

> 本文你将得到什么：
> 1. 一张"四指标打分矩阵"：均线/MACD/KDJ/布林带各投一票（+1/0/-1）
> 2. 共振规则：|总分| >= 3 才触发信号
> 3. 信号后表现的诚实复盘（为什么共振也不等于胜率保证）
> 4. 双面板可视化（价格+信号 / 总分柱状图）
> 5. 可运行的完整代码

---

## 痛点：每个指标单独用都会被骗

这是本系列反复出现的主题：

- 均线金叉在震荡市里反复被打脸（#01）
- MACD 零轴之上的金叉也有走弱的（#02）
- KDJ 和 RSI 极端区会钝化（#03）
- 布林带突破有真有假（#04）

单个指标是"证人"，不是"法官"。把多个独立证人的证词汇总起来投票，才是更稳妥的做法。本文做一个四指标打分矩阵，收官本系列。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拉取数据

```python
from mairui import Client

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

import pandas as pd
df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date"})
df = df.sort_values("date").reset_index(drop=True)
for col in ("o", "h", "l", "c", "v"):
    df[col] = df[col].astype(float)

df["ma5"] = df["c"].rolling(5).mean()
df["ma10"] = df["c"].rolling(10).mean()
df["ma20"] = df["c"].rolling(20).mean()
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：准备四个指标

前三篇手工推导过的指标，这里集中封装（布林带来自 #04，MACD/KDJ 来自 #02/#03）：

```python
def calc_macd(df, fast=12, slow=26, signal=9):
    ema_fast = df["c"].ewm(span=fast, adjust=False).mean()
    ema_slow = df["c"].ewm(span=slow, adjust=False).mean()
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal, adjust=False).mean()
    return dif, dea, (dif - dea) * 2

def calc_kdj(df, n=9):
    low_list = df["l"].rolling(window=n, min_periods=n).min()
    high_list = df["h"].rolling(window=n, min_periods=n).max()
    rsv = ((df["c"] - low_list) / (high_list - low_list) * 100).fillna(50)
    k = [50.0]; d = [50.0]
    for i in range(1, len(rsv)):
        k.append((2/3) * k[-1] + (1/3) * rsv.iloc[i])
        d.append((2/3) * d[-1] + (1/3) * k[-1])
    k = pd.Series(k, index=df.index)
    d = pd.Series(d, index=df.index)
    return k, d, 3 * k - 2 * d

def calc_boll(df, n=20, k=2):
    mid = df["c"].rolling(n).mean()
    std = df["c"].rolling(n).std(ddof=0)
    return mid, mid + k * std, mid - k * std
```

---

## 第三步：打分矩阵——每个指标一票

规则（每日打分，各 +1 / 0 / -1）：

| 指标 | +1（多头票） | -1（空头票） |
|---|---|---|
| 均线 | MA5>MA10>MA20 多头排列 | 空头排列 |
| MACD | DIF>DEA 且 MACD柱>0 | DIF<DEA 且 MACD柱<0 |
| KDJ | K>D 且 J<100 | K<D 且 J>0 |
| 布林带 | 收盘在中轨之上 | 收盘在中轨之下 |

```python
dif, dea, macd_hist = calc_macd(df)
k, d, j = calc_kdj(df)
mid, upper, lower = calc_boll(df)

rows = []
for i in range(len(df)):
    ma_s = 0
    if pd.notna(df["ma20"].iloc[i]):
        if df["ma5"].iloc[i] > df["ma10"].iloc[i] > df["ma20"].iloc[i]:
            ma_s = 1
        elif df["ma5"].iloc[i] < df["ma10"].iloc[i] < df["ma20"].iloc[i]:
            ma_s = -1
    macd_s = 0
    if dif.iloc[i] > dea.iloc[i] and macd_hist.iloc[i] > 0:
        macd_s = 1
    elif dif.iloc[i] < dea.iloc[i] and macd_hist.iloc[i] < 0:
        macd_s = -1
    kdj_s = 0
    if k.iloc[i] > d.iloc[i] and j.iloc[i] < 100:
        kdj_s = 1
    elif k.iloc[i] < d.iloc[i] and j.iloc[i] > 0:
        kdj_s = -1
    boll_s = 0
    if pd.notna(mid.iloc[i]):
        boll_s = 1 if df["c"].iloc[i] > mid.iloc[i] else (-1 if df["c"].iloc[i] < mid.iloc[i] else 0)
    rows.append({"ma": ma_s, "macd": macd_s, "kdj": kdj_s, "boll": boll_s,
                 "total": ma_s + macd_s + kdj_s + boll_s})

