第四节：技术指标计算——让数据开口说话

技术指标这东西，说白了就是给价格数据做「体检」。我刚开始做量化的时候，总觉得指标越多越好，恨不得把几十个指标全堆上去。后来被市场狠狠教育了几次才明白——指标不在多，在于你懂它。

今天咱们就聊聊四个最常用的技术指标：MA、MACD、RSI、布林带。我会把计算逻辑讲透，再配上Pandas的高效实现。嗯，这些都是我实战中反复打磨过的代码。

4.1 移动平均线（MA）——最朴素的趋势跟踪器

移动平均线，说白了就是「过去N天的平均价格」。它把价格波动平滑了，让你看清趋势方向。

计算逻辑：

• 简单移动平均（SMA）：等权平均
• 指数移动平均（EMA）：越近的数据权重越大

我个人习惯用EMA，因为它对价格变化反应更快。举个例子，你想想看，如果今天突然暴跌，SMA要等好几天才能反映出来，但EMA当天就会明显变化。

import pandas as pd
import numpy as np

# 计算SMA和EMA
def calculate_ma(df, window=20):
    df = df.copy()
    df['SMA'] = df['close'].rolling(window=window).mean()
    df['EMA'] = df['close'].ewm(span=window, adjust=False).mean()
    return df

# 实战用法
df = pd.DataFrame({'close': [100, 102, 101, 105, 108, 107, 110]})
result = calculate_ma(df, window=3)
print(result)

4.2 MACD——趋势与动量的二合一

MACD是我最喜欢的指标之一。它由三部分组成：快线（DIF）、慢线（DEA）、柱状图（MACD柱）。

计算步骤：

1. 计算12日EMA和26日EMA
2. DIF = 12日EMA - 26日EMA
3. DEA = DIF的9日EMA
4. MACD柱 = (DIF - DEA) × 2

为什么乘以2？这是为了放大柱状图的视觉效果，方便观察。我在项目中遇到过，如果不乘2，柱状图在图表上几乎看不见。

def calculate_macd(df, fast=12, slow=26, signal=9):
    df = df.copy()
    # 计算EMA
    ema_fast = df['close'].ewm(span=fast, adjust=False).mean()
    ema_slow = df['close'].ewm(span=slow, adjust=False).mean()
    
    # DIF线
    df['DIF'] = ema_fast - ema_slow
    # DEA线
    df['DEA'] = df['DIF'].ewm(span=signal, adjust=False).mean()
    # MACD柱
    df['MACD'] = 2 * (df['DIF'] - df['DEA'])
    
    return df

4.3 RSI——判断超买超卖的利器

RSI（相对强弱指标）衡量的是「上涨幅度占总体波动的比例」。取值范围0-100，一般认为超过70是超买，低于30是超卖。

计算逻辑：

• 计算每日价格变化：涨了多少，跌了多少
• 分别计算N日内的平均涨幅和平均跌幅
• RS = 平均涨幅 / 平均跌幅
• RSI = 100 - (100 / (1 + RS))

你想想看，如果连续涨了10天，平均涨幅远大于平均跌幅，RSI就会很高。这时候市场可能已经过热了。

def calculate_rsi(df, period=14):
    df = df.copy()
    # 计算价格变化
    delta = df['close'].diff()
    
    # 分离涨幅和跌幅
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    # 计算平均涨幅和平均跌幅
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    # 计算RS和RSI
    rs = avg_gain / avg_loss
    df['RSI'] = 100 - (100 / (1 + rs))
    
    return df

4.4 布林带——价格波动的「安全通道」

布林带由三条线组成：中轨（MA）、上轨（中轨+2倍标准差）、下轨（中轨-2倍标准差）。它告诉你价格在什么范围内波动是「正常的」。

计算步骤：

1. 计算N日移动平均线（中轨）
2. 计算N日价格标准差
3. 上轨 = 中轨 + K × 标准差
4. 下轨 = 中轨 - K × 标准差

K值通常取2，这意味着价格有95%的概率落在通道内。如果价格突破通道，往往意味着趋势要加速了。

def calculate_bollinger(df, window=20, num_std=2):
    df = df.copy()
    # 中轨
    df['MA'] = df['close'].rolling(window=window).mean()
    # 标准差
    df['STD'] = df['close'].rolling(window=window).std()
    # 上下轨
    df['Upper'] = df['MA'] + num_std * df['STD']
    df['Lower'] = df['MA'] - num_std * df['STD']
    
    return df

4.5 信号生成——把指标变成交易指令

指标算出来只是第一步，关键是怎么用。我一般会生成三种信号：买入、卖出、持有。

常见信号逻辑：

指标	买入信号	卖出信号
MA	价格上穿MA	价格下穿MA
MACD	DIF上穿DEA	DIF下穿DEA
RSI	RSI低于30后上穿30	RSI高于70后下穿70
布林带	价格触及下轨后反弹	价格触及上轨后回落

def generate_signals(df):
    df = df.copy()
    # 初始化信号列
    df['Signal'] = 0
    
    # MACD金叉死叉
    df.loc[(df['DIF'] > df['DEA']) & 
           (df['DIF'].shift(1) <= df['DEA'].shift(1)), 'Signal'] = 1
    df.loc[(df['DIF'] < df['DEA']) & 
           (df['DIF'].shift(1) >= df['DEA'].shift(1)), 'Signal'] = -1
    
    # RSI超买超卖
    df.loc[(df['RSI'] < 30) & 
           (df['RSI'].shift(1) >= 30), 'Signal'] = 1
    df.loc[(df['RSI'] > 70) & 
           (df['RSI'].shift(1) <= 70), 'Signal'] = -1
    
    return df

4.6 知识体系总览

下面这张图把本章的核心内容串起来了。你可以看到，从原始数据到最终信号，每一步都有明确的逻辑。

这张图展示了从原始数据到最终决策的完整链路。四个指标各有侧重，但最终都要落到信号生成这一步。我个人建议，刚开始做回测时，先选两个指标练手，等熟悉了再逐步增加。

好了，技术指标的计算就聊到这儿。记住，指标是工具，不是圣杯。真正重要的是你如何理解市场、如何设计策略。下一节我们会把这些指标组合起来，做一个完整的轮动模型回测。

---