Python 金融量化 均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)

• 6.2 绘图代码

• 6.3常用MACD交易思想

获取数据

---

以从Tushare获取深证成指(‘399001.SZ’)股价数据为例。

导入相关模块

import os

import numpy as np

import tushare as ts

import pandas as pd

import matplotlib.pyplot as plt

from datetime import datetime, timedelta

from pylab import mpl

token = ‘Your token’ # 输入你的接口密匙，获取方式及相关权限见Tushare官网。

pro = ts.pro_api(token)

df = pro.index_daily(ts_code=‘399001.SZ’) #index_daily为指数日线的接口。股票的则为daily。

将获取到的DataFrame数据进行标准化处理，转换为方便自己使用的一种规范格式。

df = df.loc[:, [‘trade_date’, ‘open’, ‘high’, ‘low’, ‘close’, ‘vol’]]

df.rename(

columns={

‘trade_date’: ‘Date’, ‘open’: ‘Open’,

‘high’: ‘High’, ‘low’: ‘Low’,

‘close’: ‘Close’, ‘vol’: ‘Volume’},

inplace=True) # 重定义列名，方便统一规范操作。

df[‘Date’] = pd.to_datetime(df[‘Date’]) # 转换日期列的格式，便于作图

df.set_index([‘Date’], inplace=True) # 将日期列作为行索引

df = df.sort_index() # 倒序，因为Tushare的数据是最近的交易日数据显示在DataFrame上方，倒序后方能保证作图时X轴从左到右时间序列递增。

Close = df[‘Close’] # 取出收盘数据。

now = datetime.now() # 现在时间

today = now.strftime(‘%Y-%m-%d’) # 今日日期

设置一会儿生成的图像文件的保存路径，这里该三行命令在D盘创建一个以今日日期命名的文件夹。

path = ‘D:/’ + today

if not os.path.exists(path):

os.mkdir(path)

准备工作完毕，走起！

---

1.简单移动平均(SMA)

---

1.1 简单移动平均数

• 即以算术平均的方式对目标数据对象求均值。(5日为例)

SMAt=5 = p 1 + p 2 + p 3 + p 4 + p 5 5 \displaystyle {\frac{p1+p2+p3+p4+p5}{5} } 5p1+p2+p3+p4+p5​

求取5日简单移动平均数

Sma5 = pd.Series(0.0,index=Close.index)

for i in range(4,len(Close)):

Sma5[i] = sum(Close[i-4:(i+1)])/5

求取10日简单移动平均数

Sma10 = pd.Series(0.0,index=Close.index)

for i in range(9,len(Close)):

Sma10[i] = sum(Close[i-9:(i+1)])/10

1.2 绘制5&10日简单移动平均线

取2020年的数据绘图

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.plot(Close[‘2020’], label=“Close”, color=‘g’)

plt.plot(Sma5[‘2020’], label=“Sma5”, color=‘r’, linestyle=‘dashed’)

plt.plot(Sma10[‘2020’], label=“Sma10”, color=‘b’, linestyle=‘dashed’)

plt.title(‘深证成指近2020全年收盘数据附5&10日MAV图’)

plt.legend() # 增设图例

plt.show()

plt.savefig(path + ‘/深证成指2020年收盘数据时序图附5&10日MAV.png’)

运行效果如下图所示：

1.3 定义简单移动平均计算函数

def smaCal(tsPrice, k):

import pandas as pd

Sma = pd.Series(0.0, index=tsPrice.index)

for i in range(k-1, len(tsPrice)):

Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k

return(Sma)

调用

smaCal(Close[‘2020’], 5)

1.4 定义简单移动平均绘图函数

设定传入三个参数：name:序列名字(如“深证成指”，便于注明于图像标题。)

tsPrice: Series类型的数据序列。

不定参数我们规定为最多只能五个，即最多添加五根均线。

def plot_smaCal(name,tsPrice, *args):

if len(args)>5:

print(‘提示：添加均线数量最多是五个！’)

return None

import pandas as pd

plt.plot(tsPrice, label=“Close”, color=‘g’)

colors = [‘r’, ‘k’, ‘b’, ‘c’, ‘y’] # 设定5个颜色，也即关系到上边均线数量的上限。

j = 0 # 用于颜色索引转换

for k in args:

