python股票分析挖掘预测技术指标知识大全之MACD详解(2)

本人股市多年的老韭菜,各种股票分析书籍,技术指标书籍阅历无数,萌发想法,何不自己开发个股票预测分析软件,选择python因为够强大,它提供了很多高效便捷的数据分析工具包,

我们已经初步的接触与学习其中数据分析中常见的3大利器---Numpy,Pandas,Matplotlib库。

也简单介绍一下数据获取的二种方法,通过金融数据接口和爬虫获取。

上一章初步的介绍了股票分析常见的技术指标和算法模型,这一章重点讲一下指标之王MACD,

在学习MACD之前必须先安装和了解一下ta-lib库

(1)TA-Lib库

我们进行技术分析计算的时候很多情况引入第三方Python包,ta-lib就是其中之一。ta-lib全称是Technical Analysis Library,翻译为中文就是技术分析库,它是Python金融量化领域的一个高级库,被广泛应用在金融市场数据进行技术分析,其内部实现了150多种股票、期货交易中常用的技术分析指标,如SMA、MACD、RSI、KDJ、动量指标、布林带等。

(1)Ta_Lib安装

       pip install Ta-Lib 

(2)ta_lib函数

根据技术指标的不同特征,talib库一共有10个指标函数组,各个指标函数组中包含了诸多的指标函数。下表是talib库包含的10个指标函数组及每个指标组中包含的指标函数。

函数名称

函数中包含的指函数

Cycle Indicators(循标函数组

HT_DCPERIOD, HT_DCPHASE, HT_PHASOR, HT_SINE, 
HT_TRENDMODE

Math Operators(数学运算函数

ADD, DIV, MAX, MAXINDEX, MIN, MININDEX, MINMAX, MINMAXINDEX, MULT, SUB, SUM

Math Transform(数学变换函数

ACOS, ASIN, ATAN, CEIL, COS, COSH, EXP, FLOOR, LN, LOG10, SIN, SINH, SQRT, TAN, TANH

Momentum Indicators量指函数

ADX, ADXR, APO, AROON, AROONOSC, BOP, CCI, CMO, DX, MACD, MACDEXT, MACDFIX, MFI, MINUS_DI, MINUS_DM, MOM, PLUS_DI, PLUS_DM, PPO, ROC, ROCP, ROCR, ROCR100, RSI, STOCH, STOCHF, STOCHRSI, TRIX, ULTOSC, WILLR

Overlap Studies(重叠研究函数

BBANDS, DEMA, EMA, HT_TRENDLINE, KAMA, MA, MAMA, MAVP, MIDPOINT, MIDPRICE, SAR, SAREXT, SMA, T3, TEMA, TRIMA, WMA

Pattern Recognition(模式识别函数

CDL2CROWS, CDL3BLACKCROWS, CDL3INSIDE, CDL3LINESTRIKE, CDL3OUTSIDE, CDL3STARSINSOUTH, CDL3WHITESOLDIERS, CDLABANDONEDBABY, CDLADVANCEBLOCK, CDLBELTHOLD, CDLBREAKAWAY, CDLCLOSINGMARUBOZU, CDLCONCEALBABYSWALL, CDLCOUNTERATTACK, CDLDARKCLOUDCOVER, CDLDOJI, CDLDOJISTAR, CDLDRAGONFLYDOJI, CDLENGULFING, CDLEVENINGDOJISTAR, CDLEVENINGSTAR, CDLGAPSIDESIDEWHITE, CDLGRAVESTONEDOJI, CDLHAMMER, CDLHANGINGMAN, CDLHARAMI, CDLHARAMICROSS, CDLHIGHWAVE, CDLHIKKAKE, CDLHIKKAKEMOD, CDLHOMINGPIGEON, CDLIDENTICAL3CROWS, CDLINNECK, CDLINVERTEDHAMMER, CDLKICKING, CDLKICKINGBYLENGTH, CDLLADDERBOTTOM, CDLLONGLEGGEDDOJI, CDLLONGLINE, CDLMARUBOZU, CDLMATCHINGLOW, CDLMATHOLD, CDLMORNINGDOJISTAR, CDLMORNINGSTAR, CDLONNECK, CDLPIERCING, CDLRICKSHAWMAN, CDLRISEFALL3METHODS, CDLSEPARATINGLINES, CDLSHOOTINGSTAR, CDLSHORTLINE, CDLSPINNINGTOP, CDLSTALLEDPATTERN, CDLSTICKSANDWICH, CDLTAKURI, CDLTASUKIGAP, CDLTHRUSTING, CDLTRISTAR, CDLUNIQUE3RIVER, CDLUPSIDEGAP2CROWS, CDLXSIDEGAP3METHODS

