我們這邊講一下怎麼用pandas來計算常見的技術指標，包括
- 移動平均線
- 指數移動平均線
- MACD
#載入套件庫與讀入資料 import pandas as pd import matplotlib.pyplot as plt import sqlite3
db = sqlite3.connect(‘TWStock_2’) tsmc = pd.read_sql(con=db,sql=‘SELECT * FROM “2330”’)
#清理資料 #我們需要成交股數、開盤價、最高價、最低價、收盤價的資料 #並使用Date當作我們的索引值
tsmc.index = pd.to_datetime(tsmc[‘Date’]) tsmc = tsmc[[‘成交股數’,‘開盤價’,‘最高價’,‘最低價’,‘收盤價’]] tsmc.columns = [‘Volume’,‘Open’,‘High’,‘Low’,‘Close’] tsmc[‘Close’] = pd.to_numeric(tsmc[‘Close’])
移動平均線
移動平均線(Moving Average)應該是我們最常運用的技術指標了，當我們畫出均線後，我們就可以比較目前價格與均價之間的關係。其n天移動平均線的計算公式為
為n天的收盤價的平均，我們如何利用pandas來計算移動平均線勒？其實非常簡單，我們可以利用DataFrame下面的rolling方法，就能計算出移動平均線了
#我們分別計算7天,15天與30天的移動平均線 tsmc[‘MA_7’] = tsmc[‘Close’].rolling(7).mean() tsmc[‘MA_15’] = tsmc[‘Close’].rolling(15).mean() tsmc[‘MA_30’] = tsmc[‘Close’].rolling(30).mean()
指數移動平均線
當我們要比較均價的趨勢快慢時，我們可以利用指數移動平均數(EMA)，計算公式為
這邊alpha一般取2/(n+1)，另外，由於我們需要初始值來計算EMA，我們可以直接取第一天的收盤價當做$EMA_1$ ，而在DataFrame下面，我們也有對應的方法ewm來計算指數移動平均線
tsmc[‘EMA_12’] = tsmc[‘Close’].ewm(span=12).mean() tsmc[‘EMA_26’] = tsmc[‘Close’].ewm(span=26).mean() [/python
MACD
根據維基百科:
是股票交易中一種常見的技術分析工具，由Gerald Appel於1970年代提出，用於研判股票價格變化的強度、方向、能量，以及趨勢周期，以便把握股票買進和賣出的時機。MACD指標由一組曲線與圖形組成，通過收盤時股價或指數的快變及慢變的指數移動平均值（EMA）之間的差計算出來。「快」指更短時段的EMA，而「慢」則指較長時段的EMA，最常用的是12及26日EMA。
其計算公式為
[python]
tsmc['DIF'] = tsmc['EMA_12'] - tsmc['EMA_26']
tsmc['DEM'] = tsmc['DIF'].ewm(span=9).mean()
tsmc['OSC'] = tsmc['DIF'] - tsmc['DEM']
```
```
最後，我們來畫個圖
```
```
tsmc = tsmc['2019-01-01':]
fig,ax = plt.subplots(3,1,figsize=(10,10))
plt.subplots_adjust(hspace=0.8)
tsmc['MA_7'].plot(ax=ax[0])
tsmc['MA_15'].plot(ax=ax[0])
tsmc['MA_30'].plot(ax=ax[0])
tsmc['EMA_12'].plot(ax=ax[1])
tsmc['EMA_26'].plot(ax=ax[1])
tsmc['Close'].plot(ax=ax[0])
tsmc['Close'].plot(ax=ax[1])
ax[0].legend()
ax[1].legend()
tsmc['DIF'].plot(ax=ax[2])
tsmc['DEM'].plot(ax=ax[2])
ax[2].fill_between(tsmc.index,0,tsmc['OSC'])
ax[2].legend()
plt.show()
```
```
