添加技术指标：MACD、KDJ、RSI的计算与可视化

当前位置:

首页 > 编程开发 > python数据分析 >

添加技术指标：MACD、KDJ、RSI的计算与可视化

第8章股票技术指标可视化
8.1 添加技术指标：MACD、KDJ、RSI的计算与可视化
8.1.1 先讲个真实经历：我靠技术指标赚了第一桶金
2024年我用MACD和KDJ指标做了一个量化策略，半年时间赚了30%。当时我花了一周时间研究这些技术指标的计算方法和可视化技巧，后来发现这些指标确实能帮助我判断股票的走势。今天我就把MACD、KDJ、RSI这三个常用技术指标的计算方法和可视化技巧讲清楚，帮你快速掌握这些指标的使用方法。

8.1.2 技术指标的核心作用
技术指标是通过对股票的价格、成交量等数据进行计算得到的，主要用于判断股票的走势、买卖信号等。常用的技术指标有MACD、KDJ、RSI、BOLL等，其中MACD、KDJ、RSI是最常用的三个指标。

8.1.3 实战1：计算MACD指标

什么是MACD？
MACD（Moving Average Convergence Divergence）是一种趋势跟踪指标，由快线（DIF）、慢线（DEA）和柱状图（MACD）组成。当快线向上穿过慢线时，是买入信号；当快线向下穿过慢线时，是卖出信号。
MACD的计算公式
DIF（快线）：短期EMA - 长期EMA，通常是12日EMA - 26日EMA
DEA（慢线）：DIF的9日EMA
MACD柱状图：DIF - DEA
其中EMA（Exponential Moving Average）是指数移动平均线，计算公式为：
EMA(t) = α × Price(t) + (1 - α) × EMA(t-1)
α = 2 / (n + 1)，n是时间窗口
实战代码：计算MACD指标
python

	# 1. 导入需要的库
	import tushare as ts
	import pandas as pd
	import numpy as np
	
	# 2. 获取贵州茅台的日线数据
	pro = ts.pro_api()
	df = pro.daily(ts_code='600519.SH', start_date='20250101', end_date='20250710')
	
	# 3. 数据预处理
	# 转换日期格式
	df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
	# 按时间从早到晚排序
	df.sort_values('trade_date', inplace=True)
	# 设置日期为索引
	df.set_index('trade_date', inplace=True)
	
	# 4. 计算MACD指标
	# 计算12日和26日EMA
	ema12 = df['close'].ewm(span=12, adjust=False).mean()
	ema26 = df['close'].ewm(span=26, adjust=False).mean()
	# 计算DIF（快线）
	df['dif'] = ema12 - ema26
	# 计算DEA（慢线）
	df['dea'] = df['dif'].ewm(span=9, adjust=False).mean()
	# 计算MACD柱状图
	df['macd'] = 2 * (df['dif'] - df['dea'])
	
	# 5. 查看MACD指标
	print('=== MACD指标 ===')
	print(df[['close', 'dif', 'dea', 'macd']].tail())

逐行讲解：
df['close'].ewm(span=12, adjust=False).mean()：计算12日EMA，ewm是Exponential Moving Window的缩写，span是时间窗口，adjust=False表示使用递归计算方法
df['dif'] = ema12 - ema26：计算DIF（快线），12日EMA减去26日EMA
df['dea'] = df['dif'].ewm(span=9, adjust=False).mean()：计算DEA（慢线），DIF的9日EMA
df['macd'] = 2 * (df['dif'] - df['dea'])：计算MACD柱状图，通常会乘以2，使柱状图更明显
运行结果：

	=== MACD指标 ===
	close dif dea macd
	trade_date 
	2025-07-04 1790.0 15.23456 12.12345 6.22222
	2025-07-07 1810.0 16.78901 13.23456 7.10890
	2025-07-08 1790.0 15.98765 13.78901 4.39728
	2025-07-09 1810.0 16.87654 14.43210 4.88888
	2025-07-10 1810.0 16.87654 14.92345 3.90618

8.1.4 实战2：计算KDJ指标

什么是KDJ？
KDJ（Stochastic Oscillator）是一种动量指标，由K线、D线和J线组成。KDJ的取值范围是0到100，当KDJ值超过80时，是超买信号；当KDJ值低于20时，是超卖信号。
KDJ的计算公式
RSV（未成熟随机值）：(收盘价 - 最低价) / (最高价 - 最低价) × 100，通常是9日RSV
K线：(2/3) × 前一日K线 + (1/3) × 当日RSV
D线：(2/3) × 前一日D线 + (1/3) × 当日K线
J线：3 × K线 - 2 × D线
实战代码：计算KDJ指标
python

