07. BI - 量化交易，如何编写代码来利用 MACD 决定选股策略

本文主要是介绍07. BI - 量化交易，如何编写代码来利用 MACD 决定选股策略，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文为 「茶桁的 AI 秘籍 - BI 篇 第 07 篇」

Hi，你好。我是茶桁。

炒股票的同学应该知道指数吧？你们知道这个指数吗？MACD。

MACD 指标

我们看一下这个指数是什么。MACD 这个指数全称 Moving Average Convergence and Divergence。

它的原理是要计算两条线，一个叫 MA1，一个叫 MA2, 1 是短线，2 是长线。短线就是短期的平均值，比如说过去的 10 天。长线就是长期的平均值，比如说 20 天。这两条线之间也会有个差，这个差值称为 DIFF，这个差就可以知道现在是短期大，还是长期更高。DIFF 组成的线，我们称之为 MACD 线。

MACD 是一个重要特征，它可以帮你来去抉择进行买卖，选择一个适当的买入时刻和卖出的时刻，那这个买入和卖出的时刻我们就要找到一个比较可靠的一个特征。我们用的一个特征是通过 n 个周期的平滑值，n 个周期就是滑动窗口设为 n，它在滑动窗口里面的一个平均值。DIFF 的 n 周期的平滑移动平均线为 DEA。

那大家想想，为什么要用滑动窗口来去做一个平均值的计算？如果不用滑动窗口，我们就看过去一天会不会存在一些噪音的特征呢？有了滑动窗口，它的原理就是经过平滑可以过滤到一些异常的信号，尤其是那种突高突低的信号，这样得到的信号是相对有效的一个信号，这是好处。不好的地方就是滑动窗口毕竟是需要一定时间范围的窗口，所以有可能错失掉最好的买卖的时刻点。各有利弊，总体上来说还是更有价值来去做一个过滤的。

那怎么样去使用这个指标来判断什么时候买什么时候卖呢？

长期均线更能代表股票的实际价值，但是长期价值指的是什么价值呢？是长期的历史价值。我们所有的数据都是过去的历史，但是我们要决策的是未来，难点是未来是变化的，有的时候它存在不可测的因素。那么需要通过短线和长线帮你判断它的浮动情况。

股票是有惯性的，就像开车一样。如果是一个上升期，那它上升不是一两天的上升，可能是一个周期性的、阶段性的上升。下降也是一样，也是个阶段性的下降。

所以想要找到的是它在上升期的开始以及下降期的开始，决定你迈出的一个信号。这个信号可以把它用 DIFF 来去做个判断，向上突破就是短期抬头了，超过了长期均线就证明短期大盘在发力，大盘发力可以认为是一个好的买入信号。

差离值 DIFF 向上突破 MACD => 后市看好的买入信号

差离值 DIFF 向下突破 MACD => 后市看坏的卖出信号

差离值 DIFF 与 MACD 都呈现向上走势，而且有突破，是黄金交叉点 => 后市大好

差离值 DIFF 与 MACD 都呈现向下跌势，而且有跌破，是死亡交叉点 => 后市大坏

大体上可以这么去理解。

动量策略背后的逻辑就是认为我们的交易是有一个惯性，它不是立刻停止，所以你现在上升还会上升一个惯性周，下降也是一样。

MACD 指标：

• DIFF, DEA 和 MACD（即两条曲线 + 红绿柱）
• DIFF 即橙线，是对 K 线收盘价进行一系列计算的结果
• DEA 是蓝线，是在 DIFF 的基础上计算出来的
• MACD 柱 = （橙线 - 蓝线）* 2 = (快线 DIFF - DIFF 的 9 日加权移动均线 DEA) * 2

如上图，可以把 MACD 理解成移动平均线，这移动平均线是由两条线组成的，快和慢。快就是短期，慢就是长周期。

以这样一个数据为例，快线是我们的橙线，蓝线应该会更慢。当它们某一个时刻点如果快线向上走势刚刚超过了慢线，则要进行买入。刚刚超过的过程中它是有一个惯性的，它超过去会有个周期，所以它应该是买。

