技术指标——MACD、RSI、布林带是怎么算出来的

⚡ 核心知识：三大指标的数学本质

1. MACD：趋势动能的"雷达"

MACD（Moving Average Convergence Divergence，指数平滑异同移动平均线）是最著名的趋势指标之一。它的核心思想是：用两条不同周期的指数移动平均线的差值，来衡量趋势的动能和方向。

MACD由三个部分组成：

• DIF线（快线）：12日EMA减去26日EMA。DIF向上穿越0轴，说明短期趋势强于长期趋势；向下穿越则说明相反。
• DEA线（慢线/信号线）：DIF的9日EMA。它是DIF线的"平滑版"，用来过滤DIF的噪音。
• MACD柱状图（Histogram）：DIF减去DEA。柱状图从负变正（即DIF上穿DEA）就是"金叉"；从正变负就是"死叉"。

MACD计算流程：

为什么MACD在震荡市会失灵？因为震荡市的价格围绕均值上下波动，没有明确的趋势方向。此时DIF和DEA会频繁交叉，产生大量假信号。MACD是趋势指标，只有在趋势明确的市场中才有效。

2. RSI：涨跌力度的"温度计"

RSI（Relative Strength Index，相对强弱指数）由威尔斯·威尔德（Welles Wilder）于1978年提出。它的核心思想是：用一段时间内上涨幅度和下跌幅度的比值，来衡量市场的超买超卖状态。

RSI的计算步骤如下：

1. 计算每日价格变动：今日收盘价 - 昨日收盘价
2. 分离涨跌：上涨日的变动记为Gain，下跌日的变动记为Loss（取绝对值）
3. 计算平均涨幅和平均跌幅：通常用14日简单移动平均或指数移动平均
4. 计算RS：RS = 平均涨幅 / 平均跌幅
5. 计算RSI：RSI = 100 - (100 / (1 + RS))

RSI的取值范围是0到100。传统上：

• RSI > 70：被认为"超买"，可能回调。但在强趋势市场中，RSI可以长期维持在70以上。
• RSI < 30：被认为"超卖"，可能反弹。但在熊市中，RSI可以长期低于30。
• RSI = 50：多空力量均衡，市场没有明确方向。

关键认知：RSI的超买超卖信号在震荡市中比较有效，在强趋势市中经常"失效"。这不是指标的问题，而是使用者没有理解指标的适用场景。

3. 布林带：波动范围的"轨道"

布林带（Bollinger Bands）由约翰·布林格（John Bollinger）于1980年代发明。它的核心思想是：价格的波动范围可以用均值加减若干个标准差来描述。

布林带由三条线组成：

• 中轨（MB）：通常为20日简单移动平均线（SMA），代表价格的"中心趋势"。
• 上轨（UP）：中轨 + 2倍标准差。价格触及上轨，说明当前价格相对于近期均值偏高。
• 下轨（DN）：中轨 - 2倍标准差。价格触及下轨，说明当前价格相对于近期均值偏低。

布林带的核心交易逻辑：

1. "触轨反弹"：价格触及上轨后回落，或触及下轨后反弹。这适用于震荡市。
2. "轨道突破"：价格突破上轨并持续运行，说明趋势很强；突破下轨并持续运行，说明下跌趋势很强。
3. "收口与开口"：布林带收口（上下轨靠近）意味着波动率降低，可能酝酿大行情；开口意味着波动率增大，趋势可能加速。

布林带的本质：它不是预测工具，而是"波动率可视化工具"。它告诉你当前价格相对于历史波动处于什么位置，但不能告诉你未来会怎么走。

4. 指标使用的重要原则

掌握了计算原理后，你还需要知道如何正确使用这些指标，避免落入常见陷阱。

🤖 与AI一起练习

练习1：让AI从零写MACD

Prompt模板：

请用纯Python（不调用talib或pandas的EMA函数）
实现MACD指标的计算，要求：
1. 手动实现EMA的计算公式
2. 输入：收盘价列表（list或numpy数组）
3. 输出：DIF、DEA、MACD柱状图三个序列
4. 默认参数：fast=12, slow=26, signal=9
5. 给出计算过程的详细注释
6. 用一组示例数据验证结果正确性

练习2：让AI解释参数影响

Prompt模板：

请解释MACD的三个参数（fast, slow, signal）
分别控制什么，以及：
1. 如果把fast从12改为5，指标会变得怎样？
2. 如果把slow从26改为60，指标会变得怎样？
3. 这些参数调整后，适用于什么类型的市场？
请用具体的数值例子说明。

