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。

量化投资系列文章：

Backtrader 教程 — Python 量化投资实战教程(1)

Python 量化投资实战教程(2) —MACD策略(+26.9%)

Python 量化投资实战教程(3) —A股回测MACD策略

Github仓库：https://github.com/Ckend/pythondict-quant

---

上一回，我们基于简单的MACD策略回测了华正新材这只股票的收益率，发现效果非常好，收益达到了26.9%，但这个策略放到其他股票上会不会有这么高的收益呢？我们今天就来试试看这个策略在不考虑基本面，只考虑技术面的情况下，在A股上的平均表现。

为了回测该策略在A股上的平均表现，我们从A股随机选取了1000只股票，使用MACD策略回测其2010年1月1日至今，使用MACD策略进行投资的表现。其中，以一万元作为本金，佣金为万分之五，每次交易100股。

最终发现，使用该策略最终亏损的股票有626只，盈利的有372只，有2只股票数据不足被去除。最高盈利有84%，最差亏损也达-34%。盈利超过10%的股票有30只，亏损超过30%的有29只。并总结了这30只盈利超过10%的股票的特点。

下面是用Python和backtrader分析这些股票的详细教程。在公众号后台回复：量化投资3 可获得本文全部代码及数据。本系列文章github仓库：
https://github.com/Ckend/pythondict-quant

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

2.改造策略

最方便的回测股票数据的形式是将股票数据存储在MySQL数据库中，每次回测从数据库中拉取数据即可。但为了能够方便地让大家复现实验，我们将这些股票的数据以文件的形式存储下来。

策略上，我们不需要做改变，但是需要将运行策略的这一部分封装起来，用于批量执行策略：

def run_cerebro(stock_file, result):
    """
    运行策略
    :param stock_file: 股票数据文件位置
    :param result: 回测结果存储变量
    """
    
    cerebro = bt.Cerebro()

    cerebro.addstrategy(TestStrategy)

    # 加载数据到模型中
    data = bt.feeds.GenericCSVData(
        dataname=stock_file,
        fromdate=datetime.datetime(2010, 1, 1),
        todate=datetime.datetime(2020, 4, 25),
        dtformat='%Y%m%d',
        datetime=2,
        open=3,
        high=4,
        low=5,
        close=6,
        volume=10,
        reverse=True
    )
    cerebro.adddata(data)

    # 本金10000，每次交易100股
    cerebro.broker.setcash(10000)
    cerebro.addsizer(bt.sizers.FixedSize, stake=100)

    # 万五佣金
    cerebro.broker.setcommission(commission=0.0005)

    # 运行策略
    cerebro.run()

    # 剩余本金
    money_left = cerebro.broker.getvalue()

    # 获取股票名字
    stock_name = stock_file.split('\\')[-1].split('.csv')[0]

    # 将最终回报率以百分比的形式返回
    result[stock_name] = float(money_left - 10000) / 10000

然后遍历所有股票，运行策略，结果保存在result变量中：

files_path = 'stocks\\'
result = []

# 遍历所有股票数据
for stock in os.listdir(files_path):
    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
    datapath = os.path.join(modpath, files_path + stock)
    print(datapath)
    try:
        run_cerebro(datapath, result)
    except Exception as e:
        print(e)

最后，我们使用pickle将变量结果保存为文件，以方便后续分析：

f = open('./batch_macd_result.txt', 'wb')
pickle.dump(result, f)
f.close()

随后，我们就可以随意分析这个结果，而不用重新跑一遍策略了。

3.结果分析

接下来，使用最简单的方法分析结果：

import pickle

# 加载保存的结果
f = open('./batch_macd_result.txt', 'rb')
data = pickle.load(f)
f.close()

# 计算
pos = []
neg = []
ten_pos = []
ten_neg = []
for result in data:
    res = data[result]
    if res > 0:
        pos.append(res)
    else:
        neg.append(res)

    if res > 0.1:
        ten_pos.append(result)
    elif res < -0.1:
        ten_neg.append(result)

max_stock = max(data, key=data.get)

print(f'最高收益的股票： {max_stock}, 达到 {data[max_stock]}')
print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')
print(f'+10%数量: {len(ten_pos)}, -10%数量:{len(ten_neg)}')
print(f'收益10%以上的股票: {ten_pos}')

