ptrade 量化平台：如何使用历史 K 线数据自定义计算 MACD 与 KDJ 指标？

在 ptrade 量化交易平台中，计算 MACD（异同移动平均线）和 KDJ（随机指标）等技术指标通常分为两个步骤：通过 API 获取历史行情数据，然后调用 ptrade 内置的技术指标计算函数或自行编写 NumPy/Pandas 算法进行手动计算。

一、获取历史 K 线数据

在 ptrade 中，推荐使用 get_history 函数获取用于指标计算的历史行情数据（如收盘价、最高价、最低价）。

接口示例：

# 获取目标股票过去 100 天的 日线 close、high、low 数据
history_df = get_history(100, frequency='1d', field=['close', 'high', 'low'], security_list=['600570.SS'])

注意：进行技术指标计算时，需将 DataFrame/Series 转换为 NumPy 数组（.values），以匹配计算函数的入参要求。

二、使用 ptrade 内置函数计算指标

ptrade 框架提供了现成的技术指标计算 API，可直接传入数据数组进行高效计算。

1. 计算 MACD 指标

• 接口：get_MACD(close, short=12, long=26, m=9)
• 入参：close 为收盘价的 numpy.ndarray
• 返回：dif_data, dea_data, macd_data 序列

2. 计算 KDJ 指标

• 接口：get_KDJ(high, low, close, n=9, m1=3, m2=3)
• 入参：最高价、最低价、收盘价的时间序列（numpy.ndarray）
• 返回：k_data, d_data, j_data 序列

三、完整策略示例源码

以下示例展示了如何在 handle_data 盘中事件中获取数据并计算 MACD 和 KDJ 的最新值：

def initialize(context):
    g.security = '600570.SS' # 恒生电子
    set_universe(g.security)

def handle_data(context, data):
    # 1. 获取过去 100 根 K 线的行情数据
    h = get_history(100, '1d', ['close', 'high', 'low'], security_list=g.security)
    
    # 2. 提取 numpy 数组
    close_data = h['close'].values
    high_data = h['high'].values
    low_data = h['low'].values
    
    # 3. 计算 MACD 指标
    macdDIF, macdDEA, macdHIST = get_MACD(close_data, short=12, long=26, m=9)
    current_dif = macdDIF[-1]
    current_dea = macdDEA[-1]
    current_macd = macdHIST[-1]
    
    # 4. 计算 KDJ 指标
    k_data, d_data, j_data = get_KDJ(high_data, low_data, close_data, n=9, m1=3, m2=3)
    current_k = k_data[-1]
    current_d = d_data[-1]
    current_j = j_data[-1]
    
    # 5. 打印最新指标结果
    log.info("股票: %s | MACD(DIF: %.3f, DEA: %.3f, MACD: %.3f) | KDJ(K: %.2f, D: %.2f, J: %.2f)" % 
             (g.security, current_dif, current_dea, current_macd, current_k, current_d, current_j))
    
    # 6. 编写基于指标的交易逻辑（示例：KDJ金叉买入）
    if k_data[-2] < d_data[-2] and current_k > current_d:
        cash = context.portfolio.cash
        if cash > 0:
            order_value(g.security, cash)
            log.info("KDJ金叉，买入标的 %s" % g.security)

四、常见开发注意事项

1. 数据长度问题：MACD（EMA平滑）等指标具有累积效应，获取的历史数据条数（count）建议尽量长（如 100 根或以上），避免因为样本量过短导致计算出的 DIF/DEA 与同花顺、通达信等软件存在微小偏差。
2. 数据数据类型：传递给 get_MACD 和 get_KDJ 的入参必须是 numpy.ndarray 类型，若直接传入 Pandas DataFrame/Series 会导致报错。
3. 多线程并发冲突：在 run_daily 或 run_interval 定时任务中，请勿与 handle_data 同时调用 get_history，以防产生高并发竞争导致取数为空。