第四节：技术指标计算——让数据开口说话

技术指标这东西，说白了就是把价格、成交量这些原始数据，通过数学公式加工一下，让它变得更直观。我刚开始做量化的时候，总觉得指标越多越好，恨不得把市面上所有指标都堆上去。结果呢？过拟合严重，实盘一跑就露馅。后来我学乖了——指标不在多，在于理解它的本质。

4.1 移动平均线：最朴素的价格趋势过滤器

移动平均线（MA）是所有技术指标的基石。它的计算逻辑极其简单：取最近N天的收盘价，算个平均值。

简单移动平均线（SMA）

def sma(close_prices, window=20):
    """
    计算简单移动平均线
    :param close_prices: 收盘价序列
    :param window: 窗口大小
    :return: SMA序列
    """
    import numpy as np
    weights = np.ones(window) / window
    return np.convolve(close_prices, weights, mode='valid')

嗯，这里要注意：np.convolve返回的结果长度是 len(close_prices) - window + 1。如果你需要保持长度一致，前面补NaN就行。

指数移动平均线（EMA）

EMA和SMA的区别在于——EMA给近期的数据更高的权重。我个人更偏爱EMA，因为它对价格变化反应更快。

def ema(close_prices, window=20):
    """
    计算指数移动平均线
    """
    alpha = 2 / (window + 1)
    result = [close_prices[0]]  # 初始值用第一个收盘价
    for price in close_prices[1:]:
        result.append(alpha * price + (1 - alpha) * result[-1])
    return np.array(result)

4.2 相对强弱指标（RSI）：判断超买超卖

RSI衡量的是价格变动的速度和幅度。它的核心思想是：涨多了会跌，跌多了会涨。

def rsi(close_prices, window=14):
    """
    计算相对强弱指标
    """
    delta = np.diff(close_prices)
    gain = np.where(delta > 0, delta, 0)
    loss = np.where(delta < 0, -delta, 0)
    
    avg_gain = np.convolve(gain, np.ones(window)/window, mode='valid')
    avg_loss = np.convolve(loss, np.ones(window)/window, mode='valid')
    
    rs = avg_gain / (avg_loss + 1e-10)  # 防止除零
    rsi_values = 100 - (100 / (1 + rs))
    return rsi_values

RSI的经典用法：超过70算超买，低于30算超卖。但说实话，在趋势行情里，RSI可以长时间维持在超买/超卖区域。我见过RSI在80以上挂了半个月的股票，你要是按传统方法做空，早就爆仓了。

4.3 布林带：动态的支撑阻力

布林带由三条线组成：中轨（SMA）、上轨（中轨+2倍标准差）、下轨（中轨-2倍标准差）。它的精妙之处在于——带宽会随波动率自动调整。

def bollinger_bands(close_prices, window=20, num_std=2):
    """
    计算布林带
    """
    middle = sma(close_prices, window)
    rolling_std = pd.Series(close_prices).rolling(window).std().values[window-1:]
    
    upper = middle + num_std * rolling_std
    lower = middle - num_std * rolling_std
    
    return upper, middle, lower

布林带最常用的策略是「带宽收缩突破」——当带宽缩到极窄时，往往预示着即将出现大行情。我在做期货策略时特别喜欢这个信号，胜率能到60%以上。

4.4 MACD指标：趋势与动量的结合

MACD由三部分组成：DIF线（快EMA-慢EMA）、DEA线（DIF的EMA）、柱状图（DIF-DEA）。

def macd(close_prices, fast=12, slow=26, signal=9):
    """
    计算MACD指标
    """
    ema_fast = ema(close_prices, fast)
    ema_slow = ema(close_prices, slow)
    
    dif = ema_fast - ema_slow
    dea = ema(dif, signal)
    histogram = 2 * (dif - dea)
    
    return dif, dea, histogram

MACD的核心用法：

• 金叉/死叉：DIF上穿DEA为金叉（买入信号），下穿为死叉（卖出信号）
• 背离：价格创新高但MACD没创新高，这叫顶背离，是强烈的反转信号

4.5 自定义指标：打造你的独门武器

说实话，市面上能用的指标都被用烂了。真正赚钱的策略，往往用的是自定义指标。我给大家看一个我自己常用的——成交量加权动量指标（VWMI）。

def vwmi(close_prices, volume, window=14):
    """
    自定义指标：成交量加权动量
    核心思想：价格上涨时成交量越大，动量越强
    """
    price_change = np.diff(close_prices) / close_prices[:-1]
    volume_ratio = volume[1:] / np.mean(volume)
    
    # 成交量加权动量
    vwmi_values = price_change * volume_ratio
    
    # 平滑处理
    vwmi_smooth = np.convolve(vwmi_values, np.ones(window)/window, mode='valid')
    return vwmi_smooth

这个指标的逻辑很简单：如果价格上涨伴随着放量，说明上涨是真实的；如果缩量上涨，那可能就是虚涨。我在A股市场测试过，这个指标比单纯的RSI准确率高不少。

知识体系总览

下面这张图，是我自己整理的技术指标知识体系。你看一眼就能明白各个指标之间的关系：

从这张图你能看到，所有技术指标最终都指向同一个目标——生成交易信号。但我要提醒你：指标只是工具，不是圣杯。我见过有人用20个指标叠加，结果信号互相矛盾，最后干脆抛硬币决定买卖方向。

好了，这一节的内容就到这。代码我都贴出来了，你直接复制就能用。下一节我们会讲如何把这些指标组合成一个完整的交易策略——嗯，那才是真正有意思的部分。

---