news 2026/9/28 20:16:16

实战演练：基于Python的MA、MACD、KDJ、RSI、OBV技术指标计算与SVM预测模型构建

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
实战演练：基于Python的MA、MACD、KDJ、RSI、OBV技术指标计算与SVM预测模型构建

1. 技术指标计算基础与数据准备

在开始构建预测模型之前，我们需要先理解几个核心概念。技术指标就像是股市的"体检报告"，通过数学公式对原始交易数据进行加工，帮助我们更清晰地看到市场走势。这次我们要重点关注的五个指标各有特点：

  • MA（移动平均线）：相当于股价的"平均体温"，能平滑短期波动
  • MACD（指数平滑异同平均线）：像是股市的"心电图"，反映多空力量变化
  • KDJ（随机指标）：测量股价的"超买超卖"状态，类似温度计的过热过冷警示
  • RSI（相对强弱指数）：评估买卖力量的"体力值"，范围在0-100之间
  • OBV（能量潮）：通过成交量观察资金的"流动方向"，好比观测资金河流的流向

我建议使用Anaconda环境，它已经集成了我们需要的所有基础工具包。先安装几个关键库：

conda install pandas numpy matplotlib scikit-learn

数据准备阶段有个容易踩坑的地方——日期格式处理。很多新手会忽略这一点，导致后续计算全部出错。建议用这个方法来确保日期排序正确：

import pandas as pd data = pd.read_excel('trd_data.xlsx') data['Trddt'] = pd.to_datetime(data['Trddt']) # 确保转为datetime类型 data = data.sort_values('Trddt') # 按日期升序排列

2. 五大技术指标的手动实现

2.1 移动平均线(MA)的Python实现

移动平均线是最基础也最实用的指标。我常把它比作"股市的近视眼镜"，能帮我们过滤掉日常波动的小噪音。计算5日、10日、20日均线的完整代码如下：

def calculate_ma(data): ma = pd.DataFrame() ma['5日MA'] = data['收盘价'].rolling(window=5).mean() ma['10日MA'] = data['收盘价'].rolling(window=10).mean() ma['20日MA'] = data['收盘价'].rolling(window=20).mean() # 处理前几日不足窗口大小的NaN值 ma['5日MA'].iloc[:4] = data['收盘价'].iloc[:4].cumsum() / np.arange(1,5) ma['10日MA'].iloc[:9] = data['收盘价'].iloc[:9].cumsum() / np.arange(1,10) return ma

实际应用中，我建议同时观察三条均线的排列关系。当短期均线从下向上穿过长期均线时（金叉），往往是买入信号；反之（死叉）则是卖出信号。

2.2 MACD指标的编程实现

MACD由三部分组成：DIF（快线）、DEA（慢线）和MACD柱。计算时有个技巧：先算12日和26日EMA，再用它们的差值得到DIF。完整实现如下：

def calculate_macd(data): # 计算EMA ema12 = data['收盘价'].ewm(span=12, adjust=False).mean() ema26 = data['收盘价'].ewm(span=26, adjust=False).mean() # 计算DIF和DEA dif = ema12 - ema26 dea = dif.ewm(span=9, adjust=False).mean() macd = (dif - dea) * 2 return pd.DataFrame({'DIF': dif, 'DEA': dea, 'MACD': macd})

我在实际使用中发现，MACD在震荡市中容易产生假信号，最好配合其他指标一起使用。当DIF上穿DEA且MACD柱由负转正时，是比较可靠的买入时机。

2.3 KDJ指标的计算方法

KDJ指标计算相对复杂，需要先找出9日内的最高价和最低价。这里有个优化技巧：用rolling方法同时计算极值，可以提升效率：

def calculate_kdj(data): low_min = data['最低价'].rolling(9).min() high_max = data['最高价'].rolling(9).max() rsv = (data['收盘价'] - low_min) / (high_max - low_min) * 100 k = rsv.ewm(com=2).mean() # 相当于2/3权重 d = k.ewm(com=2).mean() j = 3 * k - 2 * d return pd.DataFrame({'K': k, 'D': d, 'J': j})

KDJ指标在80以上为超买区，20以下为超卖区。但要注意，在强势上涨行情中，KDJ可能会长时间停留在超买区，此时不宜简单卖出。

3. 构建SVM预测模型

3.1 特征工程与数据整合

把前面计算的所有指标合并成一个特征矩阵，这是建模的关键步骤。我通常会这样处理：

def prepare_features(ma, macd, kdj, rsi, obv): features = pd.concat([ ma.add_prefix('MA_'), macd.add_prefix('MACD_'), kdj.add_prefix('KDJ_'), rsi.add_prefix('RSI_'), obv.add_prefix('OBV_') ], axis=1) # 处理缺失值 features = features.dropna() return features

特别注意要确保特征和标签的对齐。我遇到过因为索引错位导致模型效果异常的情况，后来养成了每次合并数据后都重置索引的习惯：

features = features.reset_index(drop=True) labels = labels.reset_index(drop=True)

3.2 SVM模型的训练与调优

支持向量机对特征缩放很敏感，务必先做标准化。这是我的标准处理流程：

from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV # 数据标准化 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 参数网格 param_grid = { 'C': [0.1, 1, 10], 'gamma': [0.01, 0.1, 1], 'kernel': ['rbf', 'linear'] } # 网格搜索 grid = GridSearchCV(SVC(), param_grid, cv=5) grid.fit(X_train_scaled, y_train) # 最佳模型 best_svc = grid.best_estimator_

