# Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

> 量化交易听起来很高大上，但本质就是用代码处理数据、发现规律。这篇文章从最基础的 K 线数据开始，教你用 pandas 完成数据获取、清洗、技术指标计算的全流程。不需要任何量化框架，纯 Python + pandas 就够了。

---

## 一、K 线数据长什么样？

K 线（OHLCV）是量化分析的基础数据，每一根 K 线包含：

| 字段 | 含义 |
|------|------|
| open | 开盘价 |
| high | 最高价 |
| low | 最低价 |
| close | 收盘价 |
| volume | 成交量 |
| amount | 成交额 |

一根日 K 线就是一天的价格摘要。把很多根日 K 线排起来，就是我们常说的"走势图"。

量化分析的核心工作就是对这些数据做计算，比如算均线、判断金叉死叉、计算涨跌幅排名等。

---

## 二、获取 K 线数据

获取 A 股数据有很多方式。这里用 alphafeed 做示例（也可以换成你习惯的数据源，后面的 pandas 处理逻辑完全一样）：

```bash
pip install alphafeed
```

```python
from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")  # 也支持环境变量 ALPHAFEED_API_KEY

# 获取贵州茅台最近 500 根日 K 线
df = af.klines.get("600519.SH", period="1d", count=500, to_dataframe=True)
print(df.shape)
print(df.columns.tolist())
```

拿到的 DataFrame 大概长这样：

```text
(500, 9)
['symbol', 'timestamp', 'trade_date', 'open', 'high', 'low', 'close', 'volume', 'amount']
```

不管用什么数据源，只要最终拿到一个包含 `open/high/low/close/volume` 的 DataFrame，后面的分析流程都是通用的。

---

## 三、数据初步探索

拿到数据后，先做基本检查：

```python
# 看前几行
print(df.head())

# 看数据类型
print(df.dtypes)

# 检查缺失值
print(df.isnull().sum())

# 基本统计
print(df[["open", "high", "low", "close", "volume"]].describe())
```

常见操作：把 `trade_date` 设为索引，方便按时间切片：

```python
df["trade_date"] = pd.to_datetime(df["trade_date"])
df = df.set_index("trade_date").sort_index()

# 取最近一年
df_recent = df.loc["2025-06-01":]
```

---

## 四、计算常用技术指标

### 1. 涨跌幅

```python
df["change_pct"] = df["close"].pct_change() * 100
print(df[["close", "change_pct"]].tail(10))
```

### 2. 移动平均线（MA）

均线是最基础的技术指标，用 `rolling` 一行搞定：

```python
df["ma5"] = df["close"].rolling(5).mean()
df["ma10"] = df["close"].rolling(10).mean()
df["ma20"] = df["close"].rolling(20).mean()
df["ma60"] = df["close"].rolling(60).mean()

print(df[["close", "ma5", "ma10", "ma20", "ma60"]].tail(10))
```

**怎么看均线？**
- 短期均线在长期均线上方 → 多头排列（趋势向上）
- 短期均线从下往上穿过长期均线 → 金叉（买入信号）
- 反之 → 死叉（卖出信号）

### 3. MACD

MACD 由三部分组成：DIF（快线-慢线）、DEA（DIF 的均线）、柱状图（DIF-DEA）。

```python
def calc_macd(close, fast=12, slow=26, signal=9):
    ema_fast = close.ewm(span=fast, adjust=False).mean()
    ema_slow = close.ewm(span=slow, adjust=False).mean()
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal, adjust=False).mean()
    macd_bar = (dif - dea) * 2
    return dif, dea, macd_bar

df["dif"], df["dea"], df["macd"] = calc_macd(df["close"])

print(df[["close", "dif", "dea", "macd"]].tail(10))
```

**怎么用？**
- DIF 上穿 DEA → MACD 金叉
- MACD 柱从负变正 → 趋势可能反转

### 4. RSI（相对强弱指标）

RSI 衡量"最近一段时间涨了多少、跌了多少"，范围 0-100。

```python
def calc_rsi(close, period=14):
    delta = close.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    avg_gain = gain.rolling(period).mean()
    avg_loss = loss.rolling(period).mean()
    rs = avg_gain / avg_loss
    return 100 - (100 / (1 + rs))

df["rsi_6"] = calc_rsi(df["close"], 6)
df["rsi_14"] = calc_rsi(df["close"], 14)

print(df[["close", "rsi_6", "rsi_14"]].tail(10))
```

