R语言量化：MACD的计算及使用

　　MACD，中文名称为指数平滑移动平均线，是最常用的技术指标之一。该指标由双指数移动平均线发展而来，其意义和双移动平均线基本相同，即由快、慢均线的离散、聚合表征当前的多空状态和股价可能的发展变化趋势。与双指数移动平均线相比，MACD采用红绿柱的表现形式，阅读起来更加方便。其计算方法如下：

　　1、由快的指数移动平均线（EMA12）减去慢的指数移动平均线（EMA26）得到DIF；

　　2、计算DIF的9日指数移动平均线DEA；

　　3、MACD = 2×（DIF - DEA）。

　　值得注意的是，在一般的计算方法中，DIF是EMA12和EMA26之间的绝对差别，即DIF = EMA12 – EMA26，但是这种算法易受股价大小的影响，在对股价进行除权或复权操作后，尽管K线走势没有变化，但DIF的值也会随着除权或复权产生相应的变化；为了避免这种变化，DIF也可以考虑EMA12和EMA26之间的相对差别，即DIF = EMA12/EMA26 × 100 - 100。

　　在R语言中，MACD可以通过TTR包中的MACD函数计算。MACD函数的输出值有两个：macd和signal。但是这里的macd其实并不是各种常用股票软件中显示的MACD，而是DIF，而signal实际上是DEA。

　　MACD函数的用法如下：

　　MACD(x, nFast = 12, nSlow = 26, nSig =9, maType, percent = TRUE, ...)

　　x：要处理的数据，可以是xts格式，也可以是matrix格式或vector格式；

　　nFast：快速平均线的计算天数；

　　nSlow：慢速平均线的计算天数；

　　nSig：计算DEA时的平均线计算天数；

　　maType：计算平均线的方法，默认为指数平均，即EMA；

　　percent：默认为TRUE，即计算DIF时采用相对差别的方法。

　　下面我们使用上证指数进行一下实际运算：

# 使用Wind下载上证指数
library(WindR)
w.start()
data_wind <- w.wsd(codes ='000001.SH', fields = 'open,high,low,close', startdate = '20100101', enddate ='20180327')
stock <- data_wind$Data
stock_use <- xts(stock$CLOSE,order.by = as.Date(stock$DATETIME)) 
# 使用TTR包计算MACD
library(TTR)
macd_data <- MACD(stock_use, percent= F)
DIFF <- macd_data$macd
DEA <- macd_data$signal
MACD <- 2 * (DIFF - DEA)
MACD['20180327']

> MACD['20180327']
               macd
2018-03-27 -23.0839

　　3月27日的MACD为-23.0839，与Wind上的结果一致：

　　根据网络中普遍流传的经验，使用MACD进行买卖可以遵循以下原则：

　　1.DIF、DEA均为正，DIF向上突破DEA，买入信号参考。

　　2.DIF、DEA均为负，DIF向下跌破DEA，卖出信号参考。

　　3.DIF线与K线发生背离，行情可能出现反转信号。

　　4.DIF、DEA的值从正数变成负数，或者从负数变成正数并不是交易信号，因为它们落后于市场。

　　以上原则在实际操作中是否管用，我们使用前面下载的上证指数验证一下。下图给出不同策略的收益和风险情况，其中红色部分为最大收益，绿色部分为最大亏损，“买入信号”表示使用上文“DIF、DEA均为正，DIF向上突破DEA”，“卖出信号”表示上文“DIF、DEA均为负，DIF向下跌破DEA”，“随机择时”表示随机进行500次择时。从平均收益（图中黑色圆圈）的角度看，的确买入信号出现时，收益最高，亏损最少，但是与其它策略相比，该结果并不显著，没有实际应用价值。至于背离信号，更多的是一种定性分析，难以使用定量方法进行判断，这里不再进行计算。

　　本文对MACD指标的计算方法和使用效果进行了探讨，可以看出，MACD指标更多的体现了一种对价格走势的归纳，具有一定的滞后性。单独使用MACD指标进行择时、选股，效果较差，实际应用中需配合其他指标使用。

代码如下：

#### 数据范围（2008年3月-2018年3月）
stock_use <- stock_use['20080301/20180301']
### 计算MACD
macd_data <- MACD(stock_use$CLOSE, percent = F) 
DIFF <- macd_data$macd
DEA <- macd_data$signal
macd <- 2 * (DIFF - DEA)  

#### 计算收益
# 涨幅以收盘价计算
close_temp <- lag.xts(stock_use$CLOSE, k = c(-1:-30))
HCP_5 <- (close_temp[, 1:5] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP_10 <- (close_temp[, 1:10] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP_15 <- (close_temp[, 1:15] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP_20 <- (close_temp[, 1:20] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP_25 <- (close_temp[, 1:25] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP_30 <- (close_temp[, 1:30] %>% apply(MARGIN = 1, FUN = max)) /  stock_use$CLOSE - 1
HCP <- 100 * cbind(HCP_5, HCP_10, HCP_15, HCP_20, HCP_25, HCP_30)
colnames(HCP) <- paste('HCP_', seq(5, 30, 5), sep = '')

