如何使用Python實現MACD畫圖

# 如何使用Python實現MACD畫圖

## 引言

MACD（Moving Average Convergence Divergence）是一種常用的技術分析指標，由Gerald Appel于1970年代提出。它通過計算不同周期的指數移動平均線（EMA）之間的差異，幫助投資者判斷市場趨勢和買賣時機。本文將介紹如何使用Python的`matplotlib`和`pandas`庫實現MACD的計算與可視化。

---

## 1. 準備工作

### 1.1 安裝必要庫
確保已安裝以下Python庫：
```bash
pip install pandas matplotlib numpy yfinance  # 數據獲取與處理

1.2 數據準備

以股票數據為例，使用yfinance獲取歷史數據：

import yfinance as yf

# 下載蘋果公司股票數據
data = yf.download("AAPL", start="2020-01-01", end="2023-01-01")
print(data.head())

2. 計算MACD指標

MACD由三部分組成： - DIF線：12日EMA與26日EMA的差值。 - DEA線：DIF的9日EMA（又稱信號線）。 - MACD柱：DIF與DEA的差值。

2.1 計算EMA

def calculate_ema(data, window):
    return data['Close'].ewm(span=window, adjust=False).mean()

data['EMA_12'] = calculate_ema(data, 12)
data['EMA_26'] = calculate_ema(data, 26)

2.2 計算DIF、DEA和MACD柱

data['DIF'] = data['EMA_12'] - data['EMA_26']
data['DEA'] = data['DIF'].ewm(span=9, adjust=False).mean()
data['MACD'] = data['DIF'] - data['DEA']

3. 繪制MACD圖表

3.1 創建畫布

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), gridspec_kw={'height_ratios': [2, 1]})

3.2 繪制股價與均線

ax1.plot(data.index, data['Close'], label='Close Price', color='black')
ax1.plot(data.index, data['EMA_12'], label='EMA 12', color='blue', linestyle='--')
ax1.plot(data.index, data['EMA_26'], label='EMA 26', color='red', linestyle='--')
ax1.set_title('Price with EMA Lines')
ax1.legend()

3.3 繪制MACD組件

# DIF與DEA線
ax2.plot(data.index, data['DIF'], label='DIF', color='blue')
ax2.plot(data.index, data['DEA'], label='DEA (Signal)', color='red')

# MACD柱狀圖
ax2.bar(data.index, data['MACD'], label='MACD Histogram', 
        color=np.where(data['MACD'] > 0, 'green', 'red'))

ax2.set_title('MACD Indicator')
ax2.legend()

3.4 優化圖表

plt.tight_layout()
plt.show()

4. 完整代碼示例

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf

# 數據獲取
data = yf.download("AAPL", start="2020-01-01", end="2023-01-01")

# 計算MACD
data['EMA_12'] = data['Close'].ewm(span=12, adjust=False).mean()
data['EMA_26'] = data['Close'].ewm(span=26, adjust=False).mean()
data['DIF'] = data['EMA_12'] - data['EMA_26']
data['DEA'] = data['DIF'].ewm(span=9, adjust=False).mean()
data['MACD'] = data['DIF'] - data['DEA']

# 繪圖
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), gridspec_kw={'height_ratios': [2, 1]})
ax1.plot(data.index, data['Close'], label='Close Price', color='black')
ax1.plot(data.index, data['EMA_12'], label='EMA 12', color='blue', linestyle='--')
ax1.plot(data.index, data['EMA_26'], label='EMA 26', color='red', linestyle='--')
ax1.set_title('Price with EMA Lines')
ax1.legend()

ax2.plot(data.index, data['DIF'], label='DIF', color='blue')
ax2.plot(data.index, data['DEA'], label='DEA', color='red')
ax2.bar(data.index, data['MACD'], color=np.where(data['MACD'] > 0, 'green', 'red'))
ax2.set_title('MACD Indicator')
ax2.legend()

plt.tight_layout()
plt.show()

5. 擴展應用

1. 交易信號：當DIF上穿DEA時買入，下穿時賣出。
2. 參數優化：調整EMA周期（如5/35組合）適應不同市場。
3. 多股票分析：批量處理數據并對比MACD形態。

通過Python實現MACD可視化，投資者可以更直觀地理解市場動態，輔助決策制定。 “`