当前位置：首页 > news >正文

matplotilb实现对MACD的实战

news 2025/6/25 16:49:16

1. 代码结构

python

复制

下载

import pandas as pd  # 数据处理
import matplotlib.pyplot as plt  # 数据可视化
from unittest import TestCase  # 单元测试框架

pandas：用于读取CSV数据并计算指数移动平均（EMA）。
matplotlib：用于绘制MACD线（DIF、DEA）和柱状图（BAR）。
unittest：用于组织测试用例（这里仅作代码结构管理，实际可直接运行

2. 方法解析

(1) `cal_macd()`：计算MACD指标

python

复制

下载

def cal_macd(self, df, fastperiod=12, slowperiod=26, signalperiod=9):ewma12 = df['close'].ewm(span=fastperiod, adjust=False).mean()  # 12日EMAewma26 = df['close'].ewm(span=slowperiod, adjust=False).mean()  # 26日EMAdf['dif'] = ewma12 - ewma26  # DIF = EMA12 - EMA26df['dea'] = df['dif'].ewm(span=signalperiod, adjust=False).mean()  # DEA = DIF的9日EMAdf['bar'] = (df['dif'] - df['dea']) * 2  # BAR = (DIF - DEA) * 2（柱状图高度）return df

参数说明：

fastperiod=12：快速EMA周期（默认12日）。
slowperiod=26：慢速EMA周期（默认26日）。
signalperiod=9：信号线（DEA）周期（默认9日）。

计算逻辑：

DIF（差离值） = 12日EMA - 26日EMA
（反映短期与长期均线的差异）
DEA（信号线） = DIF的9日EMA
（DIF的平滑曲线，用于生成交易信号）
BAR（柱状图） = (DIF - DEA) × 2
（红绿柱状图，直观显示多空能量）

ema是什么

EMA（Exponential Moving Average） 是指指数移动平均线，是一种常见的技术分析工具，主要用于平滑价格数据并识别市场趋势。与简单移动平均线（SMA）不同，EMA更注重近期价格，因此对市场变化反应更灵敏。

EMA 的核心特点

加权计算：
- EMA 给予近期价格更高的权重，而较早的价格权重逐渐衰减。
- 计算公式：
  EMAtoday=(Pricetoday×α)+(EMAyesterday×(1−α))EMAtoday=(Pricetoday×α)+(EMAyesterday×(1−α))
  其中，α=2N+1α=N+12（NN 是周期，如 12 日、26 日等）。
反应迅速：
- 相比 SMA（简单移动平均），EMA 能更快反映价格变化，适合短线交易。
常见应用：
- 趋势判断：EMA 上升代表上涨趋势，下降代表下跌趋势。
- 交叉策略：如 12 日 EMA 上穿 26 日 EMA（“金叉”）视为买入信号，反之（“死叉”）为卖出信号。
- 支撑/阻力：价格回调至 EMA 均线可能获得支撑或遇到阻力。

EMA vs. SMA（简单移动平均）

特性	EMA	SMA
权重	近期价格权重更高	所有价格权重相同
灵敏度	高，适合短线	低，适合中长线
滞后性	较小	较大

常见 EMA 周期

短期：5 日、10 日（适合短线交易）
中期：20 日、50 日（判断趋势）
长期：100 日、200 日（牛熊分界线）

EMA 的局限性

在震荡市中可能产生虚假信号（频繁交叉）。
仍需结合其他指标（如 MACD、RSI）综合判断。

如果你有具体的交易场景或参数问题，可以进一步探讨

MA（Exponential Moving Average，指数移动平均）是一种常用的技术分析指标，与简单移动平均（SMA）不同，EMA 对近期价格赋予更高的权重，因此能更快反映价格变化趋势。

1. EMA 计算公式

EMA 的计算分为两步：

初始 EMA（首日）：
EMA1=Close1EMA1=Close1
后续 EMA（第 tt 日）：
EMAt=α×Closet+(1−α)×EMAt−1EMAt=α×Closet+(1−α)×EMAt−1
- αα 是平滑系数（权重），计算公式：
  α=2N+1α=N+12
- NN 是 EMA 的周期（如 12、26）。

(2) `test_MACD()`：绘制MACD图表

python

复制

下载

def test_MACD(self):# 1. 读取数据并预处理file_name = "./demo.csv"df = pd.read_csv(file_name)df.columns = ["stock_id", "date", "close", "open", "high", "low", "volume"]df = df[["date", "close", "open", "high", "low", "volume"]]  # 选择需要的列df["date"] = pd.to_datetime(df["date"])  # 转为日期格式# 2. 计算MACD指标df_macd = self.cal_macd(df)print(df_macd)  # 打印数据（可选）# 3. 绘制DIF和DEA线plt.figure()df_macd['dea'].plot(color="red", label='dea')  # DEA线（红色）df_macd['dif'].plot(color="blue", label='dif')  # DIF线（蓝色）plt.legend(loc='best')  # 显示图例# 4. 分离正负BAR（用于红绿柱状图）pos_bar = []  # 正值BAR（红色）pos_index = []  # 对应索引neg_bar = []  # 负值BAR（绿色）neg_index = []  # 对应索引for index, row in df_macd.iterrows():if row['bar'] > 0:pos_bar.append(row['bar'])pos_index.append(index)else:neg_bar.append(row['bar'])neg_index.append(index)# 5. 绘制柱状图plt.bar(pos_index, pos_bar, width=0.5, color='red')  # 正BAR（红色）plt.bar(neg_index, neg_bar, width=0.5, color='green')  # 负BAR（绿色）# 6. 设置X轴标签（日期）major_index = df_macd.index[df_macd.index]major_xtics = df_macd['date'][df_macd.index]plt.xticks(major_index, major_xtics)  # 设置刻度plt.setp(plt.gca().get_xticklabels(), rotation=30)  # 旋转30度# 7. 添加网格和标题plt.grid(linestyle='-.')  # 虚线网格plt.title('000001平安银行MACD图')  # 标题plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体（黑体）plt.show()

3. 关键步骤说明

(1) 数据预处理

读取 demo.csv，提取 date（日期）、close（收盘价）等列。
将 date 列转为 datetime 格式，便于后续绘图。

MACD对股价进行一个买入卖出的

2) MACD计算

调用 cal_macd() 计算 DIF、DEA、BAR。

示例输出：

text

复制

下载

       date   close       dif       dea       bar
0 2023-01-01  50.00  0.000000  0.000000  0.000000
1 2023-01-02  51.00  0.123456  0.012345  0.222222
...（略）