写在前面
MACD简介
用到的主要Python库
MACD详细介绍
Python代码
总结
参考文献
推荐阅读
2020.8.1更新

写在前面

最近正在研究算法交易，看了几本英文原版书。本文总结自Packt出版社的《Learn Algorithmic Trading - Fundamentals of Algorithmic Trading》（图1）。现将该书的MACD技术指标部分进行总结，并对数据处理等函数做了相应改动，供有需要的读者学习研究。

图1

MACD简介

MACD(Moving average convergence divergence)平滑异同移动平均线，1979年由美国人杰拉德·阿佩尔(Gerald Appel)及福雷德·海期尔(Fred Hitschler)所发明，在股票、期货等的市场分析等方面都有着广泛的应用。

用到的主要Python库

Python绘图库Matplotlib 3.2.1
Python金融数据处理库Pandas 1.0.2

MACD详细介绍

MACD指标^[1]基于快速、慢速两个长度不同的移动均线
(FastMA是短期均线，SlowMA是长期均线)，即：
MACD = FastMA - SlowMA
第二条线，称为信号线，为移动MACD的平均值，即：
SignalLine = MovAvg (MACD)
第三条线，称为MACD直方图，为MACD和信号线之间的差异，即：
MACD Histogram = MACD - SignalLine
公式MACD=EMAFast−EMASlowMACDSignal=EMAMACDMACDHistogram=MACD−MACDSignal\begin{array}{c} MACD=E M A_{\text {Fast}}-E M A_{\text {Slow}} \\ MACD_{\text {Signal}}=E M A_{M A C D} \\ MACD_{\text {Histogram}}=M A C D-M A C D_{\text {Signal}} \end{array}MACD=EMAFast−EMASlowMACDSignal=EMAMACDMACDHistogram=MACD−MACDSignal

Python代码

# 处理时间标签
from datetime import datetime
# 图形参数控制
import pylab as pl
# 导入及处理数据
import pandas as pd
# 绘图
import matplotlib.pyplot as plt
import matplotlib as mpl
# 解决一些编辑器(VSCode)或IDE(PyCharm)等存在的图片显示问题，
# 应用Tkinter绘图，以便对图形进行放缩操作
mpl.use('TkAgg')# 导入数据并做处理
def import_csv(stock_code):df = pd.read_csv(stock_code + '.csv')df.rename(columns={'date': 'Date','open': 'Open','high': 'High','low': 'Low','close': 'Close','volume': 'Volume'},inplace=True)df['Date'] = pd.to_datetime(df['Date'], format='%Y/%m/%d')df.set_index(['Date'], inplace=True)return dfstock_code = 'sh600519'
# 绘制数据的规模scale
scale = 100
df = import_csv(stock_code)[-scale:]# EMA(Exponential Moving Average), 指数移动平均线
num_periods_fast = 10  # 快速EMA的时间周期，10
# K:平滑常数，常取2/(n+1)
K_fast = 2 / (num_periods_fast + 1)  # 快速EMA平滑常数
ema_fast = 0
num_periods_slow = 40  # 慢速EMA的时间周期，40
K_slow = 2 / (num_periods_slow + 1)  # 慢速EMA平滑常数
ema_slow = 0
num_periods_macd = 20  # MACD EMA的时间周期，20
K_macd = 2 / (num_periods_macd + 1)  # MACD EMA平滑常数
ema_macd = 0ema_fast_values = []
ema_slow_values = []
macd_values = []
macd_signal_values = []
# MACD - MACD-EMA
MACD_hist_values = []
for close_price in df['Close']:if ema_fast == 0:  # 第一个值ema_fast = close_priceema_slow = close_priceelse:ema_fast = (close_price - ema_fast) * K_fast + ema_fastema_slow = (close_price - ema_slow) * K_slow + ema_slowema_fast_values.append(ema_fast)ema_slow_values.append(ema_slow)# MACD is fast_MA - slow_EMAmacd = ema_fast - ema_slow  if ema_macd == 0:ema_macd = macdelse:# signal is EMA of MACD valuesema_macd = (macd - ema_macd) * K_macd + ema_macd  macd_values.append(macd)macd_signal_values.append(ema_macd)MACD_hist_values.append(macd - ema_macd)df = df.assign(ClosePrice=pd.Series(df['Close'], index=df.index))
df = df.assign(FastEMA10d=pd.Series(ema_fast_values, index=df.index))
df = df.assign(SlowEMA40d=pd.Series(ema_slow_values, index=df.index))
df = df.assign(MACD=pd.Series(macd_values, index=df.index))
df = df.assign(EMA_MACD20d=pd.Series(macd_signal_values, index=df.index))
df = df.assign(MACD_hist=pd.Series(MACD_hist_values, index=df.index))close_price = df['ClosePrice']
ema_f = df['FastEMA10d']
ema_s = df['SlowEMA40d']
macd = df['MACD']
ema_macd = df['EMA_MACD20d']
macd_hist = df['MACD_hist']# 设置画布，纵向排列的三个子图
fig, ax = plt.subplots(3, 1)# 设置标签显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 调整子图的间距，hspace表示高(height)方向的间距
plt.subplots_adjust(hspace=.1)# 设置第一子图的y轴信息及标题
ax[0].set_ylabel('Close price in ￥')
ax[0].set_title('A_Stock %s MACD Indicator' % stock_code)
close_price.plot(ax=ax[0], color='g', lw=1., legend=True, use_index=False)
ema_f.plot(ax=ax[0], color='b', lw=1., legend=True, use_index=False)
ema_s.plot(ax=ax[0], color='r', lw=1., legend=True, use_index=False)# 应用同步缩放
ax[1] = plt.subplot(312, sharex=ax[0])
macd.plot(ax=ax[1], color='k', lw=1., legend=True, sharex=ax[0], use_index=False)
ema_macd.plot(ax=ax[1], color='g', lw=1., legend=True, use_index=False)# 应用同步缩放
ax[2] = plt.subplot(313, sharex=ax[0])
df['MACD_hist'].plot(ax=ax[2], color='r', kind='bar', legend=True, sharex=ax[0])# 设置间隔，以便图形横坐标可以正常显示（否则数据多了x轴会重叠）
interval = scale // 20
# 设置x轴参数，应用间隔设置
# 时间序列转换，(否则日期默认会显示时分秒数据00:00:00)
# x轴标签旋转便于显示
pl.xticks([i for i in range(1, scale + 1, interval)],[datetime.strftime(i, format='%Y-%m-%d') for i in \pd.date_range(df.index[0], df.index[-1], freq='%dd' % (interval))],rotation=45)
plt.show()

