第四章：技术指标计算——移动平均线、布林带、RSI与MACD

各位同学，欢迎来到第四章。前几章我们聊了数据获取和清洗，那都是“原材料”的准备工作。从这章开始，咱们要真正上手“烹饪”了——也就是计算技术指标。

说实话，技术指标这东西，市面上有成百上千种。但我个人习惯，做CTA策略时，真正高频使用的就那么几个：移动平均线、布林带、RSI和MACD。别小看它们，经典之所以经典，是因为它们经过了无数实盘的检验。

今天我就把这四个指标的计算逻辑、Python实现以及我在项目中踩过的坑，一次性给你讲透。

---

4.1 移动平均线：趋势跟踪的基石

移动平均线，说白了就是“过去N天的平均价格”。它是最简单的趋势指标，但也是最有效的。

4.1.1 简单移动平均线（SMA）

SMA的计算公式很简单：

SMA = (P1 + P2 + ... + Pn) / n

其中P是收盘价，n是周期。

Python实现：

import pandas as pd

def calculate_sma(data, window=20):
    """
    计算简单移动平均线
    :param data: DataFrame，必须包含'close'列
    :param window: 窗口大小，默认20
    :return: 添加了SMA列的DataFrame
    """
    df = data.copy()
    df['SMA_' + str(window)] = df['close'].rolling(window=window).mean()
    return df

嗯，这里要注意一点：rolling()函数默认是右对齐的，也就是说第20天的SMA值，用的是第1天到第20天的数据。这个逻辑在回测里是没问题的，因为我们在第20天收盘后才能计算出这个值。

4.1.2 指数移动平均线（EMA）

EMA和SMA最大的区别在于：EMA给近期的价格更高的权重。说白了，它更“敏感”。

计算公式：

EMA_today = (Price_today * k) + (EMA_yesterday * (1 - k))
其中 k = 2 / (n + 1)

Python实现：

def calculate_ema(data, window=20):
    """
    计算指数移动平均线
    """
    df = data.copy()
    df['EMA_' + str(window)] = df['close'].ewm(span=window, adjust=False).mean()
    return df

---

4.2 布林带：波动率的可视化工具

布林带由三条线组成：中轨（SMA）、上轨（中轨 + k倍标准差）、下轨（中轨 - k倍标准差）。

它解决了一个核心问题：当前价格处于什么“位置”？

计算公式：

中轨 = SMA(close, n)
上轨 = 中轨 + k * std(close, n)
下轨 = 中轨 - k * std(close, n)

Python实现：

def calculate_bollinger_bands(data, window=20, num_std=2):
    """
    计算布林带
    """
    df = data.copy()
    df['BB_middle'] = df['close'].rolling(window=window).mean()
    df['BB_std'] = df['close'].rolling(window=window).std()
    df['BB_upper'] = df['BB_middle'] + num_std * df['BB_std']
    df['BB_lower'] = df['BB_middle'] - num_std * df['BB_std']
    return df

这里有个小技巧：布林带的宽度（上轨-下轨）本身就是个很好的波动率指标。宽度扩大，说明市场在“躁动”；宽度收窄，说明市场在“蓄力”。

---

4.3 RSI：超买超卖的“温度计”

RSI，全称Relative Strength Index，相对强弱指标。它衡量的是过去N天内，价格上涨的幅度占总波动幅度的比例。

计算公式：

RSI = 100 - (100 / (1 + RS))
其中 RS = 平均上涨幅度 / 平均下跌幅度

Python实现：

def calculate_rsi(data, window=14):
    """
    计算RSI指标
    """
    df = data.copy()
    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_' + str(window)] = 100 - (100 / (1 + rs))
    return df

为什么会这样？因为趋势行情里，强者恒强。你看到RSI到70就做空，结果可能被趋势甩下车。嗯，这个坑我踩过不止一次。

---

4.4 MACD：趋势与动量的结合体

MACD由三部分组成：快线（DIF）、慢线（DEA）、柱状图（MACD柱）。

计算逻辑：

1. 计算快线：EMA(close, 12) - EMA(close, 26)
2. 计算慢线：EMA(DIF, 9)
3. 计算柱状图：2 * (DIF - DEA)

Python实现：

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

MACD最经典的用法是“金叉死叉”：DIF上穿DEA是买入信号，下穿是卖出信号。但说实话，单纯用金叉死叉做交易，胜率并不高。我一般会结合背离来用——价格创新低但MACD没创新低，这叫底背离，是强反转信号。

---

4.5 知识体系总览

为了让你更直观地理解这四个指标的关系，我画了一张图：

---

4.6 综合应用：一个简单的信号生成器

光说不练假把式。咱们把四个指标组合起来，写一个简单的信号生成函数：

def generate_signals(data):
    """
    综合多个指标生成交易信号
    """
    df = data.copy()
    
    # 计算所有指标
    df = calculate_sma(df, 20)
    df = calculate_ema(df, 20)
    df = calculate_bollinger_bands(df)
    df = calculate_rsi(df)
    df = calculate_macd(df)
    
    # 信号逻辑
    df['signal'] = 0
    
    # 做多条件：价格在布林带下轨附近 + RSI超卖 + MACD金叉
    buy_condition = (
        (df['close'] <= df['BB_lower'] * 1.01) & 
        (df['RSI_14'] < 30) & 
        (df['DIF'] > df['DEA'])
    )
    df.loc[buy_condition, 'signal'] = 1
    
    # 做空条件：价格在布林带上轨附近 + RSI超买 + MACD死叉
    sell_condition = (
        (df['close'] >= df['BB_upper'] * 0.99) & 
        (df['RSI_14'] > 70) & 
        (df['DIF'] < df['DEA'])
    )
    df.loc[sell_condition, 'signal'] = -1
    
    return df

---

好了，这一章的内容就到这里。四个指标的计算方法和Python实现，我都给你讲清楚了。下一章我们会聊到策略逻辑设计，到时候这些指标就会派上大用场。

记住一句话：指标是工具，不是圣杯。真正赚钱的策略，靠的是对市场的理解，而不是指标的堆砌。

---