练习3：让AI设计指标组合策略

Prompt模板：

我想设计一个使用MACD + RSI + 布林带的组合策略。
要求：
1. MACD提供趋势方向（只做多头趋势）
2. RSI提供入场时机（不超买时入场）
3. 布林带提供止损位置（跌破下轨止损）

请给出完整的策略逻辑、参数建议和Python代码框架。
并指出这个策略在哪些市场环境下可能失效。

🔧 动手实践：从零实现三大指标

下面这段代码展示了如何不依赖任何现成库，纯用Python和NumPy实现MACD、RSI和布林带。这是理解指标本质的最好方式。

import numpy as np
import pandas as pd

# ==========================================
# 工具函数：手动计算EMA
# ==========================================

def ema_manual(data, period):
    """
    手动计算指数移动平均线（EMA）
    EMA_today = alpha * Price_today + (1-alpha) * EMA_yesterday
    alpha = 2 / (period + 1)
    """
    alpha = 2 / (period + 1)
    ema = np.zeros_like(data, dtype=float)
    ema[0] = data[0]  # 首日EMA用首日价格初始化
    
    for i in range(1, len(data)):
        ema[i] = alpha * data[i] + (1 - alpha) * ema[i-1]
    
    return ema

# ==========================================
# 指标1：MACD
# ==========================================

def macd_manual(close, fast=12, slow=26, signal=9):
    """
    手动计算MACD指标
    返回：DIF, DEA, Histogram
    """
    print(f"📈 计算MACD (fast={fast}, slow={slow}, signal={signal})...")
    
    # 1. 计算两条EMA
    ema_fast = ema_manual(close, fast)
    ema_slow = ema_manual(close, slow)
    
    # 2. DIF = 快线 - 慢线
    dif = ema_fast - ema_slow
    
    # 3. DEA = DIF的EMA（信号线）
    dea = ema_manual(dif, signal)
    
    # 4. MACD柱状图
    histogram = dif - dea
    
    print(f"   DIF最新值: {dif[-1]:.4f}")
    print(f"   DEA最新值: {dea[-1]:.4f}")
    print(f"   柱状图最新值: {histogram[-1]:.4f}")
    
    # 判断金叉死叉
    if histogram[-2] < 0 and histogram[-1] > 0:
        print("   ✅ 最新信号: 金叉（买入）")
    elif histogram[-2] > 0 and histogram[-1] < 0:
        print("   ❌ 最新信号: 死叉（卖出）")
    else:
        print("   ⏸ 最新信号: 无交叉")
    
    return dif, dea, histogram

# ==========================================
# 指标2：RSI
# ==========================================

def rsi_manual(close, period=14):
    """
    手动计算RSI指标
    RSI = 100 - (100 / (1 + RS))
    RS = 平均涨幅 / 平均跌幅
    """
    print(f"\n🌡 计算RSI (period={period})...")
    
    # 1. 计算每日价格变动
    delta = np.diff(close)
    
    # 2. 分离涨跌
    gains = np.where(delta > 0, delta, 0)
    losses = np.where(delta < 0, -delta, 0)
    
    # 3. 计算平均涨幅和平均跌幅（使用Wilder平滑法）
    avg_gains = np.zeros_like(gains, dtype=float)
    avg_losses = np.zeros_like(losses, dtype=float)
    
    # 第一个平均值用简单平均
    avg_gains[period-1] = np.mean(gains[:period])
    avg_losses[period-1] = np.mean(losses[:period])
    
    # 后续使用平滑公式
    for i in range(period, len(gains)):
        avg_gains[i] = (avg_gains[i-1] * (period - 1) + gains[i]) / period
        avg_losses[i] = (avg_losses[i-1] * (period - 1) + losses[i]) / period
    
    # 4. 计算RS和RSI
    rs = avg_gains / (avg_losses + 1e-10)  # 防止除零
    rsi = 100 - (100 / (1 + rs))
    
    # 前period-1天没有有效RSI值，用NaN填充
    full_rsi = np.full_like(close, np.nan, dtype=float)
    full_rsi[1:] = rsi  # delta比close少一个元素
    
    print(f"   RSI最新值: {full_rsi[-1]:.2f}")
    if full_rsi[-1] > 70:
        print("   🔴 状态: 超买区")
    elif full_rsi[-1] < 30:
        print("   🔵 状态: 超卖区")
    else:
        print("   ⚪ 状态: 中性区")
    
    return full_rsi

# ==========================================
# 指标3：布林带
# ==========================================

def bollinger_manual(close, period=20, std_dev=2):
    """
    手动计算布林带
    中轨 = SMA(close, period)
    上轨 = 中轨 + std_dev * 标准差
    下轨 = 中轨 - std_dev * 标准差
    """
    print(f"\n📌 计算布林带 (period={period}, std={std_dev})...")
    