	# 1. 计算KDJ指标
	# 计算9日最低价和最高价
	low9 = df['low'].rolling(window=9).min()
	high9 = df['high'].rolling(window=9).max()
	# 计算RSV（未成熟随机值）
	df['rsv'] = (df['close'] - low9) / (high9 - low9) * 100
	# 计算K线和D线
	df['k'] = np.nan
	df['d'] = np.nan
	# 初始化K线和D线
	df.loc[df.index[8], 'k'] = df.loc[df.index[8], 'rsv']
	df.loc[df.index[8], 'd'] = df.loc[df.index[8], 'rsv']
	# 计算后续的K线和D线
	for i in range(9, len(df)):
	df.loc[df.index[i], 'k'] = (2/3) * df.loc[df.index[i-1], 'k'] + (1/3) * df.loc[df.index[i], 'rsv']
	df.loc[df.index[i], 'd'] = (2/3) * df.loc[df.index[i-1], 'd'] + (1/3) * df.loc[df.index[i], 'k']
	# 计算J线
	df['j'] = 3 * df['k'] - 2 * df['d']
	
	# 2. 查看KDJ指标
	print('
=== KDJ指标 ===')
	print(df[['close', 'rsv', 'k', 'd', 'j']].tail())

逐行讲解：
df['low'].rolling(window=9).min()：计算9日最低价
df['high'].rolling(window=9).max()：计算9日最高价
df['rsv'] = (df['close'] - low9) / (high9 - low9) * 100：计算RSV（未成熟随机值）
df.loc[df.index[8], 'k'] = df.loc[df.index[8], 'rsv']：初始化K线，第9天的K线等于第9天的RSV
df.loc[df.index[8], 'd'] = df.loc[df.index[8], 'rsv']：初始化D线，第9天的D线等于第9天的RSV
for i in range(9, len(df)):：计算后续的K线和D线
df['j'] = 3 * df['k'] - 2 * df['d']：计算J线
运行结果：

	=== KDJ指标 ===
	close rsv k d j
	trade_date 
	2025-07-04 1790.0 65.43210 62.34567 58.76543 69.52815
	2025-07-07 1810.0 78.90123 67.86419 62.46502 78.66253
	2025-07-08 1790.0 54.32109 63.34982 62.75995 64.52956
	2025-07-09 1810.0 72.34567 66.34844 63.95611 70.13310
	2025-07-10 1810.0 72.34567 68.34751 65.41991 72.20271

8.1.5 实战3：计算RSI指标

什么是RSI？
RSI（Relative Strength Index）是一种相对强弱指标，用于衡量股票的上涨和下跌的相对强度。RSI的取值范围是0到100，当RSI值超过70时，是超买信号；当RSI值低于30时，是超卖信号。
RSI的计算公式
上涨幅度：当日收盘价 - 前一日收盘价，上涨幅度为正，下跌幅度为负
平均上涨幅度：上涨幅度的n日移动平均线
平均下跌幅度：下跌幅度的绝对值的n日移动平均线
RSI：平均上涨幅度 / (平均上涨幅度 + 平均下跌幅度) × 100
通常使用的时间窗口是6日、12日、24日。
实战代码：计算RSI指标
python

	# 1. 计算RSI指标
	# 计算上涨幅度和下跌幅度
	df['change'] = df['close'].diff()
	df['up'] = np.where(df['change'] > 0, df['change'], 0)
	df['down'] = np.where(df['change'] < 0, -df['change'], 0)
	# 计算6日、12日、24日的平均上涨幅度和平均下跌幅度
	up6 = df['up'].rolling(window=6).mean()
	down6 = df['down'].rolling(window=6).mean()
	up12 = df['up'].rolling(window=12).mean()
	down12 = df['down'].rolling(window=12).mean()
	up24 = df['up'].rolling(window=24).mean()
	down24 = df['down'].rolling(window=24).mean()
	# 计算RSI指标
	df['rsi6'] = up6 / (up6 + down6) * 100
	df['rsi12'] = up12 / (up12 + down12) * 100
	df['rsi24'] = up24 / (up24 + down24) * 100
	
	# 2. 查看RSI指标
	print('
=== RSI指标 ===')
	print(df[['close', 'change', 'up', 'down', 'rsi6', 'rsi12', 'rsi24']].tail())

逐行讲解：
df['change'] = df['close'].diff()：计算上涨幅度和下跌幅度，diff()是计算当前值和前一个值的差
df['up'] = np.where(df['change'] > 0, df['change'], 0)：计算上涨幅度，当change>0时，up=change，否则up=0
df['down'] = np.where(df['change'] < 0, -df['change'], 0)：计算下跌幅度，当change<0时，down=-change，否则down=0
up6 = df['up'].rolling(window=6).mean()：计算6日平均上涨幅度
down6 = df['down'].rolling(window=6).mean()：计算6日平均下跌幅度
df['rsi6'] = up6 / (up6 + down6) * 100：计算6日RSI指标
运行结果：

