Python 金融量化 均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)

捕捉趋势最普遍的方法为移动平均线，根据求平均的方式不同，移动平均数又可分为简单移动平均数(Simple Moving Average, SMA)，加权移动平均数(Weighted Moving Average, WMA)，和指数移动平均数(Exponential Moving Average, EXPMA或EMA)。

获取数据

以从Tushare获取深证成指(‘399001.SZ’)近100交易日数据为例。

# 导入相关模块
import os
import numpy as np
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
# from pylab import mpl

token = 'Your token'   # 输入你的接口密匙，获取方式及相关权限见Tushare官网。
pro = ts.pro_api(token)
df = pro.index_daily(ts_code='399001.SZ')  #index_daily为指数日线的接口。股票的则为daily。

# 将获取到的DataFrame数据进行标准化处理，转换为方便自己使用的一种规范格式。
df = df.loc[:, ['trade_date', 'open', 'high', 'low', 'close', 'vol']]
df.rename(
    columns={
        'trade_date': 'Date', 'open': 'Open',
        'high': 'High', 'low': 'Low',
        'close': 'Close', 'vol': 'Volume'},
    inplace=True)       # 重定义列名，方便统一规范操作。
df['Date'] = pd.to_datetime(df['Date'])  # 转换日期列的格式，便于作图
df.set_index(['Date'], inplace=True)  # 将日期列作为行索引
df = df.sort_index()  # 倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。
df1 = df[-100:]    # 取出近100交易日的数据。
Close = df1['Close']   # 取出收盘数据。
    
now = datetime.now()  # 现在时间
today = now.strftime('%Y-%m-%d')   # 今日日期

# 设置一会儿生成的图像文件的保存路径，这里该三行命令在D盘创建一个以今日日期命名的文件夹。
path = 'D:/' + today
if not os.path.exists(path):
    os.mkdir(path)
# 准备工作完毕，走起！

---

1.简单移动平均(SMA)

1.1 简单移动平均数

• 即以算术平均的方式对目标数据对象求均值。(5日为例)
  SMA_t=5 = $\frac{p1+p2+p3+p4+p5}{5}$

# 求取5日简单移动平均数
Sma5 = pd.Series(0.0,index=Close.index)
for i in range(4,len(Close)):
	Sma5[i] = sum(Close[i-4:(i+1)])/5   # Sma5的前四个数据为0，下边使用时需要切掉。
# 求取10日简单移动平均数
Sma10 = pd.Series(0.0,index=Close.index)
for i in range(9,len(Close)):
	Sma10[i] = sum(Close[i-9:(i+1)])/10   # Sma10的前9个数据为0，下边使用时需要切掉。

1.2 绘制5&10日简单移动平均线

# 绘图 （绘制出的图像中，因为均线的起点有滞后，所以均线数据并不足上边\
说的100交易日，但也因此可以根据起点先后快速判断出均线的时间跨度长短）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close, label="Close", color='g')
plt.plot(Sma5[4:], label="Sma5", color='r', linestyle='dashed')
plt.plot(Sma10[9:], label="Sma10", color='b', linestyle='dashed')
plt.title('深证成指近100交易日收盘数据附5&10日MAV图')
plt.legend()  # 增设图例
plt.show()
# plt.savefig(path + '/深证成指收盘数据时序图附5&10日MAV.png')

运行效果如下图所示：

1.3 定义简单移动平均计算函数

def smaCal(tsPrice, k):
	import pandas as pd
	Sma = pd.Series(0.0, index=tsPrice.index)
	for i in range(k-1, len(tsPrice)):
		Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
	return(Sma)

# 调用
smaCal(Close, 5)

1.4 定义简单移动平均绘图函数

# 设定传入三个参数：name:序列名字(如“深证成指”，便于注明于图像标题。)
# tsPrice: Series类型的数据序列。
# 不定参数规定为最多五个才能绘图。
def plot_smaCal(name,tsPrice, *args):
	if len(args)>5:
		print('提示：添加均线数量最多是五个！')
		return None
	import pandas as pd
	plt.plot(tsPrice, label="Close", color='g')
	colors = ['r', 'k', 'b', 'c', 'y']   # 设定5个颜色，也即关系到上边均线数量的上限。
	j = 0   # 用于颜色索引转换
	for k in args: 
		Sma=pd.Series(0.0, index=tsPrice.index)
		for i in range(k-1, len(tsPrice)):
			Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k
		plt.plot(Sma[k-1:], label="Sma"+str(k), color=colors[j], linestyle='dashed')
		j += 1
	days='&'.join([str(ints) for ints in args])
	plt.title(name + '收盘数据附' + days + '日MAV图')
	plt.legend()  # 增设图例
	plt.show()
	#  plt.savefig(path + '/' + name + '收盘数据时序图附' + days + 'MAV.png')