但是超过不会一直超过，他超过以后蓝线也会逐渐的上升，但是上拉的力量已经开始疲软了，到某一个会客点的时候，当橙线和蓝线又给它交合的时候，这个时刻是该买还是该卖呢？

我们在再一次发生交集的时候应该应该卖掉，为什么，大盘疲软了。不过大盘疲软以后马上要开始上升了，其实你没卖多久，后面又上去了，上去以后还要购买，这是按照 MACD 的一个指标来去给你的提示。

我们再来看这张图，标示一下买卖点：

大体上对应一下，应该是如图这样。如果是这样的一个买卖信息，通过 MACD 线来做决策，在上面写的这个买卖的时刻点。现在我们想想，这样的交易策略是好还是坏呢？这样的一个标记策略能不能挣到钱？

从这个数据集上面来去看是好的，而在很多的其他情况下其实也是好的。但是也有些情况下可能是坏的，所以刚才这个策略不能说是完全 100%的一劳永逸。在某些情况下，它确实是可以帮你挣到钱。

我们来看，这个交易是从 2,000 多点一直到大盘 5,000 多点又下来。这个交易不能说多频繁，应该是属于一个长周期的交易，它有可能横跨了一两年之后。但是它是滞后的，MACD 是个移动平均线，看到平均，看到滑动窗口就会想到它的特征，计算没有那么的及时，因为毕竟需要一个时间段来去验证。可能需要有一个 10 天的周期，所以它是滞后的。因此就算挣钱也不会有多极致，但是总的来说还是不错的。

MACD 就告诉你在正确的时间做正确的事，这就是一个统计特征。具体在程序上面在这个策略上面怎么做呢？MACD 是要有一个快和慢的定义，快线现在是可以用 12 天，慢线用的是 26 天。为什么是 12 和 26，因为在早些年间我们那阵工作时间还是一周六天，所以当时的股票交易就是一周六天，那么半个月就是 12 天。半个月你就认为是一个快线特征，那一个月有可能就是 26 天。

当然现在工作日已经不是一周六天而是一周五天。（我知道你们想说什么，不用吐槽，以法定工作日为准，毕竟股市是严格按照法定日来的。）所以在实际的股票交易日里面如果你还是半个月和一个月，它应该已经变成 10 和 21。用哪一种方式都行，可以用 12 和 26，也可以用 10 和 21。

为什么有些人现在还用 12 和 26 来做快线和慢线的一个准则呢？原因就是因为我们已经形成了共识，已经把它当成快慢的一个标准。所以大家都会看这个特征，当看到这个特征的人数多了我们就会认为它是个重要的一个指标。当然你也可以采用 10 和 21 这个数值。

简单总结一下，DIFF 是这两个线的差值，当 DIFF 上穿 0 轴时，差值抬头了，就证明短线在开始突破，即 12 日均线与 26 日均线金叉。当 DIFF 下穿 0 轴时，已经开始疲软了，逐渐的弱下于整个长期的趋势了，即 12 日均线与 26 日均线死叉，死叉就是个卖的信号。

那么怎么去指导买卖呢？金叉、死叉其实就是一个很好的买卖信号，但这个信号是有前提的，它是在趋势行情，也就是动量行情。就说趋势是应该有一个惯性的，如果它是在震荡，震荡是随机的，它没有趋势，所以它的惯性特征没有这么明显。没有这么明显的过程中，金叉和死叉就有可能不是个有效的信号。

以上是在趋势行情里面来去做的，周期内的一个情况。

操作的过程我们可以看一看，可以对未来股票计算一下它的短期均线 MA1 和长期的均线 MA2，我们拿 AAPL 来举例，计算它的买卖时刻和信号，在股市中绘制买入和卖出的信号，包括 DIFF，MA1 和 MA2 曲线。

