技术指标计算

技术指标是量化交易中最基础的分析工具，通过对价格和成交量数据的数学变换，揭示市场的趋势、动量和波动特征。本章将详细介绍常用技术指标的计算原理和Python实现。

移动平均线

移动平均线是最基础的技术指标，用于平滑价格波动、识别趋势方向。

简单移动平均线（SMA）

简单移动平均线计算一定周期内价格的算术平均值。

公式：$SMA_n = \frac{P_1 + P_2 + ... + P_n}{n}$

其中 $P_i$ 是第 $i$ 期的价格，$n$ 是周期长度。

import pandas as pd
import numpy as np

def calculate_sma(data, window):
    """
    计算简单移动平均线
    
    参数:
        data: 价格序列（Series）
        window: 移动窗口大小
    
    返回:
        SMA序列
    """
    return data.rolling(window=window).mean()

# 使用示例
# 假设df是包含Close列的DataFrame
df['SMA_5'] = calculate_sma(df['Close'], 5)    # 5日均线
df['SMA_20'] = calculate_sma(df['Close'], 20)  # 20日均线
df['SMA_60'] = calculate_sma(df['Close'], 60)  # 60日均线

SMA的特点是对所有历史价格赋予相同权重，反应相对滞后。周期越长，滞后性越明显，但也更能反映长期趋势。

指数移动平均线（EMA）

指数移动平均线对近期价格赋予更高权重，反应更灵敏。

公式：$EMA_t = \alpha \times P_t + (1-\alpha) \times EMA_{t-1}$

其中 $\alpha = \frac{2}{n+1}$ 是平滑因子，$n$ 是周期长度。

def calculate_ema(data, window):
    """
    计算指数移动平均线
    
    参数:
        data: 价格序列
        window: 周期长度
    
    返回:
        EMA序列
    """
    return data.ewm(span=window, adjust=False).mean()

# 使用示例
df['EMA_12'] = calculate_ema(df['Close'], 12)  # 12日EMA
df['EMA_26'] = calculate_ema(df['Close'], 26)  # 26日EMA

EMA相比SMA更快响应价格变化，适合追踪短期趋势。在趋势转折时，EMA会更快发出信号，但也可能产生更多假信号。

移动平均线的应用

趋势判断：价格在均线上方视为上升趋势，在均线下方视为下降趋势。

金叉死叉：短期均线上穿长期均线称为"金叉"，是买入信号；短期均线下穿长期均线称为"死叉"，是卖出信号。

def ma_crossover_strategy(df, short_window=5, long_window=20):
    """
    均线交叉策略
    
    参数:
        df: 包含Close列的DataFrame
        short_window: 短期均线周期
        long_window: 长期均线周期
    
    返回:
        包含信号的DataFrame
    """
    df = df.copy()
    df['SMA_short'] = calculate_sma(df['Close'], short_window)
    df['SMA_long'] = calculate_sma(df['Close'], long_window)
    
    # 生成信号：1表示买入，-1表示卖出，0表示持有
    df['signal'] = 0
    df.loc[df['SMA_short'] > df['SMA_long'], 'signal'] = 1
    df.loc[df['SMA_short'] < df['SMA_long'], 'signal'] = -1
    
    # 检测交叉点
    df['position'] = df['signal'].diff()
    # position = 2: 金叉（从-1变为1）
    # position = -2: 死叉（从1变为-1）
    
    return df

MACD指标

MACD（Moving Average Convergence Divergence，指数平滑异同移动平均线）是趋势跟踪动量指标，由Gerald Appel于1970年代提出。

MACD的构成

MACD由三部分组成：

DIF（快线）：短期EMA与长期EMA的差值 $DIF = EMA_{12} - EMA_{26}$

DEA（慢线/信号线）：DIF的EMA $DEA = EMA_9(DIF)$

MACD柱：DIF与DEA的差值 $MACD = (DIF - DEA) \times 2$

def calculate_macd(df, fast=12, slow=26, signal=9):
    """
    计算MACD指标
    
    参数:
        df: 包含Close列的DataFrame
        fast: 快线周期，默认12
        slow: 慢线周期，默认26
        signal: 信号线周期，默认9
    
