# 不装 TA-Lib，用 Python 从零计算 6 个常用股票技术指标（附完整代码）

想用 Python 算 MACD、RSI、布林带这些技术指标，很多教程上来就让你装 TA-Lib。

问题是 **TA-Lib 装起来非常麻烦**——它是 C 库，Windows 上要找预编译包，macOS 要先 brew install，Linux 要编译。经常装半天装不上，还没开始写策略就劝退了。

其实大多数常用指标，**用 pandas 几行就能算**，根本不需要额外装库。

这篇文章用 AlphaFeed 拉 K 线数据，然后纯 pandas 实现 6 个最常用的指标。每个指标都给出公式、代码和验证方法，直接能用。

## 准备数据

```python
from alphafeed import AlphaFeed
import pandas as pd
import numpy as np

af = AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=200,
                    adjust="forward", to_dataframe=True)

print(f"共 {len(df)} 根 K 线")
print(df[["close", "high", "low", "volume"]].tail(5))
```

200 根日 K 线足够计算所有常用指标。AlphaFeed 返回的数据列名统一（`open`, `high`, `low`, `close`, `volume`, `amount`），时间正序，不需要额外处理。

## 指标 1：MA（移动平均线）

最基础的指标。MA5 就是最近 5 天收盘价的平均值。

```python
df["ma5"] = df["close"].rolling(5).mean()
df["ma10"] = df["close"].rolling(10).mean()
df["ma20"] = df["close"].rolling(20).mean()
df["ma60"] = df["close"].rolling(60).mean()

# 判断均线多头排列
latest = df.iloc[-1]
is_bullish = latest["ma5"] > latest["ma10"] > latest["ma20"] > latest["ma60"]
print(f"均线多头排列: {is_bullish}")
print(f"MA5={latest['ma5']:.2f}  MA10={latest['ma10']:.2f}  "
      f"MA20={latest['ma20']:.2f}  MA60={latest['ma60']:.2f}")
```

**均线交叉信号：**

```python
df["golden_cross"] = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
df["death_cross"] = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))

recent_golden = df[df["golden_cross"]].tail(3)
recent_death = df[df["death_cross"]].tail(3)
print(f"\n最近 3 次金叉: {recent_golden['datetime'].tolist()}")
print(f"最近 3 次死叉: {recent_death['datetime'].tolist()}")
```

## 指标 2：MACD

MACD 由三部分组成：DIF（快线）、DEA（慢线）、MACD 柱。

公式：
- EMA12 = 收盘价的 12 日指数移动平均
- EMA26 = 收盘价的 26 日指数移动平均
- DIF = EMA12 - EMA26
- DEA = DIF 的 9 日指数移动平均
- MACD 柱 = (DIF - DEA) × 2

```python
ema12 = df["close"].ewm(span=12, adjust=False).mean()
ema26 = df["close"].ewm(span=26, adjust=False).mean()

df["dif"] = ema12 - ema26
df["dea"] = df["dif"].ewm(span=9, adjust=False).mean()
df["macd"] = (df["dif"] - df["dea"]) * 2

latest = df.iloc[-1]
print(f"DIF={latest['dif']:.3f}  DEA={latest['dea']:.3f}  MACD={latest['macd']:.3f}")

# MACD 金叉：DIF 从下穿上 DEA
df["macd_golden"] = (df["dif"] > df["dea"]) & (df["dif"].shift(1) <= df["dea"].shift(1))
```

**关键点：** `ewm(span=N, adjust=False)` 就是指数移动平均。`adjust=False` 保证计算方式和行情软件一致。

## 指标 3：RSI（相对强弱指数）

RSI 衡量"涨的力度占总力度的比例"，值在 0-100 之间。

公式：
- U = 上涨幅度（涨了多少，跌了算 0）
- D = 下跌幅度（跌了多少，涨了算 0）
- RSI = 100 × avgU / (avgU + avgD)

```python
def calc_rsi(series, period=14):
    delta = series.diff()
    gain = delta.where(delta > 0, 0.0)
    loss = (-delta).where(delta < 0, 0.0)

    avg_gain = gain.ewm(alpha=1/period, adjust=False).mean()
    avg_loss = loss.ewm(alpha=1/period, adjust=False).mean()

    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    return rsi

df["rsi6"] = calc_rsi(df["close"], 6)
df["rsi14"] = calc_rsi(df["close"], 14)

latest = df.iloc[-1]
print(f"RSI6={latest['rsi6']:.1f}  RSI14={latest['rsi14']:.1f}")

if latest["rsi6"] > 80:
    print("RSI6 超买区域")
elif latest["rsi6"] < 20:
    print("RSI6 超卖区域")
else:
    print("RSI6 正常区域")
```