这就是教给大家一个工具怎么样去计算它的短期和长期的特征，基于它的这个特征来去决定你买入和卖出的一个时刻点，把这个时刻点绘制出来。你可以看有的时候也没这么好，比如图中绘制的这个买卖点也会造成一个亏损，比如第一个买点和第二个卖点之间，就是一个亏损的状态。整体上来说有赔有赚，总的来说挣的概率会更大一些。

那接下来，我们用 MACD 策略看一波代码。

首先，我们是要先实现咱们的 MACD 策略:

# 计算 df 的短期平均 ma1， 长期平均 ma2
def macd(df):
df['ma1'] = df['Close'].rolling(window=ma1, min_periods=1).mean() 
df['ma2'] = df['Close'].rolling(window=ma2, min_periods=1).mean()df['diff'] = df['ma1'] - df['ma2']
df['dea'] = df['diff'].rolling(window=9, min_periods=1).mean()
return df

可以看到，滑动窗口用的 rolling 函数。滑动窗口就是计算它的快线和慢线，MA1 就是 12 天，MA2 是 26 天。用滑动窗口求 diff，diff 代表的含义是快线减慢线，看一看现在是在上面还是在下面。然后把 diff 求了一次均值。快线和慢线已经做过一次求均值，如果又做一次均值的应该是两次平滑，如果用两次平滑拿它做指标会过滤异常值，效果更好，就不容易出现那种噪音的浮动，因为我们用了两次以上值的过滤。你可以采用一次平滑，也可以采用两次平滑。一次平滑看的是 diff，两次平滑是看的 diff 处的滑动窗口的平均值，拿它来去做判断。

然后咱们来计算买卖时刻点的信号

def signal_compute(df):
df = macd(df)
df['positions'] = 0df['positions'][ma1:] = np.where(df['ma1'][ma1:] >= df['ma2'][ma1:],1,0)df['signals'] = df['positions'].diff()df['diff'] = df['ma1'] - df['ma2']
df['macd'] = 2 * (df['diff'] - df['dea'])return df

我们现在做的应该是一次平滑的信号, 就是说看它快线和慢线是不是大，如果大我们就认为现在应该持有，那我们就会把它的 positions 写成 1。

np.where是个条件判断, 如果它存在我们就写为 1, 如果它不存在写为 0.

所以上面这个代码可以看到，短线抬头的时候你要持仓，那这个持仓是你当下的一个状态。什么时候做这个状态呢？我们还要看一看它先后的一个变化，如果之前是不持仓，position 等于 0，突然某一个时刻发生突变的过程中 position 从 0 到 1，这个时刻点是给你一个信号，从没有这只股票到拥有这只股票我要做的是个信号的处理，它应该就是个买的信号。

如果它的 position 一直都是 1，突然有一天它的 position 变成了 0，我们把它的这个 diff 求解出来应该变成了卖的信号。

所以怎么去筛出来这个买和卖呢？筛的过程实际上是求了一个diff(), 这个方法在 Pandas 里面代表前后相减，可以把买卖信号计算出来。

信号 position 无外乎就是 0 和 1 的关系，所以这两个趋势都可以计算出来了。

那其中一些 Python 的基础语法，大家应该在之前就应该掌握了。比如df[ma1], 这就是在 df 数据内去筛选快线特征，在快线特征里面筛的不是它的全量值，筛的是什么？[ma1:]代表的就是 12 天以后的。因为在 12 天之前我们还没有这个特征，在股票刚刚上线前，12 天之前其实是没有快线特征的，所以我们把它过滤掉了。不把它过滤掉，把它就写[ma1]其实理论上也是 OK 的。因为这两个为NaN， 其实是没有什么意义的一个特征。