    返回:
        包含MACD指标的DataFrame
    """
    df = df.copy()
    
    # 计算快慢EMA
    ema_fast = df['Close'].ewm(span=fast, adjust=False).mean()
    ema_slow = df['Close'].ewm(span=slow, adjust=False).mean()
    
    # 计算DIF
    df['DIF'] = ema_fast - ema_slow
    
    # 计算DEA（信号线）
    df['DEA'] = df['DIF'].ewm(span=signal, adjust=False).mean()
    
    # 计算MACD柱
    df['MACD'] = (df['DIF'] - df['DEA']) * 2
    
    return df

# 使用示例
df = calculate_macd(df)

MACD的应用

零轴分界：DIF和DEA在零轴上方表示多头市场，在零轴下方表示空头市场。

金叉死叉：DIF上穿DEA为买入信号，DIF下穿DEA为卖出信号。在零轴上方的金叉信号更可靠。

背离：价格创新高但MACD未创新高，称为顶背离，预示可能下跌；价格创新低但MACD未创新低，称为底背离，预示可能上涨。

def detect_macd_divergence(df, lookback=20):
    """
    检测MACD背离
    
    参数:
        df: 包含Close和MACD指标的DataFrame
        lookback: 回看周期
    
    返回:
        背离信号：1表示底背离，-1表示顶背离，0表示无背离
    """
    signals = pd.Series(0, index=df.index)
    
    for i in range(lookback, len(df)):
        window = df.iloc[i-lookback:i+1]
        
        # 检测底背离：价格新低但MACD未新低
        price_low = window['Close'].iloc[-1] == window['Close'].min()
        macd_low = window['MACD'].iloc[-1] > window['MACD'].min()
        if price_low and macd_low:
            signals.iloc[i] = 1
        
        # 检测顶背离：价格新高但MACD未新高
        price_high = window['Close'].iloc[-1] == window['Close'].max()
        macd_high = window['MACD'].iloc[-1] < window['MACD'].max()
        if price_high and macd_high:
            signals.iloc[i] = -1
    
    return signals

RSI指标

RSI（Relative Strength Index，相对强弱指数）是衡量超买超卖的震荡指标，由Welles Wilder于1978年提出。

RSI计算公式

$RSI = 100 - \frac{100}{1 + RS}$

其中 $RS = \frac{\text{Avg Gain}}{\text{Avg Loss}}$

RSI的取值范围是0到100，通常使用14日RSI。

def calculate_rsi(df, window=14):
    """
    计算RSI指标
    
    参数:
        df: 包含Close列的DataFrame
        window: RSI周期，默认14
    
    返回:
        RSI序列
    """
    # 计算价格变化
    delta = df['Close'].diff()
    
    # 分离上涨和下跌
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    # 计算平均上涨和下跌
    avg_gain = gain.rolling(window=window).mean()
    avg_loss = loss.rolling(window=window).mean()
    
    # 计算RS和RSI
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

# 使用示例
df['RSI_14'] = calculate_rsi(df, 14)

RSI的应用

超买超卖：RSI > 70视为超买，可能回调；RSI < 30视为超卖，可能反弹。

背离：与MACD类似，RSI也可以用来判断背离。

中轴线：RSI = 50是多空分界线，RSI > 50偏多，RSI < 50偏空。

def rsi_signal(rsi, oversold=30, overbought=70):
    """
    RSI交易信号
    
    参数:
        rsi: RSI序列
        oversold: 超卖阈值
        overbought: 超买阈值
    
    返回:
        信号序列：1买入，-1卖出，0持有
    """
    signal = pd.Series(0, index=rsi.index)
    signal[rsi < oversold] = 1    # 超卖买入
    signal[rsi > overbought] = -1  # 超买卖出
    return signal

