} 次")
print(f"卖出信号出现 {len(sell_dates)} 次")

# ⑤ 画图
df_plot = df.rename(columns={
'开盘': 'Open', '收盘': 'Close',
'最高': 'High', '最低': 'Low',
'成交量': 'Volume'
})

mpf.plot(df_plot, type='candle', volume=True,
         style='charles', mav=(5, 20, 60),
         title='茅台技术分析')

ta vs TA-Lib vs mplfinance：怎么选？

code
一句话选择：
怕折腾安装    → ta（pip install 就完事）
追求完整+速度  → TA-Lib（行业标准）
画图          → mplfinance
最佳组合      → TA-Lib + mplfinance

和系列其他工具的关系

code
完整量化投资流程 v3（最终版）：

1. 数据获取
   AKShare（A 股）/ yfinance（美股）

2. 技术分析  ← 今天这三个
   ta / TA-Lib（计算指标） + mplfinance（画图）

3. 财务分析
   FinanceToolkit（150+ 财务指标）

4. AI 选股
   Qlib / AI Hedge Fund / FinRL

5. 策略回测
   Zipline（全市场选股）
   Backtesting.py（快速验证）
   Lean（多资产专业引擎）

6. 仓位优化
   PyPortfolioOpt

7. 实盘交易
   vnpy（国内期货）/ Lean（美股）

技术分析是之前缺失的一环——现在补齐了。

局限性

正确使用方式

code
❌ RSI < 30 就买 → 太简单，容易亏
✅ RSI < 30 + MACD 金叉 + 量能放大 + 基本面支持 → 综合判断

技术分析是工具箱里的一把工具，不是圣杯。

小结

code
Python 技术分析三件套：

ta（5K+ Star）
  → 一行加上 40+ 技术指标
  → 安装最简单，适合快速开发

TA-Lib（10K+ Star）
  → 150+ 指标 + 61 种 K 线形态
  → C 语言核心，速度极快，行业标准

mplfinance（3.9K+ Star）
  → 专业 K 线图表
  → matplotlib 官方维护

三者配合 = 完整的技术分析工具链

⚠️ 免责声明：技术分析指标是辅助决策工具，不构成投资建议。任何单一技术指标都不能保证盈利。投资决策应结合基本面分析、市场环境和个人风险承受能力。投资有风险，入市需谨慎。

技术分析是量化投资的基础能力——不管你是手动交易还是写策略回测，这三个工具都用得上。

上一篇 Zipline 没想到这么多人感兴趣，看来大家对量化工具的需求比我想的多

明天推荐这个系列的最后一个工具——PandasAI（2.3 万 Star）。你可以直接问它："过去三年，这五只股票里涨得最多的是哪只？"它自己写代码、自己跑、自己给你答案。不用写一行代码 👇