## 指标 4：布林带（Bollinger Bands）

布林带由三条线组成：中轨（MA20）、上轨（中轨 + 2 倍标准差）、下轨（中轨 - 2 倍标准差）。

```python
period = 20
df["boll_mid"] = df["close"].rolling(period).mean()
df["boll_std"] = df["close"].rolling(period).std()
df["boll_upper"] = df["boll_mid"] + 2 * df["boll_std"]
df["boll_lower"] = df["boll_mid"] - 2 * df["boll_std"]

latest = df.iloc[-1]
print(f"上轨={latest['boll_upper']:.2f}  "
      f"中轨={latest['boll_mid']:.2f}  "
      f"下轨={latest['boll_lower']:.2f}")
print(f"当前价={latest['close']:.2f}")

# 布林带宽度（衡量波动率）
df["boll_width"] = (df["boll_upper"] - df["boll_lower"]) / df["boll_mid"]
print(f"布林带宽度={latest['boll_width']:.4f}")

# 价格在布林带中的位置（0=下轨，1=上轨）
df["boll_pct"] = (df["close"] - df["boll_lower"]) / (df["boll_upper"] - df["boll_lower"])
print(f"%B={latest['boll_pct']:.2f}")
```

## 指标 5：ATR（平均真实波幅）

ATR 衡量波动率大小，常用于设置止损位。

真实波幅（TR）= max(当日高-低, |当日高-昨收|, |当日低-昨收|)

```python
df["prev_close"] = df["close"].shift(1)
df["tr"] = pd.concat([
    df["high"] - df["low"],
    (df["high"] - df["prev_close"]).abs(),
    (df["low"] - df["prev_close"]).abs()
], axis=1).max(axis=1)

df["atr14"] = df["tr"].rolling(14).mean()

latest = df.iloc[-1]
print(f"ATR14={latest['atr14']:.2f}")
print(f"占股价比例={latest['atr14']/latest['close']*100:.2f}%")

# 用 ATR 设置止损
stop_loss = latest["close"] - 2 * latest["atr14"]
print(f"建议止损位（2倍ATR）: {stop_loss:.2f}")
```

## 指标 6：成交量比率（Volume Ratio）

量比 = 今日成交量 / 过去 N 日平均成交量。量比 > 2 通常意味着明显放量。

```python
df["vol_ma5"] = df["volume"].rolling(5).mean()
df["vol_ma10"] = df["volume"].rolling(10).mean()
df["vol_ratio"] = df["volume"] / df["vol_ma5"]

latest = df.iloc[-1]
print(f"今日量比（vs 5日均量）: {latest['vol_ratio']:.2f}")

if latest["vol_ratio"] > 3:
    print("极端放量")
elif latest["vol_ratio"] > 2:
    print("明显放量")
elif latest["vol_ratio"] > 1.5:
    print("温和放量")
elif latest["vol_ratio"] < 0.5:
    print("明显缩量")
else:
    print("量能正常")
```

## 把所有指标整合成一个函数

```python
def calc_all_indicators(df):
    """传入含 OHLCV 的 DataFrame，返回附带所有指标的 DataFrame"""
    d = df.copy()

    # MA
    for n in [5, 10, 20, 60]:
        d[f"ma{n}"] = d["close"].rolling(n).mean()

    # MACD
    ema12 = d["close"].ewm(span=12, adjust=False).mean()
    ema26 = d["close"].ewm(span=26, adjust=False).mean()
    d["dif"] = ema12 - ema26
    d["dea"] = d["dif"].ewm(span=9, adjust=False).mean()
    d["macd"] = (d["dif"] - d["dea"]) * 2

    # RSI
    delta = d["close"].diff()
    gain = delta.where(delta > 0, 0.0)
    loss = (-delta).where(delta < 0, 0.0)
    for period in [6, 14]:
        ag = gain.ewm(alpha=1/period, adjust=False).mean()
        al = loss.ewm(alpha=1/period, adjust=False).mean()
        d[f"rsi{period}"] = 100 - 100 / (1 + ag / al)

    # 布林带
    d["boll_mid"] = d["close"].rolling(20).mean()
    std = d["close"].rolling(20).std()
    d["boll_upper"] = d["boll_mid"] + 2 * std
    d["boll_lower"] = d["boll_mid"] - 2 * std

    # ATR
    prev_c = d["close"].shift(1)
    tr = pd.concat([
        d["high"] - d["low"],
        (d["high"] - prev_c).abs(),
        (d["low"] - prev_c).abs()
    ], axis=1).max(axis=1)
    d["atr14"] = tr.rolling(14).mean()

    # 量比
    d["vol_ratio"] = d["volume"] / d["volume"].rolling(5).mean()

    return d
```

