喜欢指标又初学量化的朋友，今天小Q就和大家深入浅出地学习PTrade量化交易软件中四种常用且功能强大的技术指标：异同移动平均线（MACD）、随机指标（KDJ）、相对强弱指标（RSI）以及顺势指标（CCI）。我们将详细阐述这些指标的定义、计算原理、函数接口、参数设置、返回值以及在实际量化交易场景中的应用与注意事项，让我们一起来学习吧~

一、MACD (异同移动平均线)

get_MACD(close, short=12, long=26, m=9)

MACD（Moving Average Convergence Divergence）异同移动平均线，是查拉尔·阿佩尔（Gerald Appel）于1970年代提出的一种技术分析工具。它通过计算两条不同速度的指数移动平均线（EMA）之间的差异来研判股票价格的变化趋势。MACD的核心思想是利用长期与短期移动平均线之间的聚合与分离状况，来判断买卖时机。当短期EMA上穿长期EMA时，表明市场处于上涨趋势；反之，当短期EMA下穿长期EMA时，则预示市场可能进入下跌趋势。

参数说明

•close：价格的时间序列数据，类型为numpy.ndarray。这是计算MACD指标的基础数据，通常是股票的收盘价序列。

•short：短周期，类型为int，默认值为12。计算短期指数移动平均线的周期长度。

•long：长周期，类型为int，默认值为26。计算长期指数移动平均线的周期长度。

•m：移动平均线的周期，类型为int，默认值为9。用于计算DIF线的指数移动平均线（即DEA线）的周期长度。

返回值

get_MACD函数会返回三个numpy.ndarray类型的时间序列数据，分别对应MACD指标的三个组成部分：

•MACD指标dif值的时间序列：对应DIF线的数据。

•MACD指标dea值的时间序列：对应DEA线的数据。

•MACD指标macd值的时间序列：对应MACD柱的数据。

def initialize(context):    g.security = "000001.SZ"    set_universe(g.security)def handle_data(context, data):    h = get_history(60, '1d', ['close','high','low'], security_list=g.security)    close_data = h['close'].values    macdDIF_data, macdDEA_data, macd_data = get_MACD(close_data, 12, 26, 9)    dif = macdDIF_data[-1]    dea = macdDEA_data[-1]    macd = macd_data[-1]

使用场景与注意事项

get_MACD函数主要用于回测和交易模块中，这意味着它可以在构建量化交易策略时，用于历史数据回溯测试以及实时交易决策。但我们在使用MACD指标时，以下几点需要值得我们注意：

•金叉与死叉：当DIF线上穿DEA线时，形成“金叉”，通常被视为可能的买入信号；当DIF线下穿DEA线时，形成“死叉”，通常被视为可能卖出信号。

•背离：当股价走势与MACD指标走势出现相反方向时，称为背离。例如，股价创新高但MACD指标未能创新高，可能预示上涨动能减弱，存在顶背离风险；反之，股价创新低但MACD指标未能创新低，可能预示下跌动能减弱，存在底背离机会。

•零轴：MACD指标的零轴是区分多头和空头市场的重要分界线。当DIF和DEA线在零轴上方运行时，表明市场处于多头趋势；当它们在零轴下方运行时，则表明市场处于空头趋势。

•参数优化方向：short、long和m这三个参数的设置对MACD指标的灵敏度有显著影响。不同的市场环境或交易品种可能需要不同的参数组合，建议通过历史数据回测进行参数优化，以找到最适合当前策略的参数。

•结合其他指标：MACD指标虽然功能强大，但并非万能。在实际应用中，建议将其与其他技术指标（如KDJ、RSI、成交量等）结合使用，以提高交易信号的准确性和可靠性。

二、KDJ (随机指标)

get_KDJ(high, low, close, n=9, m1=3, m2=3)

KDJ指标，又称随机指标（Stochastic Oscillator），是由乔治·莱恩（George C. Lane）于1950年代后期发明的一种动量指标。它主要用于识别金融资产（如股票、期货等）的超买超卖状态、潜在趋势转折点及价格波动强度。KDJ指标通过比较收盘价与特定周期内的价格范围，来反映价格动量的强弱和趋势的持续性。KDJ指标由三条曲线组成。

参数说明

•high：最高价的时间序列数据，类型为numpy.ndarray。用于计算周期内最高价。

•low：最低价的时间序列数据，类型为numpy.ndarray。用于计算周期内最低价。

•close：收盘价的时间序列数据，类型为numpy.ndarray。用于计算RSV。

•n：周期参数，类型为int，默认值为9。用于计算未成熟随机值（RSV）的周期长度，决定指标对价格波动的敏感度。周期越短（如N=5），指标反应越灵敏；周期越长（如N=14），信号越平滑但可能滞后。

