用matplotlib和pandas绘制股票MACD指标图，并验证化交易策略

 从数学角度来分析，MACD指标是根据均线的构造原理，对股票收盘价进行平滑处理，计算出算术平均值以后再进行二次计算，它是属于趋向类指标。

MACD指标是由三部分构成的，分别是：DIF（离差值，也叫差离值）、DEA（离差值平均）和BAR（柱状线）。

具体的计算过程是，首先算出快速移动平均线（EMA1）和慢速移动平均线（EMA2），用这两个数值来测量两者间的差离值（DIF），在此基础上再计算差离值（DIF）N周期的平滑移动平均线DEA（也叫MACD、DEM）线。

如前文所述，EMA1周期参数一般取12日，EMA2一般取26日，而DIF一般取9日，在此基础上，MACD指标的计算步骤如下所示。

**第一步：**计算移动平均值（即EMA）。

12日EMA1的计算方式是：EMA（12）= 前一日EMA（12）× 11/13 ＋ 今日收盘价 × 2/13

26日EMA2的计算方式是：EMA（26）= 前一日EMA（26）× 25/27 ＋ 今日收盘价 ×2 /27

**第二步：**计算MACD指标中的差离值（即DIF）。

DIF = 今日EMA（12）－ 今日EMA（26）

**第三步：**计算差离值的9日EMA（即MACD指标中的DEA）。用差离值计算它的9日EMA，这个值就是差离平均值（DEA）。

今日DEA（MACD）= 前一日DEA × 8/10 ＋ 今日DIF × 2/10

**第四步：**计算BAR柱状线。

BAR = 2 × (DIF － DEA)

这里乘以2的原因是，在不影响趋势的情况下，从数值上扩大DIF和DEA差值，这样观察效果就更加明显。

最后，把各点（即每个交易日）的DIF值和DEA值连接起来，就能得到在x轴上下移动的两条线，分别表示短期（即快速，EMA1，周期是12天）和长期（即慢速，EMA2，周期是26天）。而且，DIF和DEA的离差值能构成红、绿两种颜色的柱状线，在x轴之上是红色，而x轴之下是绿色。

同K线指标一样，根据不同的计算周期， MACD指标也可以分为日指标、周指标、月指标乃至年指标。在下面的DrawMACD.py范例程序中将绘制日MACD指标，在这个范例程序中可以看到关于数据结构、图形绘制和数据库相关的操作，由于程序代码比较长，下面分段讲解。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    # 第一个参数是数据，第二个参数是周期
8    def calEMA(df, term):
9        for i in range(len(df)):
10           if i==0: # 第一天
11               df.ix[i,'EMA']=df.ix[i,'close']
12           if i>0:
13              df.ix[i,'EMA']=(term-1)/(term+1)*df.ix[i-1,'EMA']+2/(term+1) * df.ix[i,'close']
14       EMAList=list(df['EMA'])
15       return EMAList

在第8行到第15行的calEMA方法中，根据第二个参数term，计算快速（周期是12天）和慢速（周期是26天）的EMA值。

具体步骤是，通过第9行的for循环，遍历由第一个参数指定的DataFrame类型的df对象，根据第10行的if条件中，如果是第一天，则EMA值用当天的收盘价，如果满足第12行的条件，即不是第一天，则在第13行中根据8.3.1节的算法，计算当天的EMA值。

请注意，在第11行和第13行中是通过df.ix的形式访问索引行（比如第i行）和指定标签列（比如EMA列）的数值，ix方法与之前loc以及iloc方法不同的是，ix方法可以通过索引值和标签值访问，而loc以及iloc方法只能通过索引值来访问。计算完成后，在第14行把df的EMA列转换成列表类型的对象并在第15行返回。

16   # 定义计算MACD的方法
17   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
18       shortEMA = calEMA(df, shortTerm)
19       longEMA = calEMA(df, longTerm)
20       df['DIF'] = pd.Series(shortEMA) - pd.Series(longEMA)
21       for i in range(len(df)):
22           if i==0:         # 第一天
23               df.ix[i,'DEA'] = df.ix[i,'DIF']  # ix可以通过标签名和索引来获取数据
24           if i>0:
25                 df.ix[i,'DEA'] = (DIFTerm-1)/(DIFTerm+1)*df.ix[i-1,'DEA'] + 2/(DIFTerm+1)*df.ix[i,'DIF']
26       df['MACD'] = 2*(df['DIF'] - df['DEA'])
27       return df[['date','DIF','DEA','MACD']]
28       # return df

