tech

TA-Lib技术分析库简明教程

在本文中，我们将介绍如何使用TA_Lib在 Python 中生成一些指标，你可以在交易机器人中使用它们，或者只是补充你的交易策略。

一键发币： SUI | SOL | BNB | ETH | BASE | ARB | OP | POLYGON | AVAX | FTM | OK

技术分析是一种交易学科，用于通过分析从交易活动中收集的统计趋势（例如价格变动和交易量）来评估投资并识别交易机会——Investopedia

由于人们对自动或“AI”交易机器人的兴趣增加，技术分析近年来越来越受欢迎。它是一种识别股票价格趋势的工具，尽管它可能是一个有争议的话题。有些人可能会将它比作股票交易的星座，而另一些人则反驳说它是一种利用市场机制的技术。

我认为它介于两者之间，如果使用得当，它是一种有用的工具，但需要充分理解，而不是盲目遵循。

在本文中，我们将介绍如何在 Python 中生成一些指标，你可以在交易机器人中使用它们，或者只是补充你的交易策略。

虽然技术分析可以让我们深入了解价格的动量，以确定阻力点或良好的买入机会，但它并不是一个可以 100% 确定价格走向的魔法球。不要指望技术分析能准确地告诉你 12 个月后股票的价格，在尝试将其用于交易策略时，了解其目的和局限性是最重要的。

1、安装 TA-Lib

与标准 Python 包相比，Ta-Lib 的安装可能有点棘手。

$ python -m pip install TA-Lib

理论上，它可以像任何其他包一样使用 pip 安装，但是，就我而言，我首先必须使用 vs2024 x64 本机工具命令终端将 Ta-Lib 安装到我的机器上。这还需要安装 vscode，这不会花太长时间（请注意，这是针对 Windows 的，MAC 或 Linux 过程会有所不同）。

有关安装说明的完整细分，请查看官方文档。

2、收集数据

与往常一样，在启动 Python 项目时，我们应该导入我们将要使用的库。对于这项工作，我们将使用 yfinance 来获取财务数据，以及 talib 来分析数据。

# Importing required libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import yfinance as yf
import talib as ta

在此示例中，我将使用 Microsoft 过去一年的数据，但你可以通过更改 ticker 和 time_period 变量来调整股票和时间长度。

ticker = 'MSFT'
time_period = '1y'

msft = yf.Ticker(ticker)
data = msft.history(period=time_period)

# Display the first few rows of the data
print(data.head())

这将为我们留下以下数据，每行代表过去一年的交易日。你可以深入研究其中很多内容，但我们关心的两列是收盘价和成交量，因为这些是我们将用来计算技术指标的数据。

至于如何获取我们的技术分析数据，这相对简单，我们需要首先启动一些空列表并循环遍历收盘价和成交量数据。

一旦我们完成了一些轻量级类型转换，得到了包含成交量和收盘价浮点数的 numpy 数组，我们就需要等到至少有 20 天的数据才能开始计算。

然后我们将这些数据传递给不同的 ta_lib 函数，并将结果格式化为数据框。

data_closes = []
data_volume = []
ret_list = []
for close, volume in zip(data['Close'], data['Volume']):
    # Keep track of the closing prices and volumes
    data_volume.append(volume)
    data_closes.append(close)
    
    # Convert the lists to numpy arrays
    int_data = [float(x) for x in data_volume]
    np_volume = np.array(int_data)
    
    float_data = [float(x) for x in data_closes]
    np_closes = np.array(float_data)
    
    # Once we have some data to analyze    
    if len(np_closes) > 20 and len(np_volume) > 20:
        
        # Calculate RSI (Relative Strength Index)
        RSI = ta.RSI(np_closes, timeperiod = 14) # Calculate RSI for last 14 closing prices
        
        # Calculate Moving Averages
        SMA = ta.SMA(np_closes, timeperiod = 20) # Calculate Simple Moving Average for last 20 closing prices
        EMA = ta.EMA(np_closes, timeperiod = 20) # Calculate Exponential Moving Average for last 20 closing prices
        
        # Calculate MACD (Moving Average Convergence Divergence)
        MACD, MACDsignal, MACDhist = ta.MACD(np_closes, fastperiod=12, slowperiod=26, signalperiod=9)
        
        # Bollinger Bands
        upperband, middleband, lowerband = ta.BBANDS(np_closes, timeperiod=18, nbdevup=2, nbdevdn=2, matype=0)
        
        # OBV
        OBV = ta.OBV(np_closes, np_volume)
        OBV_EMA = ta.EMA(OBV, timeperiod=18)

        ret_list.append([close, volume, RSI[-1], SMA[-1], EMA[-1], MACD[-1], MACDsignal[-1], MACDhist[-1], upperband[-1], middleband[-1], lowerband[-1], OBV[-1], OBV_EMA[-1]])
        # Display the first few rows of the data with the new technical indicators
        # print(data.head())
ta_df = pd.DataFrame(ret_list, columns=['Close', 'Volume', 'RSI', 'SMA', 'EMA', 'MACD', 'MACDsignal', 'MACDhist', 'upperband', 'middleband', 'lowerband', 'OBV', 'OBV_EMA'])

ta_df

我们已经收集了数据并计算了技术指标，但它们意味着什么呢？