企业官网建设流程全解析

技术指标这种东西，听起来高深，拆到底就是几根移动平均线、最高价最低价的范围、涨跌幅度的统计。我在本地跑回测的时候，最大的痛苦不是写策略，而是把行情软件里现成的指标公式，一条一条搬到自己的Python环境里。搬一次骂一次：不同软件的函数名不一样、返回值顺序不一样，甚至同一个MACD，有的按拉齐算法、有的按权重算法，结果能差出一个小数点。后来我想通了一个事：不管界面怎么变，指标公式最后落地的单位无非是REF、MA、EMA、HHV、LLV、SUM、ABS、MAX、MIN、COUNT、CROSS、IF这一二十个基础算子。只要把这套算子用numpy和pandas原样实现一遍，剩下的工作就是像搭积木一样把指标拼出来。于是我用大约70行代码，封装了一套极简指标库，主流行情软件里MACD、KDJ、RSI、BOLL这类常用指标直接套用公式就能算，甚至连它们公式语法里那些生僻的写法，也能通过组合算子还原出来。这里就把这套代码、使用方法和踩坑经验全部摊开来讲，适合量化新手，也适合在多个平台间迁移指标的老手。

1. 为什么“70行”就能覆盖大部分技术指标公式

1.1 不同行情软件里的公式，其实是同一套积木

打开任何一个行情软件，自带的公式系统虽然名字不一样，语法也各有细节，但翻开它们的帮助文档就会发现，绝大多数技术指标都是围绕K线数据（开、高、低、收、量）做时间序列运算。MACD是两条指数均线的差值再平滑一次，KDJ是近N日最高价和最低价区间里的位置百分比，RSI是对涨跌幅做加权平均再算比例，BOLL是均线加上固定倍数的标准差。这些定义在数学上是统一的，差的只是函数名称和参数写法。比如移动平均，A软件叫MA，B软件也叫MA，还有的软件里叫“均线”；最高值，有叫HHV的，有叫HG的；引用前N周期，有叫REF的，也有叫“前前”的。名称乱，但数学定义一致。这意味着只要在Python里实现这些“原子算子”，就能用同一套代码翻译不同平台的公式。这种“一套积木拼所有”的思路，不是我的原创，很多量化框架也这么干，只不过它们往往做得太重，封装了很多复杂对象。我更想用最小的代码量，直击算法本质。

1.2 基础算子的覆盖力：一张表看懂

我统计了一下常见指标公式里出现的算子频率，得到这么一张高频算子清单。移动平均类有MA、EMA、SMA（一种递归均线），统计类有HHV、LLV、SUM、STD、COUNT，逻辑类有ABS、MAX、MIN、IF、CROSS、REF。光凭这几个算子，就能组合出常见指标里90%以上的公式。比如MACD只用了EMA和减法，KDJ只用了HHV、LLV、SMA，RSI只用了SMA和IF，BOLL只用了MA和STD。这也就解释了为什么代码可以精简到70行——很多看似复杂的指标，本质上只是这些原子算子的不同嵌套。我把这些算子用numpy写出来后，每一个都对应着一个简单的数学动作，而不是某个特定的指标。以后想加自己的新指标，只要能用这些算子表达，就能直接跑出来。这是最重要的思维转变：从记忆某指标公式，变成掌握算子语法。

2. 核心数据结构与基础算子设计

2.1 为什么选择numpy数组 + pandas rolling

写指标库之前要先定数据结构。使用原生Python列表当然能算，但循环几千上万次不仅慢，代码还啰嗦。numpy数组是搞数值计算的标配，加上pandas的rolling窗口，移动平均、最高最低值这些操作都是一行搞定。更重要的一点是，技术指标天然喜欢“错位引用”：今天的指标可能需要三五天前的数据，numpy的切片正好可以把序列整体“挪位置”。我的方案是：所有输入输出都是numpy一维float数组，长度等于K线根数；用NaN表示“还没有有效值”的周期，比如前N-1根的MA。这样做的好处是干净，所有算子都对任意一维数组生效，组合起来不会出现维度对不上的情况。缺点也有：不能像DataFrame那样自动对齐索引，但只要保证K线顺序固定，不随手排序，就没有对齐问题。

2.2 基础函数逐个拆解

先列最常用的算子，每个算子的实现思路如下。

REF(S, n)是S序列向前平移n个周期，今天得到的值是n个周期前那个值。我用out[n:] = S[:-n]，前面的位置补NaN。这个算子是一切“金叉、死叉、前值判断”的基础。

MA(S, n)是普通移动平均，直接对S做rolling(n).mean()。注意pandas默认就是窗口内均值，能用。

EMA(S, n)是指数移动平均，市面通用算法都要求权重按2/(n+1)衰减，pandas的ewm(span=n, adjust=False)正好对应，不需要自己写递归。

