常用技术指标及指标计算过程

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化交易与金融时间序列分析中，技术指标是提取市场特征、过滤高频噪音与刻画资产运行规律的核心数学工具。从简单的移动平均线到复杂的多周期振荡器，技术指标本质上是对开盘价、最高价、最低价、收盘价与成交量（OHLCV）等基础行情序列进行的非线性或线性数学变换。本讲系统梳理常用技术指标的数学机理、移动平均线家族的权重衰减特性，并建立工业级 Python 向量化指标计算管线。

💡 核心导读

• 技术指标的数学本质与降维思想：
  • 降维与滤波：原始 K 线行情充斥着微观流动性冲击与随机游走噪音，技术指标通过滑动窗口（Rolling Window）与卷积平滑提取低频趋势与周期特征；
  • 状态映射：将连续的价格序列转化为具有统计学上下界（如 RSI、KDJ 的 [0, 100] 区间）或相对零轴对称的偏离度分布。
• 移动平均线（MA）家族三大流派数学对比：
  • 简单移动平均（SMA）：等权重算术平均，对历史与最新价格一视同仁，存在明显的滞后性与“尾部剔除效应”； $$SMA_t = \frac{1}{N} \sum_{i=0}^{N-1} Price_{t-i}$$
  • 加权移动平均（WMA）：线性递减权重，近期价格赋予更高权重： $$WMA_t = \frac{\sum_{i=0}^{N-1} (N-i) Price_{t-i}}{\sum_{i=0}^{N-1} (N-i)}$$
  • 指数移动平均（EMA）：无限冲激响应（IIR）平滑，近期权重呈几何级数衰减，天然消除尾部跳变： $$EMA_t = \alpha Price_t + (1-\alpha) EMA_{t-1}, \quad \alpha = \frac{2}{N+1}$$
• 指标计算的量化工程铁律：
  • 严格遵循因果律（Causality），计算当前 Bar $t$ 的指标值时仅允许使用 $t$ 及历史数据，坚决杜绝未来函数。

┌─────────────────────────────────────────────────────────────┐
│                    技术指标特征提取与信号生成拓扑图         │
└──────────────────────────────┬──────────────────────────────┘
                               │
 原始 OHLCV 行情时序            ▲
 ┌─────────────────────────────┴─────────────────────────────┐
│ • Open, High, Low, Close, Volume, Open Interest             │
 └─────────────────────────────┬─────────────────────────────┘
                               │ (向量化滑动窗口变换)
 ┌───────────────┬─────────────┼─────────────┬───────────────┐
 ▼               ▼             ▼             ▼               ▼
┌─────────────┐ ┌───────────┐ ┌───────────┐ ┌───────────┐ ┌─────────────┐
│1. 趋势型指标│ │2. 均值回复│ │3. 能量动量│ │4. 成交量型│ │ 5. 波动率型 │
├─────────────┤ ├───────────┤ ├───────────┤ ├───────────┤ ├─────────────┤
│ • SMA / EMA │ │ • 布林带  │ │ • MACD    │ │•OBV 能量潮│ │ • ATR 真实波│
│ • 唐奇安通道│ │ • KDJ / RSI│ │ • CCI / ROC│ │ • 量比 / VWAP││ • 历史波动率 │
└─────────────┘ └───────────┘ └───────────┘ └───────────┘ └─────────────┘

一、移动平均线算法推导与权重响应对比

移动平均线是所有技术指标的基石。不同的平滑权重对突发价格波动的敏感度截然不同：EMA 对最新价格跳空响应最灵敏，而 SMA 相对平缓但滞后性大。

import pandas as pd
import numpy as np

def calculate_ma_family(series, window=20):
    """
    计算移动平均线家族 (SMA, WMA, EMA)
    """
    # 1. 简单移动平均 SMA
    sma = series.rolling(window=window).mean()
    
    # 2. 指数移动平均 EMA
    ema = series.ewm(span=window, adjust=False).mean()
    
    # 3. 线性加权移动平均 WMA
    weights = np.arange(1, window + 1)
    wma = series.rolling(window=window).apply(lambda prices: np.dot(prices, weights) / weights.sum(), raw=True)
    
    return pd.DataFrame({
        'close': series,
        'SMA': sma,
        'EMA': ema,
        'WMA': wma
    })

# 合成价格序列，模拟一段趋势行情
rng = np.random.default_rng(42)
dates = pd.date_range(start='2024-01-01', periods=50, freq='D')
base_price = 100.0
price_series = base_price + np.cumsum(rng.normal(0.1, 0.8, 50))

