R语言，实现MACD指标计算：股票技术分析的利器系列（1）

本文主要是介绍R语言，实现MACD指标计算：股票技术分析的利器系列（1），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

R语言，实现MACD指标计算：股票技术分析的利器系列（1）

- MACD指标
- 代码
- 完整代码
- - 介绍代码
  - - EMA函数
    - calculate_DEA 函数
    - calculate_MACD 函数
- 运行结果

MACD指标

先看看官方介绍：

MACD (平滑异同平均线）
指标说明
DIF线：收盘价短期、长期指数平滑移动平均线间的差；
DEA线：DIF线的M日指数平滑移动平均线；
MACD线：DIF线与DEA线的差，彩色柱状线；
参数：SHORT(短期)、LONG(长期)、M 天数，一般为12、26、9。
用法
1.DIF、DEA均为正，DIF向上突破DEA，买入信号；
2.DIF、DEA均为负，DIF向下跌破DEA，卖出信号；
3.DEA线与K线发生背离，行情反转信号；
4.分析MACD柱状线，由红变绿(正变负)，卖出信号；由绿变红，买入信号。

算法解释：

DIF:EMA(CLOSE,SHORT)-EMA(CLOSE,LONG);
DEA:EMA(DIF,MID);
MACD:(DIF-DEA)*2,COLORSTICK;

优势：

优势	描述
趋势跟踪能力强	MACD能够帮助识别市场的趋势方向，尤其是短期和长期趋势的转折点。通过观察DIF和DEA线的交叉，可以提供买入和卖出的时机。
清晰的信号	MACD的交叉点和柱状线的变化提供了清晰的交易信号，使得投资者能够更容易地进行决策。
背离信号	当DEA线与价格走势产生背离时，往往暗示着市场趋势即将发生变化，这为投资者提供了及时的行动信号。
柱状线变化反映市场动能	MACD柱状线的颜色变化反映了市场的动能变化，红色代表正能量增强，绿色代表负能量增强，这有助于投资者了解市场情绪和力量的变化。

劣势：

劣势	描述
滞后性	MACD是一种滞后指标，它基于移动平均线的计算，因此在市场趋势发生变化之后才会发出信号，有时可能会错过市场的最佳买入或卖出时机。
假信号	由于MACD的计算方式，有时会出现假信号，即在市场波动较大或横盘震荡时，可能会产生交叉但并未发生实际的趋势转折。
单一性	MACD虽然能够提供趋势判断和交易信号，但它并不能完全覆盖市场的全部信息，投资者在使用时仍需要结合其他指标和技术分析方法进行综合判断。

代码

完整代码

请将下面代码的 C:/Users/daoli/Desktop/stock_demo/MACD 替换你们自己的工作路径

# 设置工作目录为MACD文件夹
setwd("C:/Users/daoli/Desktop/stock_demo/MACD")
# 打印当前工作目录
print(getwd())# 导入stock_data.R中的函数和数据
source('stock_data.R')# 定义函数计算指数移动平均线（Exponential Moving Average，EMA）
# 参数：
#   x: 输入数据
#   n: 平滑因子
# 返回值：
#   指数移动平均线
EMA <- function(x, n) {ema <- numeric(length(x))ema[1] <- x[1]alpha <- 2 / (n + 1)for (i in 2:length(x)) {ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]}return(ema)
}# 计算DIF指标
# 参数：
#   close: 收盘价数据
#   short: 短期平滑因子
#   long: 长期平滑因子
# 返回值：
#   DIF指标
calculate_DIF <- function(close, short, long) {dif <- EMA(close, short) - EMA(close, long)return(dif)
}# 计算DEA指标
# 参数：
#   dif: DIF指标数据
#   mid: 中期平滑因子
# 返回值：
#   DEA指标
calculate_DEA <- function(dif, mid) {dea <- EMA(dif, mid)return(dea)
}# 计算MACD指标
# 参数：
#   dif: DIF指标数据
#   dea: DEA指标数据
# 返回值：
#   MACD指标
calculate_MACD <- function(dif, dea) {macd <- (dif - dea) * 2return(macd)
}# 参数设置
SHORT <- 12
LONG <- 26
MID <- 9# 计算指标
dif <- calculate_DIF(stock_data$CLOSE, SHORT, LONG)
dea <- calculate_DEA(dif, MID)
macd <- calculate_MACD(dif, dea)# 将计算得到的指标合并到原始数据中
stock_data <- cbind(stock_data,DIF = round(dif, 2),DEA = round(dea, 2),MACD = round(macd, 2)
)# 根据日期字段倒序排列并展示数据
stock_data <-stock_data[order(stock_data$DATE, decreasing = TRUE), ]
View(stock_data)

