技术指标实战

技术指标是技术分析的语言。这一篇我们手撕几个最常用的指标，搞懂它们的计算原理，然后再用专业库 talib 做对照。

为什么要手撕

直接用库不香吗？香，但不知道指标怎么算出来的，就没办法在策略里灵活运用。手撕一遍后你就知道：

MA 不是魔法，就是简单平均
MACD 是两条均线的差再平滑
RSI 是涨跌幅的比例

理解后，调参、改造、组合都游刃有余。

准备数据

python
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = ak.stock_us_daily(symbol="AAPL", adjust="qfq")
df['date'] = pd.to_datetime(df['date'])
df = df[df['date'] >= '2024-01-01'].set_index('date')

1. 移动平均线 MA

最简单的指标，就是 N 日收盘价的算术平均。

python
df['MA5']  = df['close'].rolling(5).mean()
df['MA20'] = df['close'].rolling(20).mean()
df['MA60'] = df['close'].rolling(60).mean()

EMA（指数移动平均）

EMA 给最近的价格更高权重，对趋势变化更敏感：

python
df['EMA12'] = df['close'].ewm(span=12, adjust=False).mean()
df['EMA26'] = df['close'].ewm(span=26, adjust=False).mean()

💡 span=N 等价于 α = 2/(N+1)，是约定俗成的写法。

2. MACD（指数平滑异同移动平均）

MACD 由三个部分组成：

DIF（快线）= EMA12 - EMA26
DEA（慢线）= DIF 的 9 日 EMA
MACD 柱= 2 × (DIF - DEA)

python
def calc_macd(close, fast=12, slow=26, signal=9):
    ema_fast = close.ewm(span=fast, adjust=False).mean()
    ema_slow = close.ewm(span=slow, adjust=False).mean()
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal, adjust=False).mean()
    macd = 2 * (dif - dea)
    return dif, dea, macd

df['DIF'], df['DEA'], df['MACD'] = calc_macd(df['close'])

信号判定

DIF 上穿 DEA → 金叉，看多
DIF 下穿 DEA → 死叉，看空
MACD 柱由负转正 → 多头势能增强

python
df['macd_golden'] = (df['DIF'] > df['DEA']) & (df['DIF'].shift(1) <= df['DEA'].shift(1))
df['macd_death']  = (df['DIF'] < df['DEA']) & (df['DIF'].shift(1) >= df['DEA'].shift(1))

3. RSI（相对强弱指数）

衡量价格涨跌的相对强度，输出 0-100 的值。

python
def calc_rsi(close, period=14):
    delta = close.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)

    avg_gain = gain.rolling(period).mean()
    avg_loss = loss.rolling(period).mean()

    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    return rsi

df['RSI14'] = calc_rsi(df['close'])

信号判定

RSI > 70 → 超买区，警惕回调
RSI < 30 → 超卖区，可能反弹

python
df['rsi_overbought'] = df['RSI14'] > 70
df['rsi_oversold']   = df['RSI14'] < 30

4. KDJ

KDJ 由 K、D、J 三条线组成，对短线反转更敏感。

python
def calc_kdj(df, n=9):
    low_n  = df['low'].rolling(n).min()
    high_n = df['high'].rolling(n).max()

    rsv = (df['close'] - low_n) / (high_n - low_n) * 100

    k = rsv.ewm(alpha=1/3, adjust=False).mean()
    d = k.ewm(alpha=1/3, adjust=False).mean()
    j = 3 * k - 2 * d

    return k, d, j

df['K'], df['D'], df['J'] = calc_kdj(df)

信号判定

K 上穿 D 且都在 20 以下 → 强买入
K 下穿 D 且都在 80 以上 → 强卖出
J 跌破 0 → 极度超卖
J 突破 100 → 极度超买

5. 布林带（Bollinger Bands）

布林带由三条线组成：中轨（MA20） + 上下轨（中轨 ± 2 倍标准差）。

python
def calc_boll(close, period=20, num_std=2):
    mid   = close.rolling(period).mean()
    std   = close.rolling(period).std()
    upper = mid + num_std * std
    lower = mid - num_std * std
    return upper, mid, lower

df['BOLL_UP'], df['BOLL_MID'], df['BOLL_DOWN'] = calc_boll(df['close'])

用法

价格触及上轨 → 可能超买
价格触及下轨 → 可能超卖
带宽收窄 → 即将爆发
带宽扩张 → 趋势行情

6. ATR（真实波幅）

衡量市场波动率，常用于设置止损位。

python
def calc_atr(df, period=14):
    high_low = df['high'] - df['low']
    high_close = (df['high'] - df['close'].shift()).abs()
    low_close  = (df['low']  - df['close'].shift()).abs()

    tr = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1)
    atr = tr.rolling(period).mean()
    return atr

df['ATR14'] = calc_atr(df)

应用：基于 ATR 的动态止损

python
# 入场后，止损位 = 入场价 - 2 × ATR
df['stop_loss'] = df['close'] - 2 * df['ATR14']

用 talib 偷懒

手撕一遍后，正式写策略可以直接用 talib，几百个指标都现成的。

bash
uv pip install ta-lib  # macOS 可能需要先 brew install ta-lib

python
import talib

df['SMA20']   = talib.SMA(df['close'], timeperiod=20)
df['EMA12']   = talib.EMA(df['close'], timeperiod=12)
df['RSI14']   = talib.RSI(df['close'], timeperiod=14)

dif, dea, macd = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)
df['DIF'], df['DEA'], df['MACD'] = dif, dea, macd

upper, mid, lower = talib.BBANDS(df['close'], timeperiod=20)
df['BOLL_UP'], df['BOLL_MID'], df['BOLL_DOWN'] = upper, mid, lower

⚠️ talib 安装坑 talib 是 C 语言库，安装可能需要先装系统依赖：

macOS: brew install ta-lib

Ubuntu: apt install ta-lib

Windows: 下载预编译的 wheel 文件

如果嫌 talib 装起来麻烦，可以用纯 Python 的替代品：

bash
uv pip install pandas-ta

python
import pandas_ta as ta

df['RSI14'] = ta.rsi(df['close'], length=14)
df['MACD']  = ta.macd(df['close'])

可视化技术指标

把 MACD 和价格放在一起看：

python
import mplfinance as mpf

df_mpf = df.rename(columns={
    'open':'Open', 'high':'High', 'low':'Low',
    'close':'Close', 'volume':'Volume'
})

apds = [
    mpf.make_addplot(df['DIF'],  panel=2, color='#3b82f6', ylabel='MACD'),
    mpf.make_addplot(df['DEA'],  panel=2, color='#ef4444'),
    mpf.make_addplot(df['MACD'], panel=2, type='bar', color='gray'),
]

mpf.plot(
    df_mpf,
    type='candle',
    addplot=apds,
    volume=True,
    mav=(5, 20),
    panel_ratios=(3, 1, 2),
    figratio=(16, 10),
    style='yahoo',
)

小结

到这里你已经会：

✅ 手算 MA / EMA / MACD / RSI / KDJ / 布林带 / ATR
✅ 用 talib 快速获取指标
✅ 在 K 线图上叠加指标

下一篇双均线策略实战，我们把这些指标用到具体的策略里，写出你的第一个完整量化策略。

📌 学习建议 不要追求记住所有指标。常用的就 MA、MACD、RSI、布林带这几个。选 1-2 个吃透，比知道 50 个但都不熟有用得多。