Price Transform(价格变换函数

AVGPRICE, MEDPRICE, TYPPRICE, WCLPRICE

Statistic Functions统计函数函数

BETA, CORREL, LINEARREG, LINEARREG_ANGLE, LINEARREG_INTERCEPT, LINEARREG_SLOPE, STDDEV, TSF, VAR

Volatility Indicators(波性指函数

ATR, NATR, TRANGE

Volume Indicators(成交量指函数

AD, ADOSC, OBV

 注:指标函数提供了各种技术指标参数

(3)使用ta-lib库中的指标函数

from talib import abstract
import numpy as np

price_arrays = {
    'open': np.random.random(100),
    'close': np.random.random(100),
    'high': np.random.random(100),
    'low': np.random.random(100),
}

# 计算开盘价的25日SMA均线
open_sma_price = abstract.SMA(price_arrays, timeperiod=25, price='open')
# 计算收盘价的25日SMA均线
close_sma_price = abstract.SMA(price_arrays, timeperiod=25, price='close')
# 计算最高价的25日SMA均线
high_sma_price = abstract.SMA(price_arrays, timeperiod=25, price='high')
# 计算最低价的25日SMA均线
low_sma_price = abstract.SMA(price_arrays, timeperiod=25, price='low')
print('开盘价25日均价:', open_sma_price)
print('收盘价25日均价:', close_sma_price)
print('最高价25日均价:', high_sma_price)
print('最低价25日均价:', low_sma_price)

 

    (2)MACD指标详解

   (1)MACD指标简介

MACD称为异同移动平均线,是从双指数移动平均线发展而来的,由快的指数移动平均线(EMA12)减去慢的指数移动平均线(EMA26)得到快线DIF,再用2×(快线DIF-DIF的9日加权移动均线DEA)得到MACD柱。MACD的意义和双移动平均线基本相同,即由快、慢均线的离散、聚合表征当前的多空状态和股价可能的发展变化趋势,但阅读起来更方便。MACD的变化代表着市场趋势的变化,不同K线级别的MACD代表当前级别周期中的买卖趋势。

  (2)MACD指标计算

MACD由DIF、DEA以及柱状图组成,其中DIF由EMA1与EMA2相减得到。所以,我们首先需要计算EMA1与EMA2的值。需要注意的是,EMA不同于普通的均线,它是指数加权的移动平均线,也就是EMA1的窗口周期为12日,EMA2的窗口周期为26日。计算公式如下:

EMA1(12日收盘价移动平均线)=前一日EM1(12)11/13+今日收盘价2/13

EMA2(26日收盘价移动平均线)=前一日EMA2(26)25/27+今日收盘价2/27

得到EMA1与EMA2之后,我们就可以计算出DIF与DEA的值。通常DEA的窗口周期为9日,具体公式如下:

DIF(差离值)=EMA1-EMA2

DEA(差离平均值)=前一日DEA8/10+今日DIF2/10

最后,通过DIF与DEA得到柱状图,具体公式如下:

BAR(柱状值)=2*(DIF-DEA)

 代码实现MACD图:

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_csv("600271.csv")
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):
   
    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()

图片显示:python股票分析挖掘预测技术指标知识大全之MACD详解(2)_第1张图片 

 

(3)MACD金叉死叉买卖技术

简单地对应市场上的说法如下:

(1)MACD 金叉:DIF 由下向上突破DEA,为买入信号。

(2)MACD 死叉:DIF 由上向下突破DEA,为卖出信号。

针对这两条的说法,我需要提出MACD 具有一定的滞后情况,即比市场的反应要慢。因为MACD 是一个中长期的指标,而不是个短期指标,不适合短期涨跌浮动太大的证券。

3.MACD 柱状图为红,即DIF与DEA 均为正值,即都在零轴线以上时,市场趋势属多头市场,若此时DIF 向上继续突破DEA,即红色柱状越来越长,可作买入信号,该出手就出手。