布林带

布林带（Bollinger Bands）是衡量价格波动范围的指标，由John Bollinger于1980年代提出。

布林带的构成

布林带由三条轨道组成：

中轨：n日移动平均线 $Middle = SMA_n$

上轨：中轨 + k倍标准差 $Upper = Middle + k \times \sigma_n$

下轨：中轨 - k倍标准差 $Lower = Middle - k \times \sigma_n$

通常使用n=20，k=2。

def calculate_bollinger_bands(df, window=20, num_std=2):
    """
    计算布林带
    
    参数:
        df: 包含Close列的DataFrame
        window: 移动窗口，默认20
        num_std: 标准差倍数，默认2
    
    返回:
        包含布林带的DataFrame
    """
    df = df.copy()
    
    # 计算中轨（SMA）
    df['BB_middle'] = df['Close'].rolling(window=window).mean()
    
    # 计算标准差
    rolling_std = df['Close'].rolling(window=window).std()
    
    # 计算上下轨
    df['BB_upper'] = df['BB_middle'] + num_std * rolling_std
    df['BB_lower'] = df['BB_middle'] - num_std * rolling_std
    
    # 计算带宽
    df['BB_width'] = (df['BB_upper'] - df['BB_lower']) / df['BB_middle']
    
    # 计算价格位置（%B）
    df['BB_pct'] = (df['Close'] - df['BB_lower']) / (df['BB_upper'] - df['BB_lower'])
    
    return df

# 使用示例
df = calculate_bollinger_bands(df)

布林带的应用

突破信号：价格触及上轨可能超买，触及下轨可能超卖。但需要注意，在强趋势中价格可能持续沿轨道运行。

带宽收缩：带宽收窄表示波动率降低，可能预示大行情即将来临。

回归中轨：价格倾向于回归中轨，可以在触及上下轨后反向操作。

def bollinger_signal(df):
    """
    布林带交易信号
    
    返回:
        信号：1买入，-1卖出，0持有
    """
    signal = pd.Series(0, index=df.index)
    
    # 价格触及下轨买入
    signal[df['Close'] <= df['BB_lower']] = 1
    
    # 价格触及上轨卖出
    signal[df['Close'] >= df['BB_upper']] = -1
    
    return signal

其他常用指标

ATR（平均真实波幅）

ATR衡量市场波动性，常用于止损和仓位管理。

def calculate_atr(df, window=14):
    """
    计算ATR（Average True Range）
    
    参数:
        df: 包含High, Low, Close的DataFrame
        window: ATR周期
    
    返回:
        ATR序列
    """
    high = df['High']
    low = df['Low']
    close = df['Close'].shift(1)
    
    # 计算真实波幅
    tr1 = high - low
    tr2 = abs(high - close)
    tr3 = abs(low - close)
    
    tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)
    atr = tr.rolling(window=window).mean()
    
    return atr

KDJ指标

KDJ是超买超卖类指标，源自随机指标。

def calculate_kdj(df, n=9, m1=3, m2=3):
    """
    计算KDJ指标
    
    参数:
        df: 包含High, Low, Close的DataFrame
        n: RSV周期
        m1: K值平滑周期
        m2: D值平滑周期
    
    返回:
        包含K, D, J的DataFrame
    """
    df = df.copy()
    
    # 计算RSV
    low_n = df['Low'].rolling(window=n).min()
    high_n = df['High'].rolling(window=n).max()
    df['RSV'] = (df['Close'] - low_n) / (high_n - low_n) * 100
    
    # 计算K和D
    df['K'] = df['RSV'].ewm(alpha=1/m1, adjust=False).mean()
    df['D'] = df['K'].ewm(alpha=1/m2, adjust=False).mean()
    
    # 计算J
    df['J'] = 3 * df['K'] - 2 * df['D']
    
    return df

使用TA-Lib计算指标

TA-Lib是专业的技术分析库，包含150多种技术指标，计算效率远高于纯Python实现。

import talib

# 移动平均线
df['SMA_20'] = talib.SMA(df['Close'], timeperiod=20)
df['EMA_20'] = talib.EMA(df['Close'], timeperiod=20)

# MACD
df['DIF'], df['DEA'], df['MACD'] = talib.MACD(df['Close'], 
                                              fastperiod=12, 
                                              slowperiod=26, 
                                              signalperiod=9)