•m1：K值的平滑周期，类型为int，默认值为3。对RSV进行指数移动平均（EMA）处理，进一步平滑K值曲线。

•m2：D值的平滑周期，类型为int，默认值为3。对K值进行指数移动平均（EMA）处理，进一步平滑D值曲线。

返回值

get_KDJ函数会返回三个numpy.ndarray类型的时间序列数据，分别对应KDJ指标的三个组成部分：

•KDJ指标k值的时间序列：对应K线的数据。

•KDJ指标d值的时间序列：对应D线的数据。

•KDJ指标j值的时间序列：对应J线的数据。

def initialize(context):    g.security = "000001.SZ"    set_universe(g.security)def handle_data(context, data):    h = get_history(60, '1d', ['close','high','low'], security_list=g.security)    high_data = h['high'].values    low_data = h['low'].values    close_data = h['close'].values    k_data, d_data, j_data = get_KDJ(high_data, low_data, close_data, 9, 3, 3)    k = k_data[-1]    d = d_data[-1]    j = j_data[-1]

使用场景与注意事项

get_KDJ函数同样仅在回测、交易模块可用。在使用KDJ指标时，以下几点是需要重点关注的：

•超买超卖区：KDJ指标通常以0-100为范围。当K、D、J值都处于80以上时，被认为是超买区，预示价格可能面临回调；当K、D、J值都处于20以下时，被认为是超卖区，预示价格可能出现反弹。J线由于其敏感性，可能超出此范围，例如J值大于100或小于0，这通常表示极端的超买或超卖状态。

•金叉与死叉：当K线上穿D线时，形成“金叉”，通常被视为买入信号；当K线下穿D线时，形成“死叉”，通常被视为卖出信号。J线与K线和D线的交叉也可以提供交易信号，例如J线上穿K线和D线，通常是可能出现强烈的买入信号。

•背离：与MACD类似，KDJ指标也存在背离现象。当股价创新高而KDJ指标未能创新高时，形成顶背离，预示上涨动能减弱；当股价创新低而KDJ指标未能创新低时，形成底背离，预示下跌动能减弱。

•钝化现象：在极强的单边行情中（如持续上涨或下跌），KDJ指标可能会长时间处于超买或超卖区，出现“钝化”现象，此时其指示作用会减弱。交易者应结合其他指标或价格行为进行综合判断。

•参数选择：n、m1、m2参数的选择会影响KDJ指标的灵敏度和平滑度。短周期参数（如N=5）使指标更灵敏，适合短线交易；长周期参数（如N=14）使指标更平滑，适合中长线交易。建议根据交易策略和市场特性进行参数优化。

那么我们将今天的内容进行整合得到了下面的这个框架~欢迎大家自行到模拟盘去调参测试并魔改，有需要开通量化权限和低费率账户欢迎添加联系方式。

import numpy as npdef initialize(context):    # 初始化此策略    g.security = '*****.SS'    set_universe(g.security)def before_trading_start(context, data):    h = get_history(20, '1d', field=['close', 'volume'], security_list=g.security,                    fq='dypre', include=False, is_dict=True)    g.close_data = h[g.security]['close']def handle_data(context, data):    # 获取历史日K线数据    current_price = data[g.security].close    # 合成最新K线序列    close_data = np.concatenate((g.close_data, np.array(list([current_price]))), axis=0)    # 获取5日、10日均线    ma5 = get_ma(close_data, 5)    ma10 = get_ma(close_data, 10)    # 得到当前资金余额    cash = context.portfolio.cash    # KDJ指标计算    h = get_history(60, '1d', ['close','high','low'], security_list=g.security)    high_data = h['high'].values    low_data = h['low'].values    close_data_kdj = h['close'].values    k_data, d_data, j_data = get_KDJ(high_data, low_data, close_data_kdj, 9, 3, 3)    k = k_data[-1]    d = d_data[-1]    j = j_data[-1]    # MACD指标计算    macdDIF_data, macdDEA_data, macd_data = get_MACD(close_data, 12, 26, 9)    dif = macdDIF_data[-1]    dea = macdDEA_data[-1]    macd = macd_data[-1]    # 如果当前有余额，并且五日均线大于十日均线    if ma5 > ma10 and get_position(g.security).amount == 0:        # 用所有 cash 买入股票        order_value(g.security, cash)        # 记录这次买入        log.info("Buying %s" % g.security)    # 如果五日均线小于十日均线，并且目前有头寸    elif ma5 < ma10 and get_position(g.security).enable_amount > 0:        # 全部卖出        order_target(g.security, 0)        # 记录这次卖出        log.info("Selling %s" % g.security)# 获取MA函数def get_ma(close_array, num):    ma = close_array[-num:].mean()    return round(ma, 2)