随机抽取的1000千股票，回测结果如下：

D:\\CODE\\stock\\backtrader>python analysis.py
最高收益 600745.SH, 达到 0.8413365999999998
正收益数量: 372, 负收益数量:626
+10%数量: 30, -10%数量:29
收益10%以上的股票: \['000403.SZ', '000858.SZ', '002271.SZ', '002311.SZ', '002475.SZ', '002555.SZ', '002568.SZ', '002605.SZ', '002714.SZ', '300007.SZ', '300136.SZ', '300220.SZ', '300347.SZ', '300476.SZ', '300482.SZ', '300566.SZ', '300601.SZ', '300613.SZ', '300630.SZ', '300725.SZ', '600570.SH', '600585.SH', '600745.SH', '601231.SH', '601799.SH', '603297.SH', '603378.SH', '603655.SH', '603737.SH', '603823.SH'\]

显然，在不考虑基本面的情况下，该策略的收益并不高，因此不建议用该策略进行A股整体回测并作交易。但是我们可以观察一下收益10%以上的股票的基本面特点。

你会发现大部分使用MACD策略收益10%以上的股票，其同比年利润增长都是大于0的，只有2只股票例外。此外，大部分股票平均年利润同比增长都在20%到30%左右，而且不会有太大的波动。

所以，MACD策略只有在股票的基本面优秀的情况下，才能发挥最大的价值。而在股票基本面比较差的情况下，这个策略的表现非常差，因此对于投机者而言，它并不是一个好的策略，但是对于价值投资者而言，其具备一定的参考价值。

好了，我们关于MACD策略的分析就到这里，如果大家有进一步的兴趣的话，记得关注Python实用宝典哦，我们将每周更新一期量化投资相关的推送，希望大家喜欢，本文的代码及数据，请在公众号后台回复：量化投资3 下载。

我们的文章到此就结束啦，如果你希望我们今天的Python 实战教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦，有任何问题都可以在下方留言区留言，我们都会耐心解答的！

---

Python实用宝典
不只是一个宝典
欢迎关注公众号：Python实用宝典

原文来自Python实用宝典：Python 量化投资实战教程(3) —A股回测MACD策略

上一回，我们基于简单的MACD策略回测了华正新材这只股票的收益率，发现效果非常好，收益达到了26.9%，但这个策略放到其他股票上会不会有这么高的收益呢？我们今天就来试试看这个策略在不考虑基本面，只考虑技术面的情况下，在A股上的平均表现。

为了回测该策略在A股上的平均表现，我们从A股随机选取了1000只股票，使用MACD策略回测其2010年1月1日至今，使用MACD策略进行投资的表现。其中，以一万元作为本金，佣金为万分之五，每次交易100股。

最终发现，使用该策略最终亏损的股票有626只，盈利的有372只，有2只股票数据不足被去除。最高盈利有84%，最差亏损也达-34%。盈利超过10%的股票有30只，亏损超过30%的有29只。并总结了这30只盈利超过10%的股票的特点。

下面是用Python和backtrader分析这些股票的详细教程。在公众号后台回复：量化投资3 可获得本文全部代码及数据。本系列文章github仓库：https://github.com/Ckend/pythondict-quant

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

 

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

2.改造策略

最方便的回测股票数据的形式是将股票数据存储在MySQL数据库中，每次回测从数据库中拉取数据即可。但为了能够方便地让大家复现实验，我们将这些股票的数据以文件的形式存储下来。

策略上，我们不需要做改变，但是需要将运行策略的这一部分封装起来，用于批量执行策略：

 

def run_cerebro(stock_file, result):

    """

    运行策略

    :param stock_file: 股票数据文件位置

    :param result: 回测结果存储变量

    """

    cerebro = bt.Cerebro()

​

    cerebro.addstrategy(TestStrategy)

