

> 本文你将得到什么：
> 1. 不调用任何指标库，纯手工用 EMA 算出 MACD 三要素
> 2. 理解 DIF、DEA、MACD 柱各自的含义与联动关系
> 3. 区分"零轴上金叉"和"零轴下金叉"的实战差异
> 4. 把 MACD 信号画成三面板图（价格 + DIF/DEA + MACD柱）
> 5. 一段可直接复制的完整代码

---

## 痛点：为什么你不能只会看软件上的 MACD

行情软件里的 MACD 都是现成的，但很多人用了几年也没搞清楚：
- DIF 和 DEA 到底谁减谁？
- MACD 柱为什么是"(DIF-DEA)×2"？
- 同样的金叉，为什么有的涨、有的不涨？

答案藏在计算过程里。本文带你手工算一遍，算完你就明白"零轴上金叉"和"零轴下金叉"为什么强度完全不同。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拉取数据

```python
from mairui import Client

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

import pandas as pd
df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date", "o": "o", "h": "h", "l": "l", "c": "c"})
df = df.sort_values("date").reset_index(drop=True)
closes = df["c"].astype(float)
```

---

## 第二步：手工计算 EMA

MACD 的底层是三个 EMA：
- EMA(12)：快速平滑
- EMA(26)：慢速平滑
- EMA(9)：对 DIF 再平滑一次得到 DEA

```python
def calc_ema(series, span):
    """指数移动平均。"""
    return series.ewm(span=span, adjust=False).mean()

ema12 = calc_ema(closes, 12)
ema26 = calc_ema(closes, 26)
```

EMA 和 MA 的区别：EMA 给近期价格更高权重，对最新变化更敏感。

---

## 第三步：算 DIF、DEA、MACD 柱

```python
# DIF = 快EMA - 慢EMA
dif = ema12 - ema26

# DEA = DIF 的 9日EMA
dea = calc_ema(dif, 9)

# MACD柱 = (DIF - DEA) * 2
macd_hist = (dif - dea) * 2

print(f"DIF 最新: {dif.iloc[-1]:.4f}")
print(f"DEA 最新: {dea.iloc[-1]:.4f}")
print(f"MACD柱 最新: {macd_hist.iloc[-1]:.4f}")
```

**输出示例**（演示数据）：
```
DIF 最新: -0.0105
DEA 最新: 0.0243
MACD柱 最新: -0.0696
```

解读：
- DIF < DEA，说明短期动能弱于中期平滑值，当前为空头状态
- MACD 柱为负，且 DIF 在零轴下方，整体偏空

---

## 第四步：检测 MACD 交叉信号

```python
def find_macd_signals(df):
    signals = []
    for i in range(1, len(df)):
        prev = df.iloc[i - 1]
        curr = df.iloc[i]
        if prev["dif"] < prev["dea"] and curr["dif"] > curr["dea"]:
            zero_info = "零轴上" if curr["dif"] > 0 else "零轴下"
            signals.append((curr["date"], "golden", curr["dif"], zero_info))
        elif prev["dif"] > prev["dea"] and curr["dif"] < curr["dea"]:
            zero_info = "零轴上" if curr["dif"] > 0 else "零轴下"
            signals.append((curr["date"], "death", curr["dif"], zero_info))
    return signals

signals = find_macd_signals(df)
for date, typ, dval, zinfo in signals:
    label = "金叉" if typ == "golden" else "死叉"
    print(f"{date} {label} DIF={dval:.4f} ({zinfo})")
```

**输出示例**：
```
2025-09-30 金叉 DIF=-0.1524 (零轴下)
2025-10-31 死叉 DIF=-0.0922 (零轴下)
2025-11-05 金叉 DIF=-0.0565 (零轴下)
2025-11-07 死叉 DIF=-0.0728 (零轴下)
2025-11-10 金叉 DIF=-0.0238 (零轴下)
2025-11-25 死叉 DIF=0.0372 (零轴上)
```

注意最后一组：死叉发生在零轴上方，属于"多头中的回调信号"，和零轴下方的死叉含义不同。

---

## 第五步：三面板可视化

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, axes = plt.subplots(3, 1, figsize=(12, 10),
                         gridspec_kw={"height_ratios": [2, 1, 1]})
x = range(len(df))

# 面板1：收盘价
axes[0].plot(x, closes, color="black", linewidth=0.8)
axes[0].set_title("收盘价")
axes[0].set_ylabel("价格")
axes[0].grid(True, alpha=0.3)