在第15行到第27行定义的calMACD方法中，将调用第8行定义的calEMA方法来计算MACD的值。具体步骤是，在第18行和第19行通过调用calEMA方法，分别得到了快速和慢速的EMA值，在第20行，用这两个值计算DIF值。请注意，shortEMA和longEMA都是列表类型，所以可以像第20行那样，通过调用pd.Series方法把它们转换成Series类对象后再直接计算差值。

从第21行到第25行的程序语句，也是根据8.3.1节给出的公式计算DEA值，同样要用两条if语句区分“第一天”和“以后几天”这两种情况，在第26行根据计算公式算出MACD的值。

第27行返回指定的列，在后面的代码中还要用到df对象的其他列，此时则可以用如第28行所示的代码返回df的全部列。

29   try:
30       # 打开数据库连接
31       db = pymysql.connect("localhost","root","123456","pythonStock" )
32   except:
33       print('Error when Connecting to DB.')
34       sys.exit()
35   cursor = db.cursor()
36   cursor.execute("select * from stock_600895")
37   cols = cursor.description        # 返回列名
38   heads = []
39   # 依次把每个cols元素中的第一个值放入col数组
40   for index in cols:
41       heads.append(index[0])
42   result = cursor.fetchall()
43   df = pd.DataFrame(list(result))
44   df.columns=heads
45   # print(calMACD(df, 12, 26, 9)) # 输出结果
46   stockDataFrame = calMACD(df, 12, 26, 9)

从第29行到第35行的程序语句，建立了MySQL数据库的连接和获得游标cursor对象，在第36行中，通过select类型的SQL语句，来获取stock\_600895表中的所有数据，如8.2节所述，这个数据表中的数据源自雅虎网站。

在第37行中，得到了stock\_600895数据表的字段列表。在第40行和第41行的for循环中，把字段列表中的第0行索引元素放入了heads。在第42行和第43行，把从stock\_600895数据表中获取的数据放入到df对象。在第44行的程序语句，把包含数据表字段列表的heads对象赋值给df对象的字段。

执行到这里，如果去掉第45行打印语句的注解，就能看到第一列输出的是字段名列表，之后会按天输出与MACD有关的股票指标数据。

在第46行调用了calMACD方法，并把结果赋值给stockDataFrame对象，之后就可以根据stockDataFrame对象中的值开始绘图。

47   # 开始绘图
48   plt.figure()
49   stockDataFrame['DEA'].plot(color="red",label='DEA')
50   stockDataFrame['DIF'].plot(color="blue",label='DIF')
51   plt.legend(loc='best')    # 绘制图例
52   # 设置MACD柱状图
53   for index, row in stockDataFrame.iterrows():
54       if(row['MACD'] >0):   # 大于0则用红色
55           plt.bar(row['date'], row['MACD'],width=0.5, color='red')
56       else:                               # 小于等于0则用绿色
57           plt.bar(row['date'], row['MACD'],width=0.5, color='green')
58   # 设置x轴坐标的标签和旋转角度
59   major_index=stockDataFrame.index[stockDataFrame.index%10==0]
60   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
61   plt.xticks(major_index,major_xtics)
62   plt.setp(plt.gca().get_xticklabels(), rotation=30)
63   # 带网格线，且设置了网格样式
64   plt.grid(linestyle='-.')
65   plt.title("600895张江高科的MACD图")
66   plt.rcParams['axes.unicode_minus'] = False
67   plt.rcParams['font.sans-serif']=['SimHei']
68   plt.show()

在第49和第50行中通过调用plot方法，以折线的形式绘制出DEA和DIF两根线，在第51行中设置了图例。

在第53行到第57行的for循环中，以柱状图的形式依次绘制了每天的MACD值的柱状线，这里用第54行和第56行的if…else语句进行区分，如果row['MACD']大于0，则MACD柱是红色，反之是绿色。

从第59行到第61行的程序语句设置了x轴的标签，如果显示每天的日期，那么x轴上的文字会过于密集，所以在第59行和第60行进行相应的处理，只显示stockDataFrame.index%10==0（即索引值是10的倍数）的日期。

在第62行设置了x轴文字的旋转角度，在第64行设置了网格的式样，在第65行设置了标题文字，最后在第68行通过调用show方法绘制了整个图形。

请注意，如果不编写第66行的程序语句，那么y轴标签值里的负号就不会显示，这样显示结果就不正确了。读者可以把这条语句注释掉后，再运行一下，看看结果如何。

 至此，我们实现了计算并绘制MACD指标线的功能，读者应该掌握了如何获得指定股票在指定时间段内的交易数据，而后可以稍微改写上述的范例程序，绘制出其他股票在指定时间范围内的MACD走势图。

