深入TA-Lib：量化技术指标详解

本文系统讲解TA-Lib技术指标分析，涵盖基础、数据处理、趋势与动量指标、均量线、布林线等，并结合Python代码与大数据、机器学习实战案例，助力读者掌握量化交易实战技巧。

本文系统梳理了TA-Lib技术指标分析的核心内容，包括TA-Lib基础、数据处理、趋势与动量指标、均量线、布林线等关键技术指标分析方法，并结合Python代码示例与大数据、机器学习的融合实战案例，助力读者全面掌握技术指标分析在量化领域的技术应用。
文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。适合量化新手建立系统认知，为策略开发打下基础。

第一章：TA-Lib基础入门

1.1 TA-Lib简介与安装

TA-Lib介绍

TA-Lib（Technical Analysis Library）是一个广泛使用的开源技术分析库，支持多种编程语言，包括Python、Java、C++等。它提供了大量的函数，用于计算各种技术指标，如移动平均线、相对强弱指数（RSI）、随机指标（KDJ）等，是金融数据分析和交易策略开发的重要工具。

Python环境下TA-Lib安装方法

在Python中使用TA-Lib，需要先安装其Python封装库。可以通过以下命令安装：

pip install TA-Lib

推荐阅读：QuantStats + TA-Lib：量化策略分析入门实战的五阶段构建之旅 🔥
阶段 1：环境配置与数据准备

验证安装成功与否

安装完成后，可以通过以下Python代码验证TA-Lib是否安装成功：

import talib
print(talib.__version__)

如果输出了版本号，说明安装成功。

1.2 初步使用TA-Lib

TA-Lib基本函数分类

TA-Lib的函数按照技术指标的类型进行了分类，主要包括以下几类：

趋势指标：如移动平均线（MA）、指数移动平均线（EMA）、MACD等，用于判断市场的趋势方向。
动量指标：如相对强弱指数（RSI）、随机指标（KDJ）等，用于衡量市场的动量和超买超卖状态。
均量指标：如均量线（VMA）、成交量指标（VOL）等，用于分析市场的成交量变化。
波动性指标：如布林线（BOLL）等，用于衡量市场的波动性。

常见函数调用方式

TA-Lib的函数调用方式相对简单，一般需要传入价格数据（如收盘价、开盘价等）和参数（如周期）。以下是一个简单的示例，计算移动平均线：

import pandas as pd
import talib# 假设我们已经获取了A股某股票的历史数据并存储在DataFrame中
# 这里使用Tushare获取数据
import tushare as ts# 设置Tushare API Token
ts.set_token("your_token")  # 替换为你的Tushare Token
pro = ts.pro_api()# 获取A股某股票的历史数据，例如贵州茅台（600519）
data = pro.daily(ts_code="600519.SH", start_date="20200101", end_date="20241231")
data = data.sort_values("trade_date")  # 按交易日期排序# 计算5日简单移动平均线
data["ma5"] = talib.SMA(data["close"], timeperiod=5)# 查看结果
print(data[["trade_date", "close", "ma5"]].tail())

简单示例：计算移动平均线

上述示例中，我们使用TA-Lib的SMA函数计算了5日简单移动平均线，并将其添加到数据框中。以下是代码的详细解读：

数据获取：使用Tushare的pro.daily接口获取贵州茅台的历史日线数据。
数据排序：按交易日期升序排序，确保时间序列的正确性。
移动平均线计算：调用talib.SMA函数，传入收盘价和周期参数5，计算得到5日简单移动平均线。
结果查看：输出最后几行数据，查看计算结果。

第二章：A股数据准备与处理

2.1 Tushare数据源介绍

Tushare功能概述

Tushare是一个免费、开源的金融数据接口库，提供了丰富的A股市场数据，包括股票行情、财务数据、指数数据等。它支持多种数据获取方式，方便用户快速获取所需数据。

注册账号与获取API Token

访问Tushare官网（https://tushare.pro/），注册账号。
登录后，在个人中心获取API Token。

使用Tushare获取A股历史数据

import tushare as ts# 设置Tushare API Token
ts.set_token("your_token")  # 替换为你的Tushare Token
pro = ts.pro_api()# 获取A股某股票的历史数据，例如贵州茅台（600519）
data = pro.daily(ts_code="600519.SH", start_date="20200101", end_date="20241231")
data = data.sort_values("trade_date")  # 按交易日期排序# 查看数据
print(data.head())

