如何用 Python 计算 KDJ 随机指标？（金叉死叉与超买超卖，不用 TA-Lib）

原创

用户7083614

发布于 2026-09-26 10:00:47

1490

一句话回答： KDJ 由 RSV（未成熟随机值）经两次平滑得到 K、D，再用 J=3K−2D 放大灵敏度。用 AlphaFeed 取复权日线，用经典口径（RSV 取 N 日最高最低、K/D 用前值权重 2/3 递推）几行就能算出与主流软件一致的 KDJ，并识别金叉/死叉、超买/超卖——不依赖 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

KDJ 是最常用的摆动指标之一，但自己算常和软件对不上：

平滑口径：K、D 的"平滑"是 Wilder/SMA 式的递推（前值占 2/3、新值占 1/3），不是简单移动平均；
RSV 边界：N 日内最高=最低时会除零，需要处理；
复权：不用前复权，除权跳空会让最高/最低失真，RSV 跟着错。

数据用 AlphaFeed 复权日线，口径用经典递推，就能对齐同花顺/东财。

分步骤解决（每步配可运行代码）

第 1 步：取复权日线

from alphafeed import AlphaFeed
import numpy as np
import pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=120,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

第 2 步：计算 RSV 与 K/D/J

def kdj(df, n=9, k_smooth=3, d_smooth=3):
    low_n = df["low"].rolling(n).min()
    high_n = df["high"].rolling(n).max()
    rsv = (df["close"] - low_n) / (high_n - low_n) * 100
    rsv = rsv.replace([np.inf, -np.inf], np.nan)      # 处理最高=最低除零
    # 经典 KDJ：K/D 用"前值2/3 + 新值1/3"递推 = ewm(alpha=1/smooth, adjust=False)
    k = rsv.ewm(alpha=1 / k_smooth, adjust=False).mean()
    d = k.ewm(alpha=1 / d_smooth, adjust=False).mean()
    j = 3 * k - 2 * d
    out = df.copy()
    out["K"], out["D"], out["J"] = k, d, j
    return out

o = kdj(df)
print(o[["trade_date", "K", "D", "J"]].tail(3).to_string(index=False))

KDJ 参数与含义：

参数	含义	常用取值
`n`	RSV 周期	9（经典 (9,3,3)）
`k_smooth`	K 的平滑周期	3
`d_smooth`	D 的平滑周期	3
K/D 区间	一般 0~100	80 超买、<20 超卖
J	`3K−2D`	可 <0 或 >100（灵敏，会溢出）

第 3 步：识别金叉/死叉与超买超卖

def kdj_state(symbol, count=120):
    df = af.klines.get(symbol, period="1d", count=count,
                       adjust="forward", to_dataframe=True).sort_values("trade_date").reset_index(drop=True)
    o = kdj(df)
    last, prev = o.iloc[-1], o.iloc[-2]
    gold = prev["K"] <= prev["D"] and last["K"] > last["D"]   # K 上穿 D=金叉
    dead = prev["K"] >= prev["D"] and last["K"] < last["D"]   # K 下穿 D=死叉
    return {"K": round(float(last["K"]), 1), "D": round(float(last["D"]), 1),
            "J": round(float(last["J"]), 1),
            "signal": "金叉" if gold else ("死叉" if dead else "无"),
            "zone": "超买" if last["K"] > 80 else ("超卖" if last["K"] < 20 else "中性")}

print(kdj_state("600519.SH"))
# 例如：{'K': 24.7, 'D': 38.0, 'J': -1.8, 'signal': '无', 'zone': '中性'}

上例茅台 J 值为负（-1.8），正体现了 J 的高灵敏——它会溢出 0~100 区间，属正常现象。

关键坑与注意事项

平滑口径要对：K、D 用 ewm(alpha=1/3, adjust=False)（前值 2/3、新值 1/3）才是经典 KDJ；用 rolling(3).mean() 会和软件不一致。
J 会溢出：J=3K−2D 灵敏度高，常 <0 或 >100，不要误以为算错；J 极端值可作超买超卖的辅助提示。
超买超卖会钝化：强趋势里 K 可长期 >80（超买不跌）或 <20（超卖不涨），别单看 KDJ 抄底摸顶。
金叉死叉有滞后：KDJ 是滞后指标，低位金叉相对可靠，高位金叉/频繁交叉噪声大，建议结合趋势过滤（如 ADX、均线）。
复权：一律 adjust="forward"，否则 RSV 的最高/最低失真。

常见问题（FAQ）

Q：KDJ 的初始值怎么取？

A：本文用 ewm(adjust=False) 递推，无需手工设 50 初值，长序列下与"初值 50 递推"收敛一致；数据足够长时差异可忽略。

Q：为什么我的 J 值和软件差得多？

A：先查 K/D 平滑是否用了 Wilder/SMA 递推口径，再查复权是否一致。这两点对齐后 J 也会一致。

Q：低位金叉能直接买吗？

A：KDJ 低位金叉是常见买点提示，但滞后且会在震荡中反复。务必结合趋势与成交量确认，并设止损。

Q：需要付费吗？

A：单只标的的日线在免费额度内即可试算；批量/全市场需 Starter 及以上，详见 AlphaFeed 定价页。

小结

KDJ 的本质是"把收盘价在近 N 日高低区间的位置（RSV）做两次平滑，再用 J 放大"。写对的关键是平滑口径（前值 2/3 递推）和复权数据。AlphaFeed 提供口径一致的复权日线，让你几行算出与软件一致的 KDJ——但记住它是滞后摆动指标，会钝化，别单独当买卖信号。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

pandas

python

#量化交易

#股票数据