# 调用
plot_smaCal('深证成指',Close,5,10,20)

输出结果如图：

1.5 直接使用mplfinance库来绘制

直接使用mplfinance库来绘制不失为一种更简单的方法。

import mplfinance as mpf
road = path + '/深证成指' + '深证成指近100交易日收盘数据附5&10日MAV图'
mpf.plot(df1, type='line',
        ylabel="price", style='blueskies', mav=(5, 10),
        volume=True, ylabel_lower="volume(shares)", savefig=road)
# 通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。
然后在前边指定的目录即可查看到图像

图像效果如下：

---

2.加权移动平均

2.1 加权移动平均数

加权移动平均，即对数据赋予一定的权重后再求平均。
一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。
WMA_t=5 = w₁p₁ + w₂p₂ + w₃p₃ + w₄p₄ + w₅p₅
(其中w₁ + w₂ + w₃ + w₄ + w₅ = 1)

# 5日加权移动平均线
b1 = np.array([1, 2, 3, 4, 5])
w1 = b1/sum(b1)    # 定义一组权重
Wma5 = pd.Series(0.0, index=Close.index)
for i in range(4,len(Close)):
	Wma5[i] = sum(w1*Close[i-4:(i+1)])
# 10日加权移动平均线
b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
w2 = b2/sum(b2)   # 定义一组权重
Wma10 = pd.Series(0.0, index=Close.index)
for i in range(9,len(Close)):
	Wma10[i] = sum(w2*Close[i-9:(i+1)])

2.2 定义加权移动平均计算函数

def wmaCal(tsPrice, weight):
	import pandas as pd
	import numpy as np
	k = len(weight)
	arrWeight = np.array(weight)
	Wma=pd.Series(0.0, index=tsPrice.index)
	for i in range(k-1, len(tsPrice.index)):
		Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])
	return(Wma)

# 调用
b = np.array([1, 2, 3, 4, 5])
w = b1/sum(b)
wmaCal(Close,w)

2.3 绘制加权移动平均线

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close, label="Close", color='g')
plt.plot(Wma5[4:], label="Wma5", color='r', linestyle='dashed')
plt.plot(Wma10[9:], label="Wma10", color='b', linestyle='dashed')
plt.title('深证成指近100交易日收盘数据附5&10日加权WAV图')
plt.legend()  # 增设图例
plt.show()
# plt.savefig(path + '/深证成指收盘数据时序图附5&10日MAV.png')

图像效果展示如下：

---

3.指数加权移动平均(EMA)(EXPMA)(EWMA)

3.1指数加权移动平均数

指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMA_t=k为前k期的算数平均数。
第k+1期EWMA_t=k+1 = w * p_k+1 + (1-w) * EWMA _t=k
即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均
后边的按此公式以此类推。

# 第五天指数加权移动平均数为前五天的算数平均数
Ewma5_number1 = np.mean(Close[0:5])
Ewma5 = pd.Series(0.0, index=Close.index)
Ewma5[4]=Ewma5_number1

# 计算第六天及以后的指数移动平均数
for i in range(5, len(Close)):
	Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2

Ewma5.head(10)

• 由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。

3.2 指数加权移动平均线

# 绘制指数加权移动平均线图像
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(Close, label="Close", color='r')
plt.plot(Ewma5[4:], label="Ewma5", color='g', linestyle='-.')
plt.title('深证成指近100交易日收盘数据附5日指数移动平均线')
plt.legend()
plt.show()

结果如图所示：

3.2定义计算指数加权移动平均数函数

def ewmaCal(tsPrice, period=5,exponential=0.2):
    import pandas as pd
    import numpy as np
    Ewma = pd.Series(0.0, index=tsPrice.index)
    Ewma[period-1]=np.mean(tsPrice[:period])
    for i in range(period, len(tsPrice)):
        Ewma[i] = exponential * tsPrice[i] + (1 - exponential) * Ewma[i-1]
    return(Ewma)


# 调用
Ewma=ewmaCal(Close,5,0.2)
Ewma.head(10)

4.常用平均方法比较

• 简单移动平均(SMA)对前n期的价格求算术平均，所有价格数据同等权重。
• 加权移动平均(WMA)赋予价格数据不同的权重。一般近期数据权重大，远期数据权重小。
• 指数移动平均(EMA)类似于加权移动平均，是以指数形式递减加权的移动平均。
• 三条均线对收盘价曲线的变化往往都有一定的滞后性。