2.2 数据存储与读取

Parquet文件格式介绍

Parquet是一种高效的列式存储格式，适用于大数据处理。它具有高压缩比和快速读取的特点，适合存储大规模数据。

使用Python将数据存储为Parquet文件

import pandas as pd# 将获取的数据存储为Parquet文件
data.to_parquet("./data/600519.SH.parquet", index=False)

从Parquet文件读取数据到DataFrame

# 从Parquet文件读取数据
data = pd.read_parquet("./data/600519.SH.parquet")# 查看数据
print(data.head())

2.3 数据清洗与预处理

处理缺失值

# 检查缺失值
print(data.isnull().sum())# 填充缺失值，例如用前一个非缺失值填充
data.fillna(method="ffill", inplace=True)

数据类型转换

# 转换数据类型，例如将'vol'列从float转换为int
data["vol"] = data["vol"].astype(int)

时间序列对齐

# 确保数据按时间顺序排列
data = data.sort_values("trade_date")# 设置交易日期为索引
data.set_index("trade_date", inplace=True)print(data.head())

第三章：趋势指标

3.1 移动平均线（MA）

MA理论基础

移动平均线（Moving Average，MA）是将某一段时间内的收盘价加以平均，再根据这些平均值绘制而成的曲线。它具有平滑价格曲线、显示趋势方向的特点。常见的移动平均线有简单移动平均线（SMA）和指数移动平均线（EMA）。

TA-Lib中MA函数使用

TA-Lib提供了多种移动平均线函数，包括：

SMA：简单移动平均线
EMA：指数移动平均线
WMA：加权移动平均线
DEMA：双重指数移动平均线
TEMA：三重指数移动平均线
TRIMA：三角移动平均线
KAMA：自适应移动平均线
MIDPOINT：中点移动平均线
MIDPRICE：价格中点移动平均线

A股市场中MA实战示例

import pandas as pd
import talib# 从Parquet文件读取A股数据
data = pd.read_parquet("./data/600519.SH.parquet")# 计算5日、10日、20日简单移动平均线
data["ma5"] = talib.SMA(data["close"], timeperiod=5)
data["ma10"] = talib.SMA(data["close"], timeperiod=10)
data["ma20"] = talib.SMA(data["close"], timeperiod=20)# 查看结果
print(data[["trade_date", "close", "ma5", "ma10", "ma20"]].tail(10))

结果解读

通过计算不同周期的移动平均线，可以观察到价格的短期、中期和长期趋势。当短期均线向上穿过长期均线时，可能形成金叉，预示着价格上涨趋势；反之，当短期均线向下穿过长期均线时，可能形成死叉，预示着价格下跌趋势。

3.2 指数移动平均线（EMA）

EMA与MA区别

指数移动平均线（Exponential Moving Average，EMA）与简单移动平均线（SMA）的主要区别在于，EMA对近期价格给予更高的权重，使其更能反映最新的价格变化。EMA的计算公式为：

$EMA_t = \frac{2}{N+1} \times P_t + (1 - \frac{2}{N+1}) \times EMA_{t-1}$

其中， $N$ 为周期， $P_t$ 为当前价格， $EMA_{t-1}$ 为前一时刻的EMA值。

TA-Lib计算EMA

# 计算5日、10日、20日指数移动平均线
data["ema5"] = talib.EMA(data["close"], timeperiod=5)
data["ema10"] = talib.EMA(data["close"], timeperiod=10)
data["ema20"] = talib.EMA(data["close"], timeperiod=20)# 查看结果
print(data[["trade_date", "close", "ema5", "ema10", "ema20"]].tail(10))

EMA在A股趋势判断中的应用

EMA由于其对价格变化的敏感性，在趋势判断中具有重要作用。在A股市场中，交易者常利用EMA的金叉和死叉信号来制定交易策略。

3.3 MACD指标

MACD原理与构成

MACD（Moving Average Convergence Divergence）指标由DIF线、DEA线和MACD柱状线组成。其计算公式为：

$DIF = EMA_{12} - EMA_{26}$
$D E A = EM A (D I F, 9)$
$\times (DIF - DEA)$

其中， $EMA_{12}$ 和 $EMA_{26}$ 分别表示12日和26日的指数移动平均线。

使用TA-Lib计算MACD

# 计算MACD
data["dif"], data["dea"], data["macd"] = talib.MACD(data["close"], fastperiod=12, slowperiod=26, signalperiod=9
)# 查看结果
print(data[["trade_date", "close", "dif", "dea", "macd"]].tail(10))