# 跌幅以最收盘价计算
LCP_5 <- (close_temp[, 1:5] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP_10 <- (close_temp[, 1:10] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP_15 <- (close_temp[, 1:15] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP_20 <- (close_temp[, 1:20] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP_25 <- (close_temp[, 1:25] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP_30 <- (close_temp[, 1:30] %>% apply(MARGIN = 1, FUN = min)) /  stock_use$CLOSE - 1
LCP <- 100 * cbind(LCP_5, LCP_10, LCP_15, LCP_20, LCP_25, LCP_30)
colnames(LCP) <- paste('LCP_', seq(5, 30, 5), sep = '')

#### 二者都为正，diff上穿dea为买入信号
a_1 <- which((DIFF > 0) & (DEA > 0) & (DIFF > DEA)) # 当日 diff > dea
a_2 <- which(DIFF < DEA) + 1                        # 前一日 diff < dea
aa <- intersect(a_1, a_2)                           # 取二者交集
sig_buy <- aa
print(stock_use[sig_buy])                           # 输出

#### 二者都为负，diff下穿dea为卖出信号
a_1 <- which((DIFF < 0) & (DEA < 0) & (DIFF < DEA)) # 当日 diff < dea
a_2 <- which(DIFF > DEA) + 1                        # 前一日 diff > dea
aa <- intersect(a_1, a_2)                           # 取二者交集
sig_sell <- aa
print(stock_use[sig_sell])                          # 输出

#### 随机择时
set.seed(20180430)                                  # 随机数种子
sig_rd <- sample(1:nrow(stock_use), 500)            # 随机择时500次

#### 作图
## 设置图纸
mar <- c(3, 4, 2, 2)  
mat <- cbind(1, 2)
widths <- c(12, 12)  
heights <- 12  
par(mar = mar,las = 1)  
## 绘图参数
red <- rgb(250, 40, 40, maxColorValue = 255)
green <- rgb(130, 220, 66, maxColorValue = 255)
lab <- paste(c('买入', '卖出', '随机'), c('信号', '信号', '择时'), sep = '\n')
tit_1 <- '10日收益（%）'
tit_2 <- '20日收益（%）'
## 10日收益情况
layout(mat,widths = widths, heights = heights)  
# 最高涨幅
i <- 2
data_plot <- list(as.vector(HCP[sig_buy, i]), as.vector(HCP[sig_sell, i]), as.vector(HCP[sig_rd, i]))
mean <- sapply(data_plot, mean, na.rm = T)
boxplot(data_plot, border = red, xaxt='n')
points(mean)
lines(c(-1, 4), rep(max(mean), 2), lty = 2)
axis(1, 1:3, lab, mgp=c(0, 1.7, 0))
axis(3, 1.3, tit_1, tcl = 0, mgp=c(0, 0.3, 0))
# 最低跌幅
data_plot <- list(as.vector(LCP[sig_buy, i]), as.vector(LCP[sig_sell, i]), as.vector(LCP[sig_rd, i]))
mean <- sapply(data_plot, mean, na.rm = T)
boxplot(data_plot, border = green, xaxt='n')
points(mean)
lines(c(-1, 4), rep(max(mean), 2), lty = 2)
axis(1, 1:3, lab, mgp=c(0, 1.7, 0))
axis(3, 1.3, tit_1, tcl = 0, mgp=c(0, 0.3, 0))

## 20日收益情况
layout(mat,widths = widths, heights = heights)  
# 最高涨幅
i <- 4
data_plot <- list(as.vector(HCP[sig_buy, i]), as.vector(HCP[sig_sell, i]), as.vector(HCP[sig_rd, i]))
mean <- sapply(data_plot, mean, na.rm = T)
boxplot(data_plot, border = red, xaxt='n')
points(mean)
lines(c(-1, 4), rep(max(mean), 2), lty = 2)
axis(1, 1:3, lab, mgp=c(0, 1.7, 0))
axis(3, 1.3, tit_2, tcl = 0, mgp=c(0, 0.3, 0))
# 最低跌幅
data_plot <- list(as.vector(LCP[sig_buy, i]), as.vector(LCP[sig_sell, i]), as.vector(LCP[sig_rd, i]))
mean <- sapply(data_plot, mean, na.rm = T)
boxplot(data_plot, border = green, xaxt='n')
points(mean)
lines(c(-1, 4), rep(max(mean), 2), lty = 2)
axis(1, 1:3, lab, mgp=c(0, 1.7, 0))
axis(3, 1.3, tit_2, tcl = 0, mgp=c(0, 0.3, 0))

R语言量化：MACD的计算及使用

猜你喜欢