MACD策略学习

概念介绍

• 移动平均值（EMA）

   EMA（12）=前一日EMA（12）×11/13+今日收盘价×2/13
   EMA（26）=前一日EMA（26）×25/27+今日收盘价×2/27
  

  计算移动均值是一个不断累加并调整系数的过程。与传统均值的区别在于：移动均值参考到该股票自上市以来每一天的收盘价，并在每次累计上新的收盘价时，弱化之前收盘价的比重，以实现动态累计的效果。

• 离差值（DIF）

   DIF=今日EMA（12）－今日EMA（26）
  

  离差值是双均线策略的核心指标。计算离差值的意义在于：反映该股票的发展势头。理论上，当DIF>0，则发展势头向好。

• 离差平均值（EMA）

   今日DEA（MACD）=前一日DEA×8/10+今日DIF×2/10
  

• MACD柱

   MACD柱值=（DIF-DEA）×2
  

  此处做差的原理与DIF相同，这里的DIF也就相当于周期为1日的DEA。因此，如果说DIF的正负是衡量发展势头是否向好，那么MACD柱则反应发展势头有多猛，数学意义相当于对DIF求导。

• 几个参数之间的关系
  

对该指标的一些想法与分析

1、移动平均线的优势

• 参考到更多的历史数据
• 动态赋权：近则影响大，远则影响小

2、分析股票主要有两个角度：长期和短期。如均线只能反映股票的历史价格，但通过两条不同周期的均线比较，从而判断当前参数近期内的发展趋势。MACD柱的原理同理。

3、为什么需要MACD指标？MACD是对股价的抽象，意在发现其涨跌周期律。那么如何来进行高层抽象呢？其主要通过平均和不同周期做差这两个操作来实现。

• 平均是将新数据与历史数据进行合并，起到过滤噪声、平缓变化的作用。由于每日收盘价太过起伏，对近期股价的判断具有较高的随机性。所以我们进行一次抽象，计算平均值，应用均线策略来帮助判断。但均线策略仍具有较高的随机性，所以对均线再做平均，即对股价的二次抽象，得到MACD指标。
• 不同周期做差用于判断参数的发展势头。新股价的合并对不同周期参数产生不同影响，根据运算规则可知，对短期参数必然影响更大。而长期参数则可视为参考对象，其变化为必然变化，短期参数变化-必然变化=超额变化，也就是我们所说的趋势。

4、根据第三点的阐述，可知MACD的作用原理在于通过两层抽象来尝试挖掘股价的周期变化律。因此MACD的提出是基于这样一个假设的：股价存在涨跌周期律。而事实上我们也会发现：尽管每日收盘价是阴晴不定的，就算昨天涨今天也可能跌，具有跳跃性，但MACD柱都是渐变的，类似于正弦函数。理论而言，这具有合理性也我们的常识一致，因为势头由盛转衰、由衰转盛都不是突变的，但股价涨跌是突变的，致使在实际操作上存在问题。

5、第四点提出：由于MACD成立存在假设，所以理论与实际存在偏差。具体而言，其偏差主要体现在滞后性。当一只股票上涨一段时间后开始下跌，但下跌后的股价仍高于历史平均，就会使得DIF和DEA仍在上涨，导致MACD无法捕捉到这段下跌趋势。为了补足这个缺陷，在交易时合理的买入点为DIF超过DEA时产生的金叉，但合理的卖出点应为MACD柱的最高点。

6、缺陷情况补充：先下跌在上涨，综合第五点即为两种极值情况；适用情况：先平滑再上涨。

MACD策略回测

常规MACD策略为在0轴上金叉买入，在0轴之下死叉卖出

策略模板代码

import numpy as np
import pandas as pd
# 导入技术分析库
import talib as tb

def initialize(context):# 初始化
    g.security = '600160.XSHG'# 股票代码,XSHG:上海证券交易所,XSHE:深圳证券交易所
def handle_data(context, data):# 每日循环
    prices = attribute_history(g.security, 300, '1d', ['close'])
    price = np.array(prices['close'])
    cash = context.portfolio.cash# 取得当前的现金
    
    DIF, DEA, MACD = tb.MACD(
        price, 
        fastperiod=12, 
        slowperiod=26, 
        signalperiod=9)
            
    # 在0轴上金叉买入
    if DIF[-1] > 0 and DEA[-1] > 0:
        if (DIF[-2] <= DEA[-2]) and (DIF[-1] > DEA[-1]):
            order_value(g.security, cash)
    # 在0轴之下死叉卖出
    elif DIF[-1] < 0 and DEA[-1] < 0:
        if (DIF[-2] >= DEA[-2]) and (DIF[-1] < DEA[-1]):
            order_target(g.security, 0)

经过上述分析，我认为将卖出点设置为MACD柱最高点更为合适，即将上面代码的卖出部分改为

	# 在MACD最高点卖出
    if MACD[-1] < MACD[-2] * 0.95:
        order_target(g.security, 0)

以下为对部分行业的股票进行回测的结果
回测时间：2018/1/1-2020/3/1
基准收益：-2.25%

房地产股

股票代码	股票名称	传统策略	修改策略
000002	万科A	8.78%	3.78%
000402	金融街	-23.48%	5.27%
002146	荣盛发展	7.57%	8.64%
600048	保利地产	14.02%	-2.70%

银行股

股票代码	股票名称	传统策略	修改策略
601398	工商银行	-12.35%	-6.00%
601328	交通银行	-7.95%	-0.37%
601288	农业银行	-9.57%	3.76%
601818	光大银行	-12.09%	-2.67%

医药股

股票代码	股票名称	传统策略	修改策略
000538	云南白药	-20.76%	-2.45%
600276	恒瑞医药	62.98%	1.20%
601607	上海医药	0.00%	0.00%
600056	中国医药	-48.37%	-11.24%

在几组简单的测试条件下，修改策略在多数情况表现优于传统策略，但似乎也失去了一次大赚的机会。总体而言，修改策略相对传统策略更为保守和稳健。当然，上述测试尚不完全，有待进一步测试完善。