 MACD是趋势类指标，如果把它与K线和均线整合到一起的话，就能更好地看出股票走势的“趋势性”。在下面的DrawKwithMACD.py范例程序中示范了整合它们的效果，由于程序代码比较长，因而在下面的分析中略去了一些之前分析过的重复代码，读者可以从本书提供下载的范例程序中看到完整的代码。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import matplotlib.pyplot as plt
5    import pymysql
6    import sys
7    from mpl_finance import candlestick2_ochl
8    from matplotlib.ticker import MultipleLocator
9    # 计算EMA的方法，第一个参数是数据，第二个参数是周期
10   def calEMA(df, term):
11       # 省略具体实现，请参考本书提供下载的完整范例程序
12   # 定义计算MACD的方法
13   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
14       # 省略中间的计算过程，请参考本书提供下载的完整范例程序
15       return df

从第3行到第8行的程序语句通过import语句导入了必要的依赖包，第10行定义的calEMA方法和DrawMACD.py范例程序中的完全一致，所以就省略了该方法内部的代码。第13行定义计算MACD的calMACD方法和DrawMACD.py范例程序中的同名方法也完全一致，但在最后的第15行，是通过return语句返回整个df对象，而不是返回仅仅包含MACD指标的相关列，这是因为，在后文中需要股票的开盘价等数值来绘制K线图。

16   try:
17       # 打开数据库连接
18       db = pymysql.connect("localhost","root","123456","pythonStock" )
19   except:
20       print('Error when Connecting to DB.')
21       sys.exit()
22   cursor = db.cursor()
23   cursor.execute("select * from stock_600895")
24   cols = cursor.description        # 返回列名
25   heads = []
26   # 依次把每个cols元素中的第一个值放入col数组
27   for index in cols:
28       heads.append(index[0])
29   result = cursor.fetchall()
30   df = pd.DataFrame(list(result))
31   df.columns=heads
32   # print(calMACD(df, 12, 26, 9)) # 输出结果
33   stockDataFrame = calMACD(df, 12, 26, 9)

从第16行到第33行的程序语句把需要的数据放入了stockDataFrame这个DataFrame类型的对象中，之后就可以根据其中的数据画图了，这段程序代码之前分析过，就不再重复讲述了。

34   # 开始绘图，设置大小，共享x坐标轴
35   figure,(axPrice, axMACD) = plt.subplots(2, sharex=True, figsize=(15,8))
36   # 调用方法绘制K线图
37   candlestick2_ochl(ax = axPrice, opens=stockDataFrame["open"].values, closes = stockDataFrame["close"].values, highs=stockDataFrame["high"].values,  lows = stockDataFrame["low"].values, width=0.75, colorup='red', colordown='green')
38   axPrice.set_title("600895张江高科K线图和均线图")   # 设置子图的标题
39   stockDataFrame['close'].rolling(window=3).mean().plot(ax=axPrice,color="red",label='3日均线')
40   stockDataFrame['close'].rolling(window=5).mean().plot(ax=axPrice,color="blue",label='5日均线')
41   stockDataFrame['close'].rolling(window=10).mean().plot(ax=axPrice,color="green",label='10日均线')
42   axPrice.legend(loc='best')       # 绘制图例
43   axPrice.set_ylabel("价格（单位：元）")
44   axPrice.grid(linestyle='-.')     # 带网格线

从第34行到第44行的程序语句绘制了指定时间范围内“张江高科”股票的K线图和均线，这部分代码和第7章drawKMAAndVol.py范例程序中实现同类功能的代码很相似，有差别的是在第35行，第二个子图的名字设置为“axMACD”，在第44行中通过linestyle设置了网格线的样式。

