量化交易——MACD是什么，用python来验证交易时把它作为买卖信号到底靠不靠谱

在我刚开始学习股票的时候，是跟着b站上的视频学习的，当讲到macd的时候，up主反复强调macd是指标之王，股票里面有那么多的指标，但是却只有macd被称为指标之王，当macd出现金叉的时候，预示着股价即将上涨，是一个很好的买入信号，当macd出现死叉时，预示着股价即将下跌，是一个卖出信号。在看其他的书籍资料的时候，也都着重的介绍了macd，那么macd是什么，它是如何计算出来的，用它来作为交易的买卖信号到底靠不靠谱呢。下面先看一下macd是怎么计算的，然后再用python来验证用它来作为交易的买卖信号到底靠不靠谱。

MACD被称为异同移动平均线，在交易软件里面，我们可以看到，macd指标图如下图所示:

从图中可以看出，它是由两条曲线和一些红色绿色的柱子组成的，白色的曲线是dif线，黄色的曲线是dea线（不同的交易软件曲线颜色可能不一样），而红色绿色的柱子就是macd指标，柱子的高度就是macd的绝对值的大小，红色代表macd为正，绿色代表macd为负。dif是由快的指数移动平均线（EMA12）减去慢的指数移动平均线（EMA26）得到的，而dea则是dif的9日加权移动平均线，像这么说确实是很难看懂，还是看一下具体的是怎么计算的吧，首先看一下指数移动平均线的计算公式：

Y[t]=(1-alpha)*Y[t-1]+alpha*X[t],而alpha=2/(span+1),

其中Y[t]为t时刻的指数加权平均数，Y[t-1]为t-1时刻的指数加权平均数，X[t]为t时刻的数据的值，span为范围周期(即当计算EMA12时，span=12，计算EMA26时，span=26)，知道了指数加权平均数的计算公式之后，就可以计算macd了，计算过程如下：

计算EMA12: EMA12=前一日的(EMA12)*11/13+2/13*当日收盘价
计算EMA26: EMA26=前一日的(EMA26)*25/27+2/27*当日收盘价
计算dif的值： dif=EMA12-EMA26
计算dea的值(即dif的EMA9): dea=前一日dea*8/10+2/10*当日dif
计算出红色绿色柱子的值: 2*(dif-dea)

知道了macd是怎么计算出来的之后，再来用python来验证一下用它来作为交易时候的买卖信号到底靠不靠谱，先来看一下000001（平安银行）这只股票在2010年1月1日到2020年12月31日这11年之间的表现，代码如下:

import configparser

import pymysql

import pandas as pd

from matplotlib import pyplot as plt

# 设置字体，解决matplotlib中文乱码问题

plt.rcParams['font.sans-serif'] = ['SimHei']

# 配置文件路径

conf = 'configuration/config.ini'

# 读取配置文件

cf = configparser.ConfigParser()

cf.read(conf)

# 获取mysql连接信息

user = cf.get('mysql', 'user')

password = cf.get('mysql', 'password')

host = cf.get('mysql', 'host')

port = cf.get('mysql', 'port')

port = int(port)

# print('user=%s, password=%s, host=%s, port=%s' % (user, password, host, port))

# 连接mysql数据库

try:

    conn = pymysql.connect(

        user=user,

        password=password,

        host=host,

        port=port

    )

    cur = conn.cursor()

    # 查出指定股票在2010年至2020年之间的交易信息

    ssql = "select dt, close from stocks.stock_price" \

           " where stock_code = '000001'" \

           " and dt >= '2010-01-01'" \

           " and dt <= '2020-12-31'"

    cur.execute(ssql)

    df = cur.fetchall()

finally:

    cur.close()

    conn.close()

df = pd.DataFrame(df, columns=['dt', 'close'])

# 计算EMA12

df['EMA12'] = df['close'].ewm(span=12, adjust=False).mean()

# 计算EMA26

df['EMA26'] = df['close'].ewm(span=26, adjust=False).mean()

# 计算dif线

df['dif'] = df['EMA12'] - df['EMA26']

# 计算dea线

df['dea'] = df['dif'].ewm(span=9, adjust=False).mean()

# 计算macd的值

df['macd'] = 2 * (df['dif'] - df['dea'])

# print(df.head(10))

# macd图出现金叉时，其实就是当天的macd大于等于0，并且前一天的macd小于0

handle1 = df['macd'] > 0

handle2 = df['macd'].shift(1) <= 0

# 当出现金叉时，信号设置为1

df.loc[handle1 & handle2, 'signal'] = 1

# macd图出现死叉时，判断方法与出现金叉时相反

handle1 = df['macd'] < 0

handle2 = df['macd'].shift(1) >= 0

# 当出现死叉时，信号设置为0

df.loc[handle1 & handle2, 'signal'] = 0

# 计算这只股票1日，5日，10日，20日之后的涨跌幅

day_list = [1, 5, 10, 20]

for i in day_list:

    df['{}日后的涨跌幅'.format(i)] = (df['close'].shift(-i)-df['close']) / df['close']