MACD实战：A股买卖信号捕捉

在A股市场中，当DIF线从下向上穿过DEA线时，形成金叉，通常被视为买入信号；反之，当DIF线从上向下穿过DEA线时，形成死叉，通常被视为卖出信号。MACD柱状线的颜色和长度变化也能反映市场的多空力量。

第四章：动量指标

4.1 相对强弱指标（RSI）

RSI计算原理

相对强弱指数（Relative Strength Index，RSI）是一种动量指标，用于衡量股票在一定时期内的价格变动速度和变化幅度，从而判断股票是处于超买还是超卖状态。RSI的取值范围在0到100之间，通常以14天为计算周期。其计算公式为：

$\frac{100}{1 + RS}$

其中，RS为特定周期内平均上涨点数与平均下跌点数的比值。

TA-Lib中RSI函数调用

# 计算14日相对强弱指数
data["rsi"] = talib.RSI(data["close"], timeperiod=14)# 查看结果
print(data[["trade_date", "close", "rsi"]].tail(10))

RSI在A股超买超卖判断中的应用

在A股市场中，RSI值超过70通常表示股票处于超买状态，可能会出现回调；RSI值低于30则表示股票处于超卖状态，可能会出现反弹。交易者可以根据RSI的这种特性来制定交易策略。

4.2 随机指标（KDJ）

KDJ指标构成与计算

随机指标（Stochastic Oscillator，KDJ）由三条线组成：%K线、%D线和%J线。它主要用于衡量市场的超买超卖状态和价格动量。KDJ指标的计算公式如下：

$\%K = \frac{C - L_n}{H_n - L_n} \times 100$
$\%D = SMA(%K, m)$
$\%J = 3 \times \%K - 2 \times \%D$

其中， $C$ 为收盘价， $L_n$ 为n周期内的最低价， $H_n$ 为n周期内的最高价， $m$ 为平滑周期。

TA-Lib计算KDJ步骤

# 计算9日的最高价和最低价
data["high_9"] = data["high"].rolling(window=9).max()
data["low_9"] = data["low"].rolling(window=9).min()# 计算%K值
data["k"] = ((data["close"] - data["low_9"]) / (data["high_9"] - data["low_9"])) * 100# 计算%D值，即%K的3周期简单移动平均
data["d"] = data["k"].rolling(window=3).mean()# 计算%J值
data["j"] = 3 * data["k"] - 2 * data["d"]# 查看结果
print(data[["trade_date", "close", "k", "d", "j"]].tail(10))

KDJ实战：A股短期交易信号

在A股市场中，当 $\%K$ 线从下向上穿过 $\%D$ 线时，形成金叉，通常被视为短期买入信号；反之，当 $\%K$ 线从上向下穿过 $\%D$ 线时，形成死叉，通常被视为短期卖出信号。此外， $\%J$ 值的过高或过低也能提供一定的交易提示。

4.3 威廉指标（WMS）

WMS指标介绍

威廉指标（Williams %R，WMS）也是一种动量指标，用于衡量市场的超买超卖状态。它与KDJ指标类似，但计算方式有所不同。WMS的取值范围在0到-100之间，通常以14天为计算周期。

TA-Lib中WMS函数使用

# 计算14日威廉指标
data["wms"] = talib.WILLR(data["high"], data["low"], data["close"], timeperiod=14)# 查看结果
print(data[["trade_date", "close", "wms"]].tail(10))

WMS在A股市场中的实战案例

在A股市场中，WMS值超过-20通常表示股票处于超买状态，可能会出现回调；WMS值低于-80则表示股票处于超卖状态，可能会出现反弹。交易者可以结合WMS与其他指标来提高交易信号的准确性。

第五章：均量线与成交量指标

5.1 均量线（VMA）

VMA计算方法

均量线（Volume Moving Average，VMA）是成交量的移动平均线，用于平滑成交量数据，帮助识别成交量的趋势和变化。计算方法与移动平均线类似，可以选择简单移动平均或指数移动平均等方式。