45   # 开始绘制第二个子图
46   stockDataFrame['DEA'].plot(ax=axMACD,color="red",label='DEA')
47   stockDataFrame['DIF'].plot(ax=axMACD,color="blue",label='DIF')
48   plt.legend(loc='best')    # 绘制图例
49   # 设置第二个子图中的MACD柱状图
50   for index, row in stockDataFrame.iterrows():
51       if(row['MACD'] >0):   # 大于0则用红色
52           axMACD.bar(row['date'], row['MACD'],width=0.5, color='red')
53       else:                               # 小于等于0则用绿色
54           axMACD.bar(row['date'], row['MACD'],width=0.5, color='green')
55   axMACD.set_title("600895张江高科MACD")   # 设置子图的标题
56   axMACD.grid(linestyle='-.')                # 带网格线
57   # xmajorLocator = MultipleLocator(10)    # 将x轴的主刻度设置为10的倍数
58   # axMACD.xaxis.set_major_locator(xmajorLocator)
59   major_xtics=stockDataFrame['date'][stockDataFrame.index%10==0]
60   axMACD.set_xticks(major_xtics)
61   # 旋转x轴显示文字的角度
62   for xtick in axMACD.get_xticklabels():
63       xtick.set_rotation(30)
64   plt.rcParams['font.sans-serif']=['SimHei']
65   plt.rcParams['axes.unicode_minus'] = False
66   plt.show()

在上述程序代码中，在axMACD子图内绘制了MACD线，由于是在子图内绘制，因此在第46行和第47行绘制DEA和DIF折线的时候，需要在参数里通过“ax=axMACD”的形式指定所在的子图。

在第59行和第60行中设置了axMACD子图中的x轴标签，由于在第35行中设置了axPrice和axMACD两子图是共享x轴，因此K线和均线所在子图的x轴刻度会和MACD子图中的一样。因为是在子图中，所以需要通过第62行和第63行的for循环依次旋转x轴坐标的标签文字。

在这段代码中其实给出了两种设置x轴标签的方式。如果注释掉第59行和第60行的代码，并去掉第57行和第58行的注释，会发现效果是相同的。

需要说明的是，虽然在第57行和第59行的代码中并没有指定标签文字，但在第37行调用candlestick2\_ochl方法绘制K线图时，会设置x轴的标签文字，所以依然能看到x轴上日期的标签。运行这个范例程序后，结果如图所示。

根据MACD各项指标的含义，可以通过DIF和DEA两者的值、DIF和DEA指标的交叉情况（比如金叉或死叉）以及BAR柱状图的长短与收缩的情况来判断当前股票的趋势。

如下两点是根据DIF和DEA的数值情况以及它们在x轴上下的位置来确定股票的买卖策略。

第一，当DIF和DEA两者的值均大于0（在x轴之上）并向上移动时，一般表示当前处于多头行情中，建议可以买入。反之，当两者的值均小于0且向下移动时，一般表示处于空头行情中，建议卖出或观望。

第二，当DIF和DEA的值均大于0但都在向下移动时，一般表示为上涨趋势即将结束，建议可以卖出股票或观望。同理，当两者的值均小于0，但在向上移动时，一般表示股票将上涨，建议可以持续关注或买进。

如下四点是根据DIF和DEA的交叉情况来决定买卖策略。

第一，DIF与DEA都大于0而且DIF向上突破DEA时，说明当前处于强势阶段，股价再次上涨的可能性比较大，建议可以买进，这就是所谓MACD指标黄金交叉，也叫金叉。

第二，DIF与DEA都小于0，但此时DIF向上突破DEA时，表明股市虽然当前可能仍然处于跌势，但即将转强，建议可以开始买进股票或者重点关注，这也是MACD金叉的一种形式。

第三，DIF与DEA虽然都大于0，但而DIF却向下突破DEA时，这说明当前有可能从强势转变成弱势，股价有可能会跌，此时建议看机会就卖出，这就是所谓MACD指标的死亡交叉，也叫死叉。

第四，DIF和DEA都小于0，在这种情况下又发生了DIF向下突破DEA的情况，这说明可能进入下一阶段的弱势中，股价有可能继续下跌，此时建议卖出股票或观望，这也是MACD死叉的一种形式。

如下两点是根据MACD中BAR柱状图的情况来决定买卖策略。

第一，红柱持续放大，这说明当前处于多头行情中，此时建议买入股票，直到红柱无法再进一步放大时才考虑卖出。相反，如果绿柱持续放大，这说明当前处于空头行情中，股价有可能继续下跌，此时观望或卖出，直到绿柱开始缩小时才能考虑买入。

第二，当红柱逐渐消失而绿柱逐渐出现时，这表明当前的上涨趋势即将结束，有可能开始加速下跌，这时建议可以卖出股票或者观望。反之，当绿柱逐渐消失而红柱开始出现时，这说明下跌行情即将或已经结束，有可能开始加速上涨，此时可以开始买入。