# RSI
df['RSI_14'] = talib.RSI(df['Close'], timeperiod=14)

# 布林带
df['BB_upper'], df['BB_middle'], df['BB_lower'] = talib.BBANDS(
    df['Close'], timeperiod=20, nbdevup=2, nbdevdn=2)

# ATR
df['ATR_14'] = talib.ATR(df['High'], df['Low'], df['Close'], timeperiod=14)

# KDJ
df['K'], df['D'] = talib.STOCH(df['High'], df['Low'], df['Close'],
                                fastk_period=9, slowk_period=3, slowd_period=3)
df['J'] = 3 * df['K'] - 2 * df['D']

# 成交量指标
df['OBV'] = talib.OBV(df['Close'], df['Volume'])

# 动量指标
df['MOM'] = talib.MOM(df['Close'], timeperiod=10)

# 波动率指标
df['NATR'] = talib.NATR(df['High'], df['Low'], df['Close'], timeperiod=14)

指标可视化

import matplotlib.pyplot as plt

def plot_indicators(df, start_date=None, end_date=None):
    """
    绘制价格和技术指标
    """
    if start_date:
        df = df[df.index >= start_date]
    if end_date:
        df = df[df.index <= end_date]
    
    fig, axes = plt.subplots(4, 1, figsize=(14, 12), sharex=True)
    
    # 价格和均线
    axes[0].plot(df.index, df['Close'], label='Close', linewidth=1)
    axes[0].plot(df.index, df['SMA_20'], label='SMA 20', linewidth=1)
    axes[0].plot(df.index, df['SMA_60'], label='SMA 60', linewidth=1)
    axes[0].set_ylabel('Price')
    axes[0].legend()
    axes[0].set_title('Price and Moving Averages')
    
    # MACD
    axes[1].bar(df.index, df['MACD'], label='MACD', color=['g' if x >= 0 else 'r' for x in df['MACD']])
    axes[1].plot(df.index, df['DIF'], label='DIF', linewidth=1)
    axes[1].plot(df.index, df['DEA'], label='DEA', linewidth=1)
    axes[1].axhline(y=0, color='black', linestyle='-', linewidth=0.5)
    axes[1].set_ylabel('MACD')
    axes[1].legend()
    
    # RSI
    axes[2].plot(df.index, df['RSI_14'], label='RSI 14', linewidth=1)
    axes[2].axhline(y=70, color='r', linestyle='--', linewidth=0.5)
    axes[2].axhline(y=30, color='g', linestyle='--', linewidth=0.5)
    axes[2].axhline(y=50, color='black', linestyle='-', linewidth=0.5)
    axes[2].set_ylabel('RSI')
    axes[2].set_ylim(0, 100)
    axes[2].legend()
    
    # 布林带
    axes[3].plot(df.index, df['Close'], label='Close', linewidth=1)
    axes[3].plot(df.index, df['BB_upper'], label='Upper', linestyle='--', linewidth=1)
    axes[3].plot(df.index, df['BB_middle'], label='Middle', linewidth=1)
    axes[3].plot(df.index, df['BB_lower'], label='Lower', linestyle='--', linewidth=1)
    axes[3].fill_between(df.index, df['BB_upper'], df['BB_lower'], alpha=0.1)
    axes[3].set_ylabel('Price')
    axes[3].legend()
    
    plt.tight_layout()
    plt.show()

# 使用示例
plot_indicators(df, '2023-01-01', '2023-12-31')

小结

本章详细介绍了量化交易中常用的技术指标，包括移动平均线、MACD、RSI、布林带等。这些指标各有特点：

• 移动平均线适合趋势跟踪
• MACD结合了趋势和动量
• RSI适合判断超买超卖
• 布林带反映价格波动范围

在实际应用中，建议结合多个指标综合判断，避免单一指标的局限性。同时要注意，技术指标都是基于历史数据计算的，存在一定滞后性，不能保证未来收益。下一章将学习如何使用Backtrader框架进行策略回测。