python股票量化交易（6）---使用TA-Lib计算技术指标

务要日日知非，日日改过；一日不知非，即一日安于自是；一日无过可改，即一日无步可进；天下聪明俊秀不少，所以德不加修、业不加广者，只为因循二字，耽搁一生。

什么是TA-Lib

TA-Lib（Technical Analysis Library）是python提供的开源技术分析库，自发布以来，已经有20多年的历史，它包含了大约200个技术指标的计算函数和K线形态识别函数，例如MACD、RSI、KDJ、动量指标等。

我们从前面的几篇博文分析来看，如果你不了解这个库，我们直接分析股票的话，你需要完全记住所有指标的计算公式，对于数学不怎么好的人，实在不友好。但是我们有了TA-Lib库之后，就可以很方便的得到指标绘制的一些参数，这样可以大大节省我们的分析时间。

所以，本篇博文将讲解前面所有技术指标，通过TA-Lib库计算出来。那么我们首先，需要在python文件中导入这个库，具体代码如下：

import talib

SMA指标的计算

SMA也就是前面博文中讲解的均线，即simple moving average的缩写，TA-Lib库直接提供给我们talib.SMA()进行计算SMA。

使用SMA()函数有两个参数：

（1）timeperiod：也就是计算均线的时间，比如5日均线就写5，10日均线就写10，以此类推。

（2）close：收盘价，通过pandas直接导入收盘价那一列即可。

下面，我们来通过SMA()函数计算10，20，30日均线，具体代码如下所示：

import pandas as pd
import talib
df = pd.read_excel("牧原股份.xlsx")
df["SMA10"]=talib.SMA(df['close'],timeperiod=10)
df["SMA20"]=talib.SMA(df['close'],timeperiod=20)
df["SMA30"]=talib.SMA(df['close'],timeperiod=30)

不过这里我们需要注意，在计算均线之时，必定均线前n天是空值。比如这里计算10日均线，那么前9日是没有值的。而没有值默认会填充NaN，为了绘图时的数据好看，我们需要将这前N天的空白值赋值为第一天均线的有效值，这样看起来就会有空白的曲线。具体代码如下所示：

df['SMA10'].fillna(method="bfill",inplace=True)
df['SMA20'].fillna(method="bfill",inplace=True)
df['SMA30'].fillna(method="bfill",inplace=True)

当前，我们的均线其实还有很多不同的计算方法，比如计算指数移动平均值时，用的是EMA方法，而计算加权移动平均值时，计算的是WMA方法。不过，这些这些计算都有一个通用的方法MA，它通过最后一个参数matype区分是计算EMA，还是WMA，或者SMA。例如：

df['ma10']=talib.MA(df['close'],timeperiod=10,matype=0)
df['ma20']=talib.MA(df['close'],timeperiod=20,matype=1)
df['ma30']=talib.MA(df['close'],timeperiod=30,matype=2)

0代表SMA，1代表EMA，2代表WMA，其他的参数数值，后面讲解其他指标时我们在介绍，这三个为最常用的方法，需要记住。

完整绘制均线的代码如下：

import pandas as pd
import talib
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
df["SMA10"]=talib.SMA(df['close'],timeperiod=10)
df["SMA20"]=talib.SMA(df['close'],timeperiod=20)
df["SMA30"]=talib.SMA(df['close'],timeperiod=30)
df['SMA10'].fillna(method="bfill",inplace=True)
df['SMA20'].fillna(method="bfill",inplace=True)
df['SMA30'].fillna(method="bfill",inplace=True)
ax.plot(np.arange(0, len(df)), df['SMA10'])  # 绘制5日均线
ax.plot(np.arange(0, len(df)), df['SMA20'])  # 绘制10日均线
ax.plot(np.arange(0, len(df)), df['SMA30'])  # 绘制30日均线
ax.xaxis.set_major_locator(ticker.MaxNLocator(20))


def format_date(x, pos=None):
    # 由于前面股票数据在 date 这个位置传入的都是int
    # 因此 x=0,1,2,...
    # date_tickers 是所有日期的字符串形式列表
    if x < 0 or x > len(df['date']) - 1:
        return ''
    return df['date'][int(x)]


ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()

运行之后，显示效果如下图所示：

MACD指标的计算

既然TA-Lib库直接提供了SMA()方法计算均线，那么肯定也会有MACD方法提供给你计算MACD的参数。具体的使用方法如下：

dif, dea, bar = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)