虽然说MACD指标对趋势的分析有一定的指导意义，但它同时也存在一定的盲点。

比如，当没有形成明显的上涨或下跌趋势时（即在盘整阶段），DIF和DEA这两个指标会频繁地出现金叉和死叉的情况，这时由于没有形成趋势，因此金叉和死叉的指导意义并不明显。

又如，MACD指标是对趋势而言的，从中无法看出未来时间段内价格上涨和下跌的幅度。比如在图8-11中，股票“张江高科”在价格高位时，DIF的指标在2左右，但有些股票在高位时，DIF的指标甚至会超过5。

因此，在实际使用中，投资者可以用MACD指标结合其他技术指标，比如之前提到的均线，从而能对买卖信号进行多重确认。

在CalBuyPointByMACD.py范例程序中将根据如下原则来验证买点：DIF向上突破DEA（出现金叉），且柱状图在x轴上方（即当前是红柱状态）。

在这个范例程序中，用的是股票“金石资源（代码为603505）从2018年9月到2019年5月的交易数据，程序代码如下。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # 第一个参数是数据，第二个参数是周期
7    def calEMA(df, term):
8      # 省略方法内的代码，请参考本书提供下载的完整范例程序
9    # 定义计算MACD的方法
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略中间计算过程的代码，最后返回的是df，请参考本书提供下载的完整范例程序
12       return df

上述代码的calEMA和calMACD方法和8.3.4节的范例程序中的代码完全一致，所以就不再重复讲述了。

13	def getMACDByCode(code):
14	    try:
15	        # 打开数据库连接
16	        db = pymysql.connect("localhost","root","123456","pythonStock" )
17	    except:
18	        print('Error when Connecting to DB.')
19	        sys.exit()  
20	    cursor = db.cursor()
21	    cursor.execute('select * from stock_'+code)
22	    cols = cursor.description  	# 返回列名
23	    heads = []
24	    # 依次把每个cols元素中的第一个值放入col数组
25	    for index in cols:
26	        heads.append(index[0])
27	    result = cursor.fetchall()
28	    df = pd.DataFrame(list(result))
29	    df.columns=heads
30	    stockDataFrame = calMACD(df, 12, 26, 9)
31	    return stockDataFrame

第13行开始的getMACDByCode方法中包含了从数据表中获取的股票交易数据并返回MACD指标的代码， 这部分程序代码与之前DrawKwithMACD.py范例程序中的程序也非常相似，只不过在第21行中是根据股票代码来动态地拼接select语句。该方法在第31行中返回包含MACD指标的stockDataFrame对象。

32	# print(getMACDByCode('603505')) 	# 可去除这条语句的注解以确认数据
33	stockDf = getMACDByCode('603505')
34	cnt=0
35	while cnt<=len(stockDf)-1:
36	    if(cnt>=30):		# 前几天有误差，从第30天算起
37	        try:
38	            # 规则1：这天DIF值上穿DEA
39	            if stockDf.iloc[cnt]['DIF']>stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']<stockDf.iloc[cnt-1]['DEA']:
40	                #规则2：出现红柱，即MACD值大于0
41	                if stockDf.iloc[cnt]['MACD']>0:
42	                    print("Buy Point by MACD on:" + stockDf.iloc[cnt]['date'])
43	        except:
44	            pass
45	    cnt=cnt+1

如果去掉第32行打印语句的注释，执行后就能确认数据。在第35行到第45行的while循环中，依次遍历了每个交易日的数据。有数据计算的误差，所以在这个范例程序中通过第36行的if语句排除了刚开始29天的数据，从第30天算起。

在第39行的if条件语句中制定了第一个规则，前一个交易日的DIF小于DEA，而且当天DIF大于DEA，即出现上穿金叉的现象。在第41行的if条件语句中制定了第二个规则，即出现金叉的当日，MACD指标需要大于0，即当前BAR柱是红柱状态。运行这个范例程序之后，就能看到如下输出的买点。

Buy Point by MACD on:2018-10-31

Buy Point by MACD on:2019-01-09

Buy Point by MACD on:2019-03-18

Buy Point by MACD on:2019-04-04

Buy Point by MACD on:2019-04-19

下面改写一下之前的范例程序，把股票代码改成603505，把股票名称改为“金石资源”，运行后即可看到如图所示的结果图。 

根据图中的价格走势，在表中列出了各买点的确认情况。

根据这个范例程序的运行结果，可以得到的结论是：通过MACD指标的确能算出买点，但之前也说过，MACD有盲点，在盘整阶段，趋势没有形成时，此时金叉的指导意义就不是很明显，甚至是错误的。