总的来说，可以把它理解成就是 MA1 大于 MA2，就是快线和慢线的一个对比的情况。把这个对比情况喂给position，就可以知道要持仓还是不持仓。

signal 计算完成以后我们可以在图里面把 signal 给它绘制出来。

# 绘制回测结果
def plot(df, ticker):
# 绘制实际的股票收盘数据
fig = plt.figure(figsize=(12, 6))
ax = fig.add_subplot(111)
ax.plot(df.index, df['Close'], label=ticker)# 只显示时刻点，不显示折线图 => 设置 linewidth=0
ax.plot(df.loc[df['signals']==1].index, df['Close'][df['signals']==1], label='Buy', linewidth=0, marker='^', c='g')
ax.plot(df.loc[df['signals']==-1].index, df['Close'][df['signals']==-1], label='Sell', linewidth=0, marker='v', c='r')plt.legend(loc='best')
plt.grid(True)
plt.title('Positions')
plt.show()# 显示 diff，即 ma1-ma2
fig = plt.figure(figsize=(12, 6))
cx = fig.add_subplot(211)
df['diff'].plot(kind='bar', color='r')plt.legend(loc='best')
plt.grid(True)
plt.xticks([]) # 不显示 x 轴刻度# 绘制 ma1, ma2 曲线
bx = fig.add_subplot(212)
bx.plot(df.index, df['ma1'], label='ma1', color='orange')
bx.plot(df.index, df['ma2'], label='ma2', linestyle=':', color='blue')plt.legend(loc='best')
plt.grid(True)
plt.show()

signal 等于 1 就是需要进行持有，在上面写成一个 buy，建议你去购买。颜色用 green 绿色，signal 等于-1 就是不建议持有，写成了 sell，颜色呢写成了 r，就是红色。一会儿可以用这个函数打印出来。

具体在设置参数的时候设了 12 天和 26 天：

ma1 = 12
ma2 = 26slicer = 0data = yf.download(tickers='AAPL', start='2021-01-01', end='2021-12-31')
data.to_csv('dataset/AAPL_2021_MACD.csv')
# data

股票我们选用的是 AAPL，就是 apple 的股票。买卖时刻点可以分别帮你来计算出来，

print('买入信号：', df.loc[df['signals']==1].index)
# print('买入信号时的收盘价：',df['Close'][df['signals']==1])
print('卖出信号：', df.loc[df['signals']==-1].index)
# print('卖出信号时的收盘价：', df['Close'][df['signals']==-1])---
买入信号： DatetimeIndex(['2021-01-21', '2021-04-07', '2021-06-15', '2021-10-21'], dtype='datetime64[ns]', name='Date', freq=None)
卖出信号： DatetimeIndex(['2021-02-19', '2021-05-10', '2021-09-21'], dtype='datetime64[ns]', name='Date', freq=None)

告诉你说 1 月 21 号买, 4 月 7 号买，6 月 15 号，10 月 21 号买。这个买卖时间是交错的，买不会一直买，掉下来了，疲软的时候交叉的部分其实就是卖。所以可以把它理解成是 1 月 21 号买，2 月 19 号就卖了。之后 4 月 7 号买，5 月 10 号再卖掉…

来，我们将数据绘制出来：

plot(df, 'AAPL')

做的这个策略是历史复盘的一个情况，这是它的整个历史的一个数据，能看到他的复盘情况。

我们制定一个策略是想看它在过去一段时间的表现怎么样，如果它在过去一段时间表现好，那么你在未来时刻可以采用这个策略来去做一个实战。不过大家可以思考一下，过去表现好一定代表未来好吗？不一定，有可能会差。但是总的来说它还是过去一段时间一个好的验证。对于之前的这个时刻我们应该是在某一个时刻点到另一个时刻点，它的一段距离的情况就是 MA。而且 MA 是过去 12 天和 26 天。

我们现在就把它画出来了，下图就是它的 ma1 和 ma2，还有 diff 的图：

这个曲线可以看到，橙色是快线，它的运动的幅度会更大一点。以靠近 2021-07 在它之前的那个交叉点为例，橙色快线上升的时候这个点应该是买还是卖？这个点蓝色现在已经开始往上升了，所以理论上应该是要买会更好。然后一直都是可以买的，因为它都属于上升的波段。