4.  MACD 柱状图为绿,即DIF与DEA 均为负值,即都在零轴线以下时,市场趋势属空头市场,若此时DIF 向下继续跌破DEA,即绿色柱状越来越长,可作卖出信号,该割肉就割肉

代码案例:

import baostock as bs
import pandas as pd
import talib as ta
import matplotlib.pyplot as plt


def computeMACD(code, startdate, enddate):
   
    # 获取股票日 K 线数据
    rs = bs.query_history_k_data(code,
                                 "date,code,close,tradeStatus",
                                 start_date=startdate,
                                 end_date=enddate,
                                 frequency="d", adjustflag="3")
    # 打印结果集
    result_list = []
    while (rs.error_code == '0') & rs.next():
        # 获取一条记录,将记录合并在一起
        result_list.append(rs.get_row_data())
        df = pd.DataFrame(result_list, columns=rs.fields)
        # 剔除停盘数据
        df2 = df[df['tradeStatus'] == '1']
        # 获取 dif,dea,hist,它们的数据类似是 tuple,且跟 df2 的 date 日期一一对应
        # 记住了 dif,dea,hist 前 33 个为 Nan,所以推荐用于计算的数据量一般为你所求日期之间数据量的 3 倍
    # 这里计算的 hist 就是 dif-dea,而很多证券商计算的 MACD=hist*2=(difdea)*2
    dif, dea, hist = ta.MACD(df2['close'].astype(float).values, fastperiod=12, slowperiod=26, signalperiod=9)
    df3 = pd.DataFrame({'dif': dif[33:], 'dea': dea[33:], 'hist':hist[33:]},index=df2['date'][33:], columns=['dif', 'dea','hist'])
    df3.plot(title='MACD')
    plt.show()
    # 寻找 MACD 金叉和死叉
    datenumber = int(df3.shape[0])
    for i in range(datenumber - 1):
        if ((df3.iloc[i, 0] <= df3.iloc[i, 1]) & (df3.iloc[i + 1, 0] >= df3.iloc[i + 1, 1])):
            print("MACD 金叉的日期:" + df3.index[i + 1])
    if ((df3.iloc[i, 0] >= df3.iloc[i, 1]) & (df3.iloc[i + 1, 0] <=df3.iloc[i + 1, 1])):
        print("MACD 死叉的日期:" + df3.index[i + 1])
    bs.logout()
    return (dif, dea, hist)
if __name__ == '__main__':
    code = 'sh.600118'
    startdate = '2022-03-01'
    enddate = '2023-12-20'
    (dif, dea, hist) = computeMACD(code, startdate, enddate)


#显示结果:MACD 金叉的日期:2023-02-21
MACD 金叉的日期:2023-05-10
MACD 金叉的日期:2023-05-17
MACD 金叉的日期:2023-05-29
MACD 金叉的日期:2023-08-31
MACD 金叉的日期:2023-10-10
MACD 金叉的日期:2023-11-03

注意:既然macd贵为指标之王,也就是刚用的时候指标很灵验,现在用的人多了,指标数据可以人为控制,股市还是二八定律,所有macd的金叉死叉的成功率50%左右,必须结合其他指标来判断 

 

 

(4)MACD顶底背离技术

顶背离和底背离的概念:

MACD指标的背离就是指MACD指标的图形的走势正好和K线图的走势方向正好相反。MACD指标的背离有顶背离和底背离两种。

python股票分析挖掘预测技术指标知识大全之MACD详解(2)_第2张图片

(1)顶背离

当股价K线图上的股票走势一峰比一峰高,股价一直在向上涨,而MACD指标图形上的由红柱构成的图形的走势是一峰比一峰低,即当股价的高点比前一次的高点高、而MACD指标的高点比指标的前一次高点低,这叫顶背离现象。顶背离现象一般是股价在高位即将反转转势的信号,表明股价短期内即将下跌,是卖出股票的信号。

python 代码:

import pandas as pd  
import numpy as np  
  
# 读取数据  
data = pd.read_csv('000271.csv')  
  
# 计算MACD  
data['ema12'] = data['close'].ewm(span=12, min_periods=1, adjust=False).mean()  
data['ema26'] = data['close'].ewm(span=26, min_periods=1, adjust=False).mean()  
data['macd'] = data['ema12'] - data['ema26']  
  