SMA(S, n, m)是很多新手栽跟头的地方。它并不是统计学里的简单平均，而是一种递归平滑：Y = (M * X + (N - M) * Y') / N，其中Y'是上一根K线的Y值。因为存在递归，numpy没法直接向量化，只能用for循环。好在K线量少，几千根算下来在毫秒级，完全没问题。

HHV/LLV是滚动窗口最大值和最小值，我用rolling(n).max()/.min()，窗口前补NaN。

SUM/STD是滚动求和和滚动标准差。这里有个容易忽略的细节：软件公式里的STD默认是除以N（总体标准差），而pandas默认是除以N-1（样本标准差）。如果不把ddof设为0，BOLL上下轨会和软件差不少。

COUNT、ABS、MAX、MIN、IF、CROSS这几类更像逻辑运算。COUNT是对条件序列的滚动求和，ABS是取绝对值，MAX/MIN比较两个序列或标量，IF实现条件选值，CROSS判断上穿。

把这些函数放在一起，就是一套“公式解释器”的核心。

2.3 这里必须提三个容易理解错的运算

首先是EMA。很多人以为EMA可以通过递归公式写，但初始值怎么给是个问题。有的软件首根取第一个收盘价，有的软件首根取0，有的软件前几根不输出。如果直接用pd.Series(S).ewm(span=n, adjust=False).mean()，它的起始点会以第一个有效值为基准，计算出来的序列在初始几个周期可能与某些软件有细微差异，但经过一段稳定期后收敛，实用问题不大。其次是SMA。这个函数在行情软件的公式里太常用了，但和EMA完全不同。EMA的系数固定是2/(N+1)，而SMA的系数是M/N。KDJ里的RSV平滑就是SMA(RSV,3,1)，RSI里的涨跌平滑也是SMA(UP,14,1)。写错一个参数，结果就完全不对。第三是CROSS。CROSS(A,B)在软件里的含义是“A从下方上穿B”，也就是上一周期A小于等于B，当前周期A大于B。我的实现用两个前移序列比较，特别注意上一周期相等的情况也算“先小于等于再大于”，这样才能覆盖到紧贴穿越的边界。逐根验证下来，它和软件里金叉位置完全一致。

3. 70行核心代码实现

3.1 完整代码清单

下面这段代码就是核心部分。为了便于阅读，我加了注释，去掉注释后约70行。它包含前面说的所有基础算子，以及MACD、KDJ、RSI、BOLL四个常用指标组合。

import numpy as np import pandas as pd # ========= 核心算子 ========= def REF(S, n): out = np.full(len(S), np.nan) out[n:] = S[:-n] return out def MA(S, n): return pd.Series(S).rolling(n).mean().to_numpy() def EMA(S, n): return pd.Series(S).ewm(span=n, adjust=False).mean().to_numpy() def SMA(S, n, m): out = np.full(len(S), np.nan) y = np.nan for i, x in enumerate(S): if np.isnan(x): y = np.nan elif np.isnan(y): y = x else: y = (m * x + (n - m) * y) / n out[i] = y return out def SUM(S, n): return pd.Series(S).rolling(n).sum().to_numpy() def HHV(S, n): return pd.Series(S).rolling(n).max().to_numpy() def LLV(S, n): return pd.Series(S).rolling(n).min().to_numpy() def STD(S, n): return pd.Series(S).rolling(n).std(ddof=0).to_numpy() def MAX(a, b): return np.maximum(a, b) def MIN(a, b): return np.minimum(a, b) def ABS(S): return np.abs(S) def COUNT(cond, n): return pd.Series(np.where(cond, 1.0, 0.0)).rolling(n).sum().to_numpy() def CROSS(a, b): pa = np.concatenate([[np.nan], a[:-1]]) pb = np.concatenate([[np.nan], b[:-1]]) return (a > b) & (pa <= pb) def IF(cond, a, b): return np.where(cond, a, b) # ========= 指标组合 ========= def MACD(C): dif = EMA(C, 12) - EMA(C, 26) dea = EMA(dif, 9) return dif, dea, (dif - dea) * 2 def KDJ(H, L, C): lv = LLV(L, 9) hh = HHV(H, 9) rsv = np.where(hh - lv != 0, (C - lv) / (hh - lv) * 100, 0) K = SMA(rsv, 3, 1) D = SMA(K, 3, 1) return K, D, 3 * K - 2 * D def RSI(C, n=14): diff = np.diff(C, prepend=C[0]) # 首周期涨跌视为0 up = IF(diff > 0, diff, 0.0) down = IF(diff < 0, -diff, 0.0) su = SMA(up, n, 1) sd = SMA(down, n, 1) return su / (su + sd) * 100 def BOLL(C, n=20, p=2): mid = MA(C, n) std = STD(C, n) return mid + p * std, mid, mid - p * std

