编写程序去量化一个趋势型技术指标

编写程序去量化一个趋势型技术指标

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在技术分析指标体系中，指数平滑异同移动平均线（Moving Average Convergence Divergence，简称 MACD）被誉为”指标之王”。许多交易者在图表软件中仅凭肉眼观察金叉死叉，但在构建工业级量化交易系统时，我们必须将模糊的图表形态转化为精确、可测试、无歧义的数学逻辑与矢量化代码。本讲将从底层数学推导出发，手把手实现 MACD 的交叉信号与顶底背离（Divergence）量化算法，并将经典期货平台（如 TB / MC）的指标公式无缝升级为现代 Python 向量化实现。

💡 核心导读

• MACD 指标的三大核心数学构件：
  • 离差值（DIF / Fast Line）：快速与慢速指数移动平均线的差值： $$DIF_t = EMA_{12}(Close_t) - EMA_{26}(Close_t)$$
  • 信号均线（DEA / Slow Line）：对 DIF 进行平滑加权平均（通常取 9 日）： $$DEA_t = EMA_9(DIF_t)$$
  • 柱状图（MACD Histogram / Bar）：DIF 与 DEA 差值的两倍放大，度量动能强弱： $$MACD_Bar_t = 2 \times (DIF_t - DEA_t)$$MACDBart​=2×(DIFt​−DEAt​)
• 量化系统中的两大核心信号逻辑：
  1. 交叉信号（Crossovers）：
     • 金叉（Golden Cross）：$DIF_{t-1} \le DEA_{t-1}$ 且 $DIF_t > DEA_t$（多头动能增强）；
     • 死叉（Death Cross）：$DIF_{t-1} \ge DEA_{t-1}$ 且 $DIF_t < DEA_t$（空头动能占据主导）；
  2. 背离信号（Divergence，反转预警）：
     • 底背离（Bullish Divergence）：价格创出新低（$Price_t < Price_{t-N}$），但对应的 DIF 极值点并未创新低（$DIF_t > DIF_{t-N}$），预示下跌动能耗尽；
     • 顶背离（Bearish Divergence）：价格创出新高（$Price_t > Price_{t-N}$），但对应的 DIF 极值点未能创新高（$DIF_t < DIF_{t-N}$），预示多头动能衰竭。
• 多平台代码现代化重构：
  • 传统 TradeBlazer (TB) 与 MultiCharts (MC) 采用基于单 Bar 循环的序列计算；
  • 现代 Python 采用 pandas.Series.ewm() 实现全时序向量化计算，运算速度提升数十倍且天然杜绝未来函数。

┌─────────────────────────────────────────────────────────────┐
│                    MACD 金叉与背离形态量化判定图                 │
└──────────────────────────────┬──────────────────────────────┘
                               │
 价格走势 (Price)               ▲         [顶背离: 价格创新高, DIF 走低]
                              ▲ │       ▲ (High 2)
                             ▲  │      / \
                            ▲   │     /   \
                           / \  │    /     \
                     (High 1) \ │   /       \
 ──────────────────────────────┼┼──/─────────\────────────────► (时间 t)
                               │  /           \
 DIF 指标走势 (DIF Line)        │ /             \
                      (Peak 1) ▲ │ [Peak 1 > Peak 2 动能衰竭]
                             ▲ │  ▲ (Peak 2)
                            / \│ / \
 ──────────────────────────/───┼┼───\─────────────────────────► 0 轴
                          /     │    \

一、传统交易平台（TB/MC）与 Python 现代实现对照

注：原课程以 TradeBlazer (TB) 与 MultiCharts (MC) 语法进行教学演示，此处提供工业级 Python 等价矢量化实现。

import pandas as pd
import numpy as np

def calc_macd_vectorized(close_series, fast_len=12, slow_len=26, signal_len=9):
    """
    Python 向量化计算 MACD 指标 (等价于 TB/MC 平台指标算法)
    """
    # 1. 快速与慢速指数移动平均 EMA
    ema_fast = close_series.ewm(span=fast_len, adjust=False).mean()
    ema_slow = close_series.ewm(span=slow_len, adjust=False).mean()
    
    # 2. 计算 DIF 与 DEA
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal_len, adjust=False).mean()
    
    # 3. 计算 MACD 能量柱
    macd_hist = (dif - dea) * 2.0
    
    return pd.DataFrame({
        'close': close_series,
        'dif': dif,
        'dea': dea,
        'macd': macd_hist
    })

二、极值点提取与背离判定算法

在量化回测中，准确检测背离的前提是提取价格与 DIF 的局部极值点（Local Extrema）。通过判断当前 Bar 是否为滑动窗口内的最小值，并比对上一波谷的指标数值，即可实现无未来函数的机械化背离信号生成。

def extract_local_extrema_and_divergence(df, window=5):
    """
    提取局部波谷并检测底背离信号 (右确认窗口, 无未来函数)
    """
    res = df.copy()
    
    # 识别局部波谷: 在 t 时刻确认 t-window 为前后 window 范围内的极值 (仅用历史数据, 确认滞后 window 根是诚实性的代价)
    res['is_price_trough'] = res['close'].shift(window) == res['close'].rolling(2 * window + 1).min()
    res['is_dif_trough'] = res['dif'].shift(window) == res['dif'].rolling(2 * window + 1).min()
    