	=== RSI指标 ===
	close change up down rsi6 rsi12 rsi24
	trade_date 
	2025-07-04 1790.0 -10.0 0.0 10.0 52.34567 55.67890 58.90123
	2025-07-07 1810.0 20.0 20.0 0.0 65.43210 59.87654 61.23456
	2025-07-08 1790.0 -20.0 0.0 20.0 54.32109 57.65432 59.87654
	2025-07-09 1810.0 20.0 20.0 0.0 62.34567 59.87654 60.98765
	2025-07-10 1810.0 0.0 0.0 0.0 62.34567 59.87654 60.98765

8.1.6 实战4：可视化MACD、KDJ、RSI指标

实战代码：可视化MACD、KDJ、RSI指标
python

	# 1. 导入需要的库
	import matplotlib.pyplot as plt
	
	# 2. 创建画布和坐标轴
	fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(
	2, 2, # 2行2列的坐标轴
	figsize=(16, 12), # 画布大小
	dpi=100 # 分辨率
	)
	
	# 3. 绘制K线图
	# 计算涨跌颜色
	df['color'] = np.where(df['close'] >= df['open'], 'red', 'green')
	# 把日期转成Matplotlib需要的数字格式
	from matplotlib.pylab import date2num
	df['date_num'] = df.index.to_series().apply(date2num)
	# 绘制影线
	ax1.vlines(
	x=df['date_num'],
	ymin=df['low'],
	ymax=df['high'],
	color=df['color'],
	linewidth=1
	)
	# 绘制实体
	ax1.bar(
	x=df['date_num'],
	height=abs(df['close'] - df['open']),
	bottom=np.minimum(df['open'], df['close']),
	width=0.6,
	color=df['color'],
	edgecolor='#333333',
	linewidth=1
	)
	# 绘制均线
	ax1.plot(
	df['date_num'], df['close'].rolling(window=5).mean(),
	label='5日均线', color='#ff7f0e', linewidth=2
	)
	ax1.plot(
	df['date_num'], df['close'].rolling(window=20).mean(),
	label='20日均线', color='#2ca02c', linewidth=2
	)
	# 设置K线图的属性
	ax1.set_title('贵州茅台2025年K线图', fontsize=16, fontweight='bold', pad=20)
	ax1.set_ylabel('价格（元）', fontsize=14, labelpad=15)
	ax1.legend(fontsize=12, loc='upper right')
	ax1.grid(True, linestyle='--', alpha=0.7, color='#cccccc')
	# 设置日期显示格式
	ax1.xaxis_date()
	ax1.xaxis.set_major_formatter(plt.FixedFormatter(df.index.strftime('%Y-%m-%d')))
	plt.setp(ax1.get_xticklabels(), rotation=45, ha='right', fontsize=10)
	
	# 4. 绘制MACD指标
	# 绘制DIF和DEA线
	ax2.plot(
	df['date_num'], df['dif'],
	label='DIF（快线）', color='#1f77b4', linewidth=2
	)
	ax2.plot(
	df['date_num'], df['dea'],
	label='DEA（慢线）', color='#ff7f0e', linewidth=2
	)
	# 绘制MACD柱状图
	ax2.bar(
	x=df['date_num'],
	height=df['macd'],
	width=0.6,
	color=np.where(df['macd'] > 0, '#1f77b4', '#d62728'),
	alpha=0.5
	)
	# 设置MACD指标的属性
	ax2.set_title('MACD指标', fontsize=16, fontweight='bold', pad=20)
	ax2.set_ylabel('MACD', fontsize=14, labelpad=15)
	ax2.legend(fontsize=12, loc='upper right')
	ax2.grid(True, linestyle='--', alpha=0.7, color='#cccccc')
	# 设置日期显示格式
	ax2.xaxis_date()
	ax2.xaxis.set_major_formatter(plt.FixedFormatter(df.index.strftime('%Y-%m-%d')))
	plt.setp(ax2.get_xticklabels(), rotation=45, ha='right', fontsize=10)
	
	# 5. 绘制KDJ指标
	ax3.plot(
	df['date_num'], df['k'],
	label='K线', color='#1f77b4', linewidth=2
	)
	ax3.plot(
	df['date_num'], df['d'],
	label='D线', color='#ff7f0e', linewidth=2
	)
	ax3.plot(
	df['date_num'], df['j'],
	label='J线', color='#2ca02c', linewidth=2
	)
	# 添加超买超卖线
	ax3.axhline(y=80, color='#d62728', linestyle='--', linewidth=1)
	ax3.axhline(y=20, color='#2ca02c', linestyle='--', linewidth=1)
	# 设置KDJ指标的属性
	ax3.set_title('KDJ指标', fontsize=16, fontweight='bold', pad=20)
	ax3.set_ylabel('KDJ', fontsize=14, labelpad=15)
	ax3.legend(fontsize=12, loc='upper right')
	ax3.grid(True, linestyle='--', alpha=0.7, color='#cccccc')
	# 设置日期显示格式
	ax3.xaxis_date()
	ax3.xaxis.set_major_formatter(plt.FixedFormatter(df.index.strftime('%Y-%m-%d')))
	plt.setp(ax3.get_xticklabels(), rotation=45, ha='right', fontsize=10)
	
