捕捉趋势最普遍的方法为移动平均线，根据求平均的方式不同，移动平均数又可分为简单移动平均数(Simple Moving Average, SMA)，加权移动平均数(Weighted Moving Average, WMA)，和指数移动平均数(Exponential Moving Average, EXPMA或EMA)。
目录
获取数据1.简单移动平均(SMA)1.1 简单移动平均数1.2 绘制5&10日简单移动平均线1.3 定义简单移动平均计算函数1.4 定义简单移动平均绘图函数1.5 直接使用mplfinance库来绘制2.加权移动平均2.1 加权移动平均数2.2 定义加权移动平均计算函数2.3 绘制加权移动平均线3.指数加权移动平均(EMA)(EXPMA)(EWMA)3.1指数加权移动平均数3.2 指数加权移动平均线3.2定义计算指数加权移动平均数函数4.常用平均方法比较5.双均线交叉策略6.异同移动平均线(MACD)6.1 指标概述6.2 绘图代码6.3常用MACD交易思想获取数据
以从Tushare获取深证成指(‘399001.SZ’)股价数据为例。
# 导入相关模块import osimport numpy as npimport tushare as tsimport pandas as pdimport matplotlib.pyplot as pltfrom datetime import datetime, timedelta# from pylab import mpltoken = 'Your token' # 输入你的接口密匙，获取方式及相关权限见Tushare官网。pro = ts.pro_api(token)df = pro.index_daily(ts_code='399001.SZ') #index_daily为指数日线的接口。股票的则为daily。# 将获取到的DataFrame数据进行标准化处理，转换为方便自己使用的一种规范格式。df = df.loc[:, ['trade_date', 'open', 'high', 'low', 'close', 'vol']]df.rename(columns={'trade_date': 'Date', 'open': 'Open','high': 'High', 'low': 'Low','close': 'Close', 'vol': 'Volume'},inplace=True) # 重定义列名，方便统一规范操作。df['Date'] = pd.to_datetime(df['Date']) # 转换日期列的格式，便于作图df.set_index(['Date'], inplace=True) # 将日期列作为行索引df = df.sort_index() # 倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。Close = df['Close'] # 取出收盘数据。now = datetime.now() # 现在时间today = now.strftime('%Y-%m-%d') # 今日日期# 设置一会儿生成的图像文件的保存路径，这里该三行命令在D盘创建一个以今日日期命名的文件夹。path = 'D:/' + todayif not os.path.exists(path):os.mkdir(path)# 准备工作完毕，走起！
1.简单移动平均(SMA)
1.1 简单移动平均数
即以算术平均的方式对目标数据对象求均值。(5日为例)SMAt=5 = p1+p2+p3+p4+p55\displaystyle {\frac{p1+p2+p3+p4+p5}{5} }5p1+p2+p3+p4+p5
# 求取5日简单移动平均数Sma5 = pd.Series(0.0,index=Close.index)for i in range(4,len(Close)):Sma5[i] = sum(Close[i-4:(i+1)])/5# 求取10日简单移动平均数Sma10 = pd.Series(0.0,index=Close.index)for i in range(9,len(Close)):Sma10[i] = sum(Close[i-9:(i+1)])/10
1.2 绘制5&10日简单移动平均线
# 取的数据绘图 plt.rcParams['font.sans-serif'] = ['SimHei']plt.plot(Close[''], label="Close", color='g')plt.plot(Sma5[''], label="Sma5", color='r', linestyle='dashed')plt.plot(Sma10[''], label="Sma10", color='b', linestyle='dashed')plt.title('深证成指近全年收盘数据附5&10日MAV图')plt.legend() # 增设图例plt.show()# plt.savefig(path + '/深证成指收盘数据时序图附5&10日MAV.png')
运行效果如下图所示：
1.3 定义简单移动平均计算函数
def smaCal(tsPrice, k):import pandas as pdSma = pd.Series(0.0, index=tsPrice.index)for i in range(k-1, len(tsPrice)):Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/kreturn(Sma)# 调用smaCal(Close[''], 5)
1.4 定义简单移动平均绘图函数
