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):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 tickerfig = 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：

python股票量化交易（6）---使用TA-Lib计算技术指标相关推荐

python股票量化交易接口是应用到股票上吗？
python股票量化交易接口是应用到股票上吗?当然可以,而且是任何交易者都可以使用量化交易技术,股票交易数据是很容版易采集的,就是分析起来比权较麻烦,如果题主是职业散户,美股研究社更建议使用一些软件炒 ...
《Python股票量化交易从入门到实践》随书赠送“回测框架”的使用帮助
点击:QTYX最新版本使用指南[文字版] 点击:QTYX最新版本使用指南[视频版] 点击: QTYX历史版本更新说明赠送"回测框架"的目的为了帮助读者再建立一座从书本知识到实战 ...
python股票量化交易（1）---K线图、均线与成交量绘制
远思扬祖宗之德,近思盖父母之愆:上思报国之恩,下思造家之福:外思济人之急,内思闲己之邪. 本文目录前言获取股票的数据绘制K线图均线图成交量前言都说2020年是牛市的起点,很显然对于数据来 ...
python股票量化交易（8）---K线图：锤头，射击之星，早晨之星
人之有志,如树之有根,立定此志,须念念谦虚,尘尘方便,自然感动天地,而造福由我. 目录锤头倒锤头射击之星早晨之星锤头本篇接着上篇介绍K线形态. 首先,我们今天介绍的第一个K线形态是锤头,T ...
python股票量化交易入门到实践_量化资料学习《Python与量化投资从基础到实战》+《量化交易之路用Python做股票量化分析》+《组织与管理研究的实证方法第2版》...
我们需要利用Python进行数据分析的指南,有大量的关于数据处理分析的应用,重点学习如何高效地利用Python解决投资策略问题,推荐学习<Python与量化投资从基础到实战>等电子资料. ...
python股票量化交易（7）---K线图：乌鸦、乌云压顶、十字星
随缘济众,其类至繁,约言其纲,大约有十:第一,与人为善;第二,爱敬存心;第三,成人之美;第四,劝人为善;第五,救人危急;第六,兴建大利;第七,舍财作福;第八,护持正法;第九,敬重尊长;第十,爱惜物命. ...
python股票量化交易（12）---使用pyqt5构建股票交易软件主页
目录实时股票数据每笔交易详情数据绘制股票走势图与买卖盘数据实时股票数据接着上篇博文的内容,今天我们来实现获取与绘制实时的股票行情数据.首先,我们需要通过akshare库获取某一天的实时交易数 ...
python股票量化交易（3）---趋势类指标MACD
虚心屈己,受福之基.彼气盈者,必非远器,纵发亦无受用. 文章目录什么是MACD MACD指标的计算绘制MACD图什么是MACD MACD全称为Moving Average Convergence ...
python股票量化交易（11）---使用pyqt5构建股票交易软件主页
目录前言构建界面的整体框架主页顶部前言在前面10篇博文中,我们详细介绍了各种股票图形的绘制以及股票的预测算法,但是有一点非常的不方便,就是每次查看某个股票的数据,我们还需要将代码替换或者更改 ...

python股票量化交易（6）---使用TA-Lib计算技术指标

目录

什么是TA-Lib

SMA指标的计算

MACD指标的计算

KDJ指标的计算

python股票量化交易（6）---使用TA-Lib计算技术指标相关推荐

最新文章

热门文章