【Python】【MACD策略】逐行程式碼教程

Kevin 凱龍

更新於 2024/08/16發佈於 2023/04/07閱讀時間約 8 分鐘

投資理財內容聲明

文內如有投資理財相關經驗、知識、資訊等內容，皆為創作者個人分享行為。
有價證券、指數與衍生性商品之數據資料，僅供輔助說明之用，不代表創作者投資決策之推介及建議。
閱讀同時，請審慎思考自身條件及自我決策，並應有為決策負責之事前認知。
方格子希望您能從這些分享內容汲取投資養份，養成獨立思考的能力、判斷、行動，成就最適合您的投資理財模式。

Python的語法雖然比起Multicharts跟TradingView，它是比較難的

不過它絕對是值得我們花時間學習的語法！

在金融量化領域

Python是全世界最廣泛被使用的量化交易語法

在其他軟體應用領域

Python依然是非常實用非常具有商業價值的程式語言！

那回到我們的主題

我們依然先來介紹這個MACD策略的原理以及公式

(這部分將直接複製MC跟TV的MACD公式介紹，已經了解的朋友可以直接跳過)

MACD的公式及原理

快線：12根價格指數平均線

慢線：26根價格指數平均線

macd: 快線-慢線

signal: 9根的macd指數平均線

柱狀體：macd-signal

MACD最原始的策略是

當柱狀體由負值轉正，我們做多

當柱狀體由正值轉負，我們做空

但隨著時代的演進，MACD的運用早已變幻莫測

但我們今天先以原始型態來做介紹！

接著進入我們的主題【Python語法逐行解說】

首先我們先了解這次語法的主體大綱，然後再去深入解析程式碼

第一步，我們利用Python的模組yfinance取得Apple股價的歷史資料

接著我們在用模組pandas整理在yfinance取得的資料

並建立MACD所需的數據

之後再以pandas模組的內建運算方法去做回測

最後算出這個原始的MACD策略在Apple股價上，能獲得多少報酬率！？

import pandas as pd
import yfinance as yf

這段程式碼是載入(import)所需要的Python模組

這個策略，我們需要的模組是pandas和yfinance

而import..as..是把模組名稱改成自己方便編寫跟閱讀的簡稱

我們把pandas簡稱pd，yfinance簡稱yf

yoAPL = yf.download('AAPL', period='1mo', interval='1H')

這段程式碼是用yf模組內建的dowload方法取得apple股價的歷史數據

並儲存於我們自己取名的"yoAPL"物件

第一個參數AAPL是apple股票的名稱

第二個參數period是歷史資料的期間，我們取一個月

第三個參數interval是取得K棒期間，我們這個範例取一小時K線

yoAPL['EMA12'] = yoAPL['Close'].ewm(span=12, adjust=False).mean()
yoAPL['EMA26'] = yoAPL['Close'].ewm(span=26, adjust=False).mean()
yoAPL['MACD'] = yoAPL['EMA12'] - yoAPL['EMA26']
yoAPL['Signal'] = yoAPL['MACD'].ewm(span=9, adjust=False).mean()

這一段我們建立MACD數據

這裡我們要先了解，從yf下載下來的歷史資料，它的資料格式就是pandas格式

所以我們可以直接用pandas內建整理資料的方法去做整理運算

第一段以及第二段我們建立12根以及26根的指數平均

yoAPL['EMA12']及yoAPL['EMA26']語法是在歷史數據列(column)上

增加兩列，分別稱作EMA12以及EMA26

yoAPL['Close'].ewm(span=12, adjust=False).mean()

這段語法是指，我們用每根小時K棒收盤價Close

用內建方法ewm計算指數平均，span參數是指往回取12根k棒數據

adjust參數是指，False會給最原始的指數平均公式數據

設定True則會給予"變形"的指數平均公式

這是pandas的貼心變形，它會把指數平均數據"數量"變得跟算數平均"數量"一樣

以方便我們去跟算術平均做比較，這個部分比較複雜

不太了解的朋友可以先有個概念就好！

接著我們讓快線減快線，取得macd值

在用與上述相同的語法計算macd的9根指數平均，計算出signal值

我們的柱狀體則是macd值減去signal值

yoAPL['Position'] = 0
yoAPL.loc[aapl['MACD'] > yoAPL['Signal'],'Position'] = 1
yoAPL.loc[aapl['MACD'] < yoAPL['Signal'],'Position'] = -1