在 2021-09 之后的第一个交叉点是不就卖掉了？卖掉以后再择时，择到下一个时刻再买。

所以在更上面那张图中，我们把它的买卖时刻标注了出来。

告诉你说 1 月 21 号买, 4 月 7 号买，6 月 15 号，10 月 21 号买。这个买卖时间是交错的，买不会一直买，掉下来了，疲软的时候交叉的部分其实就是卖。所以可以把它理解成是 1 月 21 号买，2 月 19 号就卖了。之后 4 月 7 号买，5 月 10 号再卖掉…

可以看到是 1 月 21 买了，2 月 19 号就卖了。4 月 7 号买了，持有了大概 1 个多月，然后就卖掉了。这张图就是 MACD 的一个买卖信号。

从这张图里面其实也能判断出来，整体上来说还是有亏钱的可能。比如第一个买点和第一个卖点之间，我们可以看到它就亏钱了，第一个小周期是赔钱了。1 月 21 号到 2 月 25 号之间是赔钱了。但是第三个买卖周期算是大赚了一笔，之后再买入并持有，一直是赚的。有赚有赔，总来说赚的可能性会略高一点。

我们来验证一下咱们的周期看看，用上节课中咱们对股票进行操作的函数来进行：

# 假设初始资金 10000
portfolio = dict()
portfolio['cash'] = 10000# 计算能买多少股
valid_num = int(portfolio['cash'] / df.iloc[0]['Open'])
valid_num---
74

设置完初始资金并计算我们可以买入的数量之后，我们就来操作下看看，先看第一个周期：

portfolio_buy(portfolio, '2021-01-21', 'AAPL', 70)
portfolio_sell(portfolio, '2021-02-19', 'AAPL', 70)---
{'cash': 9724.899444580078, 'AAPL': 0}

果然是如我们预期的一样，第一个小周期内是亏钱的对吧？那我们来看看所有周期结束后，如果在年底卖出会怎么样。

# 买卖股票
portfolio_buy(portfolio, '2021-01-21', 'AAPL', 70)
portfolio_sell(portfolio, '2021-02-19', 'AAPL', 70)
portfolio_buy(portfolio, '2021-04-07', 'AAPL', 70)
portfolio_sell(portfolio, '2021-05-10', 'AAPL', 70)
portfolio_buy(portfolio, '2021-06-15', 'AAPL', 70)
portfolio_sell(portfolio, '2021-09-21', 'AAPL', 70)
portfolio_buy(portfolio, '2021-10-21', 'AAPL', 70)
portfolio_sell(portfolio, '2021-12-30', 'AAPL', 70)---
{'cash': 12797.898483276367, 'AAPL': 0}

当然我们为了简便，现在是手动的根据之前分析的买卖点来执行买卖操作，并没有完全用程序自动执行。不过我们可以看到，整体收益率是达到了近百分之二十八。这个是很棒的一个收益了对吧？

以上就是 MACD 的一个策略, 我简单给大家梳理一下。然后整个代码在我仓库里也有，大家可以自己去获取，你们可以做一个参考。

其实选股是非常重要一件事，买什么这第一个维度，第二个怎么买。怎么买又分了每一只股票的一个配额, 如果我们最初 1W 的资金，买 10 支股票，那么平均配额，每支股票分到 1000 块钱。

第三就是制定交易策略，交易策略是刚才介绍给大家的 MACD，MACD 算是指标之王，在炒股里面这个指标是使用频率最高的，也是所有人基本上必研究的一个指标。

我们可以通过 MACD 给你一些信号一个策略展示，就按照刚才这段代码，大家可以自己来去模拟一下。

• 如何选股

择股优于择时，择股是你的格局。你去选了一个大的格局，后面是属于在格局里面的一个努力。你选了一个很好的赛道，这个赛道有一个很好的一个空间，所以你要选择一个好的股票有的时候才是第一个要位。

好的股票怎么选呢？用我们之前介绍的 jqdata 就可以， 那我们都知道，要选股首先是要先观察行业，我们看好一个行业之后再从中进行选择。那么就先将所有行业查询出来：

benchmark_date = '2023-08-25'
temp = jq.get_industries(date=benchmark_date)