在实际项目中，我发现RBF核函数通常表现最好，但线性核训练速度更快。如果数据量很大，可以先用线性核试跑，再考虑更复杂的核函数。

3.3 模型评估与结果分析

不要只看准确率，特别是当数据不平衡时（比如上涨下跌天数不均）。我建议使用混淆矩阵和分类报告：

from sklearn.metrics import classification_report, confusion_matrix y_pred = best_svc.predict(X_test_scaled) print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred))

还可以计算策略收益率来验证模型的实用性：

# 假设test_data包含实际收盘价 test_data['预测信号'] = y_pred test_data['每日收益率'] = test_data['收盘价'].pct_change() test_data['策略收益率'] = test_data['预测信号'].shift(1) * test_data['每日收益率'] cumulative_return = (1 + test_data['策略收益率']).cumprod()

4. 实战经验与优化建议

在长期实践中，我总结了几个提升模型效果的关键点：

  1. 特征选择：不是所有指标都有用。可以用递归特征消除(RFE)来选择重要特征：
from sklearn.feature_selection import RFE selector = RFE(best_svc, n_features_to_select=10) selector.fit(X_train_scaled, y_train)
  1. 参数调优：除了网格搜索，还可以尝试随机搜索或贝叶斯优化。我常用的参数范围：
param_dist = { 'C': loguniform(1e-3, 1e3), 'gamma': loguniform(1e-4, 1e1), 'kernel': ['rbf', 'linear'] }
  1. 样本平衡：如果涨跌天数不平衡，可以使用类别权重：
class_weight = {1: len(y_train)/(2*np.sum(y_train==1)), -1: len(y_train)/(2*np.sum(y_train==-1))} model = SVC(class_weight=class_weight)
  1. 模型融合：单一模型总有局限，可以尝试结合多个模型：
from sklearn.ensemble import VotingClassifier from sklearn.ensemble import RandomForestClassifier models = [ ('svm', SVC(probability=True)), ('rf', RandomForestClassifier()) ] ensemble = VotingClassifier(models, voting='soft')

最后提醒一点：市场环境会变化，模型需要定期重新训练。我通常每3个月就会用新数据重新训练一次模型，同时保留旧模型作为对照。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/8/23 9:44:47

突破行业瓶颈的色彩管理开源方案：OpenColorIO配置为ACES深度解析

突破行业瓶颈的色彩管理开源方案：OpenColorIO配置为ACES深度解析 【免费下载链接】OpenColorIO-Config-ACES 项目地址: https://gitcode.com/gh_mirrors/op/OpenColorIO-Config-ACES 在影视制作与视觉效果领域，色彩一致性始终是横跨拍摄、剪辑、…

作者头像 李华
网站建设 2026/8/23 9:44:47

降AI工具不达标不退款？教你3招辨别靠谱和不靠谱的平台

降AI工具不达标不退款？教你3招辨别靠谱和不靠谱的平台 前几天在论坛上看到一个帖子，楼主花了198块买了某降AI工具的"包过套餐"，结果处理后知网AIGC率还有41%。找客服退款，对方先说"我们的检测标准跟知网不同"…

作者头像 李华
网站建设 2026/8/23 9:44:49

HEIC缩略图预览：让Windows系统轻松识别苹果照片的实用工具

HEIC缩略图预览：让Windows系统轻松识别苹果照片的实用工具 【免费下载链接】windows-heic-thumbnails Enable Windows Explorer to display thumbnails for HEIC files 项目地址: https://gitcode.com/gh_mirrors/wi/windows-heic-thumbnails 在数字影像时代…

作者头像 李华
网站建设 2026/8/23 9:44:50

VS Code搭建STM32嵌入式开发环境（GCC+OpenOCD+Makefile）

1. 基于 VS Code 的 STM32 嵌入式开发环境构建实践在工业级嵌入式产品开发中，开发工具链的稳定性、可复现性与团队协作能力，远比图形化界面的便捷性更为关键。Keil MDK 虽长期占据主流地位，但其商业授权模式在中小研发团队、高校教学及开源项…

作者头像 李华
网站建设 2026/8/23 9:44:50

SiameseUIE与Anaconda环境集成：Python开发最佳实践

SiameseUIE与Anaconda环境集成：Python开发最佳实践 本文将详细介绍如何在Anaconda环境中高效开发和部署SiameseUIE应用，涵盖虚拟环境配置、依赖管理、开发调试等全流程实践指南。 1. 环境准备与Anaconda安装 Anaconda是Python数据科学开发的利器&#x…

作者头像 李华
网站建设 2026/8/23 9:44:50

无需复杂配置！Meta-Llama-3-8B-Instruct一键部署体验最佳对话应用

无需复杂配置！Meta-Llama-3-8B-Instruct一键部署体验最佳对话应用 1. 引言：为什么选择Meta-Llama-3-8B-Instruct Meta-Llama-3-8B-Instruct是Meta公司2024年4月推出的80亿参数指令微调模型，作为Llama 3系列的中等规模版本，它在对…

作者头像 李华