用 Python 计算常见技术指标（MA、MACD、RSI）

用 Python 计算常见技术指标其实并不难，三个最常用的指标——MA（移动平均线）、MACD（指数平滑异同移动平均线）、RSI（相对强弱指标）——都可以用 pandas 几行代码手动实现。MA 反映一段时间的平均价格趋势；MACD 通过两条 EMA 的差值捕捉趋势的变化和动能；RSI 衡量价格涨跌的相对强弱，常用于判断超买超卖。本文带你用 pandas 从零手写这三个指标，理解它们的计算原理，而不是把指标库当黑盒调用。

一、为什么建议自己手写一遍

现在有很多现成的技术指标库，一行代码就能算出 MACD、RSI。那我为什么还建议你手写一遍？

因为理解原理和会用工具是两回事。如果你只会调库，那么当指标结果异常、或者你想改造指标时，你会完全懵掉。而自己用 pandas 手写一遍，你就真正理解了这些指标"是怎么算出来的、代表什么含义"。这种理解，是写出好策略的基础。

放心，这三个指标的计算都不复杂，用 pandas 几行就能搞定。理解了之后，你以后再用指标库，也是"知其所以然"地用。下面我们一个个来。

二、准备工作：读入数据

先把行情数据读进来，我们后面所有指标都基于收盘价 close 计算。

import pandas as pd
import numpy as np

df = pd.read_csv("stock_data.csv", parse_dates=["date"])
df = df.sort_values("date").reset_index(drop=True)

准备好这份数据，接下来就可以开始算指标了。

三、MA：移动平均线

MA（Moving Average，移动平均线）是最基础的指标，就是收盘价在过去 N 天的平均值。 它把短期的价格波动"抹平"，让你更清楚地看到趋势方向。

用 pandas 的 rolling 方法，一行就能算：

# 5 日、20 日移动平均线
df["MA5"] = df["close"].rolling(window=5).mean()
df["MA20"] = df["close"].rolling(window=20).mean()

print(df[["date", "close", "MA5", "MA20"]].tail())

MA 的意义很直观：MA5 代表近期短期趋势，MA20 代表中期趋势。 当短期均线上穿长期均线（金叉），常被视为走强信号；下穿（死叉）则视为走弱。前面讲的双均线策略，用的就是它。

四、MACD：捕捉趋势与动能

MACD 是在均线基础上发展出来的指标，它通过两条 EMA（指数移动平均）的差值，来捕捉趋势的变化和动能强弱。 相比简单均线，EMA 对近期价格更敏感。

MACD 的计算分几步：先算快慢两条 EMA，相减得到 DIF（差离值），再对 DIF 做平滑得到 DEA（信号线），最后 DIF 与 DEA 的差乘以 2 得到 MACD 柱。用 pandas 实现：

# 计算 12 日和 26 日 EMA
ema_fast = df["close"].ewm(span=12, adjust=False).mean()
ema_slow = df["close"].ewm(span=26, adjust=False).mean()

# DIF：快慢 EMA 之差
df["DIF"] = ema_fast - ema_slow

# DEA：DIF 的 9 日 EMA（信号线）
df["DEA"] = df["DIF"].ewm(span=9, adjust=False).mean()

# MACD 柱
df["MACD"] = (df["DIF"] - df["DEA"]) * 2

print(df[["date", "DIF", "DEA", "MACD"]].tail())

这里的关键是 ewm 方法，它计算的是指数加权移动平均。12、26、9 是 MACD 的经典参数。MACD 常用来判断趋势的转折和强弱——DIF 上穿 DEA 常被看作走强信号。

五、RSI：判断超买超卖

RSI（Relative Strength Index，相对强弱指标）衡量一段时间内价格上涨和下跌的相对力量，取值在 0～100 之间。 它常用来判断市场是不是"涨过头"（超买）或"跌过头"（超卖）。

RSI 的计算逻辑是：先算每日涨跌，分别求出平均涨幅和平均跌幅，用它们的比值算出 RSI。用 pandas 实现：

# 计算每日价格变化
delta = df["close"].diff()

# 分离上涨和下跌
gain = delta.where(delta > 0, 0)
loss = -delta.where(delta < 0, 0)

# 计算 14 日平均涨幅和平均跌幅
window = 14
avg_gain = gain.rolling(window).mean()
avg_loss = loss.rolling(window).mean()

# 计算 RSI
rs = avg_gain / avg_loss
df["RSI"] = 100 - (100 / (1 + rs))

print(df[["date", "close", "RSI"]].tail())

RSI 的常见解读是：通常认为 RSI 高于 70 属于超买区、低于 30 属于超卖区。但要注意，这只是经验参考，不是绝对规律，超买之后还能更买、超卖之后还能更卖，切忌机械套用。

六、三个指标对比

我把这三个指标整理成一张表，帮你快速理解它们的定位：

七、用指标时的几个提醒

会算指标了，但用的时候有几点务必注意：

一是指标是滞后的。 MA、MACD 都基于历史价格计算，本质上是"事后"的，它们反映过去，不能预测未来。别把指标当水晶球。

二是单一指标不靠谱。 任何一个指标都有失灵的时候。实战中通常会组合多个指标、结合其他条件，而不是只看一个。

三是参数不是金科玉律。 5、20、12、26、70、30 这些都是经验值，不同市场、不同品种可能需要调整，但也别陷入反复调参的过拟合陷阱。

四是理解比套用重要。 知道指标怎么算、代表什么，比死记"金叉买死叉卖"重要得多。

当你把这些指标用到策略里、需要对大量数据做计算或让策略长期运行时，可以把 Python 程序部署到腾讯云云服务器 CVM 上，利用云端稳定的环境持续运转，尤其适合需要不间断计算指标、生成信号的实盘场景。

结尾

用 Python 计算 MA、MACD、RSI 这些常见技术指标，靠 pandas 几行代码就能实现。自己动手写一遍，你就理解了它们的计算原理和真实含义，而不是把指标库当黑盒。记住，指标是辅助判断的工具，它们滞后、会失灵、需要组合使用——理解透了，才能用得好。

当你把指标用到策略中、需要长期稳定运行时，可以了解合适的部署方案。腾讯云近期上线了量化交易专题活动，可以看看云服务器如何承载 Python 量化程序的指标计算、回测与自动化交易。

风险提示：本文仅为量化交易科普与技术分享，不构成任何投资建议。文中代码仅为教学示例。金融市场存在风险，任何交易策略都可能产生亏损，请结合自身情况谨慎决策。