    # 1. 计算中轨（SMA）
    middle = np.convolve(close, np.ones(period)/period, mode='valid')
    
    # 2. 计算标准差
    rolling_std = np.array([
        np.std(close[i:i+period]) 
        for i in range(len(close) - period + 1)
    ])
    
    # 3. 计算上下轨
    upper = middle + std_dev * rolling_std
    lower = middle - std_dev * rolling_std
    
    # 对齐长度（前面period-1天没有值）
    full_middle = np.full_like(close, np.nan, dtype=float)
    full_upper = np.full_like(close, np.nan, dtype=float)
    full_lower = np.full_like(close, np.nan, dtype=float)
    
    full_middle[period-1:] = middle
    full_upper[period-1:] = upper
    full_lower[period-1:] = lower
    
    print(f"   中轨最新值: {full_middle[-1]:.4f}")
    print(f"   上轨最新值: {full_upper[-1]:.4f}")
    print(f"   下轨最新值: {full_lower[-1]:.4f}")
    
    # 判断价格位置
    if close[-1] > full_upper[-1]:
        print("   🔴 价格状态: 突破上轨")
    elif close[-1] < full_lower[-1]:
        print("   🔵 价格状态: 跌破下轨")
    else:
        print("   ⚪ 价格状态: 轨道内运行")
    
    return full_middle, full_upper, full_lower

# ==========================================
# 测试：用示例数据验证
# ==========================================

if __name__ == "__main__":
    print("=" * 55)
    print("🌟 技术指标从零实现演示")
    print("=" * 55)
    
    # 生成示例数据：模拟股价走势
    np.random.seed(42)
    returns = np.random.normal(0.001, 0.02, 100)  # 日均收益0.1%，波动2%
    prices = 100 * np.exp(np.cumsum(returns))  # 从100元起价
    
    print(f"\n示例数据: 100个交易日，起始价100元")
    print(f"最终价格: {prices[-1]:.2f}元")
    
    # 计算三大指标
    dif, dea, hist = macd_manual(prices)
    rsi = rsi_manual(prices)
    mid, up, low = bollinger_manual(prices)
    
    # 汇总输出
    print(f"\n{'=' * 55}")
    print("📋 综合信号汇总")
    print(f"{'=' * 55}")
    
    signals = []
    if hist[-2] < 0 and hist[-1] > 0:
        signals.append("MACD金叉")
    elif hist[-2] > 0 and hist[-1] < 0:
        signals.append("MACD死叉")
    
    if not np.isnan(rsi[-1]):
        if rsi[-1] < 30:
            signals.append("RSI超卖")
        elif rsi[-1] > 70:
            signals.append("RSI超买")
    
    if prices[-1] < low[-1]:
        signals.append("跌破布林带下轨")
    elif prices[-1] > up[-1]:
        signals.append("突破布林带上轨")
    
    if signals:
        print("当前信号: " + " | ".join(signals))
    else:
        print("当前信号: 无明显信号")
    
    print(f"\n{'=' * 55}")
    print("✅ 演示完成！")
    print("你现在理解了这些指标的本质，")
    print("可以自信地修改参数、组合使用、甚至创造新指标。")
    print(f"{'=' * 55}")

交互式指标参数探索器

调整下面的参数，看看MACD和RSI的数值会如何变化。这个模拟器使用简化的计算公式，帮助你直观理解参数的作用。

🤔 思考题

🚀 下一章预告

技术指标已经掌握，但单一指标的力量是有限的。下一章《自定义指标——让AI帮你创造新武器》，我们将打破传统指标的束缚。

你将学会：如何把多个基础指标组合成复合指标；如何用统计学方法（如Z-Score、百分位数）创造全新的信号；以及如何让AI基于你的交易理念生成独特的指标——这是从"使用工具"到"创造工具"的跃迁。

准备好打造属于你自己的技术指标了吗？