TA-Lib计算均量线

TA-Lib中没有直接的均量线函数，但我们可以利用其移动平均函数来计算。以下是使用简单移动平均（SMA）计算均量线的示例：

# 计算5日均量线
data["vma5"] = talib.SMA(data["vol"], timeperiod=5)# 计算10日均量线
data["vma10"] = talib.SMA(data["vol"], timeperiod=10)# 查看结果
print(data[["trade_date", "vol", "vma5", "vma10"]].tail(10))

VMA与A股价格走势关系分析

均量线的变化可以反映市场活跃度的趋势。在A股市场中，当均量线向上时，表示市场交投活跃，可能伴随着价格的上涨或下跌趋势的加速；当均量线向下时，表示市场交投趋于清淡，价格走势可能进入盘整阶段。交易者可以通过观察均量线与价格走势的关系，判断市场的强弱和趋势的可持续性。

5.2 成交量指标（VOL）

VOL指标含义

成交量指标（Volume，VOL）直接反映了股票在一定时间内的成交手数，是衡量市场活跃度和资金流向的重要指标。在技术分析中，成交量的变化往往预示着价格的潜在变动。

TA-Lib中VOL相关函数

TA-Lib提供了多种与成交量相关的函数，除了基本的均量线计算外，还可以计算成交量的变动率、累积成交量等。以下示例展示如何计算成交量的简单移动平均和指数移动平均：

# 计算5日均量线（简单移动平均）
data["vma5_sma"] = talib.SMA(data["vol"], timeperiod=5)# 计算5日均量线（指数移动平均）
data["vma5_ema"] = talib.EMA(data["vol"], timeperiod=5)# 查看结果
print(data[["trade_date", "vol", "vma5_sma", "vma5_ema"]].tail(10))

VOL在A股市场中的实战应用

在A股市场中，成交量的分析对于判断市场情绪和趋势具有重要意义。当价格上涨且成交量同步放大时，表明市场买盘强劲，上涨趋势可能持续；反之，当价格上涨但成交量萎缩时，可能意味着上涨动力不足，趋势有反转的风险。此外，通过比较不同周期的均量线，可以更清晰地观察成交量的变化趋势，辅助制定交易策略。

第六章：布林线与波动性指标

6.1 布林线（BOLL）

BOLL计算公式与原理

布林线（Bollinger Bands，BOLL）是一种基于标准差的波动性指标，由约翰·布林格（John Bollinger）开发。它由三条线组成：中轨（通常是20日简单移动平均线）、上轨（中轨加上两倍标准差）和下轨（中轨减去两倍标准差）。其计算公式如下：

$\text{中轨} = SMA_{20}$
$\text{上轨} = SMA_{20} + 2 \times \sigma_{20}$
$\text{下轨} = SMA_{20} - 2 \times \sigma_{20}$

其中， $SMA_{20}$ 表示20日简单移动平均线， $\sigma_{20}$ 表示20日收盘价的标准差。

TA-Lib计算布林线

# 计算布林线
data["upper"], data["middle"], data["lower"] = talib.BBANDS(data["close"], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0
)# 查看结果
print(data[["trade_date", "close", "upper", "middle", "lower"]].tail(10))

BOLL在A股市场中的应用策略

在A股市场中，布林线可以用于判断市场的波动性和趋势方向。当价格触及上轨时，可能表示市场处于超买状态，价格有回调的风险；当价格触及下轨时，可能表示市场处于超卖状态，价格有望反弹。此外，布林线的扩张和收缩也能反映市场的波动性变化。布林线扩张时，市场波动加剧；布林线收缩时，市场进入盘整阶段，波动减小。

6.2 指数平滑异同移动平均线（MACD）

MACD与布林线结合使用

MACD和布林线结合使用可以提供更全面的市场分析。MACD主要用于趋势判断，而布林线则擅长衡量市场的波动性和超买超卖状态。当MACD显示市场处于上涨趋势，同时布林线上轨被突破时，可以增强买入信号的可靠性；反之，当MACD显示下跌趋势，且布林线下轨被突破时，可以增强卖出信号的可靠性。

MACD在A股趋势判断中的实战技巧

在A股市场中，除了基本的金叉和死叉信号外，还可以通过观察MACD柱状线的变化来判断市场的强弱。当MACD柱状线逐渐变长且为正值时，表示多头力量增强；当MACD柱状线逐渐变长且为负值时，表示空头力量增强。此外，MACD的顶背离和底背离现象也是重要的交易信号。顶背离是指价格创新高，但MACD不再创新高，预示着上涨趋势可能反转；底背离是指价格创新低，但MACD不再创新低，预示着下跌趋势可能反转。