​

    # 加载数据到模型中

    data = bt.feeds.GenericCSVData(

        dataname=stock_file,

        fromdate=datetime.datetime(2010, 1, 1),

        todate=datetime.datetime(2020, 4, 25),

        dtformat='%Y%m%d',

        datetime=2,

        open=3,

        high=4,

        low=5,

        close=6,

        volume=10,

        reverse=True

    )

    cerebro.adddata(data)

​

    # 本金10000，每次交易100股

    cerebro.broker.setcash(10000)

    cerebro.addsizer(bt.sizers.FixedSize, stake=100)

​

    # 万五佣金

    cerebro.broker.setcommission(commission=0.0005)

​

    # 运行策略

    cerebro.run()

​

    # 剩余本金

    money_left = cerebro.broker.getvalue()

​

    # 获取股票名字

    stock_name = stock_file.split('\\')[-1].split('.csv')[0]

​

    # 将最终回报率以百分比的形式返回

    result[stock_name] = float(money_left - 10000) / 10000

然后遍历所有股票，运行策略，结果保存在result变量中：

 

files_path = 'stocks\\'

result = []

​

# 遍历所有股票数据

for stock in os.listdir(files_path):

    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))

    datapath = os.path.join(modpath, files_path + stock)

    print(datapath)

    try:

        run_cerebro(datapath, result)

    except Exception as e:

        print(e)

最后，我们使用pickle将变量结果保存为文件，以方便后续分析：

 

f = open('./batch_macd_result.txt', 'wb')

pickle.dump(result, f)

f.close()

随后，我们就可以随意分析这个结果，而不用重新跑一遍策略了。

3.结果分析

接下来，使用最简单的方法分析结果：

 

import pickle

​

# 加载保存的结果

f = open('./batch_macd_result.txt', 'rb')

data = pickle.load(f)

f.close()

​

# 计算

pos = []

neg = []

ten_pos = []

ten_neg = []

for result in data:

    res = data[result]

    if res > 0:

        pos.append(res)

    else:

        neg.append(res)

​

    if res > 0.1:

        ten_pos.append(result)

    elif res < -0.1:

        ten_neg.append(result)

​

max_stock = max(data, key=data.get)

​

print(f'最高收益的股票： {max_stock}, 达到 {data[max_stock]}')

print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')

print(f'+10%数量: {len(ten_pos)}, -10%数量:{len(ten_neg)}')

print(f'收益10%以上的股票: {ten_pos}')

随机抽取的1000千股票，回测结果如下：

 

D:\CODE\stock\backtrader>python analysis.py

最高收益 600745.SH, 达到 0.8413365999999998

正收益数量: 372, 负收益数量:626

+10%数量: 30, -10%数量:29

收益10%以上的股票: ['000403.SZ', '000858.SZ', '002271.SZ', '002311.SZ', '002475.SZ', '002555.SZ', '002568.SZ', '002605.SZ', '002714.SZ', '300007.SZ', '300136.SZ', '300220.SZ', '300347.SZ', '300476.SZ', '300482.SZ', '300566.SZ', '300601.SZ', '300613.SZ', '300630.SZ', '300725.SZ', '600570.SH', '600585.SH', '600745.SH', '601231.SH', '601799.SH', '603297.SH', '603378.SH', '603655.SH', '603737.SH', '603823.SH']

显然，在不考虑基本面的情况下，该策略的收益并不高，因此不建议用该策略进行A股整体回测并作交易。但是我们可以观察一下收益10%以上的股票的基本面特点。

你会发现大部分使用MACD策略收益10%以上的股票，其同比年利润增长都是大于0的，只有2只股票例外。此外，大部分股票平均年利润同比增长都在20%到30%左右，而且不会有太大的波动。

所以，MACD策略只有在股票的基本面优秀的情况下，才能发挥最大的价值。而在股票基本面比较差的情况下，这个策略的表现非常差，因此对于投机者而言，它并不是一个好的策略，但是对于价值投资者而言，其具备一定的参考价值。

好了，我们关于MACD策略的分析就到这里，如果大家有进一步的兴趣的话，记得关注Python实用宝典哦，我们将每周更新一期量化投资相关的推送，希望大家喜欢，本文的代码及数据，请在公众号后台回复：量化投资3 下载。

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！