# 面板2：DIF / DEA + 交叉标记
axes[1].plot(x, dif, label="DIF", color="blue", linewidth=1)
axes[1].plot(x, dea, label="DEA", color="orange", linewidth=1)
axes[1].axhline(y=0, color="gray", linestyle="--", alpha=0.5)
for date, typ, dval, zinfo in signals:
    idx = df[df["date"] == date].index[0]
    color = "red" if typ == "golden" else "green"
    marker = "^" if typ == "golden" else "v"
    axes[1].scatter([idx], [dval], color=color, marker=marker, s=80)
axes[1].set_title("MACD 金叉/死叉")
axes[1].set_ylabel("DIF / DEA")
axes[1].legend()
axes[1].grid(True, alpha=0.3)

# 面板3：MACD柱
 colors = ["red" if v >= 0 else "green" for v in macd_hist]
axes[2].bar(x, macd_hist, color=colors, width=0.8)
axes[2].axhline(y=0, color="gray", linestyle="-", alpha=0.5)
axes[2].set_title("MACD 柱状图（红=正，绿=负）")
axes[2].set_ylabel("MACD")
axes[2].grid(True, alpha=0.3)

plt.tight_layout()
plt.savefig("macd_chart.png", dpi=150)
```

三面板的好处：价格、DIF/DEA 走势、MACD 柱变化一屏看完，不用在软件里切来切去。

---

## 关键认知：金叉的强弱怎么看

| 场景 | 位置 | 含义 | 强度 |
|---|---|---|---|
| 零轴上金叉 | DIF>0, DEA>0 | 多头趋势中的加速信号 | 强 |
| 零轴下金叉 | DIF<0, DEA<0 | 空头趋势中的反弹信号 | 弱 |
| 零轴附近金叉 | DIF≈0 | 趋势转折临界点 | 不确定 |
| 死叉同理 | — | — | — |

本文演示数据中的金叉全部发生在零轴下方，属于"弱势反弹"型金叉，不能和零轴上的强势金叉等量齐观。实战中建议：零轴上金叉才考虑做多，零轴下金叉只当反弹对待。

---

## 常见坑与注意

1. **MACD 的滞后比 MA 更严重**：因为 DIF 本身就是 EMA 的差，DEA 又是 DIF 的 EMA，两次平滑导致信号更慢。
2. **零轴是多空分界线**：DIF 在零轴上方 = 多头区域，下方 = 空头区域。很多人只看金叉死叉，忽略零轴位置，容易误判。
3. **背离才是 MACD 的精髓**：价格创新高但 DIF 不创新高（顶背离），或价格创新低但 DIF 不创新低（底背离），比单纯的金叉死叉更可靠。后续篇章会单独讲背离检测。
4. **演示数据 vs 真实数据**：本文使用演示证书跑通逻辑，换正式证书后即为真实行情，代码无需修改。

---

## 小结

本文带你手工算了一遍 MACD 的完整计算链路：
- EMA(12) 和 EMA(26) → DIF
- DIF 的 EMA(9) → DEA
- (DIF-DEA)×2 → MACD 柱

并强调了一个实战要点：**金叉不是都一样的，零轴位置决定强度**。下一篇，我们把 KDJ 和 RSI 拉进来，做一个"超买超卖双确认"系统。

---

## 免责声明

本文仅为技术教学，不构成任何投资建议。投资有风险，入市需谨慎。

---

*代码与文档：https://github.com/MaiRuiApi*


答案藏在计算过程里。本文带你手工算一遍，算完你就明白"零轴上金叉"和"零轴下金叉"为什么强度完全不同。

【Python量化技术指标实战 02】MACD金叉也分强弱？手工算一次 DIF/DEA 就懂了

人工智能

手工用EMA计算MACD三要素，彻底搞懂DIF、DEA与MACD柱的联动逻辑，并实战解析零轴上金叉与零轴下金叉的强弱差异。附三面板可视化代码与可直接复制的Python实现，助你快速识别趋势信号，避开常见误区。

代码解释

GitHub

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量化技术指标实战 02】MACD金叉也分强弱？手工算一次 DIF/DEA 就懂了-腾讯云开发者社区-腾讯云

【Python量化技术指标实战 02】MACD金叉也分强弱？手工算一次 DIF/DEA 就懂了

【Python量化技术指标实战 02】MACD金叉也分强弱？手工算一次 DIF/DEA 就懂了

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