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)

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。

第五天指数加权移动平均数为前五天的算数平均数

Ewma5_number1 = np.mean(Close[0:5])

Ewma5 = pd.Series(0.0, index=Close.index)

Ewma5[4]=Ewma5_number1

计算第六天及以后的指数移动平均数

for i in range(5, len(Close)):

Ewma5[i] = Ewma5[i-1]*0.8 + Close[i]*0.2

Ewma5.head(10)

• 由其计算特点可知，即便选择的时间跨度相同，权重相同。选择的研究日期起点不同，指数加权移动平均数也会不同。因为首个值是用算术平均的方法计算的。

3.2 指数加权移动平均线

绘制指数加权移动平均线图像

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

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

plt.plot(Ewma5[‘2020’], label=“Ewma5”, color=‘g’, linestyle=‘-.’)

plt.title(‘深证成指近2020年收盘数据时序图附5日指数移动平均线’)

plt.legend()

plt.show()

结果如图所示：

3.2定义计算指数加权移动平均数函数

def ewmaCal(tsPrice, period=5,exponential=0.2):

import pandas as pd

import numpy as np

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

Ewma[period-1]=np.mean(tsPrice[:period])

for i in range(period, len(tsPrice)):

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

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！