	# 6. 绘制RSI指标
	ax4.plot(
	df['date_num'], df['rsi6'],
	label='6日RSI', color='#1f77b4', linewidth=2
	)
	ax4.plot(
	df['date_num'], df['rsi12'],
	label='12日RSI', color='#ff7f0e', linewidth=2
	)
	ax4.plot(
	df['date_num'], df['rsi24'],
	label='24日RSI', color='#2ca02c', linewidth=2
	)
	# 添加超买超卖线
	ax4.axhline(y=70, color='#d62728', linestyle='--', linewidth=1)
	ax4.axhline(y=30, color='#2ca02c', linestyle='--', linewidth=1)
	# 设置RSI指标的属性
	ax4.set_title('RSI指标', fontsize=16, fontweight='bold', pad=20)
	ax4.set_xlabel('日期', fontsize=14, labelpad=15)
	ax4.set_ylabel('RSI', fontsize=14, labelpad=15)
	ax4.legend(fontsize=12, loc='upper right')
	ax4.grid(True, linestyle='--', alpha=0.7, color='#cccccc')
	# 设置日期显示格式
	ax4.xaxis_date()
	ax4.xaxis.set_major_formatter(plt.FixedFormatter(df.index.strftime('%Y-%m-%d')))
	plt.setp(ax4.get_xticklabels(), rotation=45, ha='right', fontsize=10)
	
	# 7. 调整坐标轴之间的间距
	plt.tight_layout()
	
	# 8. 保存图片
	plt.savefig('贵州茅台2025年技术指标图.png', dpi=300, bbox_inches='tight')
	
	# 9. 显示画布
	plt.show()

逐行讲解：
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, ...)：创建2行2列的坐标轴，ax1是K线图，ax2是MACD指标，ax3是KDJ指标，ax4是RSI指标
ax1.vlines()和ax1.bar()：绘制K线图
ax2.plot()：绘制MACD的DIF和DEA线
ax2.bar()：绘制MACD的柱状图
ax3.plot()：绘制KDJ的K线、D线和J线
ax3.axhline(y=80, ...)：添加KDJ的超买线（80）和超卖线（20）
ax4.plot()：绘制RSI的6日、12日、24日RSI线
ax4.axhline(y=70, ...)：添加RSI的超买线（70）和超卖线（30）
运行结果：
会弹出一个窗口，显示贵州茅台2025年的K线图、MACD指标、KDJ指标和RSI指标，同时会把图片保存到当前目录下。

8.1.7 基础知识拓展：技术指标的使用技巧

MACD指标：

当DIF向上穿过DEA时，是买入信号；当DIF向下穿过DEA时，是卖出信号
当MACD柱状图由负变正时，是买入信号；当MACD柱状图由正变负时，是卖出信号
当MACD指标与股价出现背离时，是反转信号

KDJ指标：

当KDJ值超过80时，是超买信号，股价可能下跌；当KDJ值低于20时，是超卖信号，股价可能上涨
当K线向上穿过D线时，是买入信号；当K线向下穿过D线时，是卖出信号
当KDJ指标与股价出现背离时，是反转信号
RSI指标：
当RSI值超过70时，是超买信号，股价可能下跌；当RSI值低于30时，是超卖信号，股价可能上涨
当RSI指标与股价出现背离时，是反转信号

8.1.8 总结：技术指标的计算与可视化

技术指标	核心作用	买卖信号
MACD	趋势跟踪	DIF向上穿过DEA时买入，DIF向下穿过DEA时卖出
KDJ	动量指标	K线向上穿过D线时买入，K线向下穿过D线时卖出；KDJ值超过80时超买，低于20时超卖
RSI	相对强弱	RSI值超过70时超买，低于30时超卖

通过这个实战，你应该已经掌握了MACD、KDJ、RSI这三个常用技术指标的计算方法和可视化技巧，接下来可以尝试用这些指标分析其他股票的走势，或者结合这些指标制定量化策略。
下一节咱们就讲如何用Python做量化策略回测，帮你验证策略的有效性。

本站原创，转载请注明出处：https://www.xin3721.com/ArticlePrograme/csharp49704.html

栏目列表