**怎么看？**
- RSI > 70 → 超买，可能回调
- RSI < 30 → 超卖，可能反弹
- 不同周期的 RSI 组合使用效果更好

### 5. 布林带（Bollinger Bands）

布林带由中轨（均线）和上下轨（均线 ± N 倍标准差）组成：

```python
period = 20
df["boll_mid"] = df["close"].rolling(period).mean()
df["boll_std"] = df["close"].rolling(period).std()
df["boll_upper"] = df["boll_mid"] + 2 * df["boll_std"]
df["boll_lower"] = df["boll_mid"] - 2 * df["boll_std"]

print(df[["close", "boll_upper", "boll_mid", "boll_lower"]].tail(10))
```

**怎么用？**
- 价格触及上轨 → 可能超买
- 价格触及下轨 → 可能超卖
- 布林带收窄 → 可能即将变盘

### 6. 成交量分析

```python
df["vol_ma5"] = df["volume"].rolling(5).mean()
df["vol_ma20"] = df["volume"].rolling(20).mean()

# 量比：今日成交量 / 近 20 日平均
df["vol_ratio"] = df["volume"] / df["vol_ma20"]

# 筛选放量日（量比 > 2）
big_vol_days = df[df["vol_ratio"] > 2]
print(f"放量交易日: {len(big_vol_days)} 天")
print(big_vol_days[["close", "change_pct", "volume", "vol_ratio"]].tail())
```

---

## 五、生成交易信号

有了技术指标，就可以定义交易规则了。以最经典的双均线策略为例：

- MA5 上穿 MA20 → 买入
- MA5 下穿 MA20 → 卖出

```python
# 判断金叉死叉
df["signal"] = 0

# 金叉：今天 ma5 > ma20，昨天 ma5 <= ma20
buy_mask = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
df.loc[buy_mask, "signal"] = 1

# 死叉
sell_mask = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))
df.loc[sell_mask, "signal"] = -1

signals = df[df["signal"] != 0]
print(f"共产生 {len(signals)} 个信号")
print(signals[["close", "ma5", "ma20", "signal"]].tail(10))
```

你可以把这个逻辑换成任何其他指标组合，比如：

```python
# MACD 金叉 + RSI 未超买
buy_macd = (df["dif"] > df["dea"]) & (df["dif"].shift(1) <= df["dea"].shift(1))
buy_rsi = df["rsi_14"] < 70
combined_buy = buy_macd & buy_rsi
```

---

## 六、批量处理多只股票

实际做量化，需要对多只股票批量计算指标：

```python
from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")

symbols = ["600519.SH", "000858.SZ", "601318.SH", "000001.SZ", "600036.SH"]
dfs = af.klines.batch(symbols, period="1d", count=200, to_dataframe=True, show_progress=True)

results = []
for symbol, df in dfs.items():
    if len(df) < 60:
        continue

    df["ma5"] = df["close"].rolling(5).mean()
    df["ma20"] = df["close"].rolling(20).mean()
    df["rsi_14"] = calc_rsi(df["close"], 14)

    latest = df.iloc[-1]
    results.append({
        "symbol": symbol,
        "close": latest["close"],
        "ma5>ma20": latest["ma5"] > latest["ma20"],
        "rsi_14": round(latest["rsi_14"], 1),
    })

import pandas as pd
print(pd.DataFrame(results).to_string(index=False))
```

---

## 七、关于复权

如果你发现 K 线数据里有异常的大跳空（比如价格突然减半），大概率是因为除权除息。做技术分析前需要用复权数据：

- **前复权**：以最新价格为基准向前调整，适合回测
- **后复权**：以上市价格为基准向后调整，适合看长期收益
- **不复权**：原始价格

大多数数据源都支持指定复权方式。用前复权数据来算均线和回测，是最常见的做法。

---

## 八、总结

这篇文章覆盖了量化分析最基础的工作流：

1. 获取 K 线数据（DataFrame 格式）
2. 用 `rolling` 计算均线
3. 用 `ewm` 计算 MACD
4. 手写 RSI、布林带
5. 生成交易信号（金叉死叉）
6. 批量处理多只股票

这些全部是 pandas 的基本操作，不需要任何量化框架。掌握了这些，再去学 backtrader、vnpy 之类的框架，就会轻松很多——因为底层逻辑都是一样的。

---

> 量化没有想象中那么难，难的是坚持用数据验证每一个想法。


量化交易听起来很高大上，但本质就是用代码处理数据、发现规律。这篇文章从最基础的 K 线数据开始，教你用 pandas 完成数据获取、清洗、技术指标计算的全流程。不需要任何量化框架，纯 Python + pandas 就够了。

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

编程语言

大数据

后端

Python量化交易入门教程，手把手教你用pandas处理A股K线数据，包括数据获取、清洗、技术指标计算全流程。详细讲解如何计算均线、MACD、RSI、布林带等常用指标，并生成交易信号。适合量化交易初学者，纯Python实现无需框架。

批量计算

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标-腾讯云开发者社区-腾讯云

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

Python 量化入门：用 pandas 处理 A 股 K 线数据并计算技术指标

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