使用Python stock-pandas库进行MACD/KDJ双因子的测算

发布日期: 2025-02-11

文章字数: 1.6k

阅读时长: 6 分

阅读次数:

使用过股票理财 App 的小伙伴们都会发现，在市场行情趋势图中会充斥着大量的技术指标值，比如 MA、MACD、KDJ 等等，而我之前的 Pandas 实践中使用的数据都是日线原始数据。
那么，如何获得每日的技术指标呢？非常简单，从日线原始数据进行计算。

简单一点的 MA 指标，比如MA3：近3天“收盘价”的简单平均数，MA5 近5天，MA10 近十天，以此类推。使用 Pandas，可以很简单地一行代码 df['close'].rolling(5).mean() 快速实现。
但技术指标众多，也有不少如 MACD 这样稍嫌复杂的指标，若是靠自己慢慢写代码、造轮子，就有些多余了。

Python 中有一些股票指标的开源库，可以直接使用，比如 TA-Lib、stock-pandas 等。

TA-Lib，知名开源库，提供 200 多个专业金融技术指标的计算。
stock-pandas，数据结构是对 Pandas DataFrame 的继承和扩展，可以使用简易的指令表达式快速生成指标和技术分析。

本文使用的就是 stock-pandas 库，当不需要使用 TA-lib 200多个众多指标时，stock-pandas 的编码风格和指令表达式会更受 Pandas 使用者的青睐。

本文我以最常见的 MACD、KDJ 双指标为例子，使用 Pandas 分析在近期数据中 MACD + KDJ 双金叉策略的准确度。
Pandas 代码地址依然是在 HuggingFace 上的 a-share-demo 库中脚本地址。
以下是代码实现步骤。

1. 预准备

1.1 安装 Python 依赖库

本次依赖的库：

pandas
numpy
jupyter
stock-pandas

1.2 下载数据集

这次使用的还是 HuggingFace上的 A股日线数据集 ellendan/a-share-21，请手动下载 csv 文件，保存到 demo project 的 dataset 文件夹下。

本文发出时，修正了上次一些 na 无用数据问题，已经下载了该数据集的小伙伴，如果自定义编程时，碰到 na 问题，可以：

可以无需重新下载，自己使用代码预处理 source_data_frame = source_data_frame.dropna(subset=['close'])。
或者，重新下载。

2. 加载数据源

from stock_pandas import StockDataFrame
import pandas as pd
pd.options.display.max_columns = None

# 需要从 HuggingFace dataset 上手动下载的 csv 文件放在本地。本代码库的 dataset 目录已经加入了.gitignore，不会将数据集提交到代码库。
data_path = '../../dataset/all-prices-with-values-250127.csv'
prices_df = pd.read_csv(data_path, index_col=(0,1))
prices_df.tail()

3. 计算 MACD列、KDJ 列和未来5日涨幅列

计算 3 个关键列：

macd.g.fork，macd 金叉。
kdj.g.fork，kdj 金叉。
target，以当日收盘价为基准，计算未来第5个交易日的收盘价的涨幅是否超过10%。

测算的最终目标，可以理解为以双金叉为买入信号，预测持股5日后的涨幅是否超过10%。

def cacluate_indicators_and_target(source_data_frame, last_n_days=400):
    source_data_frame = source_data_frame.iloc[-(last_n_days+26):]
    stock_df = StockDataFrame(source_data_frame)
    
    predict_days = 5
    target = ((stock_df[f'change:close,{predict_days + 1}'] > 0.1) * 1).shift(-predict_days)

    df = pd.DataFrame({
        'close': stock_df['column:close'],
        'bullish': stock_df['style:bullish'] * 1,
        'macd.dif': stock_df['macd.dif'],
        'macd.dea': stock_df['macd.dea'],
        'macd.h': stock_df['macd.h'],
        'kdj.k': stock_df['kdj.k'],
        'kdj.d': stock_df['kdj.d'],
        'macd.g.fork': (stock_df['macd.dif / macd.dea'] & stock_df['macd.dea >= 0']) * 1,
        'kdj.g.fork': (stock_df['kdj.k / kdj.d'] & stock_df['kdj.k < 40']) * 1,
        'target': target,
        }, index=source_data_frame.index)
    df.dropna(inplace=True)
    return df

_indicators_df = prices_df.groupby(level=0, group_keys=False).apply(
    lambda x: cacluate_indicators_and_target(x, 400), include_groups=False)
_indicators_df.head()

代码中主要使用了 stock-pandas 的几个指令表达式：

column:close，获取 StockDataFrame 中传入的原始字段列close(收盘价)。取出收盘价，主要是为了用于验证和比对计算数据。
change:<on>, <period>，计算 StockDataFrame中某列的值的变化率。
style:bullish，计算当天是否是涨（红色蜡烛）。
macd.*，计算 macd 系列指标，如 dif(快线)、dea（慢线）、h（红绿柱）。
kdj.*，计算 kdj 系列指标，如 k、d。
/，特殊操作符 “上穿”，比如 macd 金叉，就是 macd.dif / macd.dea（快线从左往右上穿慢线）。
同理还有，\，“下穿”。
>=、>、><、==、<=、<，值比较操作符。
更多说明见 (stock-pandas文档 README)[https://github.com/kaelzhang/stock-pandas]。

代码中使用了金叉的判断条件为：

MACD 金叉(macd.g.fork)：stock_df['macd.dif / macd.dea'] & stock_df['macd.dea >= 0']
- stock_df['macd.dif / macd.dea']，macd 的 diff 线是否上穿 dea 线。
- stock_df['macd.dea >= 0']，dea 值是否处于零上，用于限定金叉是零上金叉。
KDJ 金叉(kdj.g.fork)：stock_df['kdj.k / kdj.d'] & stock_df['kdj.k < 40']
- `stock_df[‘kdj.k / kdj.d’]，kdj 的 k 线是否是上穿 d 线。
- stock_df['kdj.k < 40']，k 值是否小于 40，用于限定金叉在 超卖区附近。

代码中计算未来5天的涨幅的方式：((stock_df[f'change:close,{predict_days + 1}'] > 0.1) * 1).shift(-predict_days)

1、stock_df['change:close,6'] > 0.1，取当日的收盘价，以 “6” 为时间窗、对比往前数5天的收盘价 —— 涨跌幅是否大于10%。
2、.shift(-5)，由于全文代码的目标，是为了看“当日”双金叉对“未来5日”涨幅预测的准确度，因此需要将第1步计算出了的change:close Series中每个值按 index 方向向前移动5行。这样，在每行的数据中，既有了当日的是否金叉的列，也有了未来5日的涨幅列。
3、将值添加为 DataFrame 的新列 target。

4. 按照双金叉条件进行过滤和结果统计

exist_macd_g_fork = _indicators_df['macd.g.fork'] > 0
exist_kdj_g_fork = _indicators_df['kdj.g.fork'] > 0
current_bullish = _indicators_df['bullish'] > 0

# 添加当日红色蜡烛为辅助条件提升预测成功率
double_g_fork = _indicators_df[exist_macd_g_fork & exist_kdj_g_fork & current_bullish]
display(double_g_fork[double_g_fork['target'] > 0].head())

print(f"MACD、KDJ双金叉预测未来5日的涨幅大于10% 的成功率：{double_g_fork[double_g_fork['target'] > 0].shape[0] / double_g_fork.shape[0] :.2%}")

运行后结果：