第1章：技术指标计算——移动平均线、RSI、布林带与MACD
各位同学，欢迎来到《AI交易策略开发与风险控制实战》的第一章。
今天咱们聊点实在的——技术指标。说实话，很多新手一上来就堆十几个指标，结果策略跑起来跟抽风似的。我个人习惯是：先吃透四个核心指标，再谈组合。这就像学功夫，先扎好马步，再练招式。
这章我们重点讲四个：移动平均线（SMA/EMA）、相对强弱指标（RSI）、布林带（Bollinger Bands）、MACD。它们几乎覆盖了趋势、动量、波动性三大维度。你想想看，一个策略如果能把这几个维度都照顾到，稳定性会好很多。
核心观点：技术指标不是越多越好，关键是理解每个指标在“描述什么市场状态”。
1.1 移动平均线：SMA 与 EMA
移动平均线，说白了就是给价格“抹平”一下，去掉那些杂音。我刚开始做量化时，总喜欢用很短的周期，结果被假突破坑了好几次。后来才明白——周期越长，信号越稳，但反应也越慢。
SMA（简单移动平均线）：就是把最近N天的收盘价加起来除以N。简单粗暴，但有个缺点——它对所有数据一视同仁，哪怕昨天的价格和30天前的价格权重一样。
EMA（指数移动平均线）：这个就聪明多了，越近的数据权重越大。我个人习惯用EMA做短线交易，因为它反应快。
我的经验：做日内交易用EMA12/EMA26组合，做趋势跟踪用SMA50/SMA200。别混着用，容易乱。
# Python 实现 SMA 和 EMA
import pandas as pd
import numpy as np
def calculate_sma(data, window=20):
"""计算简单移动平均线"""
return data['close'].rolling(window=window).mean()
def calculate_ema(data, window=20, smoothing=2):
"""计算指数移动平均线"""
# smoothing 通常取 2，即 EMA = 2/(N+1)
alpha = smoothing / (window + 1)
return data['close'].ewm(alpha=alpha, adjust=False).mean()
# 示例用法
# df['SMA_20'] = calculate_sma(df, 20)
# df['EMA_12'] = calculate_ema(df, 12)
避坑指南：我曾经在回测时用了未来数据——用当天的收盘价计算当天的均线，结果策略看起来完美，实盘却亏成狗。记住：计算指标时只能用历史数据，别偷看未来。
1.2 相对强弱指标（RSI）
RSI 这玩意儿，说白了就是衡量“最近涨得猛不猛”。取值范围0到100，通常认为超过70是超买，低于30是超卖。
但这里有个坑——在强趋势行情里，RSI会长时间停留在超买或超卖区。如果你看到RSI>70就做空，可能会被趋势碾碎。我吃过这个亏，后来加了个条件：只有RSI从超买区掉头向下时才做空。
def calculate_rsi(data, window=14):
"""计算相对强弱指标"""
delta = data['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
rsi = 100 - (100 / (1 + rs))
return rsi
# 经典用法：RSI < 30 做多，RSI > 70 做空
# 但建议加一个“背离”条件，信号更可靠
关键点：RSI 的背离信号比单纯超买超卖更可靠。价格创新低但RSI没创新低——这叫底背离，往往是反转信号。
1.3 布林带（Bollinger Bands）
布林带由三条线组成：中轨（通常是SMA20）、上轨（中轨+2倍标准差）、下轨（中轨-2倍标准差）。它告诉我们——价格现在处于什么波动水平。
你想想看，当布林带收窄时，说明市场在“憋大招”，很快要出方向了。当价格突破上轨，不一定就是做空信号——在强趋势里，价格可以沿着上轨一直跑。
def calculate_bollinger(data, window=20, num_std=2):
"""计算布林带"""
data['SMA'] = data['close'].rolling(window=window).mean()
data['STD'] = data['close'].rolling(window=window).std()
data['Upper'] = data['SMA'] + num_std * data['STD']
data['Lower'] = data['SMA'] - num_std * data['STD']
return data[['SMA', 'Upper', 'Lower']]
# 布林带宽度 = (上轨 - 下轨) / 中轨
# 宽度收窄到历史低位时，注意变盘
我的习惯：布林带配合RSI一起用。当价格触及下轨且RSI<30时，做多胜率会高很多。反之亦然。
1.4 MACD 指标
MACD 全称是指数平滑异同移动平均线，名字挺唬人，其实原理不复杂。它由三部分组成：
- DIF线：快线（EMA12）减去慢线（EMA26）
- DEA线：DIF线的9日EMA
- 柱状图：DIF减去DEA，反映两者差距
MACD 最常用的信号是“金叉死叉”——DIF上穿DEA是金叉，做多；下穿是死叉，做空。但说实话，单纯的金叉死叉在震荡市里会被反复打脸。
def calculate_macd(data, fast=12, slow=26, signal=9):
"""计算MACD指标"""
data['EMA_fast'] = data['close'].ewm(span=fast, adjust=False).mean()
data['EMA_slow'] = data['close'].ewm(span=slow, adjust=False).mean()
data['DIF'] = data['EMA_fast'] - data['EMA_slow']
data['DEA'] = data['DIF'].ewm(span=signal, adjust=False).mean()
data['MACD_bar'] = 2 * (data['DIF'] - data['DEA'])
return data[['DIF', 'DEA', 'MACD_bar']]
# 注意：柱状图乘以2是为了让图形更清晰，实际值不重要
避坑指南：我曾经在回测时发现MACD金叉策略收益不错，但实盘一跑就崩。后来发现——MACD在趋势行情里好用，在震荡行情里就是灾难。建议加一个趋势过滤器，比如价格在SMA200上方时只做多。
1.5 四个指标的协同使用
单个指标都有缺陷，但组合起来威力就大了。我个人常用的一个简单策略框架：
| 指标 | 做多条件 | 做空条件 |
|---|---|---|
| 移动平均线 | 价格在SMA200上方 | 价格在SMA200下方 |
| RSI | RSI < 30 且掉头向上 | RSI > 70 且掉头向下 |
| 布林带 | 价格触及下轨 | 价格触及上轨 |
| MACD | DIF上穿DEA（金叉） | DIF下穿DEA（死叉） |
嗯，这里要注意——所有条件同时满足的情况很少。我一般要求至少三个条件共振才开仓。虽然信号少了，但胜率明显提升。
总结一下：技术指标是工具，不是圣杯。理解每个指标在描述什么市场状态，比盲目堆砌重要得多。下一章我们会把这些指标串起来，构建一个完整的交易策略。
公众号:蓝海资料掘金营，微信deep3321