所得图像如下：

总结

本文以Python的Matplotlib绘图库为工具，实现了金融领域常用的MACD技术指标，便于大家更好地理解和应用量化交易，日后还会更新其他技术指标的Python实现，欢迎学习交流！
本文用到的数据及有关书籍资源有需要者可私信我。

参考文献

[1] Sebastien Donadio,Sourav Ghosh.Learn Algorithmic Trading - Fundamentals of Algorithmic Trading.Birmingham：Packt Press,2019.P55-59.

2020.8.1更新

指出了文中的一个错误，已在文中修改。代码第71行应该为K_macd，为macd的EMA的平滑常数，在此感谢细心的读者@ertewu.

Python绘制MACD指标图相关推荐

用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略
我的新书<基于股票大数据分析的Python入门实战>于近日上架,在这篇博文向大家介绍我的新书:<基于股票大数据分析的Python入门实战>里,介绍了这本书的内容.这里将摘录出部 ...
Python绘制双坐标图
转自:https://blog.csdn.net/Asher117/article/details/104545838 使用Python绘制双坐标图,代码及结果显示如下. import matplot ...
用Python绘制MACD、KDJ、布林线技术指标图
背景介绍: 搭建程序化交易平台的过程需要研究技术指标. 环境: OS:mac PYTHON: 3.8 IDE: pycharm 步骤: 第一步:加载库 import pandas as pd impo ...
Python绘制RSI相对强弱指标图
写在前面相对强弱指标(RSI)简介 RSI公式详解参数设置&公式用到的主要Python库 Python代码&详解参考文献推荐阅读写在前面本文代码部分总结自Packt出版社 ...
Python绘制BOLL布林线指标图
写在前面布林线(BOLL)技术指标简介 BOLL公式详解参数设置用到的主要Python库 Python代码&详解参考文献推荐阅读写在前面本文代码部分总结自Packt出版社的< ...
【Python画图】绘制双坐标图
使用Python绘制双坐标图,代码及结果显示如下. import matplotlib.pyplot as plt fig = plt.figure(figsize=(10,6)) #显示中文 plt ...
python怎么绘制macd
首先,你需要准备数据.这通常包括股票的收盘价格数据.然后,你可以使用 Python 的 talib 库来计算 MACD 指标.这个库提供了一个名为 MACD 的函数,可以计算移动平均指数平滑异同平均值 ...
Python+pandas绘制平行坐标图
技术要点: 平行坐标图适合展示具有多个属性的数据,每个坐标轴表示一个属性,每条曲线表示一个样本. 参考代码: 运行效果: ----------相关阅读---------- 教学课件 1900页Pyth ...
怎么用python找论文_如何利用Python绘制学术论文图表方法
论文中图表形式多样,常用的处理工具有excel.MATLAB以及Python等,excel自处理的方法有两个缺陷: 1.当数据较多时,容易出现excel"翻白眼"的现象: 2.需要 ...

Python绘制MACD指标图