第七章：TA-Lib函数综合应用

7.1 多指标综合分析

选取合适指标组合

在实际的交易分析中，单一的技术指标往往存在局限性，容易产生虚假信号。因此，通常需要结合多个指标进行综合分析，以提高信号的准确性和可靠性。常见的指标组合包括趋势指标与动量指标的结合、成交量指标与价格指标的配合等。

使用TA-Lib进行多指标计算

# 计算多个指标
data["ma5"] = talib.SMA(data["close"], timeperiod=5)
data["ema10"] = talib.EMA(data["close"], timeperiod=10)
data["rsi"] = talib.RSI(data["close"], timeperiod=14)
data["macd"], data["signal"], data["hist"] = talib.MACD(data["close"], fastperiod=12, slowperiod=26, signalperiod=9
)
data["upper"], data["middle"], data["lower"] = talib.BBANDS(data["close"], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0
)# 查看结果
print(data[["trade_date","close","ma5","ema10","rsi","macd","signal","hist","upper","middle","lower",]].tail(10)
)

综合分析A股市场走势

通过综合多个指标的数据，可以更全面地判断市场的走势和状态。例如，当短期均线（如5日MA）向上穿过长期均线（如10日EMA），同时RSI值从超卖区域回升，MACD柱状线由负转正且DIF线向上穿过DEA线，布林线的上轨被突破时，这些信号共同指向市场处于强势上涨趋势，买入信号较为强烈。相反，当多个指标同时发出卖出信号时，应警惕市场下跌风险，及时调整仓位或止损离场。

7.2 自定义交易策略实现

基于TA-Lib的策略构建思路

构建交易策略时，首先需要明确交易目标和风险偏好，然后根据市场特征和历史数据选择合适的技术指标组合，制定清晰的入场、止损和止盈规则。利用TA-Lib强大的计算能力，可以快速实现各种复杂策略的回测和优化。

策略代码编写与回测

import pandas as pd
import talib
import matplotlib.pyplot as plt# 从Parquet文件读取A股数据
data = pd.read_parquet("./data/600519.SH.parquet")
data.set_index("trade_date", inplace=True)# 计算指标
data["ma5"] = talib.SMA(data["close"], timeperiod=5)
data["ema10"] = talib.EMA(data["close"], timeperiod=10)
data["rsi"] = talib.RSI(data["close"], timeperiod=14)
data["macd"], data["signal"], data["hist"] = talib.MACD(data["close"], fastperiod=12, slowperiod=26, signalperiod=9
)# 定义交易信号
data["buy_signal"] = ((data["ma5"] > data["ema10"]) & (data["rsi"] < 70) & (data["macd"] > data["signal"])
)
data["sell_signal"] = ((data["ma5"] < data["ema10"]) & (data["rsi"] > 30) & (data["macd"] < data["signal"])
)# 回测策略
initial_capital = 1000000  # 初始资金
position = 0  # 当前持仓
cash = initial_capital  # 当前现金
trades = []  # 交易记录for i in range(len(data)):if position == 0 and data["buy_signal"].iloc[i]:# 买入信号position = cash // data["close"].iloc[i]cash -= position * data["close"].iloc[i]trades.append(("buy", data.index[i], data["close"].iloc[i], position))elif position > 0 and data["sell_signal"].iloc[i]:# 卖出信号cash += position * data["close"].iloc[i]trades.append(("sell", data.index[i], data["close"].iloc[i], position))position = 0# 计算最终收益
final_value = cash + position * data["close"].iloc[-1]
returns = (final_value - initial_capital) / initial_capital * 100# 输出结果
print(f"初始资金：{initial_capital}元")
print(f"最终价值：{final_value:.2f}元")
print(f"收益率：{returns:.2f}%")
print("交易记录：")
for trade in trades:print(f"{trade[0]} {trade[1]} 价格：{trade[2]:.2f} 数量：{trade[3]}")# 绘制价格走势与交易信号
plt.figure(figsize=(12, 6))
plt.plot(data["close"], label="Close Price")
plt.plot(data["ma5"], label="5-day MA")
plt.plot(data["ema10"], label="10-day EMA")
for trade in trades:if trade[0] == "buy":plt.scatter(trade[1], trade[2], color="green", marker="^", s=100)else:plt.scatter(trade[1], trade[2], color="red", marker="v", s=100)
plt.title("Price and Trading Signals")
plt.xlabel("Date")
plt.ylabel("Price")
plt.legend()
plt.show()