# 设定传入三个参数：name:序列名字(如“深证成指”，便于注明于图像标题。)# tsPrice: Series类型的数据序列。# 不定参数我们规定为最多只能五个，即最多添加五根均线。def plot_smaCal(name,tsPrice, *args):if len(args)>5:print('提示：添加均线数量最多是五个！')return Noneimport pandas as pdplt.plot(tsPrice, label="Close", color='g')colors = ['r', 'k', 'b', 'c', 'y'] # 设定5个颜色，也即关系到上边均线数量的上限。j = 0 # 用于颜色索引转换for k in args: Sma=pd.Series(0.0, index=tsPrice.index)for i in range(k-1, len(tsPrice)):Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/kplt.plot(Sma[k-1:], label="Sma"+str(k), color=colors[j], linestyle='dashed')j += 1days='&'.join([str(ints) for ints in args])plt.title(name + '收盘数据附' + days + '日MAV图')plt.legend() # 增设图例plt.show()# plt.savefig(path + '/' + name + '收盘数据时序图附' + days + 'MAV.png')# 调用plot_smaCal('深证成指',Close[''],5,10,20,50)
输出结果如图：
1.5 直接使用mplfinance库来绘制
直接使用mplfinance库来绘制不失为一种更简单的方法。
import mplfinance as mpfroad = path + '/深证成指收盘数据附5&10日MAV图.jpg's = mpf.make_mpf_style(base_mpf_style='blueskies', rc={'font.family': 'SimHei'}) # 解决mplfinance绘制输出中文乱码mpf.plot(df[''], type='line',ylabel="price", style=s, title='深证成指时序图附5&10日双均线', mav=(5, 10), volume=True, ylabel_lower="volume(shares)", savefig=road)# 通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)
图像效果如下：
2.加权移动平均
2.1 加权移动平均数
加权移动平均，即对数据赋予一定的权重后再求平均。
一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。
WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5
(其中w1 + w2 + w3 + w4 + w5 = 1)
# 5日加权移动平均线b1 = np.array([1, 2, 3, 4, 5])w1 = b1/sum(b1) # 定义一组权重Wma5 = pd.Series(0.0, index=Close.index)for i in range(4,len(Close)):Wma5[i] = sum(w1*Close[i-4:(i+1)])# 10日加权移动平均线b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])w2 = b2/sum(b2) # 定义一组权重Wma10 = pd.Series(0.0, index=Close.index)for i in range(9,len(Close)):Wma10[i] = sum(w2*Close[i-9:(i+1)])
2.2 定义加权移动平均计算函数
def wmaCal(tsPrice, weight):import pandas as pdimport numpy as npk = len(weight)arrWeight = np.array(weight)Wma=pd.Series(0.0, index=tsPrice.index)for i in range(k-1, len(tsPrice.index)):Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])return(Wma)# 调用b = np.array([1, 2, 3, 4, 5])w = b1/sum(b)wmaCal(Close[''],w)
2.3 绘制加权移动平均线
plt.rcParams['font.sans-serif'] = ['SimHei']plt.plot(Close[''], label="Close", color='g')plt.plot(Wma5[''], label="Wma5", color='r', linestyle='dashed')plt.plot(Wma10[''], label="Wma10", color='b', linestyle='dashed')plt.title('深证成指近收盘数据附5&10日加权WAV图')plt.legend() # 增设图例plt.show()# plt.savefig(path + '/深证成指收盘数据时序图附5&10日MAV.png')
图像效果展示如下：
3.指数加权移动平均(EMA)(EXPMA)(EWMA)
3.1指数加权移动平均数
指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。
第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k
即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均
后边的按此公式以此类推。
# 第五天指数加权移动平均数为前五天的算数平均数Ewma5_number1 = np.mean(Close[0:5])Ewma5 = pd.Series(0.0, index=Close.index)Ewma5[4]=Ewma5_number1# 计算第六天及以后的指数移动平均数for i in range(5, len(Close)):Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2Ewma5.head(10)
由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。