score = pd.DataFrame(rows)
print(f"最新一日: MA={score['ma'].iloc[-1]:+d} MACD={score['macd'].iloc[-1]:+d} "
      f"KDJ={score['kdj'].iloc[-1]:+d} BOLL={score['boll'].iloc[-1]:+d} "
      f"=> 总分 {score['total'].iloc[-1]:+d}")
```

**输出示例**：

```
最新一日: MA=+0 MACD=-1 KDJ=-1 BOLL=-1 => 总分 -3
```

最新一天四个指标里三个投了空头票，总分 -3——正好踩在共振线上。

---

## 第四步：共振信号检测

总分范围 -4 ~ +4。我们只认"一边倒"：总分从 <3 升到 >=3 触发**多头共振**，从 >-3 降到 <=-3 触发**空头共振**。

```python
df["total"] = score["total"]
signals = []
for i in range(1, len(df)):
    prev_t = df["total"].iloc[i - 1]
    curr_t = df["total"].iloc[i]
    if curr_t >= 3 and prev_t < 3:
        signals.append((i, df["date"].iloc[i], "bull", df["c"].iloc[i]))
    elif curr_t <= -3 and prev_t > -3:
        signals.append((i, df["date"].iloc[i], "bear", df["c"].iloc[i]))

bull = [s for s in signals if s[2] == "bull"]
bear = [s for s in signals if s[2] == "bear"]
print(f"多头共振: {len(bull)} 次, 空头共振: {len(bear)} 次")
```

**输出示例**：

```
多头共振: 6 次, 空头共振: 5 次
```

50 个交易日里 11 次共振信号，平均每 4~5 天一次——门槛 |总分|>=3 在"天天有信号"和"一年等一回"之间取了平衡。

---

## 第五步：诚实的复盘——共振不等于胜率保证

把每次信号之后 5 日的表现列出来（教学观察，不是策略回测）：

```python
for idx, date, typ, price in signals:
    if idx + 5 < len(df):
        fwd = df["c"].iloc[idx + 5] / price - 1
        print(f"{date} {'多头' if typ == 'bull' else '空头'}共振 -> 5日后 {fwd*100:+.2f}%")
```

**输出示例**：

```
2025-10-20 多头共振 -> 5日后 -4.16%
2025-10-23 多头共振 -> 5日后 -1.40%
2025-10-28 空头共振 -> 5日后 +8.16%
2025-10-30 多头共振 -> 5日后 -5.05%
2025-11-03 空头共振 -> 5日后 +6.93%
2025-11-04 多头共振 -> 5日后 -5.91%
2025-11-07 空头共振 -> 5日后 +11.27%
2025-11-12 多头共振 -> 5日后 +0.53%
2025-11-21 空头共振 -> 5日后 -1.10%
```

注意看：**空头共振 5 次之后 5 日全是正收益**（演示区间整体震荡下行，空头信号方向对了），而**多头共振 6 次里只有 2 次为正**。也就是说，在下跌市里再严的共振过滤也救不了逆势做多——**共振系统解决"信号噪音"问题，不解决"方向判断"问题**。趋势环境识别（如用更长周期均线定势）永远是它的前置模块。

再统计一下总分分布：