這段程式碼我們依然使用pandas方法新增一列position並預設為0

之後我們利用pandas模組loc方法取得特定位置(location)數據

loc邏輯是先取row(行)在取column(列)

我們先選取macd值大於signal值的行，即柱狀體大於0

將以上這些行的position列由0寫為1

在選取macd值小於signal值的行，即柱狀體小於0，將這些position列寫為-1

1即進多單，-1即進空單

(這是一個簡單範例，我們先排除柱狀體為0的情況，剛好這次的示範也沒有0值)

yoAPL['Returns'] = yoAPL['Close'].pct_change() * yoAPL['Position'].shift(1)
print('Total returns:', (yoAPL['Returns'] + 1).cumprod()[-1] )

接著我們依然利用pandas模組新建一個新的列(column)稱Returns

yoAPL['Close'].pct_change()是指

收盤價的百分比變化(percentage change)

yoAPL['Position'].shift(1)則是將進場訊號往後移一個位置

這是由於我們在每一個柱狀體成立訊號的時候，都是會在下一根K棒進場

比如，如果目前這根K棒還沒有跑完，我們就不會知道到底訊號最後會不會成立

所以在目前這根K棒訊號成立之後，我們會在下一根進場

如此一來，我們就計算了每次進場以及持有的報酬

最後，我們用Python語法print()輸出最後結果

第一個參數是我們要打出來的字"Total returns:"

第二個參數則是我們要輸出的最終計算的值

yoAPL['Returns'] + 1).cumprod()[-1]

我們來解釋這個值，將每一個Close的百分比變化+1

比如Returns是0.05就會變成1.05，而Returns是-0.03則會變成0.97

最後我們利用cumprod()函數將所有加1後的Returns值全部相乘

[-1]則是取得最新的相乘數據，即是全部最終相乘的報酬率

這樣我們就成功取得了我們欲計算的回測結果！

那，我們就來看一下最後的結果吧！

MACD策略執行結果

Total returns: 0.9904832194015957

這個0.99048..就是我們運用MACD策略去回測蘋果股價的結果

在最近一個月的期間，並用小時K棒的運算，得到0.99意即-1%的報酬率！

這是一個最基本的Python金融回測範例

Python能為金融量化做的，遠不止如此！

之後也將繼續介紹許多Python實用金融量化範例

希望大家能敬請期待！

最後在另外附上這次我們處理的數據資料截圖

這樣能讓各位投資朋友更清楚的瞭解我們在整個策略上的計算過程！

MACD策略csv

尚未註冊TrdingView的投資朋友歡迎使用Kevin專屬註冊連結：

https://www.tradingview.com/?aff_id=131489

享一個月免費試用Premium帳號，到期後可享50%的續約優惠!

(即使不續約，仍可繼續使用TradingView免費版功能)

⭐目前凱龍承接三大項業務，歡迎洽詢：

金融量化系列｜凱龍下單機租用 & TradngView & MultiCharts 程式碼諮詢撰寫
Line官方系列｜凱龍Line官方模組租用 & Line官方機器人全系列諮詢架設
網站SaaS平台｜凱龍雲端應用 & 網站SaaS平台諮詢架設

⭐凱龍Line官方：@979qbbfo

⭐凱龍官方網站：https://kevinwtf524.com/

⭐instagram：https://www.instagram.com/kevinwtf524/

⭐YouTube：https://www.youtube.com/@kevinwtf524

19會員

17內容數

嗨！我是凱龍負責人Kevin - ⭐️凱龍金融量化（期貨程式交易看這裡!）凱龍下單機 $545起/月 - ⭐️凱龍商城（餐飲業線上訂餐看這裡!）凱龍訂餐模組 $690/月 - ⭐️專案客製（各類客製專案看這裡!）金融量化策略撰寫、商家Line@機器人及各類網站客製架設 - ⭐凱龍官方Line：@979qbbfo

留言0

查看全部

發表第一個留言支持創作者！

你可能也想看

Google News 追蹤