    # 将涨跌幅数据类型设置为float并保留两位小数

    df['{}日后的涨跌幅'.format(i)] = df['{}日后的涨跌幅'.format(i)].astype(float)

    df['{}日后的涨跌幅'.format(i)] = df['{}日后的涨跌幅'.format(i)].round(4)

    # 判断股票在n日之后是否上涨

    df['{}日之后是否上涨'.format(i)] = df['{}日后的涨跌幅'.format(i)] > 0

    df['{}日之后是否上涨'.format(i)].fillna(value=False, inplace=True)

# df.to_csv('data/macd.csv')

# 创建两个空列，分别存放macd出现金叉后的1天，5天，10天，20天的上涨和下跌的情况

up_list = []

down_list = []

# 按macd信号分组

for signal, group in df.groupby('signal'):

    if signal == 1:

        # 计算macd出现金叉的次数

        cnt = group.shape[0]

        print('期间macd一共出现过{}次金叉'.format(cnt))

    for i in day_list:

        # macd出现金叉时执行

        if signal == 1:

            # 计算期间macd出现金叉后上涨的次数

            up_cnt = group[group['{}日后的涨跌幅'.format(i)] > 0].shape[0]

            # 分别计算出macd出现金叉后1天，5天，10天，20天的上涨的概率并保留4位小数

            up_rate = up_cnt/cnt

            up_rate = round(up_rate, 4)

            # print('{}日后上涨的概率'.format(i), up_rate)

            # print(up_rate)

            up_list.append(up_rate)

            # 计算期间macd出现金叉之后下跌的次数

            down_cnt = group[group['{}日后的涨跌幅'.format(i)] < 0].shape[0]

            # 分别计算出macd出现金叉后1天，5天，10天，20天的下跌的概率并保留4位小数

            down_rate = down_cnt/cnt

            down_rate = round(down_rate, 4)

            print('macd出现金叉%2d日后,上涨了%2d次,上涨的概率:' % (i, up_cnt), up_rate, '  下跌了%2d次，下跌的概率:' % (down_cnt), down_rate)

            # print(down_rate)

            down_list.append(down_rate)

# 画出涨跌图像

# 设置x轴和y轴范围

plt.xlim(0, 5)

plt.ylim(0, 0.7)

# 画出涨跌图

plt.bar([0.9, 1.9, 2.9, 3.9], up_list, width=0.2, color='red', alpha=0.7)

plt.bar([1.1, 2.1, 3.1, 4.1], down_list, width=0.2, color='green', alpha=0.7)

# 设置图例

plt.legend(['macd出现金叉后上涨的概率', 'macd出现金叉后下跌的概率'], loc='best')

# 显实涨跌数据

for x, y in enumerate(up_list):

    plt.text(x+0.55, y+0.01, y)

for x, y in enumerate(down_list):

    plt.text(x+1, y+0.01, y)

plt.plot([0, 5], [0.5, 0.5], '--', color='blue', alpha=0.3)

# 设置主图名称

plt.title('MACD出现金叉后涨跌概率图', fontsize=14)

# 设置x轴和y轴名称

plt.xlabel('macd出现金叉', fontsize=14)

plt.ylabel('上涨/下跌的概率', fontsize=14)

# 设置x轴坐标显实格式

plt.xticks([1, 2, 3, 4], ['一天后', '五天后', '十天后', '二十天后'])

plt.yticks([0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7],

           [0, '10%', '20%', '30%', '40%', '50%', '60%', '70%'])

plt.show()

得到的结果如下图：

根据数据显实，从2010年1月1日到2020年12月31日11年间，平安银行一共出现过97次金叉，从上图中可以看到，在macd出现金叉一天之后和五天之后，下跌的概率比上涨的概率高一些，而十天之后和二十天之后，上涨和下跌的概率都在50%左右。

再来看一下出现死叉之后的表现，直接看图如下：

从图中可以看出，macd出现死叉一天后，五天后，十天后和二十天之后的上涨和下跌的概率都差不多，都集中的50%左右。

之后我又测试了一些其它的股票，感觉当macd出现金叉和死叉，在之后的一天，五天，十天，二十天的涨跌幅都是比较接近的，而且都是趋于50%左右，后面有时间可以把这个程序改一下，来验证一下目前A股4000多只股票的综合情况。

根据得出的数据，我觉得在交易过程中，可以把macd看成一个参考指标，但是不能作为买卖时候的交易信号，因为这个涨跌概率其实就是和抛硬币差不多，还不如抛硬币来的直接。在交易的时候，不管是用什么指标，都应该结合其它指标来看，而不是只看单一的指标。

量化交易——MACD是什么，用python来验证交易时把它作为买卖信号到底靠不靠谱的相关教程结束。