---

5.双均线交叉策略

利用长短期均线的相对关系，来识别价格趋势的变化。

1. 先求出短期均线和长期均线。
2. 当短期均线从下向上穿过长期均线时，释放出买入信号。
3. 当短期均线从上向下穿过长期均线时，释放出买入信号。
   长短均线的时间跨度的选择，因人而异。

6.异同移动平均线(MACD)

6.1 指标概述

• MACD指标由两线一柱组合起来形成。
• 快速线为DIF，慢速线为DEA，柱状图为MACD。
• 快速线DIF一般由12日指数加权移动平均值减掉26日指数加权移动平均值得到，慢速线DEA是DIF的9日指数加权移动平均值。
• 柱状图MACD由快速线DIF与慢速线DEA作差得到。
• MACD指标可以反映出股票近期价格走势的能量和变化强度，通过快慢速线和柱状图来把握股票的买入点和卖出点。
• 一般默认MACD的求值参数为12、26和9。
• DIF = EMA_(close,12) - EMA_(close,26)
• DEA = EMA_(DIF,9)
• MACD = DIF - DEA

6.2 绘图代码

Close2 = df.Close[-500:]  # 重新取一个较大时间跨度的序列，500交易日数据
# 计算相关指标，用到了上边定义过的函数ewmaCal()。
DIF = ewmaCal(Close2, 12, 2/(1+12)) - ewmaCal(Close2, 26, 2/(1+26))
DEA = ewmaCal(DIF, 9, 2 / (1+9))  # DEA的线图也被称为信号线
MACD = DIF - DEA

# 提取2020年全年数据来作图
DIF = DIF['2020']
DEA = DEA['2020']
MACD = MACD['2020']
MACD1 = MACD[MACD.values > 0]  # MACD数据大于零的部分 作图体现为红色
MACD2 = MACD[MACD.values < 0]  # MACD数据小于零的部分 作图体现为绿色

# 绘制2020年全年深证成指MACD图像
plt.rcParams['font.sans-serif'] = ['SimHei']   # 设定显示中文
plt.rcParams['axes.unicode_minus'] = False   # 设定正常显示负号
plt.subplot(211)
plt.plot(DIF, label="DIF", color="k")
plt.plot(DEA, label="DEA", color="b",linestyle='dashed')
plt.title("信号线DIF与DEA")
plt.xlabel('date')
plt.ylabel('value')
plt.legend()
plt.subplot(212)
plt.bar(MACD1.index, height=MACD1[MACD1.values > 0], label='MACD', color='r', edgecolor='k')
plt.bar(MACD2.index, height=MACD2[MACD2.values < 0], label='MACD', color='g', edgecolor='k')
plt.xlabel('date')
plt.ylabel('value')
plt.legend()
plt.show()
# plt.savefig(path + '/深证成指2020年MACD指标图.png')

生成结果如下：

• 值得注意的是，这里作图是将选取的时间段锁定在2020年全年。如果三个指标的时间序列选择不统一，特别是在早期时间起点不一致的话，很可能会产生异常值，导致图像可读性极差。

6.3常用MACD交易思想

这里我们阐述一些常用的MACD交易思想：

1. 当DIF和DEA都在零刻度线上方时，表明市场是多头行情；反之，当DIF和DEA都在零刻度线下方时，表明市场是空头行情。投资实战中，“零上双金叉” 策略广为人们使用：当DIF和DEA都在零刻度线上方，在一段时间内，DIF先上穿DEA线，不久DIF下跌到DEA线的下方，然后DIF又上穿DEA线，此时，说明股价上涨趋势较强，市场处于上涨行情中。
2. 当DIF下穿信号线DEA时，释放出买入信号；当DIF向上穿过信号线DEA时，释放出卖出信号。
3. MACD柱状图的高低表示DIF与DEA的离差值大小，柱状图在零刻度附近时，释放出买卖信号。柱形图在零刻度线上方，表示DIF大于DEA，市场走势较强；柱形图在零刻度线下方，表示DIF小于DEA，市场走势较弱。
4. MACD指标的形态分析也是一大关注焦点，可以套用一般的形态分析理论与方法。

DIF与DEA的交叉与背离策略分析：

1. 先求出DIF(离差值，快线)、DEA(信号线，慢线)的值；
2. DIF、DEA均为正，DIF向上突破DEA，买入信号。
3. DIF、DEA均为负，DIF向下跌破DEA，卖出信号。