# 计算顶背离卖点  
data['sell_signal'] = data[(data['close'] > data['close'].shift(1)) & (data['macd'] < data['macd'].shift(1))]  
  
# 输出结果  
print(data[['close', 'macd', 'sell_signal']])

(2)底背离

底背离一般出现在股价的低位区。当股价K线图上的股票走势,股价还在下跌,而MACD指标图形上的由绿柱构成的图形的走势是一底比一底高,即当股价的低点比前一次低点底,而指标的低点却比前一次的低点高,这叫底背离现象。底背离现象一般是预示股价在低位可能反转向上的信号,表明股价短期内可能反弹向上,是短期买入股票的信号。

python代码:

import pandas as pd  
import numpy as np  
  
# 读取数据  
data = pd.read_csv('000271.csv')  
  
# 计算MACD  
data['ema12'] = data['close'].ewm(span=12, min_periods=1, adjust=False).mean()  
data['ema26'] = data['close'].ewm(span=26, min_periods=1, adjust=False).mean()  
data['macd'] = data['ema12'] - data['ema26']  
  
# 计算底背离买点  
data['buy_signal'] = data[(data['close'] < data['close'].shift(1)) & (data['macd'] > data['macd'].shift(1))]  
  
# 输出结果  
print(data[['close', 'macd', 'buy_signal']])

注意:MACD的顶背离成功率远远大于底背离,特别顶部放量的背离基本准确率90%以上,底背离还是要结合其他技术指标来判断。因为底背离可能出现几次 才能反转的情况很多

(5) MACD经典反转指标M顶

MACD指标的“M形态是一种常见的卖出信号,通常出现在股价上涨趋势中。当股价在MACD指标的零轴线上方形成“M形态时,通常预示着股价即将下跌。

以下是使用Python计算MACD“M形态的示例代码:

import pandas as pd  
import numpy as np  
  
# 读取数据  
data = pd.read_csv('000271.csv')  
  
# 计算MACD  
data['ema12'] = data['close'].ewm(span=12, min_periods=1, adjust=False).mean()  
data['ema26'] = data['close'].ewm(span=26, min_periods=1, adjust=False).mean()  
data['macd'] = data['ema12'] - data['ema26']  
  
# 计算“M顶”形态的卖点  
data['sell_signal'] = data[(data['macd'] > 0) & (data['close'].shift(1) < data['close']) & (data['close'].shift(1) < data['macd'].shift(1))]  
  
# 输出结果  
print(data[['close', 'macd', 'sell_signal']])

 (6) MACD经典反转指标W底

MACD指标的“W底”形态是一种常见的买入信号,通常出现在股价下跌趋势中。当股价在MACD指标的零轴线下方形成“W底”形态时,通常预示着股价即将反弹。

以下是使用Python计算MACD“W底形态的示例代码:

import pandas as pd  
import numpy as np  
  
# 读取数据  
data = pd.read_csv('002711.csv')  
  
# 计算MACD  
data['ema12'] = data['close'].ewm(span=12, min_periods=1, adjust=False).mean()  
data['ema26'] = data['close'].ewm(span=26, min_periods=1, adjust=False).mean()  
data['macd'] = data['ema12'] - data['ema26']  
  
# 计算“W底”形态的买点  
data['buy_signal'] = data[(data['macd'] < 0) & (data['close'].shift(1) > data['close']) & (data['close'].shift(1) > data['macd'].shift(1))]  
  
# 输出结果  
print(data[['close', 'macd', 'buy_signal']])

 其他还有多种反转指标,比如绿柱消失红柱出现买入信号,记住,所有指标都要结合其他指标使用,来提高的成功率,因为股市本质上就是概率游戏。

谢谢大家,不足之处还请多指教,相互学习进步!!!

 

 

你可能感兴趣的:(python,开发语言)