    # 判定金叉与死叉
    res['gold_cross'] = (res['dif'] > res['dea']) & (res['dif'].shift(1) <= res['dea'].shift(1))
    res['death_cross'] = (res['dif'] < res['dea']) & (res['dif'].shift(1) >= res['dea'].shift(1))
    
    return res

📝 动手练一练

下面我们用 Python 编写一段 MACD 指标量化计算与交叉/背离信号检测脚本，模拟全周期数据清洗与信号输出：

import pandas as pd
import numpy as np

def calculate_macd(close, short=12, long=26, mid=9):
    """
    计算标准 MACD 指标三要素
    """
    ema_short = close.ewm(span=short, adjust=False).mean()
    ema_long = close.ewm(span=long, adjust=False).mean()
    dif = ema_short - ema_long
    dea = dif.ewm(span=mid, adjust=False).mean()
    macd_hist = (dif - dea) * 2.0
    return pd.DataFrame({'close': close, 'dif': dif, 'dea': dea, 'macd': macd_hist})

def detect_macd_signals(df, window=5):
    """
    量化检测 MACD 交叉与双低点底背离信号 (无未来函数)
    """
    res = df.copy()
    
    # 1. 金叉与死叉
    res['golden_cross'] = (res['dif'] > res['dea']) & (res['dif'].shift(1) <= res['dea'].shift(1))
    res['death_cross'] = (res['dif'] < res['dea']) & (res['dif'].shift(1) >= res['dea'].shift(1))
    
    # 2. 局部波谷右确认: 在 t 时刻确认 t-window 为前后 window 范围内的最低价 (仅用历史数据)
    res['is_price_trough'] = res['close'].shift(window) == res['close'].rolling(2 * window + 1).min()
    
    # 3. 双低点底背离状态机: 当前确认波谷价格低于前一波谷, 但对应 DIF 更高 (下跌动能衰竭)
    trough_close = res['close'].shift(window).where(res['is_price_trough'])
    trough_dif = res['dif'].shift(window).where(res['is_price_trough'])
    prev_trough_close = trough_close.ffill().shift(1)
    prev_trough_dif = trough_dif.ffill().shift(1)
    res['bullish_divergence'] = (
        res['is_price_trough']
        & (trough_close < prev_trough_close)
        & (trough_dif > prev_trough_dif)
        & (trough_dif < 0)
    )
    
    return res

def test_macd_run():
    np.random.seed(42)
    dates = pd.date_range("2023-01-01", periods=60, freq="B")
    
    # 模拟价格两次探底: 第二低点更低但下跌斜率放缓 (DIF 抬高), 构成标准双低点底背离
    seg1 = np.linspace(10.5, 9.0, 21)      # 第一波急跌
    seg2 = np.linspace(9.0, 10.2, 16)[1:]  # 中途反弹
    seg3 = np.linspace(10.2, 8.8, 16)[1:]  # 第二波缓跌 (价格新低)
    seg4 = np.linspace(8.8, 9.1, 10)[1:]   # 企稳回升
    p = np.concatenate([seg1, seg2, seg3, seg4]) + np.random.normal(0, 0.05, 60)
    df = calculate_macd(pd.Series(p, index=dates))
    signals = detect_macd_signals(df)
    
    g_count = signals['golden_cross'].sum()
    d_count = signals['death_cross'].sum()
    div_count = signals['bullish_divergence'].sum()
    
    print("================ MACD 趋势指标量化与信号检测 ================")
    print(f"全周期 Bar 数量: {len(df)} 根 | DIF 最新: {df['dif'].iloc[-1]:.3f} | DEA 最新: {df['dea'].iloc[-1]:.3f}")
    print(f"检测到金叉次数: {g_count} 次 | 死叉次数: {d_count} 次 | 底背离信号: {div_count} 次")
    assert div_count > 0, "双低点底背离状态机未能捕获预设背离形态！"
    print("----------------------------------------------------------")
    print("量化精髓: 交叉定节奏，背离定强弱；代码实现严格向量化防未来函数！")
    print("==========================================================")

if __name__ == "__main__":
    test_macd_run()

运行结果输出：

================ MACD 趋势指标量化与信号检测 ================
全周期 Bar 数量: 60 根 | DIF 最新: -0.156 | DEA 最新: -0.185
检测到金叉次数: 2 次 | 死叉次数: 2 次 | 底背离信号: 1 次
----------------------------------------------------------
量化精髓: 交叉定节奏，背离定强弱；代码实现严格向量化防未来函数！
==========================================================

本章小结

1. 掌握 MACD 数学内涵：理解快速 EMA 与慢速 EMA 的差值扩散与收敛，把握趋势动量强弱。
2. 区分交叉与背离维度：金叉死叉用于顺势捕捉趋势节奏，顶底背离用于前瞻预警动能衰竭。
3. 推行向量化工程实现：摒弃传统低效单步循环，采用 Python ewm() 建立高并发、无未来函数的回测计算管线。

📋 行动清单 (Action Checklist)

• 运行本讲 MACD 向量化代码，比对与通用行情软件盘面数值的一致性；
• 尝试在代码中扩展顶背离检测逻辑，测试其对高位回调的预警胜率；
• 预习下一节，探讨技术指标在多品种、不同持仓周期下的交易成本敏感性与衰减规律。

— 小象教研组