参考MACD指标，与8.4.2节描述的情况相反，如果出现如下情况，则可以卖出股票：DIF向下突破DEA（出现死叉），且柱状图向下运动（红柱缩小或绿柱变长）。下面通过股票“士兰微”（代码为600460）从2018年9月到2019年5月的交易数据来验证卖点。

先来做如下的准备工作：在MySQL的pythonStock数据库中创建stock\_600460数据表，在之前介绍的InsertDataFromYahoo.py范例程序中，把股票代码改为600460，运行后即可在stock\_600460数据表中看到指定时间范围内的交易数据。

验证MACD指标卖点的CalSellPointByMACD.py范例程序与之前CalBuyPointByMACD.py范例程序很相似，下面只分析不同的程序代码部分。

1    # !/usr/bin/env python
2    # coding=utf-8
3    import pandas as pd
4    import pymysql
5    import sys
6    # calEMA方法中的代码没有变
7    def calEMA(df, term):
8        # 省略方法内的程序代码，请参考本书提供下载的完整范例程序
9    # 定义计算MACD的方法内的程序代码也没有变
10   def calMACD(df, shortTerm=12, longTerm=26, DIFTerm=9):
11       # 省略方法内的程序代码，请参考本书提供下载的完整范例程序
12   def getMACDByCode(code):
13       # 和CalBuyPointByMACD.py范例程序中的程序代码一致
14   stockDf = getMACDByCode('600460')
15   cnt=0
16   while cnt<=len(stockDf)-1:
17       if(cnt>=30):         # 前几天有误差，从第30天算起
18           try:
19               # 规则1：这天DIF值下穿DEA
20               if stockDf.iloc[cnt]['DIF']<stockDf.iloc[cnt]['DEA'] and stockDf.iloc[cnt-1]['DIF']>stockDf.iloc[cnt-1]['DEA']:
21                   # 规则2：Bar柱是否向下运动
22                   if stockDf.iloc[cnt]['MACD']<stockDf.iloc[cnt-1]['MACD']:
23                       print("Sell Point by MACD on:" + stockDf.iloc[cnt]['date'])
24           except:
25               pass
26       cnt=cnt+1

上述代码中的calEMA、calMACD和getMACDByCode三个方法和CalBuyPointByMACD.py范例程序中的代码完全一致，所以本节仅仅是给出了这些方法的定义，不再重复讲述了。

在第14行中通过调用getMACDByCode方法，获取了600460（士兰微）的交易数据，其中包含了MACD指标数据。在第16行到第26行的while循环中通过遍历stockDf对象，计算卖点。

具体的步骤是，通过第17行的if条件语句排除了误差比较大的数据，随后通过第20行的if语句判断当天是否出现了DIF死叉的情况，即前一个交易日的DIF比DEA大，但当前交易日DIF比DEA小。

当满足这个条件时，再通过第22行的if语句判断当天的Bar柱数值是否小于前一天的，即判断Bar柱是否在向下运动。当满足这两个条件时，通过第23行的代码输出建议卖出股票的日期。运行这个范例程序代码后，可看到如下输出的卖点。

Sell Point by MACD on:2018-10-11

Sell Point by MACD on:2018-11-29

Sell Point by MACD on:2018-12-06

Sell Point by MACD on:2019-02-28

Sell Point by MACD on:2019-04-04

 图  股票“士兰微”的K线、均线整合MACD的走势图

再根据价格走势，在表中列出了各卖点的确认情况。

从上述的验证结果可知，从MACD指标中能看出股价发展的趋势，当从强势开始转弱时，如果没有其他利好消息，可以考虑观望或适当卖出股票。

在通过MACD指标确认趋势时，应当从DIF和DEA的数值、运动趋势（即金叉或死叉的情况）和Bar柱的运动趋势等方面综合评判，而不能简单割裂地通过单个因素来考虑。

并且，影响股价的因素非常多，在选股时，应当从资金面、消息面和指标的技术面等因素综合考虑，哪怕在指标的技术面，也应当结合多项技术指标综合考虑。如前文所述，单个指标难免出现盲点，当遇到盲点时就有可能出现风险而误判。

上述内容是摘自我的书，《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：[https://item.jd.com/69241653952.html](https://item.jd.com/69241653952.html)。

在我的博客里，也有其它相关介绍本书的文章，链接如下。