用法：

```python
df = af.klines.get("600519.SH", period="1d", count=200,
                    adjust="forward", to_dataframe=True)
df = calc_all_indicators(df)

latest = df.iloc[-1]
print(f"MA5={latest['ma5']:.2f}  RSI14={latest['rsi14']:.1f}  "
      f"MACD={latest['macd']:.3f}  ATR={latest['atr14']:.2f}  "
      f"量比={latest['vol_ratio']:.2f}")
```

## 批量给多只股票算指标

```python
symbols = ["600519.SH", "000001.SZ", "300750.SZ",
           "601318.SH", "002594.SZ", "000858.SZ"]

dfs = af.klines.batch(symbols, period="1d", count=200,
                       adjust="forward", to_dataframe=True)

summary = []
for sym, kdf in dfs.items():
    kdf = calc_all_indicators(kdf)
    latest = kdf.iloc[-1]
    summary.append({
        "代码": sym,
        "收盘价": round(latest["close"], 2),
        "RSI14": round(latest["rsi14"], 1),
        "MACD": round(latest["macd"], 3),
        "量比": round(latest["vol_ratio"], 2),
        "均线状态": "多头" if latest["ma5"] > latest["ma10"] > latest["ma20"] else "非多头",
    })

pd.DataFrame(summary).to_string(index=False)
```

数据获取用 `batch` 几秒搞定，你的时间全部花在指标分析上。

## 计算结果和行情软件对不上？

纯 pandas 算出来的指标，和同花顺/东方财富显示的可能有微小差异。原因通常是：

1. **EMA 初始值不同** — 行情软件可能用 SMA 作为 EMA 的起点，pandas 默认从第一个值开始递推。差异在前几十根 K 线比较明显，越往后越收敛。
2. **数据复权方式不同** — 确保你用的复权方式和行情软件一致。AlphaFeed 的 `adjust="forward"` 对应前复权。
3. **交易日范围不同** — 如果你的数据起点和行情软件不同，滚动窗口里的数据就不同。

**解决方法：** 拉足够多的数据（200 根以上），看最近的值。近期的指标值基本和行情软件一致。

## 总结

| 指标 | 用途 | 核心代码 |
| --- | --- | --- |
| MA | 趋势方向 | `rolling(N).mean()` |
| MACD | 趋势强弱和转折 | `ewm(span=N).mean()` |
| RSI | 超买超卖 | 涨跌幅分离 + `ewm` |
| 布林带 | 波动率和价格位置 | `rolling().mean()` ± 2 × `rolling().std()` |
| ATR | 波动幅度 | TR 的 `rolling().mean()` |
| 量比 | 成交量异动 | 今日量 / `rolling().mean()` |

6 个指标，0 个额外依赖。pandas 就够了，不需要 TA-Lib。

---

- Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


想用 Python 算 MACD、RSI、布林带这些技术指标，很多教程上来就让你装 TA-Lib。

不装 TA-Lib，用 Python 从零计算 6 个常用股票技术指标（附完整代码）

编程语言

算法

新闻资讯

用纯pandas实现6个常用股票技术指标，无需安装TA-Lib。涵盖MA、MACD、RSI、布林带、ATR和量比的计算公式、完整代码及验证方法，附带均线金叉死叉识别、ATR止损设置、批量多股分析等实用技巧，解决指标结果与行情软件不一致的问题。

代码解释

Windows

Python

Linux

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

不装 TA-Lib，用 Python 从零计算 6 个常用股票技术指标（附完整代码）-腾讯云开发者社区-腾讯云

不装 TA-Lib，用 Python 从零计算 6 个常用股票技术指标（附完整代码）

不装 TA-Lib，用 Python 从零计算 6 个常用股票技术指标（附完整代码）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