第 4 章 · 02 TA-Lib 技术指标

第 4 章 · 02 TA-Lib 技术指标

本节摘要:本节讲怎么用 TA-Lib 库一键计算几十种经典技术指标。原项目 04_alpha_factor_research/02_how_to_use_talib.ipynb 用 AAPL 2007-2010 年的日频数据,演示了三类最常用的指标:布林带(波动类)、RSI(动量类)、MACD(趋势类),并讲清每个指标的输入参数与输出结构。TA-Lib 是 C 库 + Python 封装,包含 150+ 个技术分析函数,覆盖趋势、动量、波动、成交量四大类,是金融特征工程的「瑞士军刀」。读完本节,你能在 pandas DataFrame 上调用 TA-Lib 一行算出主流技术指标,并理解每个指标背后的经济学含义。

内容来源:原项目 04_alpha_factor_research/02_how_to_use_talib.ipynb,汉化并套用体系化模板。

⚠️ 学习提示:TA-Lib 是 C 库,装起来在 Windows 上尤其麻烦(见第 1 章第 03 节);技术指标大多有「热身期」,前 N 根 K 线指标值为 NaN,使用时要剔除。

学习目标

阅读完本节,你应当能够:

1. 列举 TA-Lib 指标的四大分类(趋势/动量/波动/成交量)与典型代表。
2. 用 talib 一行算出布林带、RSI、MACD。
3. 说清每个指标的输入参数与输出结构(单输出 vs 多输出)。
4. 理解每个指标背后的经济学含义与典型用法。
5. 知道技术指标的热身期与 NaN 处理。

一、TA-Lib 是什么

TA-Lib(Technical Analysis Library)是最广使用的金融技术指标库,核心由 C 实现,通过 TA-Lib Python 包封装。它包含 150+ 个函数,覆盖:

原书第 24 章(Appendix - Alpha Factor Library)还提供了几十个用 TA-Lib 实现的常见 alpha 因子,可直接参考。

二、数据准备

notebook 从 assets.h5 取 AAPL 2007-2010 的复权收盘:

with pd.HDFStore(DATA_STORE) as store:
    df = (store['quandl/wiki/prices']
          .loc[idx['2007':'2010', 'AAPL'], 'adj_close'])
​

TA-Lib 接受 pandas Series 或 numpy 数组,推荐用 talib.abstract 接口,它直接吃 DataFrame:

import talib.abstract as ta
​

三、波动类:布林带(Bollinger Bands)

布林带由中轨(N 周期 SMA)与上下轨(±k 倍标准差)构成,衡量价格的相对高低:

upper, middle, lower = ta.BBANDS(df, timeperiod=20, nbdevup=2, nbdevdn=2)
​

输出三个序列(上轨/中轨/下轨)。典型用法:价格触及上轨视为超买,触及下轨视为超卖。

💡 核心心法:波动类指标(布林带、ATR)的真正用法不是「触及上轨就空」,而是把它标准化——如 (price - middle) / (upper - middle),变成 -1 到 +1 的相对位置,作为 ML 特征更稳健。

四、动量类:RSI(相对强弱指数)

RSI 衡量一段时间内上涨幅度占涨跌总幅度的比例,范围 0~100:

df['rsi'] = ta.RSI(df, timeperiod=14)
​

输出单个序列。RSI 是最经典的均值回归信号——超买卖空、超卖买入。

⚠️ 警告:RSI 在强趋势市场会长期停留超买/超卖区,「RSI>70 就空」会在牛市被碾压。把它当 ML 特征(与其他特征组合)远比当单一信号更稳。

五、趋势类:MACD(指数平滑异同移动平均线)

MACD 是最经典的趋势类指标,notebook 详细描述了它的输入输出。TA-Lib 的 MACD 有四个输入、三个输出:

macd, macdsignal, macdhist = ta.MACD(df,
                                      fastperiod=12,
                                      slowperiod=26,
                                      signalperiod=9)
​

典型用法:macdhist 由负转正视为多头启动,由正转负视为空头启动。

六、热身期与 NaN

几乎所有 TA-Lib 指标都有热身期——前 N 根 K 线因数据不足输出 NaN:

处理方式:

df = df.dropna()       # 直接丢弃
# 或
df = df.fillna(method='bfill')  # 不推荐,会泄露未来
​

💡 核心心法:处理 NaN 优先用 dropna()(丢弃热身期),不要 bfill(用未来值回填),否则数据泄露。

七、把 TA-Lib 指标接入特征工程

TA-Lib 指标作为 ML 特征时,通常做两个变换:

1. 去趋势:(price - SMA) / ATR 之类,让不同价位的股票可比。
2. 横截面排序:对每个时刻,把所有股票的指标值排序成百分位,避免绝对值差异主导。

这两个变换让指标从「交易信号」变成「ML 特征」,与第 1 节的特征工程流程衔接。

本节要点回顾

1. TA-Lib 五大类:趋势、动量、波动、成交量、形态(61 种 K 线),共 150+ 函数。
2. 布林带:BBANDS 三输出,衡量价格相对高低,作为特征要标准化。
3. RSI:RSI 单输出,0~100,经典均值回归信号,但单用易在趋势市被碾压。
4. MACD:四输入三输出,macdhist 由负转正是多头信号。
5. 热身期:前 N 根为 NaN,用 dropna 处理,不要 bfill。
6. 特征化:指标→去趋势→横截面排序,从交易信号变成 ML 特征。
7. 附录参考:第 24 章 Alpha Factor Library 提供几十个 TA-Lib 实现的现成因子。

下一节,我们看两种高级信号处理手段——卡尔曼滤波与小波去噪,把噪声大的价格序列提纯。