调用的时候，只需要把K线数组准备出来：

# df 需要包含 open, high, low, close, volume 五列 C = df['close'].to_numpy(dtype=float) H = df['high'].to_numpy(dtype=float) L = df['low'].to_numpy(dtype=float) dif, dea, bar = MACD(C) K, D, J = KDJ(H, L, C) rsi = RSI(C, 14) up, mid, low = BOLL(C)

我特别说明一下KDJ里的处理：当HHV和LLV相等时，也就是最高和最低价格区间为零（比如一字涨停或长期停牌后恢复的极端情况），公式会出现分母为零。这里我强制除号结果为0，可以避免NaN污染整个序列。实际中也可以填50，但0更接近某些软件的默认输出。

3.2 怎样“翻译”一条软件公式

有了这套算子，翻译公式就很机械了。比如翻看软件里BOLL的公式源码，通常写成：

MID:=MA(CLOSE,N); UPPER:=MID+P*STD(CLOSE,N); LOWER:=MID-P*STD(CLOSE,N);

翻译到我们的代码就是：

mid = MA(C, n) upper = mid + p * STD(C, n) lower = mid - p * STD(C, n)

再比如某软件里MACD公式：

DIF:EMA(CLOSE,12)-EMA(CLOSE,26); DEA:EMA(DIF,9); MACD:(DIF-DEA)*2;

对应代码就是：

dif = EMA(C, 12) - EMA(C, 26) dea = EMA(dif, 9) macd = (dif - dea) * 2

几乎是一行对一行，唯一需要留意的是一般软件里“CLOSE”指收盘价序列，我们这里用C变量代替。真正碰到那种有“BACKSET”“PEAK”之类高级函数的指标，可能得自己补一些算子，但常用指标基本不用。

3.3 真实K线校验的完整流程

代码写出来，下一步必须验证和软件计算是否一致。我的做法是：先导出一段指数日线数据，包含日期、开高低收量，然后分别用行情软件和Python代码计算同一指标。校验时要注意三点：第一，数据必须完全一致，包括复权设置；第二，要逐周期对比，不能只比最后一个值；第三，指标输出的对齐顺序要和K线时间顺序一致，不要把第0根当最新值。我把DIF、DEA、K、D、J这些序列都打印出来，逐根比对，一般到第20根之后误差就在1e-6以内。前几根如果不一致，多半是初始值规则不同，可接受。比如EMA在软件里可能前几根显示空值，而pandas会从第1根就给出值；KDJ的起始几根也可能因SMA初值不同有偏移。这在实际使用中不会影响买卖点，因为交易系统都会过滤“信号太新”的情况。

4. 实操中容易踩的坑与排查记录

4.1 MA、EMA、SMA三兄弟分不清

很多人上来就用MA代替EMA，计算MACD时把DIF写成MA(CLOSE,12)-MA(CLOSE,26)。这完全错误，因为MA是等权平均，EMA是衰减加权平均，对最近价格的敏感度完全不同。MACD公式里明确要求EMA，而KDJ里用的是SMA，不是MA、也不是EMA。这三个函数对应三种平滑风格：MA反映整体平均，反应最慢；EMA强调近期，反应中等；SMA的灵敏度取决于M和N的比值，M/N越大越贴近当前值。把它们混用的结果就是指标曲线形态相似但数值偏离，金叉死叉位置可能差好几根K线。写代码时，函数命名必须保留这三个名字，甚至注释里标注“此SMA非统计SMA”，防止自己回头也看混。

4.2 NaN传播导致全序列失效

技术指标的起始位置经常是NaN，比如MA(20)的前19个值都无效。如果后续计算里没有处理NaN，减法、除法会让NaN一路传染，导致最终指标大面积无值。最典型的场景是KDJ分母为0时我提到过的处理；另一个典型是RSI计算中diff的第一根，如果用np.diff默认会少一个元素，如果处理不对，后面所有值都会错位。我建议做指标前统一把开高低收转成np.float64，并检查数据中是否存在缺失值；如果数据源本身有停牌导致的空值，先填充或剔除，再喂给算子。否则一个NaN就能毁掉整根曲线，而且肉眼很难发现。

4.3 复权、涨跌停与数据对齐问题

千万不要用未复权价格直接算指标然后拿去和软件对比。很多行情软件默认前复权显示K线，而导出的原始CSV可能是不复权。前后复权下的最高最低价不同，HHV、LLV的结果自然不同。另外，如果是从多个数据源拼接K线，要确认每根K线的时间戳是自然日还是交易日，是否包含集合竞价数据。我在一次迁移中发现，某平台1分钟数据第一根包含了竞价价格，而行情软件把这根排除掉，导致开盘第一根的均线指标对不上。解决办法很简单：统一数据清洗标准，开盘价按集合竞价价格保留，最高最低价按连续竞价时段取值，所有对比数据只使用同一来源。