介绍代码

EMA函数

# 定义函数计算指数移动平均线（Exponential Moving Average，EMA）
# 参数：
#   x: 输入数据
#   n: 平滑因子
# 返回值：
#   指数移动平均线
EMA <- function(x, n) {ema <- numeric(length(x))ema[1] <- x[1]alpha <- 2 / (n + 1)for (i in 2:length(x)) {ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]}return(ema)
}

EMA <- function(x, n) {: 这一行定义了一个函数 EMA，接受两个参数 x 和 n，其中 x 是一个数值型向量，包含要计算EMA的数据，n 是一个整数，代表指数平滑的窗口大小。
ema <- numeric(length(x)): 这一行创建了一个名为 ema 的空数值型向量，其长度与输入向量 x 的长度相同，用来存储计算得到的 EMA。
ema[1] <- x[1]: 这一行将 ema 向量的第一个元素设置为输入向量 x 的第一个元素，作为初始值。
alpha <- 2 / (n + 1): 这一行计算了一个常数 alpha，用于指数平滑计算中的权重。alpha 的计算公式为 2 / (n + 1)，其中 n 是平滑窗口大小。
for (i in 2:length(x)) {: 这一行开启了一个循环，从输入向量 x 的第二个元素开始，直到最后一个元素。
ema[i] <- alpha * x[i] + (1 - alpha) * ema[i - 1]: 这一行计算了当前时刻 i 的 EMA，根据指数平滑的公式：新EMA值等于当前值乘以权重 alpha 再加上上一个EMA值乘以权重 (1 - alpha)。
return(ema): 这一行返回计算得到的 EMA 向量。

calculate_DEA 函数

calculate_DEA <- function(dif, mid) {dea <- EMA(dif, mid)return(dea)
}

calculate_DIF <- function(close, short, long) {: 这一行定义了一个函数 calculate_DIF，接受三个参数：close 是一个数值型向量，包含股价收盘价的数据；short 和 long 是两个整数，分别代表短期和长期的指数平滑窗口大小。
dif <- EMA(close, short) - EMA(close, long): 这一行计算了两个不同长度的指数移动平均线之间的差异值（DIF）。首先调用了之前定义的 EMA 函数来计算 close 向量的短期和长期EMA值，然后将短期EMA值减去长期EMA值得到差异值 dif。
return(dif): 这一行返回计算得到的差异值 dif。

calculate_MACD 函数

calculate_MACD <- function(dif, dea) {macd <- (dif - dea) * 2return(macd)
}

这段代码定义了一个函数 calculate_MACD，用于计算移动平均收敛-发散指标（Moving Average Convergence Divergence，MACD）。下面是对每一行代码的解释：

calculate_MACD <- function(dif, dea) {: 这一行定义了一个函数 calculate_MACD，接受两个参数：dif 是一个数值型向量，代表差异值；dea 也是一个数值型向量，代表差异值的指数移动平均线（DEA）。
macd <- (dif - dea) * 2: 这一行计算了MACD值，首先从差异值 dif 中减去差异值的指数移动平均线 dea，然后将结果乘以2。
return(macd): 这一行返回计算得到的MACD值。