# 计算移动平均线家族
ma_df = calculate_ma_family(pd.Series(price_series, index=dates), window=10)

print("===== 移动平均线家族计算示例 =====")
print(f"数据周期: {len(ma_df)} 个交易日")
print(f"价格序列范围: {price_series[0]:.2f} ~ {price_series[-1]:.2f}")
print("\n最后5个交易日的价格与移动平均线:")
print(ma_df[['close', 'SMA', 'EMA', 'WMA']].tail())
print("\n指标特性观察:")
print(f"  收盘价 > SMA10: {ma_df['close'].iloc[-1] > ma_df['SMA'].iloc[-1]}")
print(f"  EMA10 > SMA10: {ma_df['EMA'].iloc[-1] > ma_df['SMA'].iloc[-1]} (EMA对近期价格更敏感)")
print(f"  WMA10 > SMA10: {ma_df['WMA'].iloc[-1] > ma_df['SMA'].iloc[-1]} (WMA同样赋予近期更高权重)")

===== 移动平均线家族计算示例 =====
数据周期: 50 个交易日
价格序列范围: 100.34 ~ 108.65

最后5个交易日的价格与移动平均线:
                 close         SMA         EMA         WMA
2024-02-15  106.775228  105.870411  105.892271  106.144518
2024-02-16  107.572371  106.054077  106.197743  106.453965
2024-02-17  107.851247  106.322843  106.498380  106.780723
2024-02-18  108.494378  106.711880  106.861289  107.175548
2024-02-19  108.648441  107.054276  107.186226  107.527650

指标特性观察:
  收盘价 > SMA10: True
  EMA10 > SMA10: True (EMA对近期价格更敏感)
  WMA10 > SMA10: True (WMA同样赋予近期更高权重)

二、指标分类工程体系与无未来函数计算管线

在实际回测框架中，技术指标必须通过全向量化矩阵运算完成，以保证大规模股票池与高频数据的回测效率：

import pandas as pd
import numpy as np

def calculate_standard_indicators(df):
    """
    向量化计算典型技术指标矩阵 (严格防范未来函数)
    """
    res = df.copy()
    
    # 趋势指标: 20日均线与通道
    res['ma20'] = res['close'].rolling(20).mean()
    res['upper_channel'] = res['high'].rolling(20).max().shift(1)
    res['lower_channel'] = res['low'].rolling(20).min().shift(1)
    
    # 真实波幅 ATR
    tr1 = res['high'] - res['low']
    tr2 = (res['high'] - res['close'].shift(1)).abs()
    tr3 = (res['low'] - res['close'].shift(1)).abs()
    res['tr'] = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)
    # SMA 口径 ATR(教学简化, 第14根才出值、换窗有跳变); Wilder 原版为递归平滑 res['tr'].ewm(alpha=1/14, adjust=False).mean(), TradingView/文华/通达信默认该口径
    res['atr14'] = res['tr'].rolling(14).mean()
    
    return res

# 合成行情数据，包含价格波动与跳空
rng = np.random.default_rng(123)
n_bars = 60
dates = pd.date_range(start='2024-03-01', periods=n_bars, freq='D')
base_close = 50.0
close_prices = base_close + np.cumsum(rng.normal(0.05, 1.2, n_bars))
# 模拟一个跳空缺口
close_prices[40:] += 8.0

df_synth = pd.DataFrame({
    'open': close_prices - rng.uniform(0.1, 0.5, n_bars),
    'high': close_prices + rng.uniform(0.2, 1.0, n_bars),
    'low': close_prices - rng.uniform(0.5, 1.2, n_bars),
    'close': close_prices,
    'volume': rng.integers(10000, 50000, n_bars)
}, index=dates)

# 计算技术指标
df_with_indicators = calculate_standard_indicators(df_synth)

print("===== 常用技术指标向量化计算 =====")
print(f"数据样本数: {len(df_with_indicators)}")
print(f"有效指标样本数 (滚动窗口后): {df_with_indicators['ma20'].notna().sum()}")
print("\n最后交易日的指标值:")
last_idx = -1
print(f"  收盘价: {df_with_indicators['close'].iloc[last_idx]:.2f}")
print(f"  MA20: {df_with_indicators['ma20'].iloc[last_idx]:.2f}")
print(f"  上通道: {df_with_indicators['upper_channel'].iloc[last_idx]:.2f}")
print(f"  下通道: {df_with_indicators['lower_channel'].iloc[last_idx]:.2f}")
print(f"  ATR14: {df_with_indicators['atr14'].iloc[last_idx]:.4f} (平均真实波幅)")
print("\n关键风控点:")
print(f"  价格突破上通道: {df_with_indicators['close'].iloc[last_idx] > df_with_indicators['upper_channel'].iloc[last_idx]}")
print(f"  价格跌破下通道: {df_with_indicators['close'].iloc[last_idx] < df_with_indicators['lower_channel'].iloc[last_idx]}")
print(f"  ATR/收盘价比率: {(df_with_indicators['atr14'].iloc[last_idx] / df_with_indicators['close'].iloc[last_idx])*100:.2f}%")