可以看到，前面计算MACD参数之时，我们会计算EMA1（12日收盘价移动平均线）与EMA2（26收盘价移动平均线）对应的就是上面的12，26。同样的，计算DEA的公式span也为9，代入最后一个值。

不过，其内部实现与我们自己按公式操作其实是一样的步骤，只是TA-Lib库直接省略步骤，把方法直接给我们了，这样如果只是用于分析，多数开发者并不需要了解其原理。

虽然说它直接提供给我们计算方法MACD()，但是我们按前面公式计算是没有空值的，这里直接代码会造成空值的情况。所以我们需要额外的步骤将空值替换掉，具体代码如下：

dif[np.isnan(dif)],dea[np.isnan(dea)],bar[np.isnan(bar)]=0,0,0

完整的绘图代码如下所示：

import pandas as pd
import talib
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
dif, dea, bar = talib.MACD(df['close'].values, fastperiod=12, slowperiod=26, signalperiod=9)
dif[np.isnan(dif)], dea[np.isnan(dea)], bar[np.isnan(bar)] = 0, 0, 0
ax.plot(np.arange(0, len(df)), dif)
ax.plot(np.arange(0, len(df)), dea)
red_bar = np.where(bar > 0, 2 * bar, 0)
blue_bar = np.where(bar < 0, 2 * bar, 0)
ax.bar(np.arange(0, len(df)), red_bar, color="red")
ax.bar(np.arange(0, len(df)), blue_bar, color="blue")

ax.xaxis.set_major_locator(ticker.MaxNLocator(20))


def format_date(x, pos=None):
    # 由于前面股票数据在 date 这个位置传入的都是int
    # 因此 x=0,1,2,...
    # date_tickers 是所有日期的字符串形式列表
    if x < 0 or x > len(df['date']) - 1:
        return ''
    return df['date'][int(x)]


ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()

运行之后，显示效果如下所示：

KDJ指标的计算

虽然说计算SMA与MACD的方法名在TA-Lib库中是一致的，但是这次还真不是KDJ函数。在TA-Lib库中计算KDJ的方法为talib.STOCH函数。首先，我们可以通过该函数计算出K、D的值，然后通过K、D计算出J值，具体的计算方式如下：

df['K'], df['D'] = talib.STOCH(df['high'].values, df['low'].values, df['close'].values, fastk_period=9, slowk_period=3,
                               slowk_matype=0, slowd_period=3, slowd_matype=0)
df['K'].fillna(0,inplace=True)
df['D'].fillna(0,inplace=True)
df['J']=3*df['K']-2*df['D']

这里fastk_period=9，slowk_period=3，slowd_period=3，虽然计算方式不同，但核心思想是一致的。同样的，使用TA-Lib库计算出来的KD值也有无效值，需要用0进行替换。

完整的绘制KDJ曲线代码如下：

import pandas as pd
import talib
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111)
df = pd.read_excel("牧原股份.xlsx")
df['date'] = pd.to_datetime(df['date'])
df['date'] = df['date'].apply(lambda x: x.strftime('%Y-%m-%d'))
df['K'], df['D'] = talib.STOCH(df['high'].values, df['low'].values, df['close'].values, fastk_period=9, slowk_period=3,
                               slowk_matype=0, slowd_period=3, slowd_matype=0)
df['K'].fillna(0,inplace=True)
df['D'].fillna(0,inplace=True)
df['J']=3*df['K']-2*df['D']
ax.plot(df["date"], df["K"], label ="K")
ax.plot(df["date"], df["D"], label ="D")
ax.plot(df["date"], df["J"], label ="J")
plt.legend()
ax.xaxis.set_major_locator(ticker.MaxNLocator(20))
def format_date(x, pos=None):
    # 由于前面股票数据在 date 这个位置传入的都是int
    # 因此 x=0,1,2,...
    # date_tickers 是所有日期的字符串形式列表
    if x < 0 or x > len(df['date']) - 1:
        return ''
    return df['date'][int(x)]


ax.xaxis.set_major_formatter(ticker.FuncFormatter(format_date))
plt.setp(plt.gca().get_xticklabels(), rotation=45, horizontalalignment='right')
plt.show()

运行之后，显示效果如下所示：