```python
print(df["total"].value_counts().sort_index())
```

**输出示例**：

```
-3     6
-2     5
-1     9
 0     8
 1     5
 2     4
 3     5
 4     8
```

分布两极化（-3 与 +4 附近天数最多），说明指标之间同向共振的时段很多——市场大多数时间"该多的多、该空的空"，真正纠结的中性区（0 分）反而是少数。

---

## 第六步：双面板可视化

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True,
                         gridspec_kw={"height_ratios": [2, 1]})
x = range(len(df))

ax1 = axes[0]
ax1.plot(x, df["c"], color="black", linewidth=0.8, label="收盘价")
ax1.plot(x, df["ma5"], color="orange", linewidth=0.8, label="MA5")
ax1.plot(x, df["ma10"], color="blue", linewidth=0.8, label="MA10")
ax1.plot(x, df["ma20"], color="purple", linewidth=0.8, label="MA20")
for s in bull:
    ax1.scatter([s[0]], [s[3]], color="red", marker="^", s=120, label="多头共振")
for s in bear:
    ax1.scatter([s[0]], [s[3]], color="green", marker="v", s=120, label="空头共振")
ax1.set_title("价格与多指标共振信号")
ax1.legend()
ax1.grid(True, alpha=0.3)

ax2 = axes[1]
colors = ["red" if t > 0 else ("green" if t < 0 else "gray") for t in df["total"]]
ax2.bar(x, df["total"], color=colors)
ax2.axhline(y=3, color="red", linestyle="--", alpha=0.5)
ax2.axhline(y=-3, color="green", linestyle="--", alpha=0.5)
ax2.set_title("四指标打分总分（-4 ~ +4，虚线为共振阈值）")
ax2.set_ylim(-4.8, 4.8)
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.savefig("multi_indicator_system.png", dpi=150)
```

---

## 常见坑与注意

1. **指标相关性**：MACD、KDJ、布林带都由收盘价派生，并非完全独立——"4 票"的实际信息量小于 4 个独立证人。想提升独立性，可以引入成交量类指标（如 #05 的 OBV）。
2. **共振阈值要标定**：|总分|>=3 是演示值。阈值越高信号越少越"精"，但样本太少会让统计失去意义。
3. **信号触发用"穿越"而非"停留"**：本例在总分跨越 ±3 的那一天触发，避免总分长期停在 4 时天天重复报信号。
4. **演示数据 vs 真实数据**：本文用演示证书跑通逻辑，数据为确定性演示序列；换正式证书后即为真实行情，代码无需修改。

---

## 小结（本系列收官）

本系列 6 篇完成了从"单个指标怎么算"到"多指标怎么拼"的完整链路：

- #01 均线交叉：趋势的基础语言
- #02 MACD：趋势的加速度计
- #03 KDJ+RSI：超买超卖的双确认
- #04 布林带：波动率通道与真假突破
- #05 OBV：让成交量开口说话
- #06 打分矩阵：把四个证人变成一个陪审团

核心观点：**指标没有圣杯，确认机制和诚实的回测才是策略的地基**。用这套手工推导 + 打分矩阵的思路，你可以把任何指标纳入自己的"陪审团"。

---

## 免责声明

本文仅为技术教学，不构成任何投资建议。投资有风险，入市需谨慎。

---

*代码与文档：https://github.com/MaiRuiApi*


单个指标是"证人"，不是"法官"。把多个独立证人的证词汇总起来投票，才是更稳妥的做法。本文做一个四指标打分矩阵，收官本系列。

【Python量化技术指标实战 06】单指标总被骗线？把均线+MACD+KDJ+布林带拼成一个确认系统

编程语言

构建四指标打分矩阵系统，整合均线、MACD、KDJ与布林带信号，通过|总分|≥3的共振规则识别多空信号。文章包含完整Python代码、双面板可视化及诚实复盘，揭示共振过滤信号噪音但不解决方向判断问题，强调趋势环境识别的重要性，适合量化交易学习者参考。

代码解释

GitHub

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

【Python量化技术指标实战 06】单指标总被骗线？把均线+MACD+KDJ+布林带拼成一个确认系统-腾讯云开发者社区-腾讯云

【Python量化技术指标实战 06】单指标总被骗线？把均线+MACD+KDJ+布林带拼成一个确认系统

【Python量化技术指标实战 06】单指标总被骗线？把均线+MACD+KDJ+布林带拼成一个确认系统

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