数据准备
以招商银行2017年前10月的收盘价为例，先从网上抓取数据保存为csv文件在本地 assets 目录下。csv 文件至少包含 date（日期）, close（收盘价）, volume（成交量） 三个字段。使用成交量字段，目的是为了排除一些可能存在的无数据的交易日（比如当天停牌）
MACD 计算方法
12日EMA的计算：EMA12 = 前一日EMA12 X 11/13 + 今日收盘 X 2/13
26日EMA的计算：EMA26 = 前一日EMA26 X 25/27 + 今日收盘 X 2/27
差离值（DIF）的计算： DIF = EMA12 - EMA26，即为talib-MACD返回值macd
根据差离值计算其9日的EMA，即离差平均值，是所求的DEA值。今日DEA = （前一日DEA X 8/10 + 今日DIF X 2/10），即为talib-MACD返回值signal
DIF与它自己的移动平均之间差距的大小一般BAR=（DIF-DEA)x2，即为MACD柱状图。
根据MACD 计算方法的描述，EMA12 是一个加权移动平均数，在 pandas.Series 中有 pandas.Series.ewm(span=period)方法，对于获取到的值再做 mean() 运算——即取平均数，这样得到的就是以period为单位的加权移动平均数。因此，收盘价EMA12的计算代码就是：
import pandas as pd
ema=data['close'].ewm(span=12).mean()
以此类推，DEA和MACD柱都很好计算了。将MACD的数据计算封装成一个方法就是：
def get_macd_data(df_raw,fast_period=12,slow_period=26,signal_period=9):
# df_raw['close'] -- 收盘价
# 收盘价按照日期升序( df_raw['date'] )排列
# 返回值都是 Series
fast_ewm=df_raw['close'].ewm(span=fast_period).mean()
slow_ewm=df_raw['close'].ewm(span=slow_period).mean()
dif=fast_ewm-slow_ewm
dea=dif.ewm(span=signal_period).mean()
# 一般概念里，macd柱是 (dif-dea)*2，实际上只是为了扩大显示效果
# 实测后发现，也可以不乘以2，效果也足够清楚了
bar=(dif-dea)*2
# 将bar 分成红绿柱分别导出数据，
#目的是后续用matplotlib绘图时，能够分色绘制
red_bar=bar[bar>=0]
green_bar=bar[bar<0]
return dif,dea,red_bar,green_bar
MACD 图像绘制
有了上面封装方法计算出的数据，用 matplotlib 就能很容易绘制出图形了。
import matplotlib as mpl
from matplotlib.font_manager import FontProperties
import matplotlib.pyplot as plt
title_font=FontProperties(family='YouYuan',size=18)
mpl.rcParams['axes.unicode_minus']=False
def draw_macd(df_raw, dif, dea,
red_bar, green_bar,
canvas_w=1000, canvas_h=480,
xtick_period=20,
title=u'MACD'):
dpi=72
figsize=canvas_w/72,canvas_h/72
plt.figure(figsize=figsize)
p_dif=plt.plot(dif.index,dif.values)
p_dea=plt.plot(dea.index,dea.values)
plt.bar(red_bar.index, red_bar.values, color='#d62728')
plt.bar(green_bar.index, green_bar.values, color='#889966')
major_index=df_raw.index[df_raw.index%xtick_period==0]
major_xtics=df_raw['date'][df_raw.index%xtick_period==0]
plt.xticks(major_index,major_xtics)
plt.legend((p_dif[0],p_dea[0]),[u'DIF',u'DEA'])
plt.title(title,fontproperties=title_font)
plt.show()
封装方法中的参数含义如下：
- df_raw - 原始的从 csv 导出数据后生成的DataFrame，目的是用在生成major_xticks时定位使用
- dif, dea, red_bar, green_bar 是使用 get_macd_data 方法计算出的MACD指标
- canvas_w, canvas_h 为期望绘制出的图形宽度和高度，单位是像素
- xtick_period 为生成x 方向刻度时，每间隔多少个数值，取一个值作为刻度显示出来——如果将全部日期显示出来，x方向的刻度将会是密密麻麻一片黑
- title 是图形的标题
调用封装的方法绘图
上面的方法虽然封装好了，但是在导入数据时还有一些小的坑要注意。如下是调用封装方法绘制的实例代码：
df_raw=pd.read_csv(u'assets/招商银行.csv',usecols=['close','date','volume'])
# 注意要排除无交易的单日数据
df_raw[df_raw['volume']==0]=np.nan
df_raw.dropna()
df_raw.sort_values(by='date',ascending=True,inplace=True)
# 注意，df_raw.index 必须是升序
# 如果由于对 date 排序后，index变成了降序
# 要单独把index的顺序反过来
df_raw.index=df_raw.index[::-1]
dif,dea,red_bar,green_bar=get_macd_data(df_raw)
draw_macd(df_raw=df_raw,
dif=dif,
dea=dea,
red_bar=red_bar,
green_bar=green_bar,
xtick_period=25,
title=u'招商银行 MACD')
最终绘制结果：
macd.png