3.2 指数加权移动平均线
# 绘制指数加权移动平均线图像plt.rcParams['font.sans-serif'] = ['SimHei']plt.plot(Close[''], label="Close", color='r')plt.plot(Ewma5[''], label="Ewma5", color='g', linestyle='-.')plt.title('深证成指近收盘数据时序图附5日指数移动平均线')plt.legend()plt.show()
结果如图所示：
3.2定义计算指数加权移动平均数函数
def ewmaCal(tsPrice, period=5,exponential=0.2):import pandas as pdimport numpy as npEwma = pd.Series(0.0, index=tsPrice.index)Ewma[period-1]=np.mean(tsPrice[:period])for i in range(period, len(tsPrice)):Ewma[i] = exponential * tsPrice[i] + (1 - exponential) * Ewma[i-1]return(Ewma)# 调用Ewma=ewmaCal(Close,5,0.2)Ewma.head(10)
4.常用平均方法比较
简单移动平均(SMA)对前n期的价格求算术平均，所有价格数据同等权重。加权移动平均(WMA)赋予价格数据不同的权重。一般近期数据权重大，远期数据权重小。指数移动平均(EMA)类似于加权移动平均，是以指数形式递减加权的移动平均。三条均线对收盘价曲线的变化往往都有一定的滞后性。5.双均线交叉策略
利用长短期均线的相对关系，来识别价格趋势的变化。
先求出短期均线和长期均线。当短期均线从下向上穿过长期均线时，释放出买入信号。当短期均线从上向下穿过长期均线时，释放出买入信号。
长短均线的时间跨度的选择，因人而异。
6.异同移动平均线(MACD)
6.1 指标概述
MACD指标由两线一柱组合起来形成。快速线为DIF，慢速线为DEA，柱状图为MACD。快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。柱状图MACD由快速线DIF与慢速线DEA作差得到。MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。一般默认MACD的求值参数为12、26和9。DIF = EMA(close,12) - EMA(close,26)DEA = EMA(DIF,9)MACD = DIF - DEA6.2 绘图代码
# 计算相关指标，用到了上边定义过的函数ewmaCal()。DIF = ewmaCal(Close, 12, 2/(1+12)) - ewmaCal(Close, 26, 2/(1+26))DEA = ewmaCal(DIF, 9, 2 / (1+9)) # DEA的线图也被称为信号线MACD = DIF - DEAMACD1 = MACD[MACD.values > 0] # MACD数据大于零的部分 作图体现为红色MACD2 = MACD[MACD.values < 0] # MACD数据小于零的部分 作图体现为绿色# 绘制全年深证成指MACD图像plt.rcParams['font.sans-serif'] = ['SimHei'] # 设定显示中文plt.rcParams['axes.unicode_minus'] = False # 设定正常显示负号plt.subplot(211)plt.plot(DIF[''], label="DIF", color="k")plt.plot(DEA[''], label="DEA", color="b",linestyle='dashed')plt.title("信号线DIF与DEA")plt.xlabel('date')plt.ylabel('value')plt.legend()plt.subplot(212)plt.bar(MACD1[''].index, height=MACD1[''], color='r', edgecolor='k')plt.bar(MACD2[''].index, height=MACD2[''], color='g', edgecolor='k')plt.title('MACD')plt.xlabel('date')plt.ylabel('value')plt.show()# plt.savefig(path + '/深证成指MACD指标图.png')
生成结果如下：
6.3常用MACD交易思想
这里我们阐述一些常用的MACD交易思想：
当DIF和DEA都在零刻度线上方时，表明市场是多头行情；反之，当DIF和DEA都在零刻度线下方时，表明市场是空头行情。投资实战中，“零上双金叉”策略广为人们使用：当DIF和DEA都在零刻度线上方，在一段时间内，DIF先上穿DEA线，不久DIF下跌到DEA线的下方，然后DIF又上穿DEA线，此时，说明股价上涨趋势较强，市场处于上涨行情中。当DIF下穿信号线DEA时，释放出买入信号；当DIF向上穿过信号线DEA时，释放出卖出信号。MACD柱状图的高低表示DIF与DEA的离差值大小，柱状图在零刻度附近时，释放出买卖信号。柱形图在零刻度线上方，表示DIF大于DEA，市场走势较强；柱形图在零刻度线下方，表示DIF小于DEA，市场走势较弱。MACD指标的形态分析也是一大关注焦点，可以套用一般的形态分析理论与方法。
DIF与DEA的交叉与背离策略分析：
先求出DIF(离差值，快线)、DEA(信号线，慢线)的值；DIF、DEA均为正，DIF向上突破DEA，买入信号。DIF、DEA均为负，DIF向下跌破DEA，卖出信号。
Python 金融量化 均线系统交易策略专题(简单移动平均 加权移动平均 指数加权移动平均 异同移动平均MACD等解读与绘图)
如果觉得《Python 金融量化 均线系统交易策略专题(简单移动平均 加权移动平均 指数加权移动》对你有帮助，请点赞、收藏，并留下你的观点哦！