Sma=pd.Series(0.0, index=tsPrice.index)

for i in range(k-1, len(tsPrice)):

Sma[i] = sum(tsPrice[(i-k+1):(i+1)])/k

plt.plot(Sma[k-1:], label=“Sma”+str(k), color=colors[j], linestyle=‘dashed’)

j += 1

days=‘&’.join([str(ints) for ints in args])

plt.title(name + ‘收盘数据附’ + days + ‘日MAV图’)

plt.legend() # 增设图例

plt.show()

plt.savefig(path + ‘/’ + name + ‘收盘数据时序图附’ + days + ‘MAV.png’)

调用

plot_smaCal(‘深证成指’,Close[‘2020’],5,10,20,50)

输出结果如图：

1.5 直接使用mplfinance库来绘制

直接使用mplfinance库来绘制不失为一种更简单的方法。

import mplfinance as mpf

road = path + ‘/深证成指2020年收盘数据附5&10日MAV图.jpg’

s = mpf.make_mpf_style(base_mpf_style=‘blueskies’, rc={‘font.family’: ‘SimHei’}) # 解决mplfinance绘制输出中文乱码

mpf.plot(df[‘2020’], type=‘line’,

ylabel=“price”, style=s, title=‘深证成指2020年时序图附5&10日双均线’, mav=(5, 10), volume=True, ylabel_lower=“volume(shares)”, savefig=road)

通过设定不定长参数mav，即想要得到简单移动平均线的时间跨度，来获取想要的结果。

然后在前边指定的目录即可查看到图像(这里是保存在D盘今日日期命名的文件夹里边)

图像效果如下：

---

2.加权移动平均

---

2.1 加权移动平均数

加权移动平均，即对数据赋予一定的权重后再求平均。

一般认为离当前时间点越近的数据越具有代表性，越远则越没有代表性。

WMAt=5 = w1p1 + w2p2 + w3p3 + w4p4 + w5p5

(其中w1 + w2 + w3 + w4 + w5 = 1)

5日加权移动平均线

b1 = np.array([1, 2, 3, 4, 5])

w1 = b1/sum(b1) # 定义一组权重

Wma5 = pd.Series(0.0, index=Close.index)

for i in range(4,len(Close)):

Wma5[i] = sum(w1*Close[i-4:(i+1)])

10日加权移动平均线

b2 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

w2 = b2/sum(b2) # 定义一组权重

Wma10 = pd.Series(0.0, index=Close.index)

for i in range(9,len(Close)):

Wma10[i] = sum(w2*Close[i-9:(i+1)])

2.2 定义加权移动平均计算函数

def wmaCal(tsPrice, weight):

import pandas as pd

import numpy as np

k = len(weight)

arrWeight = np.array(weight)

Wma=pd.Series(0.0, index=tsPrice.index)

for i in range(k-1, len(tsPrice.index)):

Wma[i] = sum(arrWeight * tsPrice[(i-k+1):(i+1)])

return(Wma)

调用

b = np.array([1, 2, 3, 4, 5])

w = b1/sum(b)

wmaCal(Close[‘2020’],w)

2.3 绘制加权移动平均线

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.plot(Close[‘2020’], label=“Close”, color=‘g’)

plt.plot(Wma5[‘2020’], label=“Wma5”, color=‘r’, linestyle=‘dashed’)

plt.plot(Wma10[‘2020’], label=“Wma10”, color=‘b’, linestyle=‘dashed’)

plt.title(‘深证成指近2020年收盘数据附5&10日加权WAV图’)

plt.legend() # 增设图例

plt.show()

plt.savefig(path + ‘/深证成指2020年收盘数据时序图附5&10日MAV.png’)

图像效果展示如下：

---

3.指数加权移动平均(EMA)(EXPMA)(EWMA)

---

3.1指数加权移动平均数

指数加权移动平均也可简称指数移动平均，相当于一种比较特别的加权移动平均。需要先给定一个权重值w，比如0.2。时间跨度为k。第k期的EWMAt=k为前k期的算数平均数。

第k+1期EWMAt=k+1 = w * pk+1 + (1-w) * EWMA t=k

即当天指数移动平均数 = 0.2*当天股价 + 0.8 * 前一天指数移动平均

后边的按此公式以此类推。

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！