===== 常用技术指标向量化计算 =====
数据样本数: 60
有效指标样本数 (滚动窗口后): 41

最后交易日的指标值:
  收盘价: 67.87
  MA20: 68.97
  上通道: 71.05
  下通道: 59.55
  ATR14: 1.7918 (平均真实波幅)

关键风控点:
  价格突破上通道: False
  价格跌破下通道: False
  ATR/收盘价比率: 2.64%

📝 动手练一练

下面我们用 Python 编写一段 常用技术指标向量化计算与响应测试脚本，模拟全时序数据清洗与 SMA/EMA/ATR 指标输出：

import pandas as pd
import numpy as np

def run_indicators_calculation():
    """
    技术指标向量化计算与输出模拟
    """
    rng = np.random.default_rng(42)
    dates = pd.date_range("2023-01-01", periods=60, freq="B")
    
    # 构造含有一段突发脉冲的行情
    p = 100.0 + np.cumsum(rng.normal(0.05, 1.0, 60))
    p[35:] += 5.0  # 模拟跳空突发价格
    
    df = pd.DataFrame({
        'open': p - 0.2,
        'high': p + 0.5,
        'low': p - 0.5,
        'close': p,
        'volume': rng.uniform(1000, 5000, 60)
    }, index=dates)
    
    # 计算 SMA20, EMA20 与 ATR14
    df['sma20'] = df['close'].rolling(20).mean()
    df['ema20'] = df['close'].ewm(span=20, adjust=False).mean()
    
    tr1 = df['high'] - df['low']
    tr2 = (df['high'] - df['close'].shift(1)).abs()
    tr3 = (df['low'] - df['close'].shift(1)).abs()
    # SMA 口径 ATR; Wilder 原版为 TR 的 ewm(alpha=1/14, adjust=False).mean() 递归平滑(主流行情软件默认口径)
    df['atr14'] = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1).rolling(14).mean()
    
    res = {
        "Total_Bars": len(df),
        "Last_Close": f"{df['close'].iloc[-1]:.2f} 元",
        "Last_SMA20": f"{df['sma20'].iloc[-1]:.2f} 元",
        "Last_EMA20": f"{df['ema20'].iloc[-1]:.2f} 元",
        "Last_ATR14": f"{df['atr14'].iloc[-1]:.2f} 元",
        "EMA_vs_SMA_Lead": f"{(df['ema20'].iloc[-1] - df['sma20'].iloc[-1]):.2f} 元 (EMA 响应更快)"
    }
    return res

# 执行计算并输出结果
res = run_indicators_calculation()
print("================ 常用技术指标向量化计算测试 ================")
for k, v in res.items():
    print(f"  - {k:<20}: {v}")
print("----------------------------------------------------------")
print("量化精髓: 熟练掌握指标数学内涵，严格使用向量化滚动计算杜绝未来函数！")
print("==========================================================")

运行结果输出：

================ 常用技术指标向量化计算测试 ================
  - Total_Bars          : 60
  - Last_Close          : 111.92 元
  - Last_SMA20          : 110.93 元
  - Last_EMA20          : 110.26 元
  - Last_ATR14          : 1.26 元
  - EMA_vs_SMA_Lead     : -0.67 元 (EMA 响应更快)
----------------------------------------------------------
量化精髓: 熟练掌握指标数学内涵，严格使用向量化滚动计算杜绝未来函数！
==========================================================

本章小结

1. 领会指标降维本质：技术指标是对市场原始行情的高维特征提取与噪音滤波，服务于定量决策。
2. 区分均线平滑权重：根据策略对时间敏感度的要求，合理选用 SMA（平稳）或 EMA（灵敏）。
3. 推行向量化工程实现：利用 pandas.rolling() 与 ewm() 打造高性能、无未来函数的标准指标库。

📋 行动清单 (Action Checklist)

• 运行本讲技术指标计算代码，观察跳空行情下 EMA 与 SMA 的响应时滞差异；
• 尝试为自己的量化框架封装通用的 ATR 与真实波幅计算函数；
• 预习下一节，深入学习趋势型技术指标（MACD、EMA、唐奇安通道）的经典形态量化。

—— 小象教研组