3、特征工程（上）：技术指标计算（MA、MACD、RSI、布林带）

各位同学，欢迎来到特征工程部分。说实话，在量化投资这个领域，我见过太多人把精力花在模型调参上，却忽略了最基础的东西——特征。你想想看，模型再牛，喂进去的是垃圾，出来的只能是更精致的垃圾。今天咱们就聊聊技术指标这个老本行，把MA、MACD、RSI、布林带这几个经典指标讲透。

3.1 移动平均线（MA）——趋势的骨架

移动平均线，说白了就是给价格序列「搓澡」，把短期的毛刺搓掉，露出趋势的骨架。我个人习惯把MA分成两类：

• 简单移动平均（SMA）：等权平均，反应慢但稳定
• 指数移动平均（EMA）：近重远轻，反应快但容易假信号

我在项目中遇到过一个问题：用SMA做趋势跟踪，结果在震荡市里被反复打脸。后来我改用EMA+自适应窗口，效果好了不少。这里给个代码示例：

import pandas as pd
import numpy as np

def calculate_ma(df, window=20, ma_type='sma'):
    """
    计算移动平均线
    df: 包含'close'列的DataFrame
    """
    if ma_type == 'sma':
        df['MA'] = df['close'].rolling(window=window).mean()
    elif ma_type == 'ema':
        df['MA'] = df['close'].ewm(span=window, adjust=False).mean()
    return df

# 实战用法
df = pd.DataFrame({'close': [10, 11, 12, 11, 10, 13, 14, 15]})
df = calculate_ma(df, window=3, ma_type='ema')
print(df)

3.2 MACD——趋势的加速器

MACD，全称是Moving Average Convergence Divergence。名字挺唬人，其实就是两条均线的差值。嗯，这里要注意：MACD不是用来判断方向的，而是用来判断趋势的「力度」。

MACD有三个核心要素：

• DIF线：快线 - 慢线（通常12EMA - 26EMA）
• DEA线：DIF的9日EMA
• 柱状图：DIF - DEA

我曾经犯过一个低级错误：直接用MACD金叉死叉做交易信号，结果在震荡行情里亏得底裤都不剩。后来我加了一个条件——必须配合零轴位置。零轴以上金叉才是真金叉，零轴以下的金叉大概率是反弹。

def calculate_macd(df, fast=12, slow=26, signal=9):
    """
    计算MACD指标
    """
    df['EMA_fast'] = df['close'].ewm(span=fast).mean()
    df['EMA_slow'] = df['close'].ewm(span=slow).mean()
    df['DIF'] = df['EMA_fast'] - df['EMA_slow']
    df['DEA'] = df['DIF'].ewm(span=signal).mean()
    df['MACD_bar'] = 2 * (df['DIF'] - df['DEA'])
    return df

3.3 RSI——情绪的体温计

RSI（相对强弱指标），说白了就是测量「最近涨得有多猛」。它的逻辑很简单：涨多了要跌，跌多了要涨。但这里有个坑——RSI的超买超卖阈值不是固定的。

标准用法是：

• RSI > 70：超买，考虑卖出
• RSI < 30：超卖，考虑买入

但我在实战中发现，牛市中RSI可以长期在70以上，熊市中RSI可以长期在30以下。如果你死板地按阈值操作，会被市场反复教育。我的做法是：用RSI的「背离」来做信号，而不是绝对值。

def calculate_rsi(df, window=14):
    """
    计算RSI指标
    """
    delta = df['close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=window).mean()
    avg_loss = loss.rolling(window=window).mean()
    
    rs = avg_gain / avg_loss
    df['RSI'] = 100 - (100 / (1 + rs))
    return df

3.4 布林带（Bollinger Bands）——价格的跑道

布林带，由John Bollinger发明。它由三条线组成：中轨（MA）、上轨（中轨+2倍标准差）、下轨（中轨-2倍标准差）。你想想看，这其实就是给价格画了一个「正常波动范围」。

布林带的核心用法：

• 带宽收缩：预示即将变盘
• 价格突破上轨：强势，但可能回调
• 价格跌破下轨：弱势，但可能反弹
• 轨道开口：趋势加速

我记得有一次做期货策略，发现布林带的带宽指标（带宽 = (上轨-下轨)/中轨）在收缩到极低值后，往往会出现一波大行情。这个发现让我在2018年的螺纹钢行情中赚了一笔。

def calculate_bollinger(df, window=20, num_std=2):
    """
    计算布林带
    """
    df['MA'] = df['close'].rolling(window=window).mean()
    df['STD'] = df['close'].rolling(window=window).std()
    df['Upper'] = df['MA'] + num_std * df['STD']
    df['Lower'] = df['MA'] - num_std * df['STD']
    df['Bandwidth'] = (df['Upper'] - df['Lower']) / df['MA']
    return df

3.5 知识体系总览

下面这张图是我自己画的，把今天讲的四个指标串起来了。你看一眼就能明白它们各自扮演什么角色：

3.6 实战中的坑与经验

最后，我把自己这些年踩过的坑总结一下：

指标	常见错误	我的改进方案
MA	固定窗口，不适应市场变化	使用自适应窗口（如ATR调整）
MACD	只看金叉死叉，忽略零轴位置	零轴以上金叉才做多，以下死叉才做空
RSI	死守70/30阈值	结合背离信号，动态调整阈值
布林带	认为突破上下轨就是反转信号	配合带宽收缩和成交量确认