策略优化与改进

在实际应用中，需要对策略进行不断优化和改进，以适应不断变化的市场环境。可以通过调整指标参数、增加过滤条件、引入机器学习算法等方式提高策略的适应性和盈利能力。同时，要注意控制风险，合理设置止损和止盈点，避免因单次交易的失败而导致整体账户的大幅亏损。

第八章：高级应用与拓展

8.1 大数据环境下TA-Lib应用

处理大规模A股数据

在大数据环境下，处理大规模A股数据时，需要考虑数据的存储效率和计算性能。Parquet文件格式因其列式存储和高压缩比的特点，成为大规模数据存储的理想选择。同时，可以利用分布式计算框架（Dask）结合TA-Lib，实现对海量数据的高效处理。

推荐阅读：Dask：Python高效并行计算利器 🔥

并行计算与性能优化

import pandas as pd
import talib
from multiprocessing import Pool# 从Parquet文件读取大规模A股数据
data = pd.read_parquet("./data/600519.SH.parquet")# 定义并行计算函数
def calculate_indicators(stock_data):stock_data["ma5"] = talib.SMA(stock_data["close"], timeperiod=5)stock_data["rsi"] = talib.RSI(stock_data["close"], timeperiod=14)return stock_data# 按股票代码分组并并行计算
grouped = data.groupby("ts_code")
with Pool(processes=4) as pool:  # 使用4个进程results = pool.map(calculate_indicators, [group for name, group in grouped])# 合并结果
data_with_indicators = pd.concat(results)# 查看结果
print(data_with_indicators.head())

云平台上的TA-Lib应用

在云平台上（如：阿里云），可以利用其强大的计算资源和存储服务，部署TA-Lib应用。通过将数据存储在云存储服务（如：OSS）中，并使用云服务器或无服务器函数进行计算，可以实现对A股数据的实时分析和策略执行。

8.2 与其他技术结合

机器学习与TA-Lib结合

将TA-Lib计算的技术指标作为特征，结合机器学习算法，可以构建更智能的交易策略。例如，使用随机森林、梯度提升树或神经网络等算法，对历史数据进行训练，预测未来的价格走势或交易信号。

自然语言处理在金融领域的应用

自然语言处理（NLP）技术可以用于分析金融新闻、社交媒体情绪等文本数据，提取对市场有影响的信息。将NLP分析结果与TA-Lib的技术指标相结合，可以更全面地把握市场动态和投资者情绪，辅助交易决策。

多技术融合的A股交易系统构建

import pandas as pd
import talib
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score# 从Parquet文件读取A股数据
data = pd.read_parquet("./data/600519.SH.parquet")# 计算技术指标
data["ma5"] = talib.SMA(data["close"], timeperiod=5)
data["ema10"] = talib.EMA(data["close"], timeperiod=10)
data["rsi"] = talib.RSI(data["close"], timeperiod=14)
data["macd"], _, _ = talib.MACD(data["close"], fastperiod=12, slowperiod=26, signalperiod=9
)# 构造特征和目标变量
features = data[["ma5", "ema10", "rsi", "macd"]]
target = (data["close"].shift(-1) > data["close"]).astype(int)  # 预测明日是否上涨# 去除含有NaN的行
features = features.dropna()
target = target[features.index]# 同时在 data 中去掉这些行
data = data.loc[features.index]# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42
)# 训练随机森林分类器
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)# 预测与评估
y_pred = model.predict(X_test)
print(f"模型准确率：{accuracy_score(y_test, y_pred):.2f}")# 使用模型进行交易决策
data["prediction"] = model.predict(features)
data["strategy"] = data["prediction"] * 2 - 1  # 1表示买入，-1表示卖出# 计算策略收益
data["return"] = data["close"].pct_change()
data["strategy_return"] = data["strategy"] * data["return"]# 累计收益
cumulative_return = (1 + data["strategy_return"]).cumprod()
print(f"累计策略收益：{cumulative_return.iloc[-1]:.2f}")# 绘制收益曲线
cumulative_return.plot(title="Strategy Cumulative Return")