选择这个日期也是因为我的这个账户并没有缴费，所以免费版的限制是到这一天为止。

好，那从这些查找出来的行业中，我们看看和计算机相关的产业都有哪些：

temp[temp['name'].str.contains('计算机')]

接着，我们获取一下这个行业版块内所有的股票：

pool = jq.get_industry_stocks('C39', date=benchmark_date)
pool---
['000016.XSHE',
...
'689009.XSHG']

这样就可以将这个版块内所有的股票代码获取到。

接着，我们就可以根据获取到的代码，来查看市盈率大于 0，那范围当然就是我们之前获取的，属于计算机行业这个版块的所有股票，然后我们让它们的 PE 从小到大进行一个排序：

q = jq.query(jq.valuation.code, jq.valuation.pe_ratio, jq.valuation.market_cap).filter(jq.valuation.pe_ratio > 0, jq.valuation.code.in_(pool)).order_by(jq.valuation.pe_ratio.asc())
df = jq.get_fundamentals(q, date=benchmark_date)
df---code	pe_ratio	market_cap
0	300390.XSHE	3.7676	224.1249
...	...	...	...
449	002161.XSHE	8955.4187	37.3577

当然我们想要查询一下我们获取的这么多股票的 PE 和 MC 均值大概为多少，这也可以大概了解一下这个版块的发展到底如何：

pe_mean = float(df['pe_ratio'].mean())
mc_mean = float(df['market_cap'].mean())
print('满足条件的股票: {}'.format(len(df)))
print('平均 PE: {}, 平均 MC: {}'.format(pe_mean, mc_mean))---
满足条件的股票: 450
平均 PE: 102.55968466666666, 平均 MC: 156.16871555555554

接着，我们来筛选我们想要投资的股票，那这个就是一个策略问题，在这里，我想要看看小于 PE 均值，且 PE 要大于 0， 然后大于 MC 均值的所有股票，再进行排序：

q = jq.query(jq.valuation.code, jq.valuation.pe_ratio).filter(jq.valuation.pe_ratio<pe_mean, jq.valuation.market_cap>mc_mean, jq.valuation.pe_ratio>0, jq.valuation.code.in_(pool)).order_by(jq.valuation.pe_ratio.asc())# 对于筛选出来的股票，查询 benchmark_date 的数据
df = jq.get_fundamentals(q, benchmark_date)
df---
code	pe_ratio
0	300390.XSHE	3.7676
...	...	...
83	002436.XSHE	100.6802

那我们这样呢，还是获取了 84 支股票，似乎还是有点多是把？这里呢，就是教大家这么个意思，具体的选股策略，最终选取出自己心仪的那几支，大家还是需要去学习一下基础的股票知识。

好，那最后，我们将这 84 支股票打印出来，看看都有哪些：

print(df['code'].values)---
['300390.XSHE' ... '002436.XSHE']

如果我们想要进行一个长期的数据对比，也可以选中一个自己看重的指标，然后将其全部 down 下来进行观察，这里，我选中的指标还是 PE 值：

# 从 2023-1-1 到 2023-08-25 这些股票的数据
start_date = datetime(2023,1,1)
end_date = datetime(2023,8,25)# 获取制定的交易日范围
all_trade_days = jq.get_trade_days(start_date=start_date, end_date=end_date)for i in all_trade_days:
# 设置第 i 天的 PE 数据
df[i] = jq.get_fundamentals(q, i)['pe_ratio']

数据的 columns 就是日期，太多了我就不完全展示了。大家可以在本文之后自己操作一下看看。

在整个代码操作过程中，我保存了几个数据在 dataset 里，大家可以去我的代码仓库里直接拿来用，使用 read_csv 就可以，这样就不需要去从新去查询和获取数据了。

这篇关于07. BI - 量化交易，如何编写代码来利用 MACD 决定选股策略的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---