4.4 CROSS边界条件的处理

CROSS看起来简单，但边界条件坑很大。如果昨天A=B，今天A>B，这算不算上穿？软件公式里通常算。如果昨天A和B都是NaN，今天A与B有比较值，应该输出False，因为信号没有历史。还有，两个序列在某一周期同时跳空，导致直接用切片比较时把昨天的NaN和今天的数字比较，结果会是False，但有时我们希望把窗口缺失当作“没有状态”。我在CROSS实现里用np.concatenate把序列向右移一位，并把第一位置为NaN，这样NaN参与比较永远返回False，逻辑清晰。另外，如果只用(a > b) & (prev_a <= prev_b)，当prev_a是NaN时，Python里比较结果是False，整体False，正合我意。这个方法处理了大多数情况。

4.5 性能与精度的矛盾

一般日线数据几千根，用for循环写SMA完全没问题，但如果你把1分钟数据全部加载进来，一年可能有十几万根，此时SMA的Python循环会明显变慢。我建议在两个方向优化：一是把高频数据先降采样成日线再算部分指标；二是如果实在要按分钟算，把SMA改成numba jit或者用scipy.signal.lfilter实现递归滤波。lfilter把递归表达式转换成差分方程，能极大提速。比如SMA的递推式Y = (m*X + (n-m)*Y')/n，转换成lfilter的分子分母系数可以一行搞定。不过对普通场景，for循环已经够用，不要提前优化，保持代码可读性更重要。

5. 从指标到策略：还能继续往哪走

5.1 把指标结果直接喂给回测引擎

这套函数输出的是numpy一维数组，与K线一一对应。做策略回测时，可以直接生成买卖信号数组。比如MACD金叉：DIF上穿DEA，对应的CROSS(dif, dea)就是信号；再配合其他过滤条件，比如DIF大于0才做多，用IF和逻辑与组合就行。我通常会把指标算完后直接放进回测框架的DataFrame里，然后逐根遍历或批量计算仓位。因为这只是一个算术层，不依赖任何GUI，所以跑批量回测很方便。

5.2 参数批量搜索的妙用

行情软件里改一个参数需要点鼠标，还得程序刷新。在这套代码里，参数就是函数入参，直接循环遍历就行。比如想测RSI的周期参数从6到24哪个效果最好，只需要写个循环，每次算一遍RSI并跑一个简单回测。一次能测几百组参数，这在行情软件里几乎做不到。我自己做参数扫描时，会把指标计算和回测分开，先用这套代码批量生成所有参数组合下的指标序列，存成中间文件，再统一做回测。这样避免每次回测都重复算指标，能节省不少时间。

5.3 扩展更多算子，实现公式翻译自由

这套70行代码不是终点，而是一个底层基础。行情软件的公式库里还有BACKSET（未来数据）、PEAK、TROUGH、ZIG等。这些算子大多可以用原始数据配合循环实现。比如ZIG通常会对未来数据作“之字转向”，本质上是寻找局部极值点，这需要先向后看一段数据。由于这类指标容易用到未来信息，做回测时要格外注意，只有用历史数据可复现的版本才能接入策略，否则会产生前视偏差。我建议先把基础算子练熟，再按需补充高级算子；不要一上来就想覆盖全部公式，那样代码量会失控，也不利于维护。反过来，有了这套基础后，你就拥有了一台“极简公式翻译机”，大部分常用指标迁移都能快速完成。

我个人最早写这套东西的时候，花了一个晚上就在本地把常用的三十多个指标全部翻译了一遍，但真正用起来，最值钱的不是“能跑”，而是“对得上”。记得有次我拿同一根K线，用Python算的MACD柱子和行情软件显示的柱子差了0.03，排查半天发现是行情软件把MACD柱子显示成DIF-DEA，没有乘2，而公式源码里明确乘了2。这种细节，只有逐根对比才能发现。所以我把代码固定下来之后，每次拿到新数据源，都会先跑一遍指标一致性检查，把常用指标的最近20个值打印出来和行情软件对照，确认无误后再接入策略。

最后分享一个小技巧：把基础算子全放进一个模块，新增指标时只写公式层，例如定义MACD(C, fast=12, slow=26, sig=9)，这样即便以后换到任何平台，你都能用同一套Python函数快速验证新想法。这也是我觉得这70行代码的最大价值：不是代码本身值钱，而是它把分散在各软件里的“黑盒指标”变成了你手里明明白白的算术公式。