MA 均线时最基本的技术指标，也是最简单，最不常用的（通常使用EMA、SMA）。

以下用两种不同的计算方法和两种不同的画图方法进行展示和说明。

MA 均线指标公式

MA (N)=(C1 +C2 +C3 +…+C N )/N

方式一

1.SQL 直接查询均值

TDengine 提供了很多时间相关函数，其中有个窗口函数 interval 可以进行滑动时间窗口的运算。函数说明见官方文档。

直接查询 2022-08-01 到 2022-10-01 时间段的 5 日 MA，SQL 如下：

selectma
from(select_wend as ts,avg(close) as mafrom(select_wstart,last(close) as closefromtrade_data_a.tdatawherefcode = "000001" interval(1d) // 获取每日最后一分钟的收盘价作为当日收盘价) interval(5d) sliding(1d) //计算5日的收盘价平均值，滑动窗口为1天。)
wherets >= "2022-08-01" and ts <= "2022-10-01" //选取指定时间范围内数据

数据结构见之前的文章《[量化投资-学习笔记001]Python+TDengine从零开始搭建量化分析平台-数据存储》

Python 代码如下：

def request_get(resInfo):load_data = json.loads(resInfo)data = load_data.get("data")datalist= []for i in range(len(data)):datalist.append(float(data[i][0]))return datalistdef get_ma(sql):ma = []rt = request_post(tdurl,sql,username,password)if check_return(rt) == 'error':print(rt)else:ma = request_get(rt)return ma

2.使用 pyplot 进行绘图

if __name__ == '__main__':ma5 = get_ma(ma5_sql)ma10 = get_ma(ma10_sql)plt.title("MA")plt.plot(ma5,'b',linewidth=1.0,label='MA5')plt.plot(ma10,'y',linewidth=1.0,label='MA10')plt.legend()plt.grid()plt.show()

3.使用 Grafana 绘图

Grafana 可以直接访问 TDengine 数据库，我们直接添加一张时间序列图即可。
SQL 如下：

select ts,ma from (select _wend as ts,avg(close) as ma from (select _wstart,last(close) as close from trade_data_a.tdata where fcode="000001" interval(1d)) interval(5d) sliding(1d) )where ts>=$from and ts<=$to

注意：
Grafana 中的时间序列图必须带上时间。
时间范围可以使用 Grafana 自带函数 $from 和 $to，方便图形的缩放。

方式二

1.使用 Python 计算 MA

通过查询 TDengine 数据库获取原数据，然后使用 Python 计算 MA。
原始数据获取：

selectclose
from(select_wstart as ts,last(close) as closefromtrade_data_a.tdatawherefcode = "000001" interval(1d) //获取每日收盘价)
wherets >= "2022-08-01" and ts <= "2022-10-01" //获取指定日期收盘价

这里计算 MA 时取巧，使用了 numpy 的均值函数。

def calc_ma(days,ma):ma_n = []days = days-1for i in range(len(ma)):if i >= days:ma_n.append(np.mean(ma[i-days:i+1]))else:if i == 0:ma_n.append(ma[i])else:ma_n.append(np.mean(ma[:i]))return ma_n

注意：
以上对初始的几个值按实际个数进行了平均，因此结果与方式一存在偏差。

2.使用 pyplot 进行绘图

if __name__ == '__main__':ma5_n = calc_ma(5,get_ma(sql_ma))ma10_n = calc_ma(10,get_ma(sql_ma))plt.title("MA")plt.plot(ma5_n,'g',linewidth=1.0,label='MA5_N')plt.plot(ma10_n,'r',linewidth=1.0,label='MA10_N')plt.legend()plt.grid()plt.show()

高能预警

从图形上来看，不管哪种方式，展示出的图形都相差不大，但为了对比，我们讲方式一和方式二的图形放到一起进行对比。

if __name__ == '__main__':ma5 = get_ma(ma5_sql)ma10 = get_ma(ma10_sql)ma5_n = calc_ma(5,get_ma(sql_ma))ma10_n = calc_ma(10,get_ma(sql_ma))plt.title("MA")plt.plot(ma5,'b',linewidth=1.0,label='MA5')plt.plot(ma10,'y',linewidth=1.0,label='MA10')plt.plot(ma5_n,'g',linewidth=1.0,label='MA5_N')plt.plot(ma10_n,'r',linewidth=1.0,label='MA10_N')plt.legend()plt.grid()plt.show()

WTF!!

大坑出现了！！

为何图形形状差不多，但是数据却对不上？？

问题就出在 TDengine 的滑动时间窗口函数上面，这个函数是按照时间维度顺序滑动的，默认时间是连续的。

但是
交易时间是不连续的！
交易时间是不连续的！
交易时间是不连续的！

这就造成了方式一中不仅相同时间段的数据条数多了，数值计算也错了。

所以，TDengine 的时间窗口函数对于这种不连续的时间真是无能为力，只能老老实实自己进行计算了。

但如果只是想看看趋势什么的，不考虑精确性，用 TDengine+Grafana 还是挺方便的。

题外话

MA 是技术分析指标。对于技术分析有时模糊的准确比精准的错误更重要。
我之前有个课后作业对技术分析的多解性做了说明，有兴趣的同学可以看两眼：https://www.zhihu.com/question/34886985/answer/3264087568

技术分析除了具有多解性，还具有反身性，这就造成了